两年前DeepSeek出来的时候，我说中国大语言模型性能很快会反超美国，当时嘲讽的声音震耳欲聋。
前两天Kimi K3发布，冲到AA排名第三的位置，跟第一二名的Claude Fable以及ChatGPT 5.6打得难解难分，某些细分领域已经实现领先。
现在说中国AI大模型还有半年就能超过美国，已经没什么人再有异议了。
而且，这还只是我们拿落后美国三代还被阉割的显卡做出来的成绩。
作为一个理工男创业者，我从来不盲目乐观，之所以有反超美国的判断，是因为我充分了解中国的智力资源优势。
只要实现了0到1，剩下就是工程优化，而这正是我们的甜区。
黑盒让人看着无从下手，只要拆解成白盒，一个细节一个细节攻克，世上也就无难事了。
之前我们拆解过芯片制造，又拆解了EUV光刻机，今天我们来拆解大语言模型，拆完你会发现，它远不如前面两个棘手。
第一步是数据采集与清洗，这是AI这顿饭的米。
数据主要是文本，包括网上的网页、书籍、论文、代码、社交媒体帖子等等。
简单说，凡是你能在网上看到的东西，都有可能被喂给模型。
数据采集团队会写爬虫程序，从互联网上抓取海量文本。
但问题来了，网上的数据99%都是垃圾，你随便打开一个网页，里面可能有广告、有乱码、有重复内容、有错误信息、有恶意代码。
如果模型吃了这些垃圾，它就会变成垃圾模型。
所以要把垃圾数据过滤掉，只留下高质量数据，这事由数据清洗团队来做。
去重，同一篇文章出现在多个网站，只保留一份。
去噪，去掉广告、导航栏、页脚、乱码。
去低质，去掉语法错误、拼写错误、无意义内容。
去敏感，去掉色情、暴力、仇恨言论、个人隐私。
分类，把数据按领域分类，比如科技、文学、数学、代码。
这其中有3个难点。
一是数据量太大，动辄十几万亿token，处理这么多数据，需要巨大的存储和计算资源。
二是数据质量难以保证，所谓高质量数据本身就是一个主观问题，所以需要复杂的算法和人工标注。
三是版权问题，即便网上的数据很多也是有版权的，OpenAI就被《纽约时报》起诉过侵权。
这个过程中数据采集团队负责写爬虫程序，数据清洗团队负责对抓取的数据进行清洗、去重、分类，数据标注团队负责对数据进行人工标注。
数据采集工程师年薪30万-60万。
数据清洗工程师年薪25万-50万。
数据标注员年薪10万-20万人民币。
这是AI大厂里工资最低的一个团队了。
数据方面中美差距不大。
我们有14亿人，互联网数据量巨大，中文语料丰富。
爬虫技术、数据处理方面，有大量工程师，工程能力强。
但中国在高质量英文语料方面，相对不足，因为很多顶级学术论文、技术博客是英文的，中国公司获取这些数据需要额外成本。
第二步是模型架构设计，让AI长出脑子。
大语言模型的核心架构是Transformer，Transformer的核心是自注意力机制。
简单说就是让模型在生成每个字时，能关注到输入文本中所有其他字，并给每个字分配一个权重。
它让模型能理解文本中的关系，这是大语言模型能“读懂”文本的关键。
架构设计团队通过4步完成设计。
先确定模型大小，参数数量、层数、头数、隐藏层维度。
然后选择架构变体，是使用标准的Transformer，还是使用MoE（混合专家架构）。
再然后设计注意力机制，是用标准的自注意力，还是优化版本。
最后设计位置编码，让模型知道每个字在句子中的位置。
架构设计中存在3个难点。
一是架构创新需要深厚的理论基础，Transformer架构虽然强大，但也有很多局限性，比如自注意力机制的计算量随着输入长度增加，计算量呈平方级增长，如何降低计算量这需要理论创新。
二是平衡性能与成本，更大的模型，性能更好，但训练成本更高，如何用更少的参数实现更好的性能，需要精巧的架构设计。
三是可扩展性，当模型规模扩大时，训练和推理的效率不能下降太多，这需要设计并行化策略，让模型能在数千个GPU上高效训练。
架构研究团队负责研究新的模型架构，发表论文，提出创新，架构工程团队负责将研究团队的架构设计，实现为可运行的代码。
架构研究员年薪80万-200万。
AI工程师年薪60万-150万。
他们是AI行业里薪酬最高的岗位，因为需要顶尖的学术背景和创新能力。
架构设计是我们主要在追赶美国的领域。
毕竟Transformer架构、自注意力机制等核心技术，都诞生在美国。
他们在基础研究上，有更深厚的历史积累。
但以中国人的智力，这种需要动脑子的领域追赶起来都很快，例如DeepSeek的MLA、MoE架构，都是中国团队的创新。
第三步是预训练，也就是教育AI的过程。
让模型学习语言基本规律的过程，学会猜下一个字。
预训练数据通常是无标注的，模型通过自监督学习来训练。
这个阶段，模型需要处理海量数据，消耗大量算力。
预训练需要5步。
配置训练集群，数千个GPU连接在一起，形成超级计算机。
编写训练代码，使用深度学习框架编写训练代码。
启动训练任务，将数据分批喂给模型，让模型不断优化参数。
监控训练过程，实时监控损失函数、学习率、梯度等指标，确保训练正常。
保存检查点，定期保存模型参数，防止训练中断导致前功尽弃。
难点有4个。
一是算力需求巨大，即便并行训练也要使用数千个GPU同时进行几个月。
二是训练不稳定，损失函数可能突然飙升，梯度可能爆炸，模型可能崩溃，需要不断调整参数，才能让训练稳定进行。
三是成本高，不过DeepSeek使用MoE架构和高效训练方法，倒是大大降低了成本，说明这里还有很大空间。
四是硬件限制，美国对我们实施了芯片出口管制，限制了中国公司获取高端GPU的能力，这也是我们目前最大瓶颈。
预训练团队负责编写训练代码、配置集群、启动训练、监控过程，基础设施团队负责维护GPU集群、网络、存储等硬件设施。
预训练工程师年薪60万-150万。
基础设施工程师年薪50万-120万。
薪资仅次于架构团队，尤其基础设施工程师，随着算力快速增长，目前严重供不应求。
这方面美国大幅领先。
毕竟他们可以自由获取NVIDIA最新的GPU，疯狂砸钱，算力储备也多。
但随着华为Atlas 950超节点今年4季度上市，高达8000多卡集成的变态集群，将在很大程度上突破算力瓶颈。
第四步后训练，对AI的专业培训。
预训练之后，模型已经学会了语言的基本规律，但它还不会回答问题。
所以，需要后训练让模型学会遵循指令，生成有用的内容。
这个过程有两个阶段。
一是有监督微调SFT，用人工标注的高质量数据对模型进行调教。
二是强化学习RL，通过奖励机制，让模型学会什么是对的、什么是错的。
SFT需要收集大量问题和答案对QA，让模型学习这些QA，学会如何回答问题。
RL让模型生成多个答案，人类评价哪个答案更好，让模型学会生成更好的答案。
后训练有3个难点。
一是需要大量人工标注，SFT需要人工标注的QA，人类辅助RL需要人类评价模型的答案，都需要大量的人力，成本高昂。
二是如何定义哪个答案好，不同人有不同标准，让模型学会人类偏好需要复杂的奖励模型设计。
三是安全性，防止模型生成有害、偏见、错误的内容，这需要严格的安全训练，包括内容过滤、对抗性测试等。
后训练团队负责设计SFT和RL训练流程，数据标注团队负责标注SFT数据和RLHF反馈，安全团队负责测试模型的安全性，防止生成有害内容。
后训练工程师年薪60万-150万。
安全工程师年薪50万-120万。
后训练中美差距不大。
训练技术相对成熟，掌握了SFT和RLHF的核心方法剩下就是执行了。
执行方面我们在数据标注方面，有成本优势。
但在安全性研究方面，美国仍然领先。
第五步评估与测试，这是AI的毕业考试。
模型训练完成需要评估性能，评估分为3种。
一是基准测试，在标准数据集上测试模型的表现。
二是人工评估，让人类评价模型生成的答案。
三是安全测试，测试模型是否会生成有害内容。
评估团队会使用各种基准测试。
例如MMLU（大规模多任务语言理解），测试模型在57个学科上的知识，GSM8K（小学数学推理）测试模型的数学推理能力，HumanEval（代码生成）测试模型的代码生成能力。
这个过程有3个难点。
一是基准测试可能被刷榜，模型通过记忆测试数据，来提高得分，防止作弊需要设计更复杂的测试方法。
二是人工评估主观性强，需要严格的评估流程保证人工评估的一致性。
三是安全测试难以穷尽，一个模型可能在某些场景下安全，在另一些场景下不安全，需要大量的测试用例全面测试模型的安全性。
评估团队负责设计测试流程，运行基准测试，分析结果，安全测试团队负责测试模型的安全性。
评估工程师和安全测试工程师年薪都在50万-120万。
评估测试方面中美差距不大。
评估方法相对成熟，我们已经掌握了核心方法，但在安全测试方面，美国仍然领先。
第六步推理部署，AI终于要上岗了。
模型训练完成后，需要部署到服务器上，供用户使用。
推理部署，就是让模型跑起来，为用户提供服务。
这个过程需要4步。
先做模型优化，对模型进行量化、蒸馏、剪枝，降低模型大小和推理成本。
然后将模型部署到GPU服务器上。
再然后配置API，提供API接口，让用户可以通过网络调用模型。
最后配置负载均衡，确保大量用户同时使用时，系统不会崩溃。
这个过程中有3个难点。
一是推理成本高，但也分模型，国产大模型的成本普遍只有美国的1/10。
二是推理速度，用户希望模型能快速回答，速度取决于模型大小、硬件配置、优化技术。
三是可靠性，部署后需要保证7x24小时稳定运行，需要强大的运维能力防止模型崩溃。
推理部署团队负责模型优化、部署、运维，基础设施团队负责维护GPU服务器、网络、存储。
推理部署工程师年薪50万-120万。
运维工程师年薪40万-100万。
这方面是我们领先美国。
在工程能力上，我们是世界顶级。
我们的工程师擅长优化，能用更少的资源，实现更好的效果。
第七步迭代与更新，让AI终身学习。
模型部署后，并不意味着一劳永逸。
用户会反馈问题，模型会暴露缺点，新的数据会不断产生。
所以，需要不断迭代和更新模型。
迭代团队会做4件事。
收集用户反馈，分析用户的使用数据，找出模型的缺点。
从互联网上抓取新的数据，更新训练集。
用新数据重新训练模型，或者对模型进行微调。
最后将新版本的模型部署上线。
这里面有3个难点。
一是如何构建数据飞轮，让用户的使用数据反过来改进模型。
二是防止模型退化，新数据可能包含新的错误，或者模型学会了不好的模式，需要严格的测试和监控防止模型退化。
三是版本管理，这需要完善的版本管理制度和A/B测试流程。
迭代团队负责收集反馈、更新数据、重新训练，产品团队负责分析用户需求，定义迭代方向。
迭代工程师年薪50万-120万。
产品经理年薪40万-100万。
这方面依然是中国略领先。
毕竟我们的市场竞争激烈，倒逼公司快速迭代。
说到卷，没人能卷得过我们。
总结起来，训练大语言模型就像养娃。
数据是食物，架构是基因，预训练是教育，后训练是专业培训，推理部署是上岗，迭代是终身学习。
每一步，都需要顶尖的人才、海量的资金、强大的算力。
美国在AI领域起步更早，积累了更多的经验、数据、算力、生态。
我们在AI领域起步较晚，但正在快速追赶。
从目前的情况看，中国在工程能力、成本控制、快速迭代上，已经追平甚至超越了美国。
但在基础研究、算力储备、生态建设上，仍然有差距。
最主要的瓶颈其实还是算力，这一项因素对模型性能影响占到超过一半。
好消息是，新的国产大模型都在适配国产算力，尤其这次WAIC上再次亮相的华为Atlas 950超节点，一旦在2026年4季度如期上市，将一举扭转我们小米加步枪的局面。
当年抗美援朝，我们小米加步枪对美国的飞机加坦克，依然把他们赶回三八线以南，不过自己也落下了火力不足恐惧症的病根，所以有了中国今天的导弹、军舰、六代机大爆发。
如今AI大模型我们用落后几代的显卡，患上了算力不足恐惧症，可依然还是会反超美国，接下来就轮到算力爆发的剧情了。
但不要高兴得太早，大语言模型不是重点，应用层的盈利点才能让整个AI商业模式闭环，现在看起来并不乐观，未来AI会如何发展？请阅读《AI科技牛终局》。
虽然未来在中国，但千万别贸然进场一头扎进AI概念，中国真正的护城河不在科技，而在核心资产，如果你非要进，请先仔细阅读《资产配置详细方案》，否则我劝你戒赌。