> 一位上海实验室的预训练研究员给了我所见过的对 agentic gap（智能体能力差距）为何存在的最原创解释：中国缺乏足够的 RL 环境。
> 美国公司默认彼此互操作。开放 API、MCP、webhook，上百种 SaaS 产品都假定自己会被其他软件调用。这意味着美国的智能体是针对真实世界的界面进行训练的。当你教一个模型调用工具、把多步工作串联起来时，工具是现成的、有文档的，使用它们是家常便饭。
> 中国的技术生态是封闭的，有两个相互叠加的原因。首先，B2B SaaS 在中国从未跑通，所以一开始就没有多少可供工作共享的界面。其次，每家公司都与其他所有公司竞争，而且存在一种真实的恐惧：一旦某家公司触碰了另一家的数据，就会被“吃掉”。其结果是，智能体没有任何东西可以练习。
> 这比“他们在后训练上落后”是一个好得多的理论，因为它能解释那些更简单的理论解释不了的事情。它有可能解释为什么字节跳动的 UI-TARS 原生 GUI 智能体赌注会存在。那是针对封闭生态的一种架构性绕行方案，而不是押注 GUI 智能体是更优的范式。它也解释了我一直注意到、却无法在这个生态中给出理由的那种缺失：这里没有值得一提的可互操作基础设施层，因为根本就不存在互操作。阿里先做云，再做芯片，再做模型，再做应用，全部自研，一路到底。
> 这对任何在这里做构建的人都很重要：我们当作便利的美国式互操作，实际上是一种训练资产。 开放 API 让集成变得更容易；它们也创造了智能体学习的环境。这不是一个靠在后训练上投入更多就能弥合的差距。只有当底层生态开放，它才会弥合，而底层生态之所以封闭，原因是竞争性和结构性的，而非技术性的。
> 如果你在构建一家美国应用公司，你的集成界面和数据回路就是你的护城河。尽你所能，掌控并培育你的产品向最终客户的交付。
@aigc1024
