Nathan Lambert, Sebastian Raschka: 2026年AI现状：大语言模型、编程、缩放定律、中国、智能体、GPU与通用人工智能

拉施卡拒绝单一赢家通吃叙事。研究者在机构间流动，因此即使预算、硬件不平等，想法仍能传播。兰伯特补充，组织文化、产品重点也重要：Anthropic聚焦代码，不同于大众聊天机器人；技术受众的热情也不等于庞大普通用户群。这些预测是录制时的判断，不是确定排名。

中国开放权重竞争不只DeepSeek，还包括Qwen、GLM、MiniMax、Kimi。兰伯特认为开放是进入不愿买中国API市场的路径，拉施卡则强调交替领先，而非永久技术隔绝。谷歌一体化基础设施可能改善经济性，OpenAI推出新研究产品的历史也是制衡因素。订阅习惯、记忆、工作与私人分离，都可能让多个模型并存。

对速度与深思，两位嘉宾不同意。拉施卡希望简单命令立即答复，却能让全面文稿检查在晚饭期间运行。兰伯特工作查询更喜欢思考或Pro模型，重视少出错、整合来源。弗里德曼说，某次长上下文检索成功，就可能产生忠诚，失败后又换。这些轶事展示用户选择，并非受控模型比较。

模型质量与周边产品不可分。开放权重不会自动带来精致平台、快速服务。编程偏好也不同：拉施卡喜欢保留细节控制的仓库助手，弗里德曼用Claude Code练习自然语言指导开发。学习上，前者先专注阅读、第二遍再用AI，后者常先让模型建立背景。两人都看重投入，又不想陷入无关网络干扰。

开放生态有不同层次。兰伯特区分可下载权重，与OLMo这种连数据、代码都开放、让别人复现训练的努力。他指出中国大型MoE与西方较小模型的差别，也预期格局改变。宽松许可、本地部署、定制、第三方托管都影响采用，因此开放不只是基准分数。