Nathan Lambert
AI 研究者・《Interconnects》作者
關於
Nathan Lambert 是一位機器學習研究者，以後訓練（post-training）與人類回饋強化學習（RLHF）方面的工作聞名。他在加州大學柏克萊分校取得博士學位，研究基於模型的強化學習與機器人控制；其後協助 Hugging Face 建立 RLHF 研究團隊，並在艾倫人工智慧研究所（Ai2）領導後訓練工作，形塑了 OLMo 與 Tülu 等完全開放的模型系列。他著有 RLHF 領域的參考教科書，並撰寫廣受閱讀的技術電子報《Interconnects》。2026 年他離開 Ai2 創辦新的 AI 實驗室，仍是美國最積極倡議開源 AI 的聲音之一。
主要貢獻
- 在艾倫人工智慧研究所（Ai2）領導後訓練工作，形塑 OLMo 與 Tülu 等開放權重、資料與訓練程式碼的模型系列
- 撰寫人類回饋強化學習（RLHF）領域的參考教科書，系統性整理現代對話模型背後的關鍵技術
- 協助 Hugging Face 建立 RLHF 研究團隊，貢獻 TRL 等開源工具與 Zephyr 等早期開放對齊模型
- 撰寫技術電子報《Interconnects》，深入分析 AI 模型與研究趨勢，每年累積數百萬閱讀
- 美國開源 AI 的重要倡議者；2026 年走訪中國各大 AI 實驗室，留下罕見的美國研究者第一手觀察
影片與訪談
美国AI研究员的中国之旅：年轻人，追赶者，算力焦虑与“AGI展示厅” ｜专访Nathan Lambert【101视频播客】
Silicon Valley 101 (硅谷101) interview with Nathan Lambert about his 2026 visit to China's AI ecosystem, where he met teams at Alibaba, Moonshot AI, Zhipu, Tsinghua, and others — his firsthand impressions of Chinese researchers' pragmatism and the influence of DeepSeek on the open-model landscape.
View Details
State of AI in 2026: LLMs, Coding, Scaling Laws, China, Agents, GPUs, AGI | Lex Fridman Podcast #490
A four-hour conversation with Nathan Lambert and Sebastian Raschka on the state of AI in 2026 — scaling laws, open versus closed models, the training pipeline (pre-, mid-, post-training), coding agents and dev tooling, US-China competition, GPUs, and AGI timelines.
View Details思想連結
Dario Amodei
思想對照執行長暨共同創辦人・Anthropic
2026 年 7 月的開放權重之爭，把兩人放到同一個技術問題的兩端，而那個問題帶著政策後果。Amodei 的實驗室從不公開權重，他一面稱安全的開放模型是公共財，一面要求打擊工業規模的蒸餾；Lambert 花了數年公開 OLMo 的權重、資料與訓練程式碼，卻公開主張：隨著後訓練轉向強化學習，蒸餾一年比一年更不管用。看似關於「開放」的價值分歧，有一部分其實是對「複製一個模型還能達成什麼」的判斷分歧。
techcrunch.com
黃仁勳
思想同道創辦人暨執行長・NVIDIA
兩人都主張開放權重符合美國的利益，理由卻幾乎無法更不同。黃仁勳發表 2026 年那封信時的身分，是模型愈商品化、算力愈稀缺就愈有利的供應商；Lambert 則從研究者這一側論證：一個你無法檢視、無法重訓、無法重現的模型，根本稱不上是研究的對象。這組對照值得記著，因為它顯示「開放」從來不是單一立場，而是一個商業利益與科學利益恰好指向同一方向的地方。
