8月的旧金山101高速公路上，广告牌已从昔日的SaaS和消费品牌，全面转向清一色的AI公司。Kimi、Codex等中国AI产品的身影赫然出现在硅谷核心地带，成为这场技术竞赛最直观的注脚。更令人意外的是，Google、OpenAI、xAI等机构的一线研究员开始频繁说出一句过去难以想象的话：“打不过国内。”
预训练差距缩小，方法论趋同
在预训练（pre-train）阶段，中美差距看似巨大，实则方法论已高度接近。中国头部大模型公司已建立起完整的“scaling ladder”，训练流程日趋科学。真正的差距在于算力规模与超大规模集群的工程经验——美国跑过更多万卡级训练，积累了应对复杂系统问题的“肌肉记忆”。但路径本身，双方已然共识。
后训练分化：多模态 vs 编程
进入后训练（post-train）阶段，竞争格局显著分化。在多模态领域，如字节的Seedance，凭借自有分发平台快速定义“好视频”的标准，并通过强大的人力运营能力高效组织数据标注与评测，形成独特优势。这种“模糊目标+强运营”模式，恰是中国公司的强项。
然而在编程（Coding）领域，情况截然不同。代码任务具备明确的可验证奖励（verifiable reward），更依赖大规模强化学习（RL）基础设施与高质量专家数据。中国因缺乏万卡级RL实战经验，且人力标注边际效益低，反而在此落后。Anthropic等公司依靠内部顶尖程序员产出核心数据，凸显“精锐”胜于“人海”。
Neo Lab祛魅：豪华团队≠成功产品
曾估值120亿美元的Thinking Machines Lab（TML）成为“Neo Lab 1.0”困境的缩影。尽管汇聚前OpenAI、Anthropic核心人物，却因创始人方向分歧、缺乏统一北极星指标而陷入内耗。团队过度追求“优雅框架”，忽视缓存优化、部署稳定性等“脏活”，最终被Fireworks等务实对手抢占市场。这揭示了一个残酷现实：仅靠顶尖人才与充足算力，已不足以复制OpenAI的成功。
数据战争：从破产公司到真实环境
随着互联网公开文本枯竭，AI公司转向收购破产企业（如Spirit航空）获取内部数据。但真正稀缺的并非静态数据集，而是能持续生成新任务与反馈的“真实环境”。Andon Labs甚至将AI代理Luna投入旧金山实体便利店运营，考验其在动态、不可逆世界中的长期决策能力。
数据商（数商）由此站上战争中央，从“人力加工厂”升级为“环境构建者”。他们不仅清洗数据，更将其重构为强化学习环境，并制定行业rubric以自动化评估模型表现。独家、高风险数据经“白手套”处理后，溢价可达百倍。
人的重估：当能力被重新定价
在湾区，AI研究员年薪已普遍突破百万美元，但最早质疑这一泡沫可持续性的，正是从业者自身。有人自比“雇佣兵”，有人计划“赚够就走”。一位年轻研究员坦言：“没有什么问题，是只有我能回答而ChatGPT不能的。”当技术壁垒加速消融，人类价值愈发聚焦于人际沟通与代际影响。
作者在法罗群岛度假时，仍需依赖ChatGPT翻译方言——AI已成为无法剥离的背景。但人不同于模型，无法回滚重试。每个选择仅有一次，而这场巨变终将落回每个具体的人生抉择之上。