DeepMind 還是不懂中國

文：王智遠 | ID:Z201440

聽到 DeepMind CEO 聊中國 AI，有一句話特別刺耳：中國 AI 毫無創新，只不過是跟進速度可怕。

這話，聽著是不是很熟悉？

前兩年敘事里，這幾乎成了西方對我們的思維定勢，他們負責「從 0 到 1」的發明，我們負責「從 1 到 100」的內卷。

哪怕我們跑得再快，在他們眼里，充其量也就是個「勤奮的跟隨者」。

說實話，這種論調過去我們很難反駁。因為你打開任何一個國際主流榜單，放眼望去，清一色的美國產品；比如：OpenAI、Google、Anthropic。但偏見這東西，最怕硬數據。

01

今天（12月23日），全球公認最難刷榜、最講究「盲測體驗」的大模型競技場 LMArena ，更新了排名；在眾多美國模型的重重包圍里，百度文心 ERNIE-5.0-Preview-1203 殺了出來，以 1451 分拿下了國內第一。

這個分數意味著什么？

國際舞臺上，文心已成為國產 AI 的優秀代表，在 LMArena 排名前 10，超過了 Claude Sonnet4.5、GPT-5.2 等前沿模型，是前 20 里唯一的非美國模型，打破了美國壟斷。

當唯一的中國名字出現在榜單前列，當我們的 AI 已經不再滿足于「跟跑」時，中美 AI 的這盤棋，邏輯是不是已經變了？

智遠分析認為，跑贏這事兒，不能光靠運氣，也不能全靠「堆顯卡」，我特意翻了一下文心 5.0 Preview 背后的技術文檔，發現百度在練幾門很刁鉆的「內功」，這也是它能突圍的核心原因。

第一，最核心底座是一個「原生」的生命體。

注意這個詞：原生全模態（Native Omni-modal）；以前很多所謂「多模態」模型是「拼湊」出來的，給大模型外掛一個看圖的眼睛、外掛一個聽聲音的耳朵。

這種后期融合雖然能用，但各感官之間是割裂的；文心 5.0 不一樣。它采用了「原生全模態統一建?！辜夹g。

打個比方：

它像一個天生具備視、聽、說能力的生命體；從訓練的第一天起，文本、圖像、音頻、視頻就是融合在一起學習的。

所以，它能直接理解視頻里的情緒，直接看懂圖片里的邏輯，這種“出廠設置”級別的差異，讓它的理解和生成能力，直接上了一個臺階。

圖釋：LMArena 最新榜單，文心 5.0 Preview 以 1451 分殺入全球前十，超越 GPT-5.2，成為前 20 名中唯一的非美國模型。

第二招，是「大塊頭」也有「大智慧」。

文心 5.0 參數量達到了驚人的 2.4 萬億。這是目前業界已公開參數模型里的「巨無霸」。

通常我們認為，模型越大越笨重、越燒錢；百度用了一種「超大規模混合專家模型（MoE）架構」，解決了個悖論。

簡單說，這 2.4 萬億參數像一個龐大的專家庫，在處理具體問題時，只激活其中不到 3% 的相關專家來干活；在 LMArena 這種拼反應、拼邏輯的盲測里，這種架構優勢非常明顯。

第三招，是「思考」與「行動」的合體。

文心4.5開始就致力于「知行合一」，突破了僅基于思維鏈優化的范式，在思考路徑中結合工具調用，構建了融合思考和行動的復合思維鏈，模型解決問題能力得到顯著提升。

同時，結合多元統一的獎勵機制，實現了長距離思維和行動鏈的端到端優化，顯著提升了跨領域問題解決能力。

所以，不能把它簡單歸納為彎道超車。

從「拼接」走向「原生」，從「堆參數」走向「MoE」，從「單點問答」走向「智能體思考」，這 1451 分的背后，是技術路線的質變。

當不再盲目堆算力，開始在架構、思考能力上找突破口時，打贏 GPT-5.2，也就不是什么不可思議的事了。

不可思議，不是我隨意能說了算。畢竟，刷榜這事兒，中國不愛干，干了也沒用，能把技術用到應用中，才是真本事。

DeepMind 覺得中國 AI 缺乏創新，理由是我們太熱衷于「應用」，但智遠看來，這恰恰是中西方視角的錯位。

硅谷創新往往在實驗室的白板上，追求算法“從 0 到 1”；而中國創新，長在泥土里，長在車間里，長在代碼行里，追求產業的“從 1 到 100”。

我認為，反駁「無創新論」最有力的武器，是看能不能解決美國 AI 根本沒碰到過、甚至想象不到的復雜難題。比如說：在大國重器里，解決「物理世界」的硬傷。

02

來看看文心大模型在各行各業的應用：

中車集團聽說過嗎？造高鐵的那個。以前做高鐵的氣動外形設計，那是純物理活兒，更是個「苦力活」。

因為空氣看不見摸不著的，設計師設計一個車頭，好不好用，必須得扔進風洞實驗室里吹。

跑一次數據，涉及海量的流體力學計算，可能要耗時好幾個月，而且風洞實驗的成本極高，可以說是“燒錢又燒時間”。

現在呢？一切變了。

他們把文心大模型用在了空氣動力學仿真上。基于百度飛槳的科學計算能力，大模型學習了海量的歷史實驗數據，它已經「懂」了風的規律。

有了這個「外掛」，過去幾個月的實驗周期，現在最快幾分鐘就能算出結果。設計師有一個新想法，立刻就能跑出數據驗證，創新的迭代速度快了成百上千倍。

更科幻的是，他們還搞了個「虛擬傳感器」。

這又是什么黑科技呢？這么說吧，高鐵上有很多精密部件沒法安裝實體傳感器的（比如空間太小，或者環境太惡劣）。

以前這些地方出了問題，只能靠猜或者靠檢修。但現在，利用大模型強大的推演能力，能憑現有的電流、電壓等外圍數據，AI 就能在虛擬世界里“推算”出核心部件的實時狀態。

這好比給列車裝了一雙透視的“天眼”，把故障檢測的準確率硬生生在現有傳感器檢測的基礎上再提升了 10%；這 10%，關乎中國高鐵的安全，關乎的是億萬乘客的生命。

再比如：國家電網。以前巡檢電塔，那是工人拿命去爬，風吹日曬?，F在靠無人機 + 大模型，一年巡檢 500 萬基桿塔，人工登塔次數直接減少了 40% 。

這種把 AI 塞進高鐵和電網里，解決物理世界硬傷的能力，DeepMind 見過嗎？

如果說工業是「硬度」，那代碼就是「速度」；我們都知道 AI 能寫代碼，但能不能進核心業務流？順豐科技給了一個很嚇人的答案 。

大家可能不知道順豐的業務系統有多復雜。它不僅有物流地圖，還有運單流轉、倉儲管理......

這些系統里，沉淀海量的、只有順豐人懂的「私有知識」。普通通用大模型，你問它“如何優化運單路由”，它只能給你講一堆正確的廢話。

但順豐用的文心快碼（Baidu Comate），走了一條不同的路。

它通過 RAG（檢索增強生成） 技術，像外掛硬盤一樣，無縫接入了順豐內部龐大的私域代碼庫和文檔庫；當程序員敲下一行代碼時，AI不用瞎猜了。

直接在順豐沉淀了十幾年的技術資產里瞬間檢索，找到最匹配的邏輯，生成代碼。效果怎么樣呢？現在順豐全公司，日均 20% 的代碼是由 AI 生成的 。

相當于每五個字代碼里，就有一個是 AI 寫的。解放了順豐 1000 多名開發者的生產力，讓他們從枯燥的「搬磚」中解脫出來，去思考更復雜的物流算法 ；這是實打實的新質生產力。不炫技，在給企業省錢、增效。

03

智遠再說一個應用場景最稀缺的例子：社會治理。

在美國，AI 處理標準英語也許很容易。但在中國，處理老百姓夾雜著方言、情緒激動、邏輯混亂的投訴，是對 AI 理解力的極致考驗。

北京市海淀區的「接訴即辦」系統，每月受理量十幾萬，以前靠人工聽錄音、打標簽，根本搞不過來。

因為數據量太大了，而且是非結構化的?，F在接入文心大模型后，它不僅能更懂人性，還能從一堆嘮叨里精準提取訴求，自動分類填單 。

數據反差極其強烈：

以前做簡單指標統計要 3 天，現在只要 1 分鐘；畫個圖表以前要 5 天，現在 30 分鐘搞定；這是給龐大的城市治理裝上了一個實時思考的“大腦”，讓管理者能聽懂每一句人間煙火。

最后，如果非要說我們不懂基礎科學，那就去上海交大看看。

傳統科學實驗，其實很笨。就像愛迪生試燈絲一樣，要在實驗室里進行成千上萬次的重復試錯，耗時耗力 。

上海交大基于文心大模型搞了個 AI for Science 平臺 ?，F在，只要輸入分子 SMILES 序列，5 秒鐘之內就能檢索出反應過程、反應條件和相關文獻 。

這個成果，直接登上了 Nature Computational Science 的封面 。

Nature Computational Science是什么？不懂行的認為這只是一篇論文，但在學術圈，這本《自然》旗下的頂級子刊，代表著「計算+科學」交叉領域的最高門檻。

能上封面，意味著中國 AI除了做應用，還能定義基礎科學的未來范式。

所以，當看到 AI 開始指導化學反應，開始設計高鐵外形，開始聽懂老百姓方言，開始替程序員寫兩成的代碼時，還會覺得中國是跟隨者嗎？

04

最后，智遠想說一個細思極恐的細節。關注 LMArena 的朋友會知道，哪怕你看到了它排在國內第一、全球前十，別忘了，它的名字后綴里還掛著一個詞：Preview（預覽版）。

什么意思？

也就說，打敗GPT-5.2、把不少美國模型甩在身后的「文心 5.0」，還是一個「未完全體」；這就像武林高手過招，對方還沒拔劍，只是試探性地出了一掌。

智遠看到榜單后，問了下熟悉的人，他們說：文心大模型 5.0 正式版，大概率會在 1 月份正式上線。

試想一下，一個 Preview 版本已經能在競技場里撕開鐵幕，那經過一個月打磨后的正式版，又會拿出什么樣的性能呢？

如果只盯著分數，可能又看走眼了，因為現在大模型上榜大家關注少了，智遠覺得，這事兒還有更深的一層意味。我們不僅要問文心 5.0 還能得多少分，更要問一個終極問題：

當技術代差被抹平之后，中美 AI 的終局競爭到底拼什么？拼誰的模型多 10 分？還是拼誰的參數大一倍？都不是。

拼誰能把技術變成像水和電一樣，流進每一個普通人的生活里。

這也是智遠認為，百度在模型上下功夫的地方；它不僅自己在進化，它還帶著整個生態在進化；以后要把它用到AI搜索里、百度文庫網盤里、以及企業服務場景里，豈不是成了降本提效的「日用品」？

所以，當 DeepMind 還在嘲笑我們「應用快」的時候，他們可能沒意識到：應用，本身就是一種巨大的技術壁壘。

因為應用會產生數據，數據會反哺模型，模型進化了又帶來更好的應用；這是一個正向滾動的雪球。 而文心模型，是在雪球的中心。

所以，回到DeepMind 那句傲慢的評判。

當中國名字出現在榜單前列，當我們的 AI 深入到高鐵與政務的毛細血管，當“預覽版”能同臺競技時，不管硅谷還是 DeepMind，或許都該換一副眼鏡看中國 AI 了。

承認別人的優秀，并不丟人。

在這個時代，創新沒有時間限制，沒有壟斷權；它可以發生在加州的實驗室里，也可以發生在中國的高鐵車間里。

中美 AI 的故事，是「雙強并峙，各登山頂」。這，才是 AI 賽場上的真相。我也比較期待啥時候上線正式版。