俺来革命性地戳中了**核心**哟
朝鲜能否自主研发人工智能模型？
开篇
订阅者朋友，我们发现了一份出人意料的资料。它是发表在《金日成综合大学学报·情报科学》2026年第72卷第1期上的论文《智能检索体系中问题推荐模型训练资料构建方法》。有趣的不是正文，而是参考文献。文中并列引用了OpenAI的《GPT-4 Technical Report》（2023年）和谷歌研究团队撰写的《REALM》论文（2020年）。
朝鲜研究ChatGPT的消息，从2025年2月起就零星传出。但这一次是另一种性质的发现。在官方学报中，以规范的引用格式，美国和谷歌的LLM研究作为实际研究方法论的出发点出现了。
先说结论：这不是“朝鲜如何弄到手的”这个问题，而是“AI研究的护城河（moat）如今还剩在哪里”这个问题。啊对了，先明确说明一下，我们的主要敌人是朝鲜，而我本人是大韩民国陆军兵长服役期满退伍、并已服完预备役的民防卫人员。
发生了什么
首先，公开论文的作者是Kim Jin-beom（音译）和Han Seung-ju（音译）两人。问题设定出人意料地平常：当用户在搜索框中输入几个词语时，如何训练一个模型，使其能够根据这些词语自动推荐出完整的朝鲜语提问句子？这就是我们每天在谷歌或Naver上看到的那个自动补全功能。
研究团队提出的方法以变换器（Transformer）模型为基础，并用由5万篇正文和700万个词语对构建而成的训练资料来评估性能。从学术角度看，这并不算特别新颖的尝试。但引言部分的一句话却引人注目。
“目前，GPT-4、Claude-2等大规模语言模型（LLM）已经开发出来，在自然语言处理领域的大部分任务中展现出高性能，并被积极引入和运用于检索体系之中。”
紧接着，论文还准确指出了谷歌、Bing、百度搜索引擎的变化。也就是说，朝鲜研究团队清楚地认识到全球LLM格局，引用官方资料，并在学报层面公开了自己正将其应用于本国系统之中这一事实。
这里有两个事实需要指出。
第一，这两篇参考文献都是任何人都能获取的资料。GPT-4 Technical Report公开发布在arXiv上（arXiv:2303.08774）。REALM论文则是发表于ICML 2020、经过同行评审的论文（arXiv:2002.08909）。
第二，时间差约为2年。考虑到该论文于2025年11月投稿，而GPT-4 Technical Report于2023年3月公开，两者之间的差距大约是1年8个月。与自1990年代末就开展AI研究的朝鲜过去的时间差（短则5年，长则10年以上）相比，这次缩短的幅度相当大。
为什么OpenAI的论文在平壤也能被读到
在这一点上，有必要先厘清一个普遍的看法。有人认为“OpenAI从GPT-4开始转向了不公开路线”，但这种认识只对了一半。
GPT-4 Technical Report确实有意隐藏了许多内容。模型规模、训练所用的计算量、数据集构成、训练方法论——这一切都被列为非公开信息。对《OpenAI: GPT-4》报告进行审视的一篇学术综述（2024年）也评价道：“这份报告与其说是严谨的技术评估，不如说更接近于对当前性能的一次展示。”
但与隐藏的部分相当，公开的内容也不少。模型的能力评估结果、安全性卡片（System Card）、后处理对齐（post-training alignment）方法，以及最重要的、能够据以判断研究方向的概念性骨架，都完整保留了下来。站在追赶者的立场来看，仅凭这些信息，就足以绘制出“该朝哪个方向、尝试什么”的地图。
REALM论文则更为明确。这篇2020年发表于ICML主会议的论文，首次系统化地阐述了检索增强语言模型（Retrieval-Augmented Language Model，也就是今天我们所说的RAG1这一概念的学术原型）的核心思想。代码也公开在GitHub上。
这并非OpenAI或谷歌的疏忽。公开发表是学术合法性所必须付出的代价。不发表就得不到学界认可，招不到人才，后续合作也会变得困难。但同时，一旦发表，任何人都能读到。这种权衡自学术界诞生以来从未改变过。
问题在于，进入LLM时代后，这种权衡变得不对称了。过去的工程研究即便读了论文，要真正实现出来也需要大量的后续工作。但LLM领域的架构相对标准化（Transformer+预训练+对齐），仅凭论文中透露出的方向，就足以成为追赶的起点。
那么，真正的护城河在哪里
在这一点上，分析者的观点出现了分歧。一方得出的结论是“这是一种结构性威胁，美中之间的AI差距实际上正在缩小”。另一方则强调“论文是公开的，但计算基础设施并不公开”这一点。
我认为后者是更准确的诊断。原因，朝鲜自身的案例就很好地说明了这一点。
同一份关于朝鲜AI研究的分析显示，平壤通过迂回渠道获得了一部分消费级GPU（例如GeForce RTX 2070级别），但对H1002这样的数据中心级GPU以及大规模训练基础设施的接入被切断了。结果，**朝鲜AI研究的重心都倾向于轻量模型、效率优化、狭窄领域应用（语音识别‘Ryongnamsan’、围棋‘Eunbyul’、人脸识别等）。**38 North的分析也得出同样的结论：“制裁限制了对尖端芯片和训练数据集的获取，这制约了相对于领先经济体而言，AI部署的规模与性能。”
总结起来，可以这样梳理：
概念性护城河实际上已经消失了。关于谁在朝哪个方向研究的信息，甚至会在2年之内传到受制裁国家的学术期刊上。
计算基础设施护城河依然坚固。要训练前沿级模型，需要数万张H100，而这道闸门被牢牢锁定在美国政府的出口管制框架之内。
数据与对齐护城河是局部性的。用于指令微调、RLHF3、安全性对齐的高质量人类反馈数据仍然是企业资产，但随着合成数据技术的发展，这一差距也在缩小。
部署护城河正在新兴崛起。用户数量、分布、实时反馈闭环——这些都是无法通过论文传递的领域。ChatGPT真正的护城河很可能不是GPT-4的架构本身，而是在其用户数据之上每天运转的对齐循环。
那么，朝鲜真的能够制造出LLM吗
在这里有必要再深入一步。学报中引用了GPT-4论文，就意味着平壤很快就能拥有自主的LLM吗？两个现实横亘在前。
**第一，是电力。引用38 North的Diplomat 2026年分析直截了当地指出：“朝鲜的电力输出不足以支撑数据中心的运转（not enough to power the data centers）。”**即便是平壤，停电也是家常便饭，贫困地区的居民一年才能获得一次国家供电。在一座AI数据中心就要消耗数万户家庭用电量的时代，这不仅仅是基础设施问题，而是一道物理上限。事实上，2026年朝鲜第九次党代会将AI与新能源技术一并纳入了五年计划，并明确指出“解决电力短缺问题是决定五年计划成败的关键因素”。换句话说，朝鲜领导层自己也明白，在AI之前先要解决电力问题。
**第二，是计算基础设施。**前面提到的H100闸门在这里同样适用。仅凭数十至数百张消费级GPU，训练参数量超过700亿的LLM实际上是不可能的。就连推理（inference）都相当吃紧。也就是说，自主开发前沿模型是现实之外的选项。
那么，平壤在学报中引用GPT-4的真正原因是什么呢？在我看来，这不是为了自主开发，而是为了“确保一条可利用的路径”。而这条路径最有力的候选只有一个，那就是中国产的开源LLM。
**阿里巴巴的Qwen 2.5明确支持29种语言，并将韩语纳入了正式评估对象（KMMLU基准）。**DeepSeek系列也学习了多语言数据。中国境内约有200万朝鲜族人，他们使用的朝鲜语语料在互联网上存在相当数量。也就是说，中国产的开源模型已经带着一定程度上能够处理朝鲜语的权重（weights）发布出来了。（实际上，看中国产语言模型的模型卡就会发现，其中一直标注着是把朝鲜语作为朝鲜族的少数民族语言进行训练——名义上是这样……）
这意味着什么，已经十分清楚了。朝鲜不需要自主训练模型。只要拿到Qwen或DeepSeek的权重，在平壤进行微调4，就足以实现学报所说的“朝鲜语自动补全搜索引擎”这一目标。微调所需的计算基础设施，比预训练要少数十倍到数百倍。这已经进入了数十张消费级GPU就能实现的范围。
因此，金日成大学学报中对GPT-4的引用，与其说是自主开发的宣言，不如说更接近于一种信号：“我们理解全球LLM的格局，也知道该在哪个开源模型之上打造什么东西。”这是一种性质完全不同的威胁。
Oswarld视角
看着这件事，我想起了一个GTM模式。“当技术护城河崩塌时，产业会回归到运营护城河。”这是我在制定多项市场进入战略时反复观察到的走向。半导体IP标准化之后，台积电的运营能力成为了核心；云基础设施拉平之后，AWS的销售、客户管理、发布节奏成为了差异化的关键点。
AI也正在走上同样的道路。曾几何时，有人说“OpenAI领先5年”。现在，那5年去哪儿了？就模型能力差距而言，已经缩短到6～12个月，甚至连平壤都进入了2年的时间差范围。而且平壤所拥有的选项并非自主开发，而是在中国产开源权重之上进行微调，这本身就说明游戏规则已经改变了。
在我看来，OpenAI真正的资产已经转移到了“运营”上。每天数亿次对话中产生的用户反馈、把这些数据重新投入对齐的流水线、能够迅速吸收B2B客户需求的销售与交付组织……这些都是无法通过论文、也无法通过下载权重来转移的东西。
从这个角度看，金日成大学学报事件与其说是威胁，不如说是一种信号——AI产业正在从“更聪明的模型”这场游戏，转向“部署得更快、更广、更精准”这场游戏的信号。老实说，从软件产业的角度而言这算不上什么威胁。以前朝鲜曾做出过一款叫“红星”的操作系统，把Linux和Macintosh混搭在一起制成……这里就用下面的视频简单带过吧。
而且，运营护城河对更接近市场和数据的一方有利，这就给韩国企业在韩语领域创造出乎意料的一席之地留下了空间。
结语
把今天探讨的内容归纳为三行。
- 金日成综合大学学报2026年第1期引用了GPT-4 Technical Report和REALM论文。追赶的时间差约为2年。
- 不过，由于电力与计算基础设施的物理限制，朝鲜自主研发LLM的可能性较低。更现实的情形是，在中国产开源模型（Qwen、DeepSeek）权重之上进行微调。
- 这一趋势所揭示的真正信号另有其事：AI的护城河正在从模型本身，转移到计算与数据，尤其是转移到部署与运营之上。 顺带一提，做出上述报道的NK经济迎来创刊8周年，将举办一场研讨会，感兴趣的朋友可以去看看。我因为时间安排不上而无法参加，据说会由多位朝鲜问题专家以“人工智能（AI）时代，朝鲜数字化转型现状”为主题，讲解朝鲜到底是如何接受并使用IT技术的。
参考资料与延伸阅读
核心来源
- Kang Jin-gyu（音译），“追赶全球LLM的朝鲜……在金日成综合大学学报中捕捉到对OpenAI、谷歌论文的引用”，NK经济，2026年。：这是一篇可以直接确认金日成大学学报原文图像及引用文献标注的报道。
- OpenAI，“GPT-4 Technical Report”，arXiv:2303.08774，2023年。：这正是朝鲜学报所引用的那份报告。值得亲自比较一下其中公开了什么、又隐藏了什么。
- Kelvin Guu、Kenton Lee、Zora Tung、Panupong Pasupat、Ming-Wei Chang，“REALM: Retrieval-Augmented Language Model Pre-Training”，ICML 2020（arXiv:2002.08909），2020年。：这是一篇可以称为如今RAG学术原型的论文。朝鲜学报把这篇论文误标注成了‘EALM’。哈哈哈。
背景知识
- “Sanctions Built North Korea’s AI Playbook: How Pyongyang Boosts Performance Without Nvidia’s H100”，KMJ，2026年。：这是一篇梳理了在计算基础设施受限的条件下，朝鲜AI为何走向效率化、轻量化方向的分析文章。
- “North Korea’s Risky Bet on Military AI”，The Diplomat，2026年3月。：引用38 North的分析，指出“电力输出不足以支撑数据中心运转”这一点，是正文中电力上限讨论的直接依据。
- Qwen Team，“Qwen2.5 Technical Report”，arXiv:2412.15115，2025年。：这是可以确认中国产开源LLM以何种方式学习与评估韩语（朝鲜语）的一手资料。
- “Emerging Applications and Implications of Artificial Intelligence in North Korea”，Asian Politics & Policy，2025年。：如果需要对朝鲜AI政策进行学术性分析，这篇论文是一个不错的起点。
作者安光涉是世宗大学经营学教授，也是 OBF（Oswarld Boutique Consulting Firm）首席顾问。他在大学教授经营数据管理、商业分析等统计与数据分析课程，同时在产业现场负责 GTM 与人工智能战略咨询，设计技术与商业的连接方式。他曾发表关于 AI 对话系统记忆架构（HEMA）的学术论文，并运营每日策展全球 AI 论文的 Daily Arxiv 项目。他毕业于高丽大学技术经营专业研究生院与 KMBA，著有《把思考交出去的人：Homo Brainless》。
注释
-
RAG（Retrieval-Augmented Generation，检索增强生成）：指AI在生成回答时，先从外部文档数据库中检索相关资料，再参考检索结果来生成答案的方式。相比仅凭模型自身学到的知识作答，这种方式准确度更高，也能追溯出处。 ↩
-
H100：英伟达制造的数据中心级AI加速器。是训练GPT-4等大规模模型时实际上不可或缺的芯片，也是美国对中国、俄罗斯、朝鲜等国实施出口管制的核心品类之一。 ↩
-
RLHF（Reinforcement Learning from Human Feedback，基于人类反馈的强化学习）：以人类评估者给出的“这个回答更好/更差”的反馈作为奖励信号，通过强化学习对AI模型进行对齐的技术。这是ChatGPT能够以我们熟悉的方式作答的核心秘诀。 ↩
-
微调（Fine-tuning）：在已经过预训练的巨型模型基础上，追加学习符合特定领域、语言或任务的数据，使模型专业化的过程。相比预训练，所需的计算基础设施要少数十倍到数百倍，是难以进行自主预训练的组织在获取LLM能力时常用的路径。 ↩