# 49. 谁在制造Anthropic、OpenAI？两万份简历读后感

苔藓之火 · 2026-08-26 · 36 min · https://www.xiaoyuzhoufm.com/episode/6a8ef8881352af56ff3c88ad?utm_source=rss

## 逐字稿

Raymond

OpenAI、Anthropic是目前世界上顶尖的AI大模型实验室，经常和Google DeepMind并列称为“御三家”。它们时时刻刻都在影响整个资本市场的资金流动。最近一段时间，Anthropic的ARR增速和市场预期有一点差别，大家可能也注意到了，上个月很多公司的股票因此上蹿下跳。有人开玩笑说，一个非上市公司的季度数据，居然可以对美股半导体板块，尤其是半导体股票，产生巨大影响。你简直无法想象，这些公司如果上市之后会造成什么样的影响。

所以，这两家公司可能会在今年第3、4季度上市。即使今年不上，OpenAI的CFO也说了，2027年肯定会上市。今天我想换一个角度来研究一下这些公司：除了巨大的Capex，除了它们建造了无数个像钢铁怪兽一样的数据中心之外，究竟是什么样的人，把我们在日常生活、工作和学习中极其依赖的这些前沿大模型做了出来？这些人是谁？

### The AI Talent Census

为此，我翻了2万多份简历。首先要写在前面的是，这个博客其实受到了《晚点》2023年由汉洋撰写的关于币安的报道的启发，所以文章结构有很多地方参考了当时汉洋报道的结构，在这里先叠个甲。我们把网上收集到的2万多份简历，用铅笔一条条抄在纸上。

请注意，我们收集到的信息基本上无法保证准确，你就当作可能都是错的。它也无法覆盖公司的全部情况，因为很多数据存在缺失。在今天这个日新月异的AI时代，very likely，我们昨天收集到的信息，今天已经过时了。所以从现在开始，你就把这当作一个细说AI公司的“御三家”版本，千万不要信以为真。当然，这绝对不是任何投资建议，肯定也不是。你不能投资，很难。

LinkedIn上显示的官方关联人数是2.6万多个，但实际上我们能够获取到的简历数量是1.9万份：Anthropic有4,300份，OpenAI有8,400份，DeepMind有6,500份。这3家公司经过进一步的数据清洗之后，包含了一些可用信息、字段不太缺失的简历有1.7万份，所以1.7万是我们很重要的一个分母。

但这些信息很多时候都存在缺失、不完整、没有更新等问题，所以得出的很多结论都只是近似结论。类似于我们感觉、也许、大概，这家公司可能是这么一个形状。它能做到的是窥一斑，很难做到知全豹。这是第二个叠甲。

我们主要还是看Anthropic和OpenAI，因为它们是Startup公司，具有更强的代表性，外界了解的信息也更少。同时，DeepMind和Google的数据其实有些混在一起。很多人会在简历里写自己在Google工作，而不会写DeepMind；也有人写自己在DeepMind工作，而不写Google。DeepMind本来就是Google的一部分，很多中后台职能，比如财务、HR，实际上也是复用的，所以它的数据和我们一开始的估计不太一样。

因此，今天讨论的主要是Anthropic和OpenAI，DeepMind的数据则作为参考，帮助大家获得一些第三方视角。我们主要会讨论城市分布、国家、学校、人才来源、职能、语言，同时也会讨论这些公司中的中国人有多少，以及他们的故事。

### Geography Shapes The Talent Pool

我们首先来看城市和国家的分布。在有数据的简历中，旧金山湾区占了绝大多数，这并不奇怪，因为Anthropic和OpenAI本身就是在旧金山起家的。Anthropic有47%的员工在旧金山湾区，OpenAI是60%。除了旧金山之外，员工还分布在几个美国大城市，包括纽约、西雅图、华盛顿、洛杉矶和波士顿。这些地方都是高校和科技公司非常密集的地区，所以也合情合理。

但在美国之外，有3个城市值得关注。第一个是伦敦。Anthropic有145名员工，OpenAI有175名员工在伦敦，伦敦是它们在欧洲的大总部。第二个是都柏林，也就是爱尔兰的都柏林，它更像是欧洲的销售总部或运营中心：Anthropic有76人，OpenAI有88人，所以都柏林是一个很重要的城市。

在亚洲，两家公司分布在不同的城市。Anthropic在东京有32人，OpenAI在东京有93人。不过，OpenAI在亚洲最大的城市其实是新加坡，有104人。这是我从数据中得到的一个大致感受。

这些数据只能作为参考。我发现有些员工可能已经搬到美国工作，但LinkedIn上写的仍然是他们在法国的原籍，LinkedIn上的城市没有改变，这种情况是有可能存在的。但无论如何，我觉得这些数据可以作为城市和国家分布的大致参考。

### Elite Schools Are Not Enough

第二个八卦是学校分布。学校分布更加长尾。以Anthropic为例，前10所学校加起来只占20.9%。如果你看到Stanford、Berkeley、MIT、CMU，也就是卡内基梅隆大学，以及Harvard，它们是标准的前5所目标学校。这5所学校的人贡献了14.7%的员工。

前5所学校的人确实不少，但与此同时，你会发现学校分布非常长尾。前60所学校占47.9%的人，另外一半员工来自1,308所学校。再说一遍，前一半员工来自60所学校，后一半员工来自1,308所学校，所以学校分布非常长尾，很多学校只有1、2个人。

举一个相对有些反常识的例子。我当时看到数据时，觉得非常超乎意料。美国西北大学其实是一所非常好的大学，但Anthropic的员工中只有13个人来自西北大学，占比0.3%。它属于那种长尾学校中的一所。这个学校分类和我一开始的预期有差别，我以为Stanford的人可能会更多，但后来发现并不是这样。因为并不是每个人都是研究员，这部分我们在职能分类中还会进一步讨论。

OpenAI的数据总体上和Anthropic差不多，但有几个有意思的地方。比如，滑铁卢大学，也就是加拿大的滑铁卢大学，在OpenAI这边排第6名，在Anthropic那边却排不到名，所以不知道为什么OpenAI很喜欢这所大学的人。也有可能是OpenAI收购了滑铁卢大学附近的某个研究所或公司。

OpenAI这边有23个人来自清华大学，占比0.3%，这其实比美国很多本地学校都要高一些，是唯一能排进前面的外国大学。

这时候很多黑粉可能就要说：“你看OpenAI的团建合影，那就是北大清华团建。美国的前沿实验室全都是中国人做的，怎么可能只有23个人来自清华？”

你说得对，问题就在这里。我复查LinkedIn数据时发现，有很多人是我认识的，我确定知道他们毕业于清华大学，但他们在LinkedIn上填写的第一学历，可能只写了自己在Berkeley或Stanford读的硕士、博士，所以统计中显示不出他们来自清华。我本人知道他们是清华毕业的，但在统计上没有办法穷举。

所以从规则上来说，我定义为：他们在LinkedIn上写了什么学历，就按什么学历统计。如果他们在LinkedIn上不写清华，就不计入清华大学。以上就是学校方面的分布。

### Big Tech Feeds The Labs

接下来第三个问题是前雇主的分布，也就是他们上一家在哪家公司工作，之前在哪里工作，才获得了进入Anthropic和OpenAI的机会。

以Anthropic为例，4,300多份简历中，标注了前雇主的有2,700多份。这并不是说另外1,000多份没人填写，也可能是他们没有填写，也可能是部分信息被平台遮蔽了，我无法完全看到。在这2,700多份可以查询的简历中，差不多有50%的人来自前40个雇主。也就是说，前40家公司基本覆盖了Anthropic一半的员工。

如果再考虑应届生、从教授转行的人等情况，你可以想象，前40家公司是Anthropic和OpenAI最重要的人才来源。

在单一雇主样本中，人才来源前三名是Google、Meta和AWS。这里有一个很有意思的插曲：Amazon Web Services和Amazon在LinkedIn上其实是两家公司，所以很多员工会非常明确地标注自己是为AWS工作，而不是为Amazon工作。

这可能和Amazon本身员工数量庞大有关。很多人希望更明确地标注自己的业务板块。比如，你在Amazon做仓库管理员，和你在Amazon做CFO，说实话都属于同一家公司。如果AWS被单独列出来，有些人就会希望把自己的LinkedIn标注得更加清晰一些。这是我的猜测。

除此以外，从创业公司跳槽到Anthropic、贡献最多的前雇主是Stripe，也就是那家金融支付公司。Anthropic有106名前员工来自Stripe，占全部样本的3.8%。在一家几千人的公司里，106个人已经足以拉一个很大的校友群了。

这可能有两个原因。第一，Anthropic非常重视安全和风控；第二，Anthropic的联合创始人Daniela之前在Stripe有非常长的职业经历。

前雇主名单我就不一一展开了，但你可以想象，里面包括Google、Meta、AWS、Stripe、微软、Salesforce、Amazon、Databricks、DeepMind、OpenAI、Apple、Palantir、Snowflake，也包括Airbnb和Uber。

这个统计分布和OpenAI非常类似。OpenAI有大约5,000份标注了前雇主，或者明确写出毕业经历的档案。前三名雇主是Meta、Google和Apple，前5名再加上微软和AWS。

其中有一家公司贡献特别多，有129个人，叫Statsig，拼写是S-T-A-T-S-I-G。之所以有129名员工来自Statsig，是因为OpenAI之前收购了这家公司，所以这129名员工直接被整体并入OpenAI。这是一家创业公司，也是一个非常显著的人才来源。

我们再分支看一下DeepMind的数据。刚才说过，Anthropic和OpenAI的数据存在一些差异，我们来看DeepMind。DeepMind总体上也主要来自美国40家大厂和中厂，这一点很明确。但它有一个特别大的雇主来源，就是Google，占DeepMind员工的44.6%。也就是说，接近一半的DeepMind员工，上一份工作来自Google。

你可以想象，LinkedIn上的页面可能是这样的：这个人2026年在DeepMind工作，但之前的雇主是Google，也就是他可能在2023年至2025年期间在Google工作，所以简历上明确写出了从Google跳槽到DeepMind。具体到每个人情况不同，但我觉得这是一个很有意思的观察。

DeepMind中还有一部分来自Google X。Google X是Google此前单独拆分出来的一个小公司，有39个人来自那里。还有16个人来自Windsurf，但来自Windsurf的16个人，还不如从高盛招来的22个人多。这也很有意思。我不知道为什么高盛的人要去DeepMind，也不知道他们能做什么。

如果把这3份简历列表放在一起排序，你会发现，在OpenAI员工中，上一份工作在Google的有426人；在Anthropic这边，上一份工作是Google的有258人。基本上有600多个人来自Google，所以Google确实是这两家公司最大的人才输出地。

如果你在Google工作，你的真实体感可能就是不断看到同事离职。很多同事会离开Google，去新的创业公司，去OpenAI，或者去Anthropic。我感觉这可能还带有一点Peer Pressure。

我们讨论的是Anthropic、OpenAI和DeepMind这3家公司。你肯定很想知道，Anthropic有多少人去了OpenAI，OpenAI有多少人去了DeepMind。在这场人才三角战争中，我认为我的数据不可信，因为样本量太小，所以这里就不造谣了。

但有一件事可以分享：很明显，第二梯队的实验室会往前三家跑。第二梯队实验室的人才，会流向这3家头部实验室。比如Scale AI，之前有17个人去了Anthropic，25个人去了OpenAI，8个人去了DeepMind。具体数字我就不逐一念了，但还有一些类似的第二梯队公司，比如Scale AI、xAI、Character.AI、Cohere、Perplexity、Hugging Face、Mistral、Runway和Together AI，它们都有很多人才流向这3家公司，加起来可能有上百人，都是从二线实验室过去的。

### Most Employees Are Not Researchers

这些人具体去了御三家做什么？我做了一些职能分类，因为我很好奇他们到底在做什么。很多人并不是完全做研究，并不是每个人都是研究员。

LinkedIn的数据非常奇怪，甚至把创业，也就是Entrepreneurship，作为一个职业分类，这显然不太合理。我的处理方式是，把每个人的档案标题、个人描述和公司职位拼成一段话，再按照关键词规则进行互斥归类，命中之后就停止。优先级从研究、工程一直到数据工作。

在4,000多人的样本中，大约70%的人有可分析的有效信息，其中有2,000人基本可以被明确分类。也就是说，4,000个人中有2,000个人可以明确分类。我认为这个结果具有一定代表性，可以进行讨论和分享。

先看Anthropic。Anthropic排名第一的是工程人员，占30%；研究人员占20%；销售和BD占18%；运营和人力占12%；政策、法务和安全占6%；接下来还有市场传播、产品、数据等职能。

如果看OpenAI，你会发现，在可以分析的样本中，工程人员占38%，比Anthropic高一些；研究人员占21%，两家公司其实差不多。OpenAI的销售和商业拓展人员绝对人数比Anthropic多，但比例比Anthropic低。

我感觉这可能和两家公司的业务模式不太一样有关。Anthropic偏B端，所以销售和BD人员的比例相对更高。结论就是：工程人员方面，OpenAI的比例更高；销售人员方面，Anthropic的比例可能更高。政策、法务和安全方面，OpenAI的绝对人数更高，但Anthropic的比例高很多。这可能也符合它们所说的“我们要做最安全的AI”这种话。

这里要解释一点，我觉得很多人会在这个地方抬杠：如果一个人的title是Member of Technical Staff，我到底怎么定义他？我的定义是把他放进研究，而不是工程。

我知道这个定义非常主观，因为每家公司、每个人的情况都不一样，很难对一个人做出明确判断。如果一个人的信息只写着Member of Technical Staff，没有提供其他额外信息，我就会把他放进研究，因为很难判断他到底在做什么。这里确实有我的主观判断，大家就将就着看。

基于此，你会发现DeepMind的职能分布和另外两家非常不一样。DeepMind的研究人员和工程人员远远超过Anthropic和OpenAI，研究人员占39.8%。另外两家的研究人员大约占20%，DeepMind接近40%，所以它的研究人员比例非常高。

我猜想，这可能是因为很多职能，比如销售、产品、法务等，已经由母公司Google承担了，所以DeepMind的Headcount分类可能和另外两家公司非常不一样。

在数据整理上，我们已经尽可能做了清洗和处理，但我发现个案中仍然有很多不可靠的信息。比如，有些在校学生会说自己是OpenAI的校园大使；有些自媒体从OpenAI接过一次项目，就会在LinkedIn上说自己是OpenAI的Content Creator。

这类不靠谱的情况很多，我们会尽量鉴别，但肯定不可能做到100%准确。所以我觉得，还是看趋势、看分类、看整体感觉，可能更重要。

### Chinese Talent Raises Questions

接下来讨论语言，然后马上进入中国人的部分。LinkedIn上很多人会标注自己掌握的语言。大家默认都会说英语，所以一般不会专门标注英语，因为英语是默认语言。在美国读书的人当中，西班牙语和法语是比较重要的第二外语。对美国人来说，这是第一外语；对中国人来说，则是第二外语。

但这3家公司有一个特点：在LinkedIn上标注自己会中文的人，占了20%多。Anthropic占19.6%，OpenAI占27.7%，DeepMind占24.8%。中文在这3家公司平均排名第二，是占比20%多的外语，仅次于西班牙语。语言排名大致是西班牙语第一，中文第二，法语第三，德语第四，依次往下。

之前社交媒体经常讨论，中美大模型的竞争其实是在美国的中国人和中国的中国人之间进行的，因为两边一拍团建合影，发现怎么都是中国人。这个事情我们不能确认，但我觉得有一些数据可以提供线索。这也是我一开始希望通过数据分析抓到的一些有意思的结论和观察。

我们先来看，在这2万份简历中，到底有多少人具有明确的中国背景。中国背景怎么定义？比如，这个人之前在中国读过书，或者在明确的中国公司工作过。前者可能包括北大、清华，后者可能包括腾讯、阿里。

同时还要剔除一些情况，比如美国白人曾经去华东师范大学学中文，或者华裔曾经在东南亚的腾讯工作过，这些都不算。把这些人去掉之后，我得到了一份有效、正儿八经的中国背景人员列表，共343人。

他们读书的学校主要来自清华、北大、浙大和交大。请注意，不是清北复交，而是清北浙交。他们在中国公司的主要工作经历是BAT和华为。BAT中的B是ByteDance，也就是字节跳动，另外是腾讯和阿里，不是百度。虽然百度是第四名。

343人中，OpenAI占170人，DeepMind占134人，Anthropic占39人。这也比较符合规律，因为Anthropic的中国人更少，它对中国人的态度和另外两家公司有所不同。

这343人中，主要就读的大学是清华、北大、浙大、交大，然后是中山、复旦、华中、同济、南京大学等。他们曾经工作过的公司包括字节、腾讯、华为、阿里、百度，也包括旷视、商汤和滴滴。

但我可以明确告诉你一件事：343人中肯定没有包括之前在百度打过工的Dario。这个名字我是单独摘出来的，所以他肯定不在里面。

如果你细看这些档案，会发现很多人的经历是这样的：他们在国内读了本科，出国之后读硕士，读完硕士又读博士。他们主要去的学校可能是Berkeley、CMU、Stanford、USC或UCLA。同时，很多人也在国外顶尖公司工作过，包括湾区的Google、微软、Meta、Amazon和英伟达。他们在过去2、3年中的不同时间加入了御三家，我感觉很多人的背景都是这样的。

到这里，你可能开始抬杠了，也可能要在评论区写我坏话了，随便写，没关系。你肯定会觉得，343个人在2万份简历中是不太对的，这个数据和你看到的情况不一致。你明明在那么多视频和播客中看到过那么多中国人，而且名字都是汉语拼音，他们甚至像是在为Anthropic代言。看起来至少有A、B、C之类的人，怎么最后比例只有公司总人数的2%？这听起来确实比较少。

所以问题是，中国人到底有多少？

我又深入挖了一下。在最大的样本，也就是1.9万份简历中，明确使用拼音姓名的有1,520个；使用常见拼音姓氏的有1,432个。

这个概念怎么理解？比如你的中文名叫王建国，但英文名叫Tony，所以你会被写成Tony Wang。在这种情况下，你会被归入“常见拼音姓氏”这一类，因为姓氏使用的是大陆拼音。但如果你在LinkedIn上写的是“坚果Wang”，那就会被归入“明确拼音姓名”。

这两个类别加起来有2,952人。也就是说，你一看就知道这是拼音姓名，这个数据的置信度相对较高。2,952人占整个数据集的15%，这个比例听起来合理很多。

但说实话，名字是拼音的人，也可能是在美国长大的ABC。说不定他们还没有那个到华东师范大学学中文的美国白人更喜欢中国。

这里我想引用哈佛大学2029届本科生的数据作为例子。2029届哈佛本科生是2025年入学的，共有1,675人。其中亚裔占41%，黑人占11.5%，西班牙裔占11%，有8%没有填写种族，剩下的可以理解为白人。

41%的亚裔中，通常东亚裔占三分之二，南亚裔占三分之一。所以你可以理解为，东亚人差不多占哈佛大学同一届学生的27%，不到三分之一；南亚人占14%，主要是印度人。

如果刚才提到的拼音姓名占15%，那其实是一个比较合理的数字。拼音姓名占15%，意味着其他东亚学生，包括港澳台、新加坡、日韩学生，加起来可能另外占12%。拼音占15%，其他东亚学生占12%，听起来是一个比较合理的数字。

你去美国常春藤大学读书时，看到的人群分布其实也非常类似。所以我觉得，哈佛大学新生录取和现在硅谷的人才分布具有高度相关性。我用这个作为样本进行sanity check，觉得这个结论有一定可信度。

我们再总结一下。刚才说到，有语言标签的人中，会中文的占20%多；拼音姓名占15%；如果包括港澳台、华裔和美国华裔，可能占到20%多。大概来说，华人的比例应该在20%左右。

我不知道该怎么更准确地命名，肯定不能说他们都是中国人，这样是不对的。但至少说华人的比例是20%，听起来可能是合理的。

### The Three Labs Look Alike

在整个分析过程中，我觉得很有意思的一点是，这3家公司在各个方面都太像了：无论是学校分布、地点、前雇主来源、职能、语言，甚至中国人的比例，都高度相似。这些表格如果不认真看标题，你会觉得是同一家公司的；只把名字换一下，甚至无法发现到底是哪家公司。

这本身其实是一个问题。公司的相貌和结构太同质化了，这就是一种非常激烈的同质化竞争。

第二点，Anthropic的商业化职能比我想象中更多。它的AI安全和对齐部门占2.3%，比例上比OpenAI多了一倍。但我也不确定，在一家公司里，安全和对齐占2.3%到底算多还是算少。我不知道多少才算够，对这个没有什么感觉。

还有一个事情是关于学校。我觉得浙大很厉害，浙大很厉害，浙大很厉害。

在欧洲学校中，牛津和剑桥真正能去的公司似乎主要是DeepMind。因为在DeepMind里面，牛津和剑桥还算排得上号的学校；但如果是在OpenAI或Anthropic，牛津和剑桥的学生几乎没有任何存在感。

这可能和DeepMind一开始从伦敦起家有关。除此之外，这两所学校在美国公司的存在感确实非常低。

如果看Anthropic的简历库，有44个人的简历中出现过OpenAI，也就是说，他们之前从OpenAI跳到了Anthropic。但用同样的口径反向统计，从Anthropic跳到OpenAI的人只有9个。所以是44个人从OpenAI去了Anthropic，9个人从Anthropic去了OpenAI。

这个数据点的样本量很小，但我看了很多数据、很多人之后，自己的感觉是，跳槽流动方向的比例应该大致是对的。

最后一点是关于中国背景。我在梳理这些简历时，发现很多人的人生故事都很有意思。往少了说，有明确中国背景的是343人；往多了说，有明确中国拼音姓名的是接近3,000人。这些人的经历很值得深入了解，之后也许可以把其中一些人的人生经历拉出来聊一聊。

很遗憾，这次数据的统计口径和记录方式，无法很好地统计每个人的毕业年份。否则我可以看到这些公司员工的年龄分布。它也没有统计到内部晋升轨迹。

还有一点，我找不到一个很好的方式去统计离职人员的去向。比如一个人在OpenAI工作过，后来选择创业，或者加入其他公司。这个信息其实非常有意思，因为它表达了一个在顶尖AI实验室工作过的人，对某个方向极其认可，愿意离开OpenAI去加入那家公司。

我觉得这是一种非常大的背书，也是非常具有投资价值的信息。但我不太知道应该怎么做这件事，在技术方案上也想不到如何统计离职人员的去向。