LLM、编码、扩展定律、中国、智能体、GPU与AGI
核心主题：本报告基于Lex Fridman与两位顶尖AI研究者Sebastian Raschka（《从零构建大语言模型》作者）和Nathan Lambert（Allen Institute for AI后训练负责人）的深度对话，全面分析2026年AI领域的技术现状与未来趋势。
关键发现：中美AI竞赛进入白热化阶段，开源与闭源模型差距缩小，编程AI成为 killer app，扩展定律仍在持续但面临挑战，AGI时间表仍是热门争议话题。
中美各有优势：美国在平台和用户体验上领先，中国则在开源权重模型上强势崛起
Claude Code和Cursor正在改变软件开发方式，AI成为程序员的标配工具
预训练数据即将耗尽，RL（强化学习）成为新的扩展前沿
中国公司（DeepSeek、Kimi、MiniMax等）主导开源模型生态
Gemini vs ChatGPT vs Claude：各有特色，用户根据场景切换
短期内不会出现单一赢家，技术差距持续缩小
2025年1月，中国公司DeepSeek发布的R1模型震惊业界——以 allegedly 更少的计算资源实现了接近或达到SOTA的性能。这一"DeepSeek时刻"标志着中美AI竞赛进入新阶段。
"我认为DeepSeek绝对赢得了开源权重模型工作者的心，因为他们以开放模型形式分享这些模型。"
— Sebastian Raschka
Raschka认为，2026年不会有任何公司拥有其他公司无法获得的技术。研究人员在不同实验室间频繁流动，思想传播非常自由。真正的差异化因素将是：
Nathan Lambert指出，中国开源模型生态正在蓬勃发展：
"DeepSeek正在失去其作为中国最杰出开源模型制造商的桂冠，Z.ai的GLM模型、MiniMax的模型以及Moonshot的Kimi K2 Thinking等新模型在最近几个月更加耀眼。"
— Nathan Lambert
Lambert分析了中国公司保持开源策略的原因：
但Lambert也指出，这种模式难以持续——训练和研究的成本极高，预计未来几年会出现整合。
Nathan Lambert认为，在消费者聊天机器人领域：
| 模型 | 优势 | 劣势 | 适用场景 |
|---|---|---|---|
| ChatGPT (GPT-5) | 品牌认知度、用户习惯、快速响应 | 有时会犯错、语调问题 | 日常查询、快速问答 |
| Claude Opus 4.5 | 代码能力、深度思考、产品体验 | 速度较慢 | 编程、深度研究、复杂任务 |
| Gemini 3 | 长上下文、知识广度、界面友好 | 发布时营销过度、后续关注度下降 | 长文档分析、信息查询 |
| Grok 4 | 实时信息、调试能力 | 用户使用习惯 | 调试代码、实时搜索 |
三位嘉宾都提到一个有趣的现象：用户通常会一直使用某个模型，直到它"坏掉"（做出明显错误或愚蠢的回答），然后才会尝试其他选项。
"你用着用着，直到它出问题，直到你有问题，然后你才探索其他选项。我认为这和任何东西一样——我们最喜欢的文本编辑器、操作系统或浏览器。"
— Sebastian Raschka
编程是目前AI最令人兴奋的应用领域：
Lex Fridman分享了他同时使用Cursor和Claude Code的经验：Cursor适合深入理解代码细节，而Claude Code适合在宏观设计空间思考和指导。
在播客中，嘉宾们尝试即兴列举开源模型，结果惊人：
中国模型：DeepSeek、Kimi、MiniMax、Z.ai、Qwen、Antlang...
西方模型：Mistral AI、Gemma、gpt-oss (OpenAI)、NVIDIA Nemotron、OLMo、SmolLM...
"这很有趣，因为就在几年前，这个名单还很小。2024年基本上只有AI2 (Allen Institute for AI)。现在_open_（完全开源）的公司和项目多了很多。"
— Nathan Lambert
Sebastian Raschka指出，中国开源模型和西方开源模型的一个关键区别：
但这一格局正在改变——Mistral Large 3、Reka AI、NVIDIA都在推出超大规模（400B+参数）的MoE模型。
DeepSeek-V3 / R1 / V3.2
Qwen 3
gpt-oss (OpenAI)
Sebastian Raschka详细解释了Transformer架构的演进路径：
Qwen3-neXt等模型开始探索用更便宜的操作替代标准注意力机制：
三位嘉宾都提到了一个关键问题：预训练数据即将耗尽。
"数据非常明确地是有限的。接下来怎么办？要么你做某种超级预训练——不同于之前的配方，要么你做RL，要么做其他什么。但既然计算规模已经很大了，某种意义上我们又回到了研究时代。"
— Sebastian Raschka
强化学习（RL）正在成为新的扩展方向：
| 时代 | 时间 | 特征 |
|---|---|---|
| 研究时代 | 2012-2020 | 尝试各种想法，算力是瓶颈 |
| 扩展时代 | 2020-2025 | "scaling"一词主导，堆数据堆算力 |
| 新研究时代 | 2025+ | 数据耗尽，需要根本性创新 |
嘉宾们一致认为，AGI（如果实现）不会由单一公司垄断：
开源模型与闭源顶尖模型的差距持续缩小：
"你如何对待编程中的AI？你是在用英语编程，还是在微观管理代码生成并深入理解差异？我认为这是思考编程过程的另一种方式。"