中国生成式AI民用开荒史：2022–2023——从封锁中突围，在裂缝中奠基

中国生成式AI民用开荒史：2022–2023——从封锁中突围，在裂缝中奠基

【前言】

你以为美国对中国的AI技术封锁，只是光刻机、高端算力卡的限制吗？

并不是。

那是一场从底层硬件到上层应用，贯穿全链条关键环节的技术生态封锁——从芯片制造、算力供给，到模型开源、社区资源、前沿应用，每一个核心节点都被刻意设限。它不是单点的技术卡脖子，而是一张试图困住中国AI发展的“生态围网”。

在今天人人皆可调用AI、随手生成内容的繁荣时代，很少有人记得，中国生成式AI曾经历过一段沉默而艰难的黎明前夜。那是工具链残缺、开放模型稀缺、国际资源受阻的蛮荒期；是被外部技术围堵、核心资源难获、前沿信息滞后的突围期；是每一步探索都要跨越障碍，每一次尝试都要直面报错的拓荒期。

但在那样的绝境里，有一群人没有等待、没有退缩，更没有放弃。他们以极客精神为灯，以技术热爱为路，在信息的裂缝中摸索，在限制的边界上试探，在空白的领域里搭建，从零到一，硬生生铺就了属于中国的生成式AI基础之路。

这段历史，从来不是抽象的“时代回顾”，而是由具体的人、具体的社群、具体的技术突破，共同拼凑而成的“开荒纪实”。它属于每一位深夜排错的开发者，属于每一个无私分享的极客，属于那段在黑暗中依然倔强向前的岁月。

【时代界定：生成式AI的民用普及期开端】

如果把中国AI发展放在更长的历史坐标中审视，2022–2023年并非传统AI时代的简单延续，而是生成式AI（AIGC）从学术研究走向民用普及的关键转折期，是“实验室技术”落地为“全民工具”的破冰之年。

2016–2021年，是中国深度学习的黄金发育期。我们在计算机视觉、自然语言处理等领域已斩获世界级成果：商汤、旷视等企业深耕安防、医疗领域，实现技术规模化落地；百度PaddlePaddle、华为昇思MindSpore等国产框架逐步成熟，打破海外框架垄断；清华GLM系列的前置技术积累、智谱与清华联合研发ChatGLM的前期准备稳步推进，为后续大模型爆发积蓄力量。这些成就，为中国生成式AI的崛起，筑牢了坚实的技术地基。

而2022至2023年，是生成式AI真正“破圈”的开荒期、探索期与奠基期。在外部技术封锁的大背景下，民间极客的自发探索与互联网大厂的定向研发同步推进、彼此支撑——民间负责“踩通路径、验证可行性”，大厂负责“打磨产品、降低门槛”，两者共同奠定了今天中国AI繁荣生态的核心骨架。

正是这一批先行者，在重重限制下的极客式探索，推动了生成式AI在中国的早期普及与技术验证，为后续的全民AI时代，打开了第一扇门。

【史料佐证】

本文所述2022年底至2023年上半年的行业状态，均有同期公开文献、行业报告与技术纪实支撑，确保内容的真实性与严谨性：

• 美国对华AI技术限制已形成全链条封锁，覆盖芯片、算力、设备、框架、模型与云服务等关键环节（清华大学战略与安全研究中心、人民日报、人民网，2023）。

• 国内AI绘画与大模型民用生态处于萌芽阶段，平台迭代速度快，工具链与模型库尚在逐步完善，用户使用门槛极高（中国AIGC产业白皮书、IT之家、稀土掘金，2023）。

• 早期玩家需手动搭建运行环境，面对海外平台的中国IP限制，一键整合包尚未成熟，技术落地的核心难点集中在环境配置与算力适配（CSDN、知乎、腾讯云/阿里云开发者社区同期部署教程）。

• 关键人物与平台时间线（均为同期公开记录）：秋葉aaaki的SD-WebUI一键整合包（2023年4月发布）、陈冕创立LiblibAI（2023年5月）、ChatGLM-6B开源（2023年3月）、ControlNet发布（2023年2月）。

这段历史并非散落的记忆碎片，而是被文献、人物、社群与技术实践共同记录的，一段鲜活的中国AI探索史。

一、那个时代的底色：全链条封锁下的生存困境

2022年底至2023年上半年，是中国生成式AI民用生态最艰难的时期。外部封锁形成的“技术壁垒”，让每一位想触碰前沿AI的探索者，都要先跨越一道无形的鸿沟。限制并非单点存在，而是贯穿AI发展全链条的系统性围堵，主要体现在以下五大关键节点：

• 硬件层：高端算力卡（如NVIDIA A100、H100）供应受限，消费级显卡资源紧张，大模型训练与推理的硬件基础极度薄弱；

• 框架层：部分海外核心开发平台、代码仓库访问不稳定，甚至被直接限制，开发者难以获取前沿开发工具与技术支持；

• 模型层：海外前沿开源模型（如LLaMA系列）获取渠道受限，信息传递存在明显滞后，国内可直接使用的成熟模型寥寥无几；

• 应用层：ChatGPT、MidJourney等海外主流AI产品，逐步对中国地区实施IP封锁，普通用户无法直接体验前沿应用；

• 生态层：国产大模型尚处于早期开发阶段，未形成民用化产品，民间模型分享、技术交流的社群生态尚未成型。

在那个阶段，想要触碰前沿生成式AI，从来不是“简单学习”，而是一场“硬核突围”——从硬件到软件，从资源到信息，每一步都要在限制中寻找生机。

硬核突围路径一：国产算力平台的替代与挖掘

面对高端算力卡的供应缺口，国内开发者没有坐以待毙，而是探索出多条“曲线突围”的路径，最大化挖掘现有算力资源的价值：

• 云端算力替代：青椒云、腾讯云HAI（High-Performance AI）等国产云端算力平台快速崛起，提供预装Stable Diffusion、ChatGLM等模型的云电脑服务，用户无需自行部署复杂环境，只需通过网页即可调用AI能力，绕开本地硬件限制；

• 消费级显卡极限压榨：通过INT4量化技术优化模型，将ChatGLM-6B的最低显存需求降至6GB，让普通玩家的消费级显卡（如RTX 3060、3070）也能运行大模型，实现“用低端硬件跑高端模型”的突破；

• 多卡分布式训练：GitHub社区涌现出大量适配多消费级显卡的训练方案（如DeepSpeed-Zero3），开发者通过拼接多张普通显卡，实现分布式训练与推理，在有限算力下完成模型微调，破解“单卡算力不足”的困境。

硬核突围路径二：模型镜像站的搭建与资源流转

海外核心模型站（如Hugging Face、Civitai）对国内IP的访问限制，让模型获取成为一大难题。开发者们通过自发搭建“资源桥梁”，打破了这一封锁：

• 国内镜像站崛起：2023年5月，陈冕创立的LiblibAI快速成长，成为国内最大的AI模型社区，整合海量开源模型，提供高速下载通道，解决了“模型下载慢、下载难”的核心痛点，成为当时开发者获取模型的核心阵地；

• 网盘分享生态：夸克网盘、百度网盘成为模型与工具传播的主要渠道，秋葉aaaki等核心开发者通过网盘分享一键整合包，将复杂的环境配置、模型安装流程打包，降低了入门门槛，让更多非专业开发者能够快速上手；

• 开源资源镜像化：国内开发者自发搭建GitHub镜像站、Hugging Face镜像站，同步海外开源代码与模型资源，加速技术与资源的国内流转，弥补了信息滞后的短板。

硬核突围路径三：轻量化算法的适配与创新

在硬件资源受限的大背景下，算法创新成为突围的核心突破口——通过优化算法，在不损失核心性能的前提下，降低模型对算力的需求，实现“以算法补硬件”的突破：

• LoRA技术普及：无需训练完整模型，仅用几十张同风格图片即可训练微调模型，大幅降低训练的算力与时间成本，让普通开发者也能实现“定制化模型”的需求；

• P-Tuning v2优化：将大模型微调的参数量压缩至原来的0.1%，最低只需7GB显存即可启动ChatGLM等模型的微调，让消费级显卡也能承担微调任务；

• INT4/INT8量化技术落地：在几乎不损失模型精度的前提下，将模型大小压缩4-8倍，不仅降低了显存占用，还提升了模型运行速度，让更多低端硬件能够适配前沿模型。

这些硬核突围路径，从来不是简单的“手动配置环境”，而是基于技术深度的系统性解决方案，是中国开发者在限制中被逼出来的“创新智慧”。

二、无路可走，便从裂缝中走出一条路

2022-2023年的国内生成式AI世界，如同一片尚未被开垦的荒原——没有成熟的工具，没有完整的教程，没有稳定的资源，只有一群不甘心被“拒之门外”的探索者，在黑暗中摸索前行。

那时的行业状态，处处透着“早期”的痕迹：

• 百度文心一言处于小范围内测（2023年3月开启），尚未向公众开放；

• 阿里通义千问启动研发（2023年3月）、4月正式发布，仍在打磨核心能力；

• LiblibAI、AI绘画公社等民间平台快速发展，但内容与功能仍在迭代完善；

• 一键整合包尚未成熟，大部分用户仍需手动配置环境，教程体系处于零散搭建阶段；

• 国内高速模型镜像站逐步完善，但资源覆盖仍有缺口，部分前沿模型仍需“辗转获取”。

第一批走进AI绘画、大模型、深度学习的人，走的是一条极客式、探索式、自建式的道路——他们不是“使用AI”，而是“创造使用AI的条件”：

• 探索突破海外平台访问限制的方式，追踪前沿论文与技术动态，只为获取第一手信息；

• 从公开渠道与技术社区中搬运、整理、共享模型资源，搭建起民间的“资源共享网络”；

• 没有完善教程，便啃读英文文档、拆解开源代码；没有标准答案，便反复试错、记录报错日志；

• 手动配置Python、CUDA、PyTorch环境，一个版本不匹配便重新安装，一个驱动不兼容便反复调试，常常在电脑前熬到深夜；

• 面对“GPU无法识别”“环境报错”“显存不足”等高频问题，独自排查、互相交流，在小圈子里分享解决方案；

• 在信息相对有限的情况下，硬生生将整套AI运行系统搭建、调试、跑通，完成从“0”到“1”的突破。

那时候，在无数个深夜的技术群里，最常听到的不是对未来的畅想，而是“显存又爆了”的叹息，和“换个驱动试试”的固执；最常见的场景，是开发者们截图报错日志，互相探讨解决方案，哪怕只是一个微小的突破，也能带来满屏的欢呼。

这是中国第一批AI民用探索者，在简陋的出租屋或工位上，用消费级显卡发出的第一声啼鸣——微弱，却充满力量；艰难，却从未停止。

三、双线并行：AI绘画与通用大模型的同步探索

如果说这一时期的技术探索主线，以AI绘画（Stable Diffusion、ControlNet为代表）为典型，那么同一时期的通用大模型（ChatGLM、LLaMA等为代表），则走出了另一条难度更高、同样艰难的探索之路。两条路线，背景相同、困境相同、精神相通、时代同步，如同“双轮驱动”，共同推动中国生成式AI突破封锁。

3.1 通用大模型面临的限制更显著

相较于AI绘画，通用大模型的探索面临着更严峻的限制——不仅需要更强的算力支撑，还面临着核心模型获取难、技术门槛更高的问题：

• ChatGPT从2023年2月起，逐步对中国IP实施访问限制，国内用户无法直接体验，只能通过第三方接口或镜像站间接尝试；

• LLaMA等海外核心开源大模型，国内获取渠道有限，且存在版权与使用权限的限制，普通开发者难以直接调用；

• 训练通用大模型所需的高端算力卡供应极度紧张，民间开发者几乎无法承担大规模训练的成本；

• 国内可公开使用的通用大模型处于早期阶段，功能不完善、对话质量有限，难以满足实际使用需求。

3.2 极客们的突围路径高度一致

尽管面临的困难更突出，但通用大模型的探索者们，延续了AI绘画领域的“突围精神”，走出了一条高度相似的探索之路：

• 探索突破海外平台访问限制的方式，实时追踪海外大模型论文与技术动态，快速学习前沿算法；

• 在有限、非官方的渠道中获取模型资源，通过量化、裁剪等方式，适配消费级硬件；

• 用消费级显卡支撑模型推理与微调，通过分布式方案弥补单卡算力不足的问题；

• 手动复现大模型的训练、量化、部署、调试全流程，记录每一个踩坑点，形成民间技术手册；

• 在小圈子中进行内测、验证、迭代，不断优化模型性能，探索实际应用场景。

3.3 ChatGLM-6B的里程碑意义

2023年3月14日，清华KEG实验室开源了ChatGLM-6B，这是中国生成式AI民用探索史上的一个关键转折点——它打破了“国内无可用开源大模型”的困境，为民间探索者提供了第一个可落地、可微调的国产大模型，成为通用大模型民用化的“破冰者”。

ChatGLM-6B的开源，之所以成为里程碑，核心在于四大突破：

• 开源即突破：这是国内第一个真正意义上的开源通用大模型，支持中英双语对话，功能贴近ChatGPT，打破了海外大模型的垄断，让国内开发者终于有了“可触碰、可修改”的国产大模型；

• 消费级显卡可运行：通过INT4量化优化，将模型的最低显存需求降至6GB，普通用户的消费级显卡即可运行，极大降低了大模型的使用门槛；

• 微调生态繁荣：基于P-Tuning v2的微调方案，让最低只需7GB显存即可启动模型微调，民间开发者快速跟进，涌现出InstructGLM、ChatGLM-Tuning等大量微调项目，丰富了模型的应用场景；

• 社区快速响应：开源后短期内，GitHub Star数突破11k，Hugging Face下载量超过32万次，形成了活跃的民间开发者社区，大家共享微调方案、优化代码、交流经验，推动模型快速迭代。

ChatGLM-6B的开源，不仅为通用大模型的民用化奠定了基础，更给国内开发者注入了信心——我们不仅能“用别人的模型”，更能“做自己的模型”，哪怕在封锁之下，也能实现技术突破。

3.4 两条探索线共同奠基生成式AI

AI绘画与通用大模型的探索，看似两条独立的路径，实则相互支撑、相互成就，共同构成了中国生成式AI早期的奠基时刻：

• AI绘画：奠定了图像生成、内容创作、商业AIGC的基础，让AI快速走进设计、文创等领域，验证了生成式AI的商业价值与民用潜力；

• 通用大模型：奠定了智能助手、行业大模型的基础，推动AI从“内容生成”向“智能交互”延伸，为后续的行业落地提供了核心技术支撑。

两段历史同步发生、互相滋养，AI绘画的工具链优化经验，为大模型的部署提供了参考；大模型的算法创新，也反哺了AI绘画的智能化升级。正是这两条路径的并行探索，让中国生成式AI在封锁中，快速完成了“从无到有”的奠基。

四、民间探索与大厂研发：从技术验证到降低门槛的历史接力

这一代民间探索者的特质格外鲜明：他们虽拥有开发者背景与技术能力，但核心诉求并非底层技术研发，而是优先探索“应用落地”——先让AI走进真实场景、产生真实价值，再反过来完善技术与工具。他们的核心使命，是“证明这条路能走通”。

本文所记录的2022–2023年民间探索，与互联网大厂的AI产品化，并非时间上的先后关系，而是技术民主化进程中的两个关键维度——民间负责“拓荒”，大厂负责“铺路”；民间负责“验证可行性”，大厂负责“实现规模化”。两者不是对立关系，而是一场跨越时间的“历史接力”。

4.1 民间探索：用户视角的技术验证

民间极客们，不仅是技术开发者，更是第一代AI民用用户的典型代表。他们面临的，是最真实的用户场景，也是最现实的使用困境：

• 想用AI生成图片，却不知道从哪里获取模型、如何配置环境；

• 想体验大模型的智能对话，却面对全英文文档、复杂的代码部署流程，无从下手；

• 想尝试LoRA微调、ControlNet等新技术，却没有完整的教程，只能靠自己反复试错；

• 想解决报错问题，却没有成熟的社区支持，只能在技术群里求助，等待偶尔的回复。

在这种用户视角下，民间极客们用“技术爱好者的倔强”，完成了生成式AI从0到1的可行性验证：

• 他们证明了：即使有硬件限制，生成式AI也能在国内环境稳定运行；

• 他们证明了：即使没有官方支持，开源模型也能落地到真实应用场景；

• 他们证明了：即使信息滞后，中国开发者也能快速跟上全球前沿技术节奏；

• 他们证明了：即使门槛极高，AI也能为内容创作、办公效率提升等场景，创造真实价值。

这些验证，从来不是实验室里的技术试验，而是真实用户在真实环境中的真实体验。他们的每一次踩坑、每一次报错、每一次调试，每一次分享，都是在为后来的用户铺路——他们踩过的坑，后来者无需再踩；他们总结的经验，后来者可以直接借鉴；他们搭建的资源网络，后来者可以直接使用。

4.2 大厂产品化：解决使用门槛的关键一跃，但也带来了生态挤压

当民间探索完成了“技术可行”的验证后，互联网大厂的产品化工作正式启动。大厂的全力投入与产品化输出，实现了生成式AI从“极客专属”到“人人可用”的关键一跃——让普通用户无需具备编程能力、无需配置复杂环境、无需寻找模型资源，只需打开APP或网页，就能调用AI能力。

这是技术民主化进程中最重要的转折点，但这个过程并非单向的技术普惠，大厂的强势入场，也对民间生态形成了实质性的挤压——这不是恶意的竞争，而是商业化与民间开源精神、规模化与小众探索之间，必然的结构性冲突。

大厂通过四大方式，彻底降低了AI的使用门槛：

• 算力门槛：通过云端部署、GPU集群搭建，提供免费算力额度，用户不需要自己购买高端显卡，就能体验大模型与AI绘画；

• 技术门槛：打造一键启动、可视化操作界面、预设模板，用户不需要懂Python、不需要配置环境，点击鼠标就能生成内容；

• 知识门槛：搭建完整的教程体系、官方社区，提供大量应用案例，用户不需要啃读英文文档，就能快速上手；

• 资源门槛：预装海量模型、提供高速下载通道，持续更新技术与功能，用户不需要自己寻找模型资源，就能使用最新的AI能力。

这些工作看似是“产品包装”，实则是将民间探索的经验，进行工程化、产品化、规模化的转化——大厂不是从头开始，而是站在民间探索者的肩膀上，将验证过的技术路径、踩过的坑、总结的经验，变成了普惠性的产品。可以说，没有民间探索的“拓荒”，就没有大厂产品化的“快速落地”。

但硬币的另一面是，大厂的强势入场，正在重塑整个AI生态的权力结构，民间生态面临三大挤压：

第一，流量与用户被大厂产品虹吸

2023年中至下半年，文心一言、通义千问、豆包等大厂AI产品陆续上线，凭借品牌背书、大规模营销推广、平台流量优势，迅速获取海量用户。原本分散在民间社区、技术论坛、整合包下载站的用户，开始向大厂平台集中。对于那些依赖流量生存的民间创作者、教程作者、工具开发者来说，这意味着用户增长的天花板提前降临，小众社区的生存空间被大幅压缩。

第二，技术话语权的转移

当大厂开始整合民间技术、推出自研方案时，整个行业的技术讨论重心也随之偏移。原本围绕开源模型、前沿论文、算法创新的草根技术论坛，逐渐被大厂的官方文档、技术白皮书、产品发布会所取代。民间开发者发现，他们曾经引以为傲的技术洞察和经验积累，正在被纳入大厂的技术叙事体系中，成为“大厂技术能力”的一部分，民间技术声音逐渐被弱化。

第三，资源竞争的加剧

大厂凭借资本优势，开始快速布局模型平台、算力服务、内容生态，原本由民间社区自发形成的模型分享站、教程平台、创作者社群，面临被收购或边缘化的压力。2023年下半年，多家AI模型站和工具社区被大厂投资或合作，原本纯粹的技术共享空间，开始融入商业化逻辑，民间社区的“开源、免费、共享”精神，受到一定程度的冲击。

这种挤压并非恶意，而是技术民主化进程中必然的矛盾——民间探索者希望保持技术的开放性和社区精神，追求“人人可参与、人人可分享”；而大厂产品化者需要确保产品的可控性和商业闭环，追求“规模化、商业化、标准化”。两者的目标并不对立，但路径必然存在摩擦。

4.3 两条路径的完整闭环

民间探索与大厂产品化，在用户端完成了生成式AI技术民主化的完整闭环，两者缺一不可：

• 民间阶段：证明技术可行，但门槛极高——只有具备技术能力的极客、开发者能用；

• 大厂阶段：降低使用门槛，产品化封装——普通用户、企业用户，人人都能用；

• 最终结果：技术从实验室走向大众，从极圈走向全民，生成式AI真正实现“普惠”。

这不是谁先谁后的竞争关系，而是技术民主化的必然路径。没有民间探索，大厂不知道什么技术值得投入、什么场景有价值；没有大厂产品化，民间探索永远停留在极客圈，无法实现规模化普及。两者如同“技术民主化的两条腿”，缺一不可，共同推动生成式AI在中国的落地与繁荣。

4.4 历史启示：技术民主化的双轮驱动

回望2022–2023年的历史，我们看到的不是“民间VS大厂”的对立叙事，而是“技术验证+产品化”的双轮驱动，是“拓荒者+建设者”的协同发力：

• 民间探索者：用个人时间、个人设备，不计成本地验证了技术的可能性，搭建了最初的资源与社区生态，是技术民主化的“先锋”；

• 大厂产品化者：用强大的工程能力、资本资源，将民间探索的成果产品化、规模化，降低了使用门槛，是技术民主化的“建设者”。

今天我们看到的AI繁荣——从专业开发者到小学生，从企业用户到内容创作者，每个人都能用上AI；从图像生成到智能对话，从办公辅助到商业创作，AI融入每一个场景——正是这条完整路径的自然结果。民间探索负责“让技术存在”，大厂产品化负责“让技术普及”，两者协同，才成就了今天的中国生成式AI生态。

这，才是技术民主化的真实历史——不是孤军奋战，而是接力前行；不是非此即彼，而是相辅相成。

五、他们不是明星，却是真正的开拓者

这段开荒史中，没有聚光灯下的明星，没有流量加持的网红，甚至很少有人被正式记录。但正是这些“无名者”，用自己的热爱与坚持，撑起了中国生成式AI的黎明。他们是：

• 坚持手动搭建环境、不依赖整合包，深耕技术底层，反复调试优化的技术深度玩家；

• 默默踩坑、排错、整理经验，将自己的探索过程写成教程，无私分享给他人的无名探索者；

• 在小圈子里无偿分享模型、方法、思路，搭建资源共享网络，不追求商业回报的极客爱好者；

• 在碎片信息中，拼凑出完整技术链路，破解一个又一个技术难题，为后来者铺路的先行者；

• 哪怕只有一台普通电脑、一张消费级显卡，也依然坚持探索，不被困境吓退的每一位普通人。

他们所做的事，朴素而重要：把海外开放的技术引进来，把复杂的环境跑通，把未知的领域踩实，把珍贵的经验传下去。他们不追求名利，不渴望曝光，支撑他们的，只有不被困境困住的技术好奇心，和“不甘心被卡脖子”的倔强。

他们或许从未被写入行业报告，从未出现在新闻头条，但他们，是中国生成式AI真正的开拓者，是黎明前的点灯人。

六、那段沉默的岁月，撑起了今天的繁荣

今天我们所见的AI繁荣：一键启动、云端运行、国产模型丰富、工作流成熟、人人可用……每一份便捷，都不是凭空而来，而是建立在2022–2023年那段探索岁月的基础之上。是当年的开荒者们：

• 第一次在国内环境跑通Stable Diffusion，让AI绘画走进民间；

• 第一次验证ControlNet、Segment Anything等前沿技术，拓展AI的应用边界；

• 第一次在受限算力上跑通大模型推理与微调，证明国产硬件与技术的潜力；

• 第一次踩完环境、驱动、算力、框架的关键坑点，为后续用户扫清障碍；

• 第一次让国内技术圈相信：即使在封锁之下，AI也可以落地、可以普及、可以改变世界。

正是这些“第一次”，为后来的发展铺平了道路：此后才有一键整合包的出现，让非专业用户也能快速上手；才有国内模型站的崛起，让资源获取不再困难；才有云端算力的普及，让硬件不再是门槛；才有国产大模型的爆发，让我们拥有了自己的核心技术；才有全民AI时代的到来，让AI融入生活的每一个角落。

后来者享受的每一份便捷，都来自当年那群人，在限制中用双手一点点搭建出来的路。那段沉默的岁月，看似灰暗，却孕育了今天的光明；那些无名的探索者，看似平凡，却铸就了中国AI的根基。

【结语：致敬AI黎明前的开荒者】

历史常常记住爆发的时刻，却容易忘记开荒的艰辛；常常歌颂站在聚光灯下的成功者，却容易忽略黑暗中前行的拓荒者。但我们不应该忽略：

中国AI并非从繁荣中走来，而是从探索中生长；并非从顺境中崛起，而是从困境中突围。在2022到2023那段特殊的岁月里，是一群极客，以热爱为光，以坚持为路，在限制中探索，在空白中创造，在孤独中前行。

他们是：

AI黎明前的点灯人，

中国AI生态的开荒者，

一段不该被遗忘的历史的探索者。

2026年的你，或许只需一句话，就能生成精美的视频、撰写完整的文案、完成复杂的设计；但请记得，2023年的他们，为了让屏幕上出现一张勉强能看的“二次元少女”，可能要研究整整一周的报错日志；为了让大模型吐出一句通顺的回答，可能要反复调试几十个参数。

从那时的举步维艰，到如今的信手拈来；从那时的报错连连，到如今的流畅易用；从那时的资源匮乏，到如今的生态繁荣——这条路，不是凭空出现的，是他们一步一步、踩坑无数，硬生生走出来的。

【时代反思：写给多年后的自己】

回望这段技术封锁，它并非基于族群、文化或文明的恶意，却真实地展现了现代科技竞争最冷峻的一面：当一项技术成为文明未来的基础设施，领先者总会试图维护自身的主导地位，通过技术封锁、资源垄断，阻碍后发者的崛起。

我们记录这段历史，不是为了记恨，而是为了清醒——清醒地认识到科技竞争的残酷，清醒地明白“核心技术买不来、求不来”；不是为了对立，而是为了自强——自强地深耕核心技术，自强地搭建自主生态，自强地掌握自己的技术命运。

多年以后再看，愿我们依然记得：一个文明的前途，最终只能握在自己手中。自主、自立、自强，才是穿越一切限制、走向未来的唯一道路。

但更重要的是：我们记录这段历史，不只是为了致敬过去的苦难，更是为了确信——只要还有一群不甘心被“拒之门外”的头脑，只要还有一群愿意为热爱而坚持的人，封锁就永远无法成为真正的围墙。

文明的韧性，不在于拥有多少块高性能芯片，不在于掌握多少项前沿技术，而在于在黑暗中依然寻找光亮的那份倔强，在于在困境中依然坚持探索的那份执着，在于一群人愿意为了共同的目标，不计回报、默默耕耘的那份坚守。

愿每一位走过黑暗、迎来黎明的人，被记住，被尊重，被致敬。

【博客存档说明】

本文写于2026年，记录2022–2023年中国生成式AI民用探索与突围的关键时期。

谨以此文，留存一段沉默而艰难的技术史，提醒未来的自己：我们曾这样走过。

（注：本文核心内容、观点均为作者原创，仅使用AI工具优化语句流畅度与文字质感，未改动任何核心信息。）