本文基于对蚂蚁集团 Inclusion AI 团队的一次深度访谈，该访谈由人工智能研究者 Nathan Lambert 主持，并在其创办的媒体平台 Interconnects 上发布，题为《Inside a Chinese Frontier Lab: Inclusion》（原文链接：https://www.interconnects.ai/p/inside-a-chinese-frontier-lab-inclusion）。

Nathan Lambert 是一位活跃于 AI 研究与产品交叉领域的学者和实践者。他拥有加州大学伯克利分校（UC Berkeley）人工智能方向的博士学位，曾先后在 Meta、DeepMind 和 Hugging Face 工作，兼具前沿研究经验与工程落地视角。他的写作长期聚焦于大模型的技术演进、开源生态与产品化路径，尤其关注不同地区 AI 发展范式的比较。此次系列访谈旨在系统记录“全球顶尖开源大模型团队”的实践逻辑，而蚂蚁集团的 Inclusion AI 成为其报道对象。

在访谈引言中，Nathan 指出：“2025年的开源模型生态已发生显著变化——它更加多元、迭代更快，且由中国公司主导。DeepSeek R1 震惊世界后，一批中国团队开始密集发布高质量模型。其中，Inclusion AI 自 2025 年下半年起以高频节奏推出 Ling 系列模型，迅速成为国际社区关注的焦点。”

本次访谈的主要受访者包括：

• Richard Bian：Ant Ling 与 Inclusion AI 的产品与增长负责人，曾任蚂蚁开源软件部门（AntOSS）负责人；职业生涯早期在美国度过，曾在 Square 和 Microsoft 担任软件工程师，并获得加州大学伯克利分校哈斯商学院 MBA 学位，后于疫情期间返回中国加入蚂蚁；
• Chen Liang：算法工程师，主要负责预训练阶段的低精度训练（如 Float8）与训练稳定性优化；
• Ziqi Liu：研究负责人，上海交通大学博士，已在蚂蚁集团工作八年，目前专注于 Ling 系列大语言模型的研发。

本次访谈围绕四个核心议题展开：

1. 为何一家以金融科技为主业的公司要大力投入大模型研发？
2. 一个新成立的团队如何在短时间内建立起训练顶尖模型的能力？
3. 在模型架构、规模和模态选择上，如何制定技术策略？
4. 中美AI生态在发展方向上存在哪些差异？

以下内容基于访谈实录、公开技术信息及行业背景，力求客观呈现该团队的技术逻辑与战略思考。

一、战略动因：从金融科技到基础模型

蚂蚁集团的核心产品支付宝是中国最普及的移动支付应用之一，但业务早已扩展至信贷、保险、医疗健康及企业技术服务等多个高复杂度领域。这些场景对 AI 的理解力、推理能力与可控性提出极高要求。

访谈中指出：“如果我们无法掌握底层模型，就无法真正掌控用户体验和长期技术演进。”这一判断促使公司在2025年初正式启动名为“Inclusion AI”的项目。名称中的“Inclusion”并非营销术语，而是源于公司长期倡导的“普惠”理念——即技术应服务于更广泛人群，而非仅限于资源最丰富的机构。

Inclusion AI 并非从零开始。它整合了公司内部多个已有单元，包括专注于图神经网络与强化学习的研究实验室、具备大规模云原生基础设施能力的系统团队，以及负责探索下一代交互形态的用户体验小组。整个项目由公司 CTO 直接推动，团队成员被要求“只做这一件事”，体现出高度的战略聚焦。

关于“AGI”（通用人工智能），团队态度谨慎。访谈中坦言：“我们并不认为存在一个明确的 AGI 定义。当前更像是航海时代初期——船只刚从里斯本出发，有人往西寻找印度，结果发现了美洲。我们不知道终点在哪，但愿意沿着有希望的方向航行。”这种务实立场直接影响其技术选型：优先复现 DeepSeek、Llama 等已被验证有效的架构，而非追求理论创新。

二、技术执行：八个月内的快速迭代

Inclusion AI 于 2025 年 2 月启动，4 月发布首个纯文本模型 Ling 1.0，7 月推出性能更强的 Ling 1.5，9 月则一次性发布三个新模型：

• Ling 2.0：升级版基础语言模型；
• Ming：支持图像-文本联合理解的多模态模型；
• Ring：基于强化学习微调的垂直领域推理模型；

这种发布节奏背后是一套高效的技术-产品协同机制。

1. 低精度训练的工程挑战

团队曾尝试复现 DeepSeek 的 Float8 训练方案，但在实际测试中发现，其速度“甚至慢于 BFloat16”。瓶颈在于频繁的量化与反量化操作——尤其在线性层（GEMM）前后，需在 E4M3 与 BFloat16 之间反复转换。

解决方案是在 MoE 层中融合SwitchGating 函数与量化操作。MoE 结构包含 FC1 → Gating → FC2，其中 FC1 输出为 BFloat16。团队将 Gating 与后续量化合并为单一操作，减少中间步骤，从而节省时间。

此外，团队发现 QKNormalization对 Float8 训练至关重要。若不启用，QKV 投影层的梯度会因数值过小而下溢（underflow）。解释称：“量化误差会从最后一层向前传播并放大，第一层的误差最大。QK Norm 能有效缓解这一问题。”

2. MoE 架构与扩展策略

团队采用标准 MoE 架构：每个 Transformer 块包含一个注意力层和一个 MoE 前馈层（FC1 → Gating → FC2）。通过百亿参数规模的实验验证，激活比率（activation ratio）是影响性能的关键变量，“降低激活比率可一致提升效果”。

针对长上下文训练，团队采用了行业通用的优化手段，但未详述具体技术。值得注意的是，他们确认 QK Norm 在 BFloat16 训练中也有效，“损失比不用时更低”。

3. 产品分层与内部反馈

Ling 被定位为基础模型，类似“操作系统内核”。Ring 是其在特定方向（如代码生成）上的强化学习微调版本；Ming 为多模态扩展。

这些模型已在公司内部产品中试用。访谈提到：“我们确实看到清晰的反馈闭环，尤其是在编码代理（coding agents）场景。”但也承认，在“非短期”应用（如整站生成）上，“尚难判断其是否可持续，或是否为最佳产品形态”。

三、开源逻辑：后来者的务实选择

蚂蚁选择开源大模型，是基于现实处境的战略判断，而非道德立场或理想主义驱动。团队明确表示：“开源是一种选择。”作为技术生态中的后来者，其策略清晰而克制：“芯片领导者有他们的打法，而我们最优的选择是：第一，紧跟已被验证有效的方向，减少试错成本；第二，保持开放，保持敏锐。”

这一逻辑在实践中体现为三个相互支撑的维度：

首先，提升技术验证效率。 在模型架构与训练方法（recipe）尚未形成行业共识的阶段，闭门研发面临极高的不确定性。通过开源，Inclusion AI 能快速获得全球开发者在不同硬件环境、数据集和应用场景下的真实反馈。例如，Ling 1.5 发布后，社区自发贡献了多个针对中文法律、医疗等垂直领域的微调版本，这些实践案例帮助团队精准识别模型在专业场景中的能力短板。

其次，强化人才吸引与品牌建设。 在中国AI人才竞争日益激烈的背景下，高质量的开源项目已成为展示工程实力与技术品味的重要窗口。Ling 系列在 Hugging Face 和 ModelScope 上的高下载量与活跃讨论，不仅提升了蚂蚁在开发者社区中的声誉，也增强了其对顶尖研究者与工程师的吸引力。

第三，释放生态协同潜力。 蚂蚁并非孤立推进开源，而是将其纳入更广泛的生态布局：Ling 模型可无缝集成至阿里云百炼平台，供企业用户快速部署；内部开源办公室（Ant OSS）则提供配套工具链与工程支持。这种“模型 + 平台 + 工具”的协同模式，有助于构建更完整、易用的开发者体验。

开源带来的实际收益显而易见。正如团队所言：“当社区开始使用你的模型，你会收到真实世界的反馈——哪些场景有效，哪些延迟太高，哪些能力缺失。”这类来自多样环境的一线信息，是内部测试难以覆盖的宝贵资产。

不过，商业化路径仍处于探索阶段。目前，这些模型主要用于支持公司内部业务提效，尚未形成对外收费的产品模式。团队坦言，仍在思考如何通过大模型为终端用户创造可持续、可衡量的价值。

四、生态差异：DeepSeek 效应与中国路径

访谈中多次提及 DeepSeek 的影响。蚂蚁团队认为，DeepSeek R1 的成功在中国 AI 界产生了类似“郑和下西洋”的象征意义——证明非美国团队也能做出世界级模型。这不仅打破了“只有千亿美元预算才能训练顶尖模型”的迷思，更激发了一种集体行动逻辑。

在 DeepSeek 之前，很多人觉得追赶无望，但当它用相对有限的资源做出接近 GPT-4 的模型时，大家意识到：只要方向对、执行力强，后来者也能参与定义未来。”

这一“DeepSeek 效应”直接催化了 2025 年中国开源大模型的爆发。除蚂蚁外，阿里（Qwen）、智谱（GLM）、零一万物（Yi）、百川智能（Baichuan）等纷纷加速开源节奏，且普遍采取“快速迭代 + 全栈开源”策略——不仅发布模型权重，还开源训练代码、推理框架甚至评测基准。

相比之下，美国主流厂商趋于保守：

• Meta 虽仍维护 Llama 系列，但版本更新明显放缓，且 Llama 3 的开源范围小于预期；
• OpenAI 已完全转向闭源，GPT-5 不再提供任何模型权重；
• 创业公司 如 Anthropic、Cohere 等，均以 API 为核心商业模式，极少开源核心模型。

这种分化源于结构性差异：

维度	美国	中国
竞争位置	领先者，需保护技术护城河	追赶者，需借力社区加速
商业化路径	API 订阅、企业合同为主	内部降本 + 生态绑定 + 未来 SaaS
政策环境	数据隐私法规严格，出口管制趋紧	政策鼓励自主创新，数据获取相对便利
工程文化	强调理论创新与论文发表	强调快速复现与工程落地

这种分化背后，既有竞争位置的差异，也有制度环境与工程文化的深层影响。值得注意的是，中国路径并非没有隐忧：硬件限制（如 NVIDIA H20 芯片算力受限）、高质量英文数据获取困难、以及缺乏长期激励机制等问题依然存在。此外，部分开源项目存在“为开而开”现象——仅发布权重，缺乏配套工具与文档，难以真正被社区使用。

在此背景下，Inclusion AI 的做法显得更具系统性：不仅开源模型，还同步发布训练日志、超参配置、评估脚本，并积极参与社区问答。这种“负责任的开源”（responsible open-sourcing）理念，既回应了 DeepSeek 所激发的集体热情，也为如何避免“开源泡沫”提供了实践参考——开源不仅是发布权重，更是构建可持续协作的基础。这或许能为中国 AI 生态的可持续发展提供参考。

蚂蚁集团的 Inclusion AI 提供了一个“非传统 AI 公司”如何系统性构建大模型能力的案例。它的目标非常朴素：在有限时间内，以工程执行力和务实策略，构建一个可用、可靠、可扩展的基础模型体系，并通过开源参与全球对话。

这条航线能否通向可持续的未来，仍有待观察。但至少在 2025 年，它已为全球开源大模型生态注入了新的可能性——而这正是 Nathan Lambert 此类访谈的价值所在：记录正在发生的变革，而非仅仅预测未来。

​最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

如果你也想通过学大模型技术去帮助自己升职和加薪，可以扫描下方链接【保证100%免费】👇👇
​​

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**

​