程曼祺
上期节目中，我和脉脉 CEO 林凡聊了中国 AI 人才市场的变化。今天的节目，我们的视角来到美国，从 Meta 近期的人才大战和后续的动荡聊起。
我邀请了在 Meta 工作过 7 年多的朱哲清 Bill，他在去年 10 月创立了 Pokee AI，做以强化学习为内核的 Agent。2017 年到 2019 年的时候，我刚加入 Meta 的时候，是整个公司创业氛围最浓的时候。
现在在 AI 技术领域，大家都想争夺的，确实是能带来最大改变的最精英的那一小撮人。他们看重的东西是什么？他们能不能成为 AGI 出现的那个时刻的一份子，而且是核心的一份子？
工程型的人才一般会决定你接下来 2 到 3 年的发展，而科学家型的人才会决定你未来 10 年的发展，但是你有可能活不过 2、3 年。
Bill 分享了他观察到的硅谷顶尖 AI 人才的流动趋势，以及 Meta、Google、OpenAI、Anthropic 等美国核心 AI 公司的组织特点和由此延伸的业务策略。我们也讨论了，作为一个 AI 创始人，如何在今天打造 AI-native 的新组织。我们正式进入本期节目。
今天我们的嘉宾是 Bill 朱，Pokee AI 的创始人。Bill 也是老朋友了，曾经在第 111 期节目中来和我们聊过怎么用强化学习做 Agent。Bill 之前在 Meta 有 7 年多的工作经验，担任 Meta 应用强化学习团队的技术 Leader。Bill，你可以简单和我们的听友打个招呼，也更新一下你最近的一些近况。
朱哲清
大家好，我是 Bill。我之前在 Meta 的应用强化学习团队做技术 Leader，主要负责横跨整个 Meta 范围内的很多强化学习产品的落地，包括广告里面 Ads Manager 的一些产品，再包括广告的 Budget Pacing 等等，还有推荐系统里面的一些产品。
去年 10 月，我出来创立了 Pokee AI。主要目标是希望通过基础 AI Agent 模型和工具的整个生态，完成通用 AI Agent stack 的搭建。
最近，晚点之前也报道过，我们完成了种子轮融资，金额是 1,200 万美元。同时，我们其实也就是今天的消息吧，我们的 Agent 被 Andreessen Horowitz，也就是 a16z，列为 AI Agent workflow 的一个 benchmark company，也算是比较好的里程碑。
差不多就是这些近况。我们第一轮让大家体验的产品发布出去以后，反响还不错。马上还会有更新，可能会是市场上第一家做这个方向的产品，大家可以期待一下。
程曼祺
这个方向还要先保密一下，是吗？
朱哲清
对，9 月底会有一些消息出来。到时候我们会先找一些开发者做内测。
程曼祺
1. AI 人才争夺战
这一次找 Bill，倒不是具体来聊产品，而是想聊一聊最近在硅谷，包括国内也变得越来越激烈的 AI 顶尖人才之间的竞争。
在刚才我们正式开始聊之前，我们也在聊最近的一些行业变化，包括姚顺雨加入腾讯，以及 Meta 最近也会有比较多的变化——就是你之前工作了 7 年多的这个老东家。
其实整个 AI 行业的变动挺大的。因为人才从某种意义上来说，相对比较 common 的 AI knowledge 比较容易获得，但是真正有创新性的那一撮人其实还是很少，所以就导致大家都在想办法找到那一撮人，再想办法把他们挖过来。
朱哲清
我们可以从 Meta 最近的变化来聊，我觉得这是一个很好的切入口，因为它是一个很好的观察对象，可以看看公司组织怎么试图通过聚集很厉害的人，就是你刚刚说的找到那一撮人，去打造一个很有竞争力的技术。这个过程中间可能会遇到什么情况，我可以先简单跟大家说一下事情的时间脉络。
首先，6 月中旬的时候，Meta 宣布以 143 亿美元获得 Scale AI 49% 的股份，同时招募了 Scale AI 的创始人 Alexandr Wang。Alexandr 现在是他们新的 AI 团队的负责人，他们两个负责人中的一个。
6 月中旬之后，Meta 就开始天价挖人。最离谱的一个说法是，开出了 4 年 3 亿美元的非常高的薪资，去挖 OpenAI、Google、Anthropic 的很多技术骨干。
不过这个剧情演进到 9 月，又有了新的变化：很多刚刚加入的人又要离职了，其中有两位直接回了 OpenAI。他们刚从 OpenAI 过来，又要回 OpenAI，大概就是这么一个过程。
程曼祺
Bill，你可以聊聊你在美国、在硅谷，自己感受和经历的这个过程是怎样的吗？
朱哲清
2. Meta 官僚化困局
2017 年到 2019 年的时候，我刚加入 Meta，那是整个公司创业氛围最浓的时候。从代码的写作，到有人帮我们批准代码进入真正的生产环境，整个过程非常快，几个小时就能完成。
但是到了疫情之后，这个流程没有变，只是组织变得很臃肿，人越来越多，我们上面的 VP level 也越来越多。导致每一个产品的迭代、每一次做决策，都需要找这些 VP 来批准、审核，这就使得大家很不爽。
而且这些 VP 大多数都不懂。他们真正能花时间在你这个项目上的时间又很少，也搞不清楚你的项目在干什么，但他必须要审核一次，然后又会做各种各样不一样的批示，最后就导致大家都很不爽。所以有很多人是因为这种原因走的。
你其实可以在社交媒体上看到很多以前 Meta 的员工说，在 Meta 感觉心理健康都出问题了，就是因为这个原因，互相之间的政治斗争太多了。
我的猜测是，这些员工有一些是从 OpenAI 来的，也有一些是从 Google 来的。Google 也有政治斗争，但是 OpenAI 会少一些。但从这些公司来的人，其实不擅长做政治斗争，或者说不擅长在有政治斗争的环境当中存活，或者想办法做出自己的贡献。
所以他们会觉得很不舒服，觉得自己在浪费时间。我能想象到为什么他们会走。
程曼祺
在整个硅谷的环境下，跳槽其实是蛮常见的，但是在 2、3 个月之内就跳槽是很不常见的，肯定是有事情发生了。而且他们的包也很大，对吧？
朱哲清
肯定是比原来 OpenAI 的包大。他们回去，我本来觉得也有可能是没有 match，可能是原来的包继续给你，类似于这种情况。
所以总体来说，我的猜测肯定是内部政治斗争非常严重，导致他们不得不想走。
我自己的经验是，像这种顶尖人才，或者相对级别比较高的人，他们在整个大厂，特别是做 AI 方向的时候，在大厂之间游离的能力是很高的。大家都想要他们，尤其是现在做和最火热的话题相关的人。你要去找他们，基本上不是一家公司找，而是十几家公司同时找，所以他们的选择余地很高，他们会做这样的选择也不意外。
程曼祺
所以据你的观察，疫情之后 Meta 变得更臃肿、层级更多，这个情况一直到 2023 年的 AI 热潮之后也没有明显改善。然后这些人就是在这样一个环境中加入了 Meta，但他们非常不适应。
扎克伯格现在试图让 Alexandr Wang 这样一个非常年轻的人，来建立一个新的团队。他们叫 Superintelligence Labs，对吧？他是在试图改变之前那种层级非常多的情况，试图打造一个至少在 AI 领域更加扁平、更加回归创业文化的组织吗？
朱哲清
3. 超级智能实验室困局
我觉得他的初心是这样的，但是 Superintelligence Labs 现在有 5,000 个人。
Anthropic 只有 1,900 个人，对吧？Superintelligence Labs 已经超过 OpenAI 的总人数了。那你想要做什么呢？如果你只是想打 OpenAI，你的人数不应该超过 OpenAI 的人数，对吧？人数多是没有用的。
简单来说，现在训练一个 SOTA 模型，核心团队其实不超过 50 个人。这个核心团队可能有 20 几个人在想模型怎么做、这个地方怎么调、那个地方怎么调；可能还有 20 几个人做 infra，支持训练和 engineering；然后可能会有一些 PM 去想 feature 要怎么做，模型哪个部分重要、哪些部分不重要。
剩下的很多组织，其实都是在想一些相对更边缘、或者说不在主线剧情上的产品，然后互相之间配合。所以如果你真的只是说“我要让 Llama 超过 GPT-5”，我觉得应该找一个 150 到 250 人的核心团队，想办法把这个东西做好，而不是搞一个 5,000 人的团队，互相之间掣肘太严重了。
我严重怀疑其中还有赛马的嫌疑。可能会有多个团队做类似的事情，然后互相之间赛马，而且不是被动赛马，都是主动赛马。
Meta 是一个非常 bottom-up，也就是从底往上传的文化。很多人都会有类似的想法和创新点子，然后他们互相之间就会开始说：“我要做这个方向。”另一个人也会说：“我也要做这个方向。”
但做模型和做产品不一样。做产品有 ownership，这个产品是我在组织内部负责的产品，但是做模型又没有 ownership 的概念。你有这个想法，我有这个想法，大家都可以做，只是训练出来谁更好而已。
这使得管理更难了，因为谁都可以做。这是目前管理上的一个痛点。
我所知道的，像亚马逊就没有这样的问题。它们也可以赛马，但是这个赛马是每个组织内部自己去做：我有我的资源，我做的东西就是为了我的产品服务。即使模型做出来和别人很类似，也有一个可以落地的地方。
它很多模型的落地点都是固定的。每个事业部里面都有自己的研究团队，这个研究团队自带的目标就是完成产品迭代。所以即使两个团队做了类似的东西，也能够落到各自对应的产品上，不会出现两个模型都做出来、却都没有地方落地的情况。
Google 可能更偏技术或者研究方向一些，有非常厉害、大家都信服的大佬来定大方向，剩下的人配合他们一起做，这也会比较好。因为这样不存在“我不服你，所以我要去做什么”的问题，相对会 top-down 一些。
OpenAI 和 Anthropic 就非常 mission-driven。它们会说：“我要做这样一件事情，这个模型要有这样的效能和能力。我把 benchmark 放好了以后，就对着它做。”
整个公司面向一个方向，不会有好几个人、好几个团队做同样的事情，而且它们的人数也不够多。所以整个硅谷几家最大的公司，现在的现状大概就是这样。Meta 是目前看起来相对比较混乱的一家。
程曼祺
你刚才提到的这个区别很有意思。其实从外部观察，Meta 也有很多产品和落地的具体场景，比如 Facebook、Instagram、WhatsApp，它们都是分开的。
但你刚才描述的这种技术团队，是你做一个模型，我做一个模型，最后都没有落地的地方。这是 AI 热潮之前的组织架构导致的情况吗？为什么亚马逊那边可能分得比较清楚，而 Meta 这边也有很多落地场景，却没有分得这么清楚？这是组织架构导致的吗？
朱哲清
简单来说，Meta 内部没有所谓的“事业群”这一说。所有代码库底下的基建以及产品，所有人都可以改。没有人真的会阻止你说“这个代码你完全不能碰”。一个完全不相干的组，也可以看到你的代码，觉得代码不好，然后去改你的代码。
这导致的问题就是，没有人真正对自己的产品拥有 ownership。
还有一个问题是，每个组织的财务不是由那个组织本身决定的。比如我是一个 VP，但我没有自主决定的权利，不能决定给某个人多少钱、给谁什么样的奖金，也不能自己决定要花多少钱在某个数据中心上。
下面的 VP 基本上都没有太高的自主权。他们有给到自己的预算，这个预算可以自主支配，但相对比较小。没有到这样的程度：比如我有 300 人，我甚至可以裁掉一半人，然后把这些钱拿去买算力。
这种级别的自主性在 Meta 是不存在的。所以它不能让每个组织像一个 startup 一样，自己决定什么对于产品或者内部功能能够带来最大提升，自己做策略性的改变。
它很难做策略性的改变，只能说用现有的资源，怎么跟别人抢、把 scope 扩大，类似于这种。
程曼祺
这种组织形态曾经给 Meta 带来的好处是什么？因为如果它在历史上形成了这样的组织，至少在某一个阶段，或者某一种商业情景下，它应该是非常有竞争力的。Meta 毕竟还是一家很成功的公司。
朱哲清
它的速度快。举个例子，我是做模型的。当年如果我发现 Facebook Feed 那边某个模型有问题——我们当年确实做过这样的事情——我发现 Facebook 做推送的团队有一个模型有问题，就可以直接跳过去跟他说：“我觉得这个东西有问题，为什么？我要改。”然后直接就可以改。
整个流程从一开始到最后加起来，半年内我就把它的模型全改了，就这么快。你可以想象，在任何一家大公司，这件事情能发生吗？不可能。别的公司的 VP 不把你打死才怪。
但在 Meta 就可以做到这一点。这个组织架构有它的优势和缺点。缺点在于，当公司从我 2017 年加入时的规模，发展到后来 7、8 万人，涨了快 5、6 倍时，一个人变成 5 个人，权益就分不均了。
原来一个人就能干的活，现在变成 5 个人。这 5 个人互相之间还要分绩效，就会出现政治斗争。
程曼祺
听你描述下来，一方面它看起来很灵活、不官僚。比如你刚刚说，我可能在半年内就能改另一个不属于我这个团队的产品或技术。同时，它又带来了很多政治斗争。
你可以描述一下，这个政治斗争具体指的是什么吗？技术团队之间的政治斗争不单单存在于 Meta，所有公司都有，国内公司也有。
朱哲清
我举一些简单的例子。还是以刚刚推送的那个模型为例：我有一个团队，我们的目标是把某一个模型的能力拓展到整家公司所有的产品线上；另外还有一个团队，它的目标是把自己团队的 DAU 指标拉升 2%。
这两个团队之间其实就会有政治斗争。如果我用了你们团队写的模型更新，导致我的团队 DAU 涨了 2%，这个功劳算谁的？是他做的，还是我做的？这就需要互相争抢。
如果我要避免这件事情，是不是就不能让他改我的模型？我自己要把这个模型做出来，做到 DAU 涨 2%。这就是一个很典型的政治斗争例子。
程曼祺
所以这是其中一种典型情况：一件事情你也可以做，我也可以做，我们都想争这个功劳。
朱哲清
基本上都围绕着这种情况。
程曼祺
我这么说，其实也想到了另一种大公司里可能会有的情况。比如你的团队有一个目标，B 团队有另一个目标，你们两个目标之间存在 trade-off。
朱哲清
那种不算政治斗争，属于策略性的冲突。存在 trade-off 以后，一旦两个团队的领导发现了，他完全可以往上走，直接告诉上级：“这两个东西很明显是有 trade-off 的。”
然后某个 data scientist 跑出来说：“我们分析了一下，为什么会有 trade-off？从历史走势看，确实有 trade-off。”VP 直接拍板，决定哪个更重要就好了，也没有什么好斗的。
程曼祺
所以它的区别在于，不是一个可以通过数据来做相对理性、客观判断的问题。
朱哲清
对，一般都存在于分赃不均。
程曼祺
你刚才也提到，OpenAI 和 Anthropic 的人可能并不是很擅长这些事情。
朱哲清
4. 使命驱动也会分裂
他们不是不擅长，他们是压根就不做。他们有目标，知道要做什么，就专注着那个去做，所有人的目标是一致的。
这就是做 startup 的一个关键。不管你的 startup 可能已经有几千人了，但当所有人都不在乎“我占多少功劳、他占多少功劳”时，这件事情就不重要了。
程曼祺
你觉得在 OpenAI 这种体量的公司里，它虽然是一个创业公司，但说实话也已经有几千人了，还能保持这种状态吗？
或者说，当它进一步发展到某种规模以后，会不会很难保持你刚才说的那种“所有人的目标非常一致”的状态？
朱哲清
有一个临界点。这是我自己的观察：不管什么公司，当人的数量比活的数量多时，问题就会出现。
先看整个公司要做的事情。所有要做的事情当中，可能有 80% 的事情都不重要。先把那 80% 砍掉，剩下的 20% 就是我们说的 80/20 法则：20% 的事情能达到 80% 的效果。
把那 80% 不重要的事情砍掉以后，剩下 20% 的重要事情直接分给所有人。假设这些事情全部分下去以后，还有活没人干，那所有人就可以完全拥有统一目标，因为他们做的事情对自己来说同样重要。
但当你发现这 20% 的活不足以分配给所有人，有人开始做那 80% 的活时，那些人就会想做那 20% 的活，问题就出来了。你看到这个临界点发生时，就说明你招太多人了。
但是大公司又没办法。为什么？第一，大公司的增长潜力到了某个临界点以后，每年的营收增长、用户增长，或者如果是 to B 业务，商业化增长，可能只有 20%、30%、50%，不可能每年翻 3 倍、5 倍、10 倍。
到这个程度，为了保住财报、营收和股价，它不得不去招人做那 80% 的活，即便那 80% 的活只能让营收增长 1%、2%，也得有人做。
因为公司的体量足够大以后，1%、2% 的增长也足以支付这些人的薪水，所以还是得招人做那些工作。但那些人其实也有自己的野心，他们也想去做那 20% 的活，这就会产生刚刚所说的分赃不均。
程曼祺
在你刚才的框架里，OpenAI 和 Anthropic 的很多人更多是使命驱动的，他们朝着一个方向去做。
从这个角度，怎么理解之前伊利亚和 Sam Altman 那次比较大的分歧？外界会很自然地把这件事情形容成“宫斗”。你觉得它实际上是什么矛盾？
朱哲清
越是使命驱动的公司，当个人使命互相之间出现区分时，就越容易分崩离析。
因为唯一维系他们的不是钱，而是使命。所以这种组织能够融在一起奋斗时，是非常强的组织；但出现分歧时，也很容易崩掉，因为这些人之间没有别的利益绑定。
说得难听一点，利益绑定是这个世界上最牢靠的关系。只要你能满足利益，这些人就能绑在一起。而使命驱动意味着，当几个人的使命不再一致时，它就会崩掉，就是这么简单的一件事情。
你会发现，Sam Altman 和 Ilya 之间的一个根本分歧，可能在于 Sam Altman 希望通过 AGI 完成用户增长，或者说最大化提升整个公司在用户覆盖上的能力；而 Ilya 希望在安全性、可靠度和模型技术上做更高的提升。
这两条路本身所需要花费的精力和资源，几乎是旗鼓相当的。作为这家公司的高层，他们都想让公司走自己的路，就势必要把另外一个人的使命干掉，自然会出现分歧，也自然会有人离开。
所以一个使命驱动的公司不能容纳两个使命，必须做路线选择，就是这么简单。
程曼祺
我们回到 Meta 最近的动荡，包括这次 AI 人才争夺。你刚才讲到了比较深层的原因。大家也会讨论一些比较直接的导火索，其中一个说法是，Alexandr Wang 这个人很难服众，或者说他的风格让人不太适应。有人甚至称他是“硅谷小扎”。
朱哲清
我觉得叫“小扎”没有必要，两人的风格我自己感觉可能不太一样，这些我也不太好评论。
但我觉得，一个非常高精尖的 AI 领域，特别是像 OpenAI 这样的组织，Sam Altman 确实是 CEO，之前 Mira 也是 CTO，但他们并不直接管理研究。研究由懂研究的人来管，比如 Greg 有时候会管，John 之前会管，Noam 会管。这些人懂研究，知道研究方向往哪里发展。
如果把中间这些人踢掉，让 Sam Altman 直接去管整个研究团队，肯定是行不通的。现在的情况等于是把中间那些人都踢掉了，然后让 Sam Altman 直接管理研究团队，类似于这种情况。
所以可以说，Meta 缺一个技术上的领军者，一个可以直接管理研究团队、又能让大家信服的人。Google 的情况是，那些大佬会定一些大的方向，下面的人比较信服，然后跟着一起干。Meta 缺这种人。
我觉得它不是缺人，只是它在组织架构上的安排，让大家觉得不太舒服。它其实有这种能力的人，因为它不是从 OpenAI 挖来了一些人吗？包括 Ansel Peng，但它没有把这些人放到一个在架构里比较合适的位置。
还有一个很细节的点：我们这一代刚开始做强化学习落地、做模型训练的人，很难有人真的完全服众。你要找的是一批德高望重、又和你的路线 aligned 的人，这种人很难找，说实话很难找。
程曼祺
在 Ilya 离开之后，OpenAI 里谁在扮演这样的角色？
朱哲清
有好几个人。比如之前 Noam Brown 带了很多 reasoning 方向，各方面都做得挺多。再比如张书文，他带整个 RLHF，在 R1 方向也做得比较多。
这几个人都是大家相对比较信服的人。国外的管理层级其实不是很多，我感觉。还有 Jan Leike，我一时想不起他的 last name 是什么，但这些人好像都走了，很神奇。
程曼祺
Noam Brown 没走吧？
朱哲清
他应该没走。Noam Brown 没走，Jian Li 走了。主要是这几个人可能相对比较出名。
这些人在 ChatGPT 火之前，就已经在 research 上做了非常重要的工作，而且他们的大方向和底下的人是 aligned 的，所以大家愿意跟着他们走。
但 ChatGPT 之后出来的那批人，如果让他们去担大梁，说“我来带大方向”，也会有人不服。
程曼祺
你刚才举的这些人，都是在 ChatGPT 之前就已经有所建树，而且他们的方向和现在行业的大趋势也相契合。这样的人一般处于什么年龄阶段？大概多少岁？
朱哲清
5. 研究人才出现断层
一般是 30 多岁到 40 岁。其实也还是非常年轻，只不过不是我们想象中的少年天才，不是特别年轻的那种。
少年天才很难做出非常 fundamental 的 work。我这么说是因为现在整个 research 领域，甚至 PhD 做的东西都非常 incremental。
你可以去看 Percy Liang 现在讲课的时候，第一节课讲语言模型的 CS 224N。那是当年自然语言处理最经典的课程，现在变成语言模型的课了。他第一节课就说：“Research is almost dead。”因为你能做的事情，都是业界能做的事情的边角料。
如果你要做偏实际的大语言模型的 impact，只能做那些边角料的活。如果真的要做更 fundamental 的 work，又没有足够的算力。
所以现在 PhD 都在想办法找大公司还没有做的方向，然后想办法发几篇 paper。进了大公司以后，又跟着大公司走 LLM 这条路，相对也比较 incremental。
这就导致过去 3、4 年毕业的博士生里面，很难出现这样的人：他说“我写了一个东西，可能会是下一个 PPO”；或者“我写了一个东西，能够改变强化学习或语言模型方向未来 10 年的格局”。这样的研究现在很少。
程曼祺
现在什么样的人有机会成为那一小撮能做核心 fundamental work、同时又有足够算力支持的人？在什么样的组织里，这样的人才能发挥作用？
朱哲清
现在其实缺方向。你知道吗？整个业界，包括我们做的东西，虽然已经有一些创新，但还是在 LLM 这条路上一个相对比较大的跨越，它不是换赛道。
我觉得 LLM 可能不行了，这里有一个瓶颈，我要怎么去解决这个瓶颈，这是另外一条路。但这条路是什么，目前还没有看到谁真正做出来。
程曼祺
我总结一下你的意思。你刚才说的 fundamental work，是一种开创性的、基础性的工作。你指的是重大到这种程度的工作，现在机会其实比较少。
看起来，几条很有潜力的主线，可能已经被你刚才说的 30 到 40 多岁那一群人摸索出来了。现在很多事情是在已经摸索出来的、很有潜力的主线上继续往前推进，而不是重新开一条线。
朱哲清
对，现在很难新开赛道，就是这个意思。
一般来说，这些人在自己那条赛道最开始的两三篇工作，是他们做的，导致他们成为这条线上特别厉害的人。
比如当年 David Silver 为什么厉害？因为 AlphaGo 的第一篇论文和一开始做的东西都是他做的，他都是 first author，也就是一作，所以大家自然信服他。
PPO 是 John Schulman 做的，大家也自然信服他。
程曼祺
你说到这里，我觉得最顶尖的人才和大公司想要的人才之间，存在一个 gap。
我相信最顶尖的人才有野心去做非常原创的东西。他可能希望在技术史上留下自己贡献的一块砖，或者留下自己的名字，他有这个野心。
但对很多大公司或者组织来说，它们希望在一个收益相对明确的主线上取得重大进展。
朱哲清
是的。我其实也想走开创性的这条路。我过往 7、8 年更多做的是，在现有技术路径上怎么最快落地，真正能产生实际效应的路径是什么，这可能是我比较专注的方向。
但是有很多做研究的人其实不想做这条路。他做到那个方向以后，就觉得“我基本决定这个东西可以成型了”，然后他就停了。后面的事是你们的活，跟我没关系。
所以大公司希望找的是喜欢落地的那批人。纯做研究的人其实不需要很多，5、6 个就可以了。剩下的人更多需要能做落地。
比较好的搭配是，5、6 个这样的人，再加上 5、6 个喜欢落地、又很擅长落地的人，配起来就会是一个很好的领导层架构。再往下找一些比较靠谱的 engineer、研究者就可以了。
程曼祺
你刚才在盘点硅谷比较大、比较重要的 AI 公司时，没有提到 xAI。我不知道是因为在硅谷的语境里，它还不在你刚才说的那些公司的层级，还是其他原因。
我想到它，是因为我觉得它的人非常精简，相比你刚才提到的那些公司，人数要少很多。
朱哲清
6. 科学家与工程师分野
但它也是一个不睡觉的公司，这是 Elon Musk 的性格导致的。他自己就会这么工作，所以希望底下的人全是这样工作。
他其实不是第一类人，而是第二类人。他看到一个技术，觉得可行，就会想办法落地，而且不惜一切代价去落地。
之前他和 Yann LeCun 在 Twitter 上吵架那次，你知道吗？
程曼祺
我知道。
朱哲清
他说其实不存在 research scientist，都是 engineer。能明确感受到，他就是这样的人。
程曼祺
而且他那句话说得挺重，大概意思是：“LeCun，你这 10 年到底做了什么贡献？”
朱哲清
对。他是一个很典型的工程师思维的人。科学家思维和工程师思维，是很不一样的两种思维方式。
Elon Musk 就是典型的工程师思维。所以我们在讲顶尖研究科学家这个领域时，一般不会把他牵扯进来。他的主要目标还是以现有的方法，想办法把事情落地、落好，把模型的规模、各方面都做大，把算力叠上去，想办法把能力提高。
他一般都是类似这样的模式，和 Google 的驱动方式很不一样。Google 是科学驱动的：我要在科学方面实现下一次飞跃，然后自然会带来一个很大的革命。
Elon Musk 更多是工程师思维：用现有的技术、现有的科学，怎么把它落地、落好，做出一个极其复杂、别人做不了的工程项目，让别人没有办法复制我做的事情。
程曼祺
所以 xAI 在团队组成上，更倾向于你刚才说的两类人中的第二类，也就是落地倾向的人更多一些，是吗？
朱哲清
对，它招人的时候也有这个倾向。我看到很多被它招过去的人，都有第二条路径的倾向。
程曼祺
你说到 Elon Musk 和 Google 的对比，我觉得它也可以类比到中国和美国更大的区别上。至少此时此刻，美国在一些技术发展上，可能更偏你说的第一类。
朱哲清
我觉得这个类比不是很恰当。每个国家现在都有偏科学家型和偏工程型的人才。我一般会这样看这个问题：
工程型的人才，一般会决定你接下来 2 到 3 年的发展；科学家型的人才，会决定你未来 10 年的发展，但是你有可能活不过 2、3 年。
所以我并不觉得中美之间有那么大的区别。
程曼祺
你在中国观察到科学家型倾向的人才肯定也是有的。你觉得什么样的组织会有这种倾向？
朱哲清
这不好说。我对中国的公司不是很熟，所以没有办法评论。
程曼祺
我觉得这个问题挺有意思。你平时在美国，而且上大学就去了美国，在那边很多年。你如果和国内很多做技术的人聊，会发现国内很多人有一种倾向，认为最原创的东西现在在中国还是比较难发生。大家会有这么一种感觉。
朱哲清
确实是这样。LLM 发展以后，你基本上看不到中国的研究机构、高校和公司尝试去挑战 LLM 这条路，所有人都一股脑去做 LLM。
程曼祺
其实也有一些特别神奇的小公司在挑战，比如回到 RNN 的方向，做新的架构。
朱哲清
对，但是海外这样的公司非常多。
很多高效的研究存在于海外。美国的定义就是，要去挑战现在的科学极限。某种意义上，我们还没有研究到科学层面，因为目前为止，大家都不知道 Transformer 背后最根本的原理。
在一个共识之下，大多数美国高校的很多团队，目标就是挑战这个共识。他们可以花 10 年时间，什么都做不出来，然后继续挑战这个共识。这是美国整个高等教育和学研体系培养出来的环境，欧洲也是。
这两个环境给到你的容错空间是：你可以什么都做不出来，但是你得去挑战它。
这个环境其实越来越差了，在美国越来越差了，这一点得承认。美国的学研环境已经在慢慢走下坡路，受到的冲击太严重，因为钱都在最容易落地的 LLM 这些东西里面。
你想拿 funding，政府又不给 funding，怎么办？只能去挤那些已经存在的路径。
而中国一直都有各种各样的指标压力。所以在这种条件下，高校和企业都会去挤最容易拿到指标、最容易拿到业绩、最容易发表文章的路径，往死里去挤。
这些环境导致我们很难给到这样一个空间：你可以 3 年不发表任何文章，只为了挑战一个方向。
程曼祺
把这个问题说得更深一点，其实大家作为个人科学家或研究者，你的命运还是和科技周期有关，对吧？
你现在想开创一条新的道路，但有可能从技术规律上来说，现在并不是一条新道路要爆发的时候。
朱哲清
我不认为存在所谓的技术规律。我个人认为，做科技研究，甚至做工程师，都有选择。你的选择很多，而且基本上可以完全控制自己的命运。
我可以确定，所有相对比较好的研究员，脑子里一直都会有 3 到 5 个想法，是他们觉得值得做、想要做，也可能有机会挑战现在最顶尖模型或方向的事情。
主要就是你的选择问题：你是想去大厂拿高薪，做相对比较快、半年内能落地的事情；还是想留在高校，在 funding 都有很大问题的情况下，想办法求爷爷告奶奶拿计算资源，带着几个学生去做出来，而这些学生还不一定听你的话。
这是一个选择问题，是选择就一定有 trade-off。但每个人都有自己能够选择的权利。
科技创新很多时候就是一个人、一个小团队，突然觉得“我一定要做这个方向”。这个方向可能不是只有一家在做，可能有 20、30 家尝试去推翻原来的技术方向。
这 20、30 家里面，可能 29 家都失败了，只有一家成功。但必须有那一家选择“我要去挑战”，才会出现结果。
所以这是一个主观选择问题，不是规律性问题。
程曼祺
我在设想一种情形：假设世界上有一个非常有钱的首富，他愿意给出很大的空间，集结一批有这种能力、也有这种想法的人，去挑战现在主流路线之外的其他路线，推进技术边界的极限。
你觉得这种东西可能自然存在吗？会出现吗？
朱哲清
现在其实都存在。海外有很多这样的例子。比如 Bill Gates 有自己的研究基金会，扎克伯格有自己的研究基金会，Larry Page 有自己的研究基金会，Sergey Brin 也有自己的研究基金会。
他们都在做这件事情。很多公司的内部研究组织，也没有任何具体目标，就是要推进边界，that’s it。
程曼祺
这些基金会给到的资源够吗？
朱哲清
其实非常宽裕，问题在于这些基金会给到的资源，能不能吸引到人。
你不只是要吸引顶尖的人，还要吸引能够给顶尖的人干活的人。这些人很难因为你招来了一个顶尖的人，就真的愿意跟着来，因为这里没有职业路径。
除非那个人做的方向直接起飞了，那所有人一起起飞。但如果没有起飞，你在基金会干了 5 年，去别的大公司怎么办？你的职业生涯肯定卡了 5 年。
如果你去大公司，5 年可能已经升职了，以后的职业发展可以按部就班往上爬。对更下面一层干活的人来说，这样的诱惑是有限的。
比如去斯坦福教书，或者斯坦福招一个教授，和去扎克伯格的基金会做研究员，这两者之间肯定是斯坦福教授更有吸引力。但斯坦福教授给的钱和资源，可能没有扎克伯格的基金会多。
程曼祺
如果总结一下，现在在 AI 技术领域，大家都想争夺、确实能带来最大改变的那一小撮最精英的人，他们看重的东西是什么？
朱哲清
7. 顶尖人才追逐历史位置
他们在选择工作、选择要不要加入一个组织时，看重的是自己能不能成为 AGI 出现的那个时刻的一份子，而且是核心的一份子。
假设有这么一个模型，不管是 Agent 还是其他模型，被称作 AGI 了，有 10 个作者。这一小撮人能不能进入这 10 个作者之内，是他们现在想追求的目标。
程曼祺
这个追求背后，每个人更底层的驱动力是什么？
朱哲清
为爱发电。
程曼祺
为爱发电，和“我的名字要在那 10 个人之中”，是完全一样的吗？我可以事了拂衣去，不留下姓名吗？
朱哲清
我说的为爱发电是，即便你为爱发电，你想要得到的回报也是：我在历史上有这么一个位置。
为什么有人会想要争诺贝尔奖、图灵奖？就是同一个道理。你做的时候可能是为爱发电，这件事情是你真正的热爱，但你希望自己的热爱被世界看到。
程曼祺
你刚才的回答挺直接的：我要做第一个达到 AGI 的核心贡献者。
朱哲清
因为一个人的一生很难遇到历史性时刻。当你看到有这样一个历史性时刻的可能性，而它又正好站在你热爱的道路上时，你会不惜一切代价。
甚至今天告诉你，有这样一个机会，一分钱不给你，但你有 90% 的概率成为那 10 个人中的一个，我相信这一撮人，包括我在内——我不知道自己是不是这撮人中的一个——也会愿意走这条路。
程曼祺
我们刚才是从 Meta 这件事本身开始讲，讲到 Meta 内部可能有一些推力，导致它招来一些人，但这些人又被推出去了。
接下来我们可以从吸引力的角度聊一聊。在现在硅谷这些主要的 AI 公司里，据你的观察，它们对不同类型人才的吸引力怎么样？
刚才我们讲了几类人：一类是做最核心、最开创性想法的那一小撮精英；一类是把事情落地的人，其中也包括 Leader 级别的人物；再就是下面真正把事情做出来、负责跟进执行的人。
现在硅谷这些公司，对不同类型的人才，大概分别有怎样的吸引力？
朱哲清
8. AI 公司争夺人才高地
现在第一梯队肯定是 OpenAI 和 Anthropic，这两家是第一梯队。下面就是 Google，算第二梯队。
Google 从研究能力来说是第一梯队的，名声来说也是第一梯队的。但是它是一家大公司，上升空间有限，人数又太多。所以最顶尖的那批人在选择公司时，还是会把 Google 排在这两家之后。
再后面就是一大片大公司。Meta 本来应该和 Google 在一条线上，但因为现在负面新闻有点多，大家都有点怕。所以即便它给的包都很好，大家也会犹豫要不要去。
程曼祺
感觉 Meta 这次是花钱做了一次负向传播。
朱哲清
也不至于到这样，至少大家知道它愿意花钱。但是你不知道，接了这个很大的包以后，去了 Meta 到底会面对什么。
现在它表现出来的混乱，可能会让一些人比较怵。
程曼祺
回到刚才说的两个最大的创业公司，它们对人才的吸引力最大，这一点很有意思。
我和脉脉创始人林凡聊过，他们有很多中国整体人才市场的求职数据。在中国 AI 人才的去向上，还是大公司最多，字节是断崖式领先。
在美国却不太一样。
朱哲清
因为中国没有出现像 OpenAI 和 Anthropic 这样的超级创业公司，这和资本市场有关，最后还是资本市场。
你几乎可以认为 OpenAI 和 Anthropic 拥有无限资本。原因在于，如果这两家倒了，整个美国的 AI 投资就倒了。传说中的“大而不倒”、船太大了不能沉，说的就是它们。
所以不能把它们想象成小公司，它们就是大公司。
国内所谓的模型创业公司不存在这样的优势。
程曼祺
所以 OpenAI 和 Anthropic 相当于既有创业公司的优势，同时在资源上又接近大公司。
朱哲清
而且大公司还在想办法和它们合作，这是它们最厉害的一点。因为它们的模型能力超过了别的大公司。
AWS、Azure、Google Cloud 都会主动去卖 Anthropic 的模型，Azure 还会主动卖 OpenAI 的模型。
也就是说，它们不只是模型能力强，其他公司还得被迫帮它们卖东西。
程曼祺
据你在美国生活 10 多年的经验，在这一轮 AI 热潮之前，曾经出现过位置这么有利的创业公司吗？
朱哲清
我觉得之前的 Google 就是这么有利的创业公司，Facebook 也是。
它们的护城河强大到直到今天无人可破。Google 可能有一点点被撼动，但它自己的 AI 能力又把这个护城河补回来了。
Meta、Facebook、Instagram 的社交网络护城河则强大到无法被破。你很难从一个社交网络当中跳出去。一旦形成了一个紧密的社交圈子，这个圈子就很难被打破。
所以它们当年就有这样的优势。
程曼祺
即使现在 Meta 有一些人才动荡，Llama 4 的表现也不太好，但我前段时间和做美股二级市场的人聊，他们认为 Meta 在大公司、已经上市的巨头里位置最好。
因为它本身有大量壁垒和非常强的应用。相较之下，他们认为 Google 有些危险，因为搜索业务和 AI 的发展之间，可能会出现取舍。现在 Chatbot 这种产品形态，确实已经吸走了一部分搜索量，有些人会习惯用 Chatbot 去搜索。
朱哲清
但我要说的一点是，Google 从技术能力上来说是超一流公司。我觉得它的技术积累可能超过 OpenAI 和 Anthropic。
所以这件事情挺有意思，不同人的视角是不一样的。技术背景、AI 从业者更能认可 Google 在研究层面的价值；投资人更多看二级市场指标和业务，可能会更关注业务走向。
综合起来，我可以有一个更全面的视角和判断。
程曼祺
回到刚才的人才吸引力问题，你觉得 Google 在 Anthropic 和 OpenAI 之后，是第二受欢迎的公司。
同样作为一个非常大的组织，Google 可能做对了什么？尤其是在这一轮热潮里，2023 年大家还觉得它好像有点赶不上趟，被 OpenAI 甩开了，但到了今年，Google 的很多 Gemini 表现，包括最近非常火的 Nano Banana，表现都很好，大家觉得它在技术上回来了。
朱哲清
这个其实很好解释。因为它里面的这些项目，我猜测早就已经开始了。
只是因为公司太大，所以动作比别的公司慢。OpenAI 可能已经发布好几轮东西了，Google 还一直卡在某一个节点，没有 launch 出来。
公司大了就是会这样。它可能是同步开始的，但结束时间会比别人晚一些。
但是因为它的技术积累非常深厚，当它开始开花时，不是单点开花。你会发现，它整个 stack，从语言、文字、视频、图像、世界模型，到未来可能的 robotics，全都开花了。
你一下子会觉得，它把市面上的模型都打爆了，就是一种“忽如一夜春风来”的感觉。
你可以这样思考：2022 年年底 ChatGPT 出现，2023 年特别火。那时候 Google 意识到要发力，然后从 2023 年年底到 2025 年年底，这两年时间是一个正常的大型产品发布 life cycle。
它按照一个正常大公司的 life cycle 走了两年，然后把产品都发出来了。可能有 20、30 个组同时开发各自最好的模型和能力，两年以后一起出来。
OpenAI 和 Anthropic 则是盯着一个点打。资源没法分散，所以可以很快地一个模型接一个模型地发布。
Google 是同时打、批量打，每个组都做自己最好的东西，利用自己的技术积累去打出一个结果。中间过程可能因为各种组织问题很慢，但最后出来时，是一批模型全都打爆你们的模型。
这就是技术积累的优势。
程曼祺
如果总结一下 Anthropic 和 OpenAI 各自非常聚焦的方向，你会怎么描述？
朱哲清
Anthropic 还是以文字为主，把整个动作空间限制在文字，去把它做到极致。在这个方向里，最好的应用场景就是 coding。
OpenAI 则是把面向 C 端用户的所有场景做到最好，这就是它要做的事情。
Google 慢慢变成了一个面向开发者的公司。它往后退了一步，把模型做出来以后，并不急着做应用，而是把所有能力放出去，让 C 端和 B 端的 app 自己去做，去探索下一步会发生什么。
为什么这么做？我的猜测是，现在 AI 时代真正的 C 端用户习惯、C 端用户想要什么，以及 B 端客户想要什么，都还不确定。
我宁可直接养蛊。我把技术提供给 2,000 个公司，让它们自己迭代、自己孵化，像自然演变一样。不能进化的公司自然会被淘汰，能进化的公司自然会留下来。
留下来的公司，说得难听一点，作为 Google，我要么把你买下来，要么就做一个和你一模一样的产品把你干掉。
当我看到你的公司已经有雏形、可能会成功时，我要么把你买下来，要么做一个和你一模一样的东西把你干掉。我根本不急着去做 C 端或 B 端应用，因为我已经是那么大体量的公司了。
程曼祺
这是你作为外部视角的观察，还是他们自己也有这样的认知？
朱哲清
这是我的外部观察。但他们确实有一个明确认知，就是要做开发者环境和开发者生态。
程曼祺
所以你刚才说的最后结果，是你的观察，对吧？
朱哲清
对。
程曼祺
我觉得 Sam Altman 应该想得很清楚。他今年早些时候接受访谈时说过，在 10 亿 DAU 和 AGI 之间，如果让他选，他会选 10 亿 DAU。这其实是在排优先级，他认为 10 亿 DAU 更重要。
朱哲清
如果让我选，我也肯定选 10 亿 DAU。当我有 10 亿 DAU 的时候，AGI 一定会发生。
程曼祺
所以 10 亿 DAU 包含了 AGI。
朱哲清
因为有 10 亿 DAU，就意味着这个世界上几乎所有职业、所有要解决的问题，对应的人都是你的用户。
如果能把这些人要解决的所有问题都用 AI 解决了，那就是 AGI。
程曼祺
Google 确实像你刚才说的那样，因为公司大、动作慢，带来了一个客观结果：它没有占住 Chatbot 这个目前唯一称得上超级 App 的 AI 产品形态。
到目前为止，OpenAI 在这个领域已经是龙头，而且增长非常快。它今年年初大概有 3 亿周活，现在应该有 7、8 亿了。
朱哲清
Gemini 的增速也非常惊人。如果我没记错，它的增速也已经非常快，可能有 3 亿甚至 4 亿用户。
程曼祺
但 Google 没有披露活跃用户数，对吧？它披露的是增速。大概今年 4 月的时候，周活增速是 42% 左右，非常快。
朱哲清
这么大体量的公司，大多数用户进入 Chrome 后，第一件事情还是搜索 Google，不会去打开 ChatGPT.com 使用 ChatGPT。
程曼祺
所以你觉得，在 Chatbot 这个形态上，OpenAI 也没有到高枕无忧的状态，接下来仍然有很大的悬念。
朱哲清
我现在非常想了解一个数据，但目前没有，就是手机端用户的活跃度。
电脑端有浏览器的存在，Google 有一个无法被打败的天然壁垒。Chrome 现在已经判定不用卖了，所以 Google 又涨了一波，我也非常看好它。
但在手机端，虽然 Chrome 的占有率还是很高，但有 app 和操作系统的存在，用户有可能会点击其他 app 来完成这件事情。
我想了解 ChatGPT 的移动端 app 活跃度相比电脑端有多高。因为现在的 Chatbot 还是以效率工具为核心的用户场景，手机端更多还是以娱乐、沟通为主，也就是 communication、social media，还有生活服务。
如果永远以电脑端为主，它就很难和 Google 做长期竞争。它肯定会有一席之地，但 Google 很有可能追上，最后变成并驾齐驱。
而如果手机端能打下来，就不一样了。一旦黏性上来，Google 就没法跟它打。那个 app 是别人的 go-to place，用户打开手机第一件事就是打开 ChatGPT，那 Google 一点办法都没有。
程曼祺
我们刚才从 Meta 的变化和人才竞争，聊到了硅谷 AI 业务上的很多变化，包括这些公司之间的进展和近况。
接下来还想回到团队和组织。你自己现在在创业，怎么看 AI 所需要的一种新组织？
过去 10 年、20 年成立的公司，已经形成了一些架构、结构和文化，也许没有那么适应现在 AI 的开发和落地流程。如果我们作为创业公司从零开始，应该打造一个什么样的组织，才是比较理想的？
朱哲清
9. AI 原生组织重写管理
首先，不要重复工作，能给 AI 就给 AI。这是第一个要素。
我们从建立公司第一天开始，每次有一个新的职位、觉得需要招人时，第一件事情就是问：未来 2、3 个月之内，这件事有没有可能被 AI 直接取代？如果可以，就不要招人。人越少越好。
程曼祺
我想补充问一下，上次我们聊的时候，你们不是 4 个人吗？后来我们写稿件时，好像已经到 7 个人或者更多了。你们现在多少人？
朱哲清
现在全职员工是 8 个人，还有几个小的职位在找，但基本上已经差不多了。
程曼祺
那你们一个人等于多少估值？
朱哲清
这个我就不好说了。
程曼祺
这个数字还挺吓人的。
朱哲清
第二点是，组织要中心化，不要创建金字塔。
AI 对整个策略规划的能力，甚至对人的规划能力，在人足够少的情况下，不需要通过层级来抽象。
现代组织架构的核心目标，是告诉这个部门干什么、下一个部门干什么，每个团队有自己的任务，然后组织领导再往下派活。
它为什么会创造出一个不够高效的组织架构？因为你在统筹规划时，并不知道底下那个部门的能力是否足以完成任务。你不了解组织里每个人的能力，所以需要和组织领导沟通。但如果那个组织领导下面有 30 个人，他也搞不清楚。
如果一个组织只有 1、2 个人，而整个公司只有 10 个组织、20 个人，作为领导层，就不应该创建“部门—小组”的金字塔结构。
应该是一个网状结构：以你或者几个创始人为核心，给所有人派发工作时，了解每个人的能力，根据他们的能力，派发下一步最重要的 priority，然后横跨整个公司进行优先级规划。
这个规划过程需要 AI 帮助。当公司增长到 20 多个人时，你其实搞不清楚每个人的优势在哪里，也不知道他每天是否还有足够精力去干别的活。
如果有 AI 帮忙，就可以面面俱到地了解一个 30 人的公司：每个人每天在做什么，有多少精力，明天有什么事情，家里是不是出了什么事。如果他家里出了什么事，该把工作派给谁。
这些东西全都能做到，因为你有一个巨型的 retrieval 系统。你需要给几个人派活时，可以直接问 AI：“我的组织接下来要做这个事情，这 30 个人里面应该派给谁？他们现在在做什么？”
AI 可以根据那几个人的当前情况，帮你派发工作，甚至可以不存在传统的层级。
程曼祺
我觉得这个在创业公司可能可行，但如果推广到更大的组织，员工会受不了吧？他们会觉得公司是不是掌握了我太多细节。
朱哲清
我刚刚说的是创业公司。巨型公司很难 walk back，也不可能裁掉很多人，裁掉很多人就会产生动荡。
程曼祺
即使有 AI 协助，这个网状结构能容纳的规模也是非常有限的吧？
朱哲清
我觉得不会。我猜几百号人应该是可以的。
程曼祺
这个猜测的依据是什么？
朱哲清
有公司做过实验，我只能说到这里。
程曼祺
我在想，如果这种方式可行，它本身也可以变成一个 AI 产品或服务。
朱哲清
Why not？但是这很麻烦，因为你要了解到每个人的细节，只有公司内部的人才能知道。
然后，CEO 能不能把 AI 的能力做好？每个人能不能跟着 AI 的规划去做事情？做完以后能不能反馈给 AI？这里面有各种各样的问题。
第二点就是，不要金字塔结构，而是 AI 协助的网络结构。
还有一点，我觉得对强技术团队很重要：想办法不要把任务拆得太细。
原因在于，很多任务一旦拆得太细，时间线就会变得很短。比如我要增加一个 feature，可能只是 2 个小时的事情，给 AI 写一个 prompt 就结束了。
所以任务应该变得相对抽象一些，主动发挥一个人的架构能力。这个人不再是为了写代码而写代码，而是希望他能够架构一个 feature 或功能对应的整体步骤：一、二、三、四、五，然后再交给 AI 去做。
你要把整个任务派发的 granularity，也就是细节程度，变得更抽象，而不是像过去做看板或 sprint 时，把每个小功能、每次代码修改都写成一个任务。
在现在 AI 主导的工程师团队里，这样做不太 work，因为来回的频次太高了。可能 2 个小时就干完了，难道再做一个 stand-up 吗？不可能。
程曼祺
如果业务涉及预训练，这种技术型 AI 公司，和更侧重应用的公司，在组织形态上可能会有什么区别？
朱哲清
我没有在大公司里做过预训练工作，所以不能直接 comment 具体架构怎么搭。
预训练里有一个很大的模块是数据。数据团队我从来没有带过，所以不太好 comment 这种架构应该怎么设计，因为人数非常多。
如果把标注团队直接变成 contractor，再变成 in-house，可能就需要几百号人的标注团队，还要有数据处理团队，以及负责 infra、storage 的人。
这些人要把数据放到训练 cluster 上，throughput 也很重要，所有这些事情都得做。它所需要的工程量级，其实比现在做 fine-tuning 和应用的工程量级高很多。
程曼祺
你说到这里，我想起 Meta 最近的风波里有一个非常具体的矛盾。其他研究人员在吐槽，Scale AI 的数据质量不高。
其实现在数据到了非常专业的领域时，都已经不太够了。比如化学奥林匹克竞赛、物理奥林匹克竞赛，或者要解决一个数学证明题、写一段非常复杂的代码。
人可能都不知道怎么写，你要找到一个能写这个东西的人，一个 PhD 可能都不够，因为那个 PhD 还得查资料，才知道怎么做。所以真的很难拿到这种数据，也不能怪 Scale AI，说实话这是很难的一件事。
刚才说了很多创业公司做技术型 AI 的新特点。那有没有什么不变的东西？作为创业公司和组织，可能更重要的是什么？
朱哲清
我觉得最重要的一点是人与人之间的信任。
很多东西都被 AI 抽象化了。比如一个人一天的交付量，可能变成原来的 3 到 5 倍。正常的 Leader 或 CEO，整个 C-suite，根本来不及看每个人到底交付了什么。
所以互相之间的信任，是否存在 bonding，团队之间的紧密度，以及大家对目标是否一致，变得更加重要。
你没有时间，也没有办法跟上 AI 做出来的所有东西。假设你有 20 个下属，原来他们能做的事情，你大概每天能看一眼，或者每周至少能看一眼。
现在这 20 个下属，每个人都变成了 ten-x engineer，变成 200 个人的输出，一个正常的领导根本来不及看。
这个时候怎么仍然管好团队的输出，非常重要。一个核心点就是，你和他们之间是否有足够的信任。什么东西可以不用查，什么东西必须查，这是一个问题。
第二个点是团队内部能力的互补性。在这种架构下，如果两个人的能力完全一致，或者互相之间能力覆盖，就很容易撞。
因为一个小 feature、一个功能做起来都很快，两个人都会想做类似的事情。即使大家目标一致，也可能浪费一个人的时间。
你一开始给的是非常抽象的任务，把它 break down、架构化以后，发现有些任务是共通的，两个人可能做了一样的活。所以要尽可能避免这种情况。
整个组织里面，所有人都要尽量变得完全互补，不要有完全覆盖的能力。每个人的工作重心要有所区分。
程曼祺
以你们现在自己的实践为例，Pokee AI 这 8 个全职员工之间是怎么协作、怎么运转的？
朱哲清
我们每天会有一个简单的 stand-up，但不会开很长。每天过一下我们自己的优先级任务，先排一下优先级有没有变化，因为每天都可能发生新的事情。
确定优先级以后，看每个任务对应的人，进展如何；然后互相之间协作，看你的进展对我的任务有没有影响。如果没有影响就过，有影响就调整一下。
接下来每个人再把明天要做的事情过一遍，写一个抽象化的任务，就结束了。我们每天的安排可能半个小时就结束，没有别的会议。
程曼祺
听起来和小团队过去做产品、技术开发时的整体流程还是相似的。
朱哲清
逻辑是相似的，主要是其中有很多东西被放大了。
原来一条可能只是十几行代码的简单功能，现在变成一个完整功能，而且一天之内就能完成。相当于把原来 5 到 10 天的工作量，在一天之内往外叠。
程曼祺
现在工程师密度很高的团队，输出可能就是乘 5 倍、乘 10 倍往上翻，同时也会带来工作和组织上的新变化。
朱哲清
对。现在有很多东西需要 AI 帮忙。
有时候我去看他们做的一些 updates，会直接让 Poke 去拉最新的 GitHub comments，让它帮我总结到底做了什么。做完以后，我会大概总结发生了什么，哪些地方可能有问题，互相之间哪里需要调整。
比如有时候需要处理一些文件，或者我们要写 roadmap，再把 roadmap map 到每个人要做什么，也会让 AI 去做，而不是让人去做。
程曼祺
在现在的运转中，有什么地方是你不满意的？或者说，关于 AI 公司的组织问题，有什么是你还没有想得特别清楚、还在思考的？
朱哲清
有一天你会发现，人真的越来越多了。你不可能永远是 10、20 人以下的团队。
我现在还不确定的是，当每个人的辐射范围都那么大时，怎么进行组织划分。做运营和做设计的人，可能确实八竿子打不着，分成单独的部门无所谓。
但所有技术领域互相之间的牵扯度太高了，你怎么把它划分出来？这是我还没有想清楚的事情。
我觉得这挺麻烦，因为每个人的辐射范围太广，什么都能做。每个人还要做很多原来不会做的事情。
只要有 AI coding 工具和我们自己的工具帮忙，原来不会派给他的活，也可能会派给他。只要这件事情所需要的上下文不是很长，就可以让 AI 帮他完成，他只要检查就好了。
在辐射范围这么广的情况下，如果要创建组织，一定会有互相踩踏。这是我还在思考的事情。
程曼祺
你觉得互相踩踏一定会带来坏事吗？或者说，一定程度的重合、overlap，其实是不是可以接受？
朱哲清
我不太喜欢这个做法。有一个原因是，我见过赛马型组织最后死得非常惨的情况。
程曼祺
什么叫“死得非常惨”？你是指大家最后都很难看，还是指什么？
朱哲清
不是，是公司层面反而被反噬。我见过好几个 case。
所以在某些组织、某些组织文化下，赛马可能有效果，但在我的理念下，它不是一个很理想的状态。
程曼祺
Meta 是不是之前 overlap 比较多的组织？
朱哲清
可以这么说。
程曼祺
Meta 已经成立这么久了，你觉得它还有可能发生变化、得到改善吗？
朱哲清
不知道。因为扎克伯格拥有一股接近绝对的实权，只要他拍板说要变化，就会变化。他不需要经过董事会。
程曼祺
但他想改变，和最后执行出来的效果之间，肯定还是有他不能控制的部分，对吧？
朱哲清
我觉得他只要想，就能做出来。关键是看他能不能想明白。
程曼祺
所以现在的混乱，可能也是他正在摸索这些问题的过程中，投射出来的一部分结果。
朱哲清
对。当一个创始人拥有完全控制权时，底下想变成什么样，就可以变成什么样，只是看他能不能想明白。
而且不只是一步操作，而是 10 步以后的操作。
举个例子，我招进来 Scale AI 的 Alexandr Wang，又招进来 10 个顶尖科学家。下棋第一步，你可以看出这是一个向外开疆拓土的大好机会，但你能不能想到后面会后院起火？
这就是能不能看到后面两步、三步、四步的问题。
程曼祺
这对人的要求确实太高了。
朱哲清
但这就是顶尖职业经理人要做的事情。创始人做职业经理人，和职业经理人做职业经理人，有本质区别。
职业经理人的能力，是在一个典型的职场环境、或者大公司环境里，预测两到三步的人事变动和组织架构变动，通过完成最优的市场和组织架构调整来管理公司。
这是他们吃饭的家伙。他们吃饭的家伙不是开疆拓土、做出新的功能和 feature，那不是职业经理人做的事。
程曼祺
所以 founder 做职业经理人，和职业经理人做职业经理人之间，存在 trade-off。
很难想象 Google 或 Microsoft 莫名其妙冒出一个 Reality Labs，再冒出一个 5,000 人的 AI 组织。这种事情只有扎克伯格能做出来。
在 Meta 里面，既然扎克伯格自己是 founder，有没有人能充当这种职业经理人的角色？至少把后面三四步、四五步想清楚？
朱哲清
之前 Sheryl Sandberg 不就是这个角色吗？
Sheryl 是职业经理人出身，之前在 Google 做职业经理人。她过来就是为了充当这个角色。但后来她走了，后面就再也没有人管这件事。
程曼祺
所以现在是一个非常强势、控制权也很强的创始人扎克伯格，他想带来很多变化，公司正处在变化过程中，表现出了一些混乱。
而且公司内部没有一个职业经理人。它现在的整个领导层，包括 CPO、CTO、COO，都是扎克伯格的早期成员，属于 founding team，而且是没有离开的 founding team。
我觉得他们无论在精神上还是行动上，可能都非常跟随扎克伯格。新招进 Superintelligence Labs 的人，也多是投资人或者以创始人为主要管理模式的人物画像。
所以没有一个在大厂里干了几十年的职业经理人跑出来告诉他：“你做这个事情带来的风险是一、二、三、四，你还要顾及五。这个人可能要慢一点招，先看看招进来以后是什么情况，再走下一步。”
我猜没有人跟他说这些话。
为什么他现在不找这样的人？之前有过这样的角色，他肯定体验过这种角色是什么状态。现在没有这样的人补充进来，是因为他不想找，还是找不到？
朱哲清
这我就不知道了。我觉得想找肯定找得到，不可能找不到，谁不愿意做 Meta 的这个位置？
但他是不是有策略上的需求，或者其他原因，我不知道。
程曼祺
也有可能是他有自己的偏好，这就无法猜测了。
最后可以做一个小小的推演。你觉得再往下，硅谷现在这种非常激烈的人才竞争会怎么演化？
朱哲清
10. AI 人才市场重新洗牌
我个人觉得，现在资本市场和人才市场都处于极度火热的状态。我怀疑明年会动荡一些，会稍微冷却一点。
明年下半年我猜会出现变化。因为马上到年底了，很多 VC 和资本都会对今年 AI 市场的变化、各条投资线和各个公司的表现做评估。
如果今年年底和明年年初，也就是 Q1，评估结果在第一季度财报之后出来，大概是 3 月左右。如果评估发现实际情况还没有达到大家的预期，资本市场可能会稍微冷却。
如果资本市场冷却，人才市场势必冷却，人才市场会跟着资本市场走。
只要资本市场觉得 AI 达到了预期、需要加大投入，人才就会变得更贵。如果资本市场觉得没有达到预期、可能是在吹泡泡，那么人才的价格就会下降。
程曼祺
为什么你认为明年一季度总结的时候，资本市场可能会认为没有达到预期？
朱哲清
不是一定达不到预期，而是现在大家把预期拉得很高。在预期特别高的情况下，达不到的概率就会高一些。
程曼祺
资本市场用什么指标来衡量这个预期？是投资回报率，还是其他指标？
朱哲清
营收。大多数 AI 产品能不能带来营收。
程曼祺
这里有一个相对模糊的地方。现在很多特别大的巨头，AI 给它们带来的增益是在广告上。
互联网和移动互联网的最大收入来源本来就是广告，但广告收入里面到底有多少算是大模型带来的增益？大多数都不是大模型，和大模型没有太大关系，都是以前的模型。
朱哲清
要看新的 AI 应用，不看原来已经存在的广告业务。那些 AI 赋能的东西不算 AI 应用，应该看以 AI 为核心的产品，它的落地以及营收潜力有多大。
程曼祺
你这里说的“以 AI 为核心”，指的是大模型和生成式 AI。
我觉得这也是技术圈和资本市场会出现错位的地方。Meta 之前几次财报里提到，广告因为加入 AI 有比较大的提升。二级市场还是很买账的，直接反映在股价上。
他们好像没有特别区分：到底用的是大语言模型，还是推荐算法系统里本来已经使用了很久的技术。
朱哲清
这就是我个人认为最可怕的一点。资本市场和实际发生的事情之间有巨大的脱节，我觉得这很可怕。
程曼祺
你对中国市场的了解确实没有那么多。但你有没有一些在中国做 AI 技术的朋友？你觉得硅谷这种非常激烈的人才竞争，可能对国内公司、国内做 AI 研究和工程的人产生什么影响？
朱哲清
国内也会不惜代价尝试挖人。国内真正核心的那一撮人比例更少，所以会更激烈地挖人。
这肯定逃不掉，国内一定会继续挖，想尽一切办法去挖。吸引力可能不够，但肯定会尽一切可能挖人。
程曼祺
我还有最后一个问题。更长远来说，你觉得现在这种对 AI 顶尖人才的竞争，会怎么改变接下来一段时间的技术教育，以及这些研究者的职业生涯？
教育是有周期的。现在可能有很多人跑去做这个方向，但之后需求也许会回落。
朱哲清
我甚至非常担忧这件事情。因为我们公司在全世界最好的教育机构里都有人，所以我经常去和那里的 PhD、教授交流。
我发现，教授的普遍感知是，PhD 学生上来第一件事情就问：“我能不能做 LLM？”他们不管教授给他的方向是什么，第一反应就是：“我需要做 LLM，或者我要做 diffusion model，任何现在最火的 topic，我一定要牵扯上。”
他们不能接受自己去做最底层算法上的更新，或者尝试理解某个领域，从零开始建立一套完整的思考体系。
很多学生都不这么做。他们上来就有一个简单诉求，甚至读了一段时间 PhD 就辍学创业。
这是一个非常浮躁的市场，现在所有人都很浮躁。
我之前有个同学说，在斯坦福 CS 336，也就是 Language Modeling from Scratch 课程上，Percy Liang 第一节课说：“这是我们今天的课程大纲。”
然后有一个人举手问：“我学完这门课，是不是就能带一个团队，做出 state-of-the-art 的 LLM，做出最大的模型？”
Percy Liang 都笑了。你上一门课，就指望自己能干掉 OpenAI 吗？怎么想的？
你可以想象，现在市场上有多浮躁。
程曼祺
这是给本科生上的大课吗？
朱哲清
是研究生的课，本科生也可以上，是一门大课，什么人都有。
那个人问出这样的问题，我觉得太离谱了。斯坦福的学生确实比较自信，但也没有到这种程度。现在已经到这种程度了，可想而知整个市场是什么样的环境。
程曼祺
所以，可能这一波人真正进入更长期的职业生涯时，会出现非常多的同质化。
朱哲清
非常同质化。
特别是 critical thinking 的能力可能没有打牢。博士生最重要的培养目标，就是独立思考和 critical thinking 的能力。
如果这个能力没有打牢，他就会走在一条很窄的路上，会很难受。
程曼祺
刚才我们也聊到，这个形成原因是综合的。一方面是业界现在的吸引力太大，钱和资源都在业界；另一方面，美国内部政局的一些动荡也造成了影响。比如特朗普对很多高校不满，也不愿意拨那么多经费。
朱哲清
所以从某种意义来说，我确实觉得现在这些举措不太有利于长期科技发展。
程曼祺
但这件事情也有可能调整。特朗普不可能一直当总统，应该不会一直这样下去。
朱哲清
我觉得应该会调整，不至于一直这样。而且他是商人思维，只要看到有问题，就会调整，而且调整得很快。他是所有总统里面调整最快的一个总统。
程曼祺
今天非常感谢 Bill 做客《晚点聊》。
我们从硅谷的 AI 人才大战和 Meta 近期的动荡开始，聊到了硅谷最核心的 AI 公司和最核心的 AI 人才：他们在想什么、看重什么，以及 AI 人才争夺背后的趋势和走向。
我们也讨论了，在现在这个新的技术浪潮里，如果从零打造一家创业公司，什么样的组织形态可能更好地利用现在的技术，做出好的东西。
本期节目就到这里。
本期的亮点呈现，分享几个和之前节目呼应的内容。
第一，今年 5 月的第 116 期节目中，我们访谈了 Meta GenAI 的研究总监田渊栋。那次我们主要聊了田渊栋的副业——写科幻小说，同时也讨论了小说本身的主题之一：研发人员、研发团队 Leader 的策略、工作方法和生活。
田渊栋分享了自己的转变：从战略设定，更多回归 hands-on。他感到 AI 热潮之后，借助 AI，现在的研发团队其实可以更小、更精悍，同时有更多产出。这和本期 Bill 提到的，做一个 SOTA 模型其实不需要太多核心人员，有相似之处。
我也想到第 114 期节目。那一期我们和蜜塔创始人明可瑞谈到了当时刚发布的 Meta 开源大模型 Llama 4。他当时提到，Llama 4 的失利再一次证明了：“二流团队加一流资源，干不过一流团队加二流资源。”
我当时对“团队”的第一反应是：人有多聪明，人才密度有多高。
而在密集撒钱、招人组战队之后，Meta 可以说在短期内提升了人才密度，但接踵而至的是动荡，是核心团队纷纷出走。
这提醒我，团队不仅是指构成上每个人有多厉害。其实 Meta 本身就有不低的人才密度，团队也是一种流程、一种氛围、一种协作和组织的方式。
调整中的 Meta，还在寻找一种既适应自身历史与特点，又能实现扎克伯格 AI 野心的组织方式。我们现在看到的是混乱。
最后一点，是关于顶尖 AI 人才的选择动机。
在上一期和脉脉 CEO 林凡的节目中，我们讨论到，当待遇超过一定界限，更多的钱对很多研究人员来说已经只是数字，不能提供更多吸引力。他们更在意和谁共事、工作氛围，以及能不能实现自己的技术想法。
这是一个好消息。这说明没有任何公司或组织能够仅靠资源垄断人才，因为最顶尖的人才总是有多样化的想法。
关于顶尖 AI 人才想要什么，Bill 有一个非常简单的回答：成为促使 AGI 出现的核心一份子。