52. 智力的价格：AI 研究员凭什么比 NBA 球星贵？- 高岱恒｜Dinq

如果你第一次听《台前之火》，其实很多时候可能不知道我之前是做什么的，不了解我过去的经历、职业、毕业的学校，也不了解我现在在做什么。但如果你听到这个节目，很大概率是因为你看过我过去几期关于 AI 的讨论。

我认为在这个时代，很多时候每个人都是由自己的作品来定义的。我过去几期关于 AI 的播客或者视频播客，很大程度上已经成为定义我现在是谁的重要标准。我们这个时代很特别，很多人的成功和前进，并不取决于他过去毕业于什么学校，或者是不是从大厂出来的，很多时候看的是他最新的作品是什么。

我觉得这是一个属于我们的小小的文艺复兴时代。今天我特地找了一位我的好朋友，也是一位有望成为这个新文艺复兴时代传记作者的朋友——Sam，也就是 Dink 的创始人，来我们的节目聊一聊，这个新的文艺复兴时代是如何展开的。

Hello，大家好，我是 Sam 高岱恒。简单介绍一下，我原来在阿里达摩院和同一实验室做算法，后来开始研究与人相关的事情，主要是和大家分享一些重要作品背后的关键人物，比如 ChatGPT、RAG 等等。

Sam，你这个简历如果单独展开，完全可以讲一整集。我们先给观众做一个铺垫，让大家了解一下你是怎样一个人。接下来我们聊聊你看到的市场机会，最后再聊一下 Dink，也就是你的创业项目。

你其实是一个双非土木工程专业的毕业生，后来怎么成了达摩院的人？这件事特别有意思。

1. 土木工程转向 AI

其实我是在读研究生的第一年，大概在 2015 年底、2016 年初。当时我感觉房地产价格以及整个市场已经非常浮躁了，也得到了一些信息，觉得这个市场未来几年可能会出现一些问题。

但是我已经上了一艘船，所以就在想，我应该怎么处理这件事情。那个时候我已经开始读土木工程研究生了。我就在想，有哪些事情是我可能比较擅长的？如果让我自己归因，我觉得自己相对比较擅长做创造性工作。

恰好在那个时候，2016、2017 年，AI 经历了一波爆发，也是上一代 AI 四小龙出现的时候。

对，那个时候其实 2015 年已经有很多信号了。

所以我那时候就在网上学习吴恩达的课程，算是完成了启蒙。在这个过程中，我也不确定后面到底会怎么样，只能一步一步去实践。

当时的核心问题是，我没有资源。那时候显卡对很多人来说也是相对稀缺的东西。

那时候是贵，但是可以买到，主要是游戏显卡，比如 GTX 1080、RTX 2080 这样的显卡。

对。但那个时候，大家用显卡做应用、做研究，还不是很普遍。而且我当时完全没有相关背景，所以我选择了一条比较 tricky 的路。

我的做法是 building in public，也就是在公开的地方贡献自己的内容。比如我会写博客，当时是在 CSDN 上写博客。第二件事，是给开源项目提 PR。

那个时候我其实也不懂，比如给深度学习框架 PyTorch、TensorFlow 提交的最初几个 PR，基本都是改 typo，因为我完全不理解它到底在做什么。

对，对。

但是一旦你这么做了，项目负责人合并了你的代码，对你来说就会产生很大的成就感。因为你作为一个土木工程专业的学生，写的代码，或者贡献的 PR，能够在很多人的电脑里运行，这种成就感在那个时候是很稀缺的。

然后它就会激励你不断去下钻更难、更有挑战的东西，你不会再满足于改一改 typo。这样就形成了一个正循环。

后来我进入 Meta、英伟达、达摩院，包括拿到自己的 offer，其实完全都是因为作品。

对。

所以那时候我就觉得，只要有公开的作品，首先，这个东西很难伪造。其次，它相当于提供了一个公开渠道，证明了你某一方面的能力，对于判断的人来说，也节省了很多精力。第三，它还能呈现出你是一个特别主动的人。

我那时候已经发现这种方式很有效了，但在做的过程中，其实并不知道这会成为一种出路，都是被动探索出来的。

我想问一下，当时你会受到很多非议吗？比如今天如果有人做自媒体、building in public，也会受到一些非议，同学、老师或者周围的朋友可能都会有意见。

十几年前，在 CSDN 上写博客，给开源框架改 typo，这些事情当时会受到非议或者被打击吗？

我觉得没有。因为在那个时间点，大部分人都不知道这是什么东西。大部分人的认知是，我要拿一个学位，跟一个好的老师，然后获得进入所谓 AI 实验室的机会。

那个时候大家会说商汤、旷视，包括国外的 OpenAI、DeepMind。大家的思路基本是这样的，相当于我走的路，和那个年代主流的人走的路是特别一致的。

对，对。这其实特别有启发，也很有意思。传统思维，尤其是传统教育，往往会告诉你：大学要学什么专业，将来要做什么工作。

但今天社会变化如此之快，没有任何一个专业能够确保你毕业之后仍然有用。我觉得你提供的是一种更好的方法论，对我非常有启发。这个我们后面还可以展开，我也想说说我的一些看法。

你是先进入达摩院的，什么时候离开达摩院？

我是在 2024 年 4 月离开的。

所以你是在 GPT 之后离开达摩院的？

是的。

这个契机是什么？

2. 扩散模型改变去留

2023 年的时候，我们在做一个项目。除了 GPT 以外，2022 年在图像和视频领域也出现了一项颠覆性的技术，就是 Stable Diffusion。

实际上，它是 OpenAI 在 2021 年做的一系列图像生成工作的开源版本，包括 GLIDE、DALL·E 等模型。只是它们当时是闭源的，后来有一帮来自 Black Forest Labs 的德国年轻人，第一次把类似的东西开源了。

我们在 2023 年做的事情，就是使用类似的技术进行一些商业化探索。一个方向是让人物跳舞、做动作，第二个方向是虚拟试衣。

当时大家觉得，我有一个模特，只给他一张平铺图。如果请模特拍照，再去换衣服，成本特别高，还要协调很多资源。但如果我有一张平铺图，直接让模特穿上，效率就会很高。

我们一开始的思维方式还是非常算法化的。因为这种技术在我看来有点像 AI 时代的微积分。它叫扩散模型，过去的 AI 模型更像一个函数：输入一个信号，比如说 a，通过函数 f 得到 b，是一个确定性的映射过程。

扩散模型的特点，是回到初中或者高中那种状态。比如求二维曲面下面积，或者求曲线下面积，要沿着 x 轴把它切成一块一块的 Δx。扩散模型也有类似的概念，它有时间步，每一步得到一个结果，不断优化最终的数值。

在我看来，这 somehow 是一种更高级的解题思路。当时我觉得图像、视频比语言更高维，因为图像是二维，视频甚至是三维，而语言是一维。按照我朴素的认知，高维的东西一定能够打低维。

但至少到今天，这件事还没有被论证。最近几个月，基于扩散模型的大语言模型有了一些进展，也取得了一些成果，但距离完整替代现在基于自回归的大语言模型路线，还有一定距离。

整体来讲，我当时的认知就是这样。我们和同事一起做这方面的工作，所有精力大部分都放在研究怎样调整算法。比如沿着时间步，类比积分的过程，使用什么方式会更好。这里面会涉及常微分方程、随机偏微分方程等概念。

我们在这些事情上花了很多时间，却发现好像对结果没有太大帮助。后来我们发现，第一，要使用质量最好的数据。我们当时请外包团队采集了很多数据，这些数据质量很高，背景很朴素，是模特穿衣服的照片，标注更好、更干净，分辨率也很高。

你会发现，这样就够了。

另外，那个时候微软已经有了一个编程代理，叫 Copilot。日常工作里，除了讨论，大量时间都花在写非常简单的脚本上。那时候一个脚本通常也要花一两个小时，所以每天有大量时间在做这种事情。

但使用 Copilot 之后，你会发现这些事情它已经做得比我好。

再加上最好的数据，就能得到很好的效果。我们当时把那个项目发布到 GitHub，应该很快就有了五六千个 star。在 Hugging Face 的 Spaces 里，当时排名前十，likes 也超过了两千，是一个非常流行的项目。

你能得到的启示是：如果今天这个东西只需要提供数据，算法本身和 agent 都可以做，那我就觉得自己待在这里的时间是在贬值。

我在达摩院已经待了快 4 年，觉得差不多了。可能与其继续待在这里，不如换一种方式发挥自己的专长。

是的。我觉得很有意思。我第一次看到你的介绍，是一篇文章，我会把它放到 show notes 里给大家看。那篇文章讲的是你去 OpenAI 堵门的事情。

我甚至怀疑那篇文章到底有多少部分是虚构的，因为听起来特别神奇。你简单讲一下，当时为什么会去 OpenAI 堵门？

3. 寻找 AI 时代英雄

当时是 2025 年年初。我从 2019、2020 年开始，就会写一些 AI 时代关键技术背后的作者。

比如 StyleGAN，它是第一个让 AI 生成的图像达到肉眼几乎无法分辨真假的效果的技术。到了 2025 年，我觉得 OpenAI 和 Anthropic 里有很多人做出了非常厉害的成果。

比如 Jason Wei 做的思维链。思维链本质上是让模型拥有推理能力，或者说挖掘出模型内生推理能力的一套技术。

我觉得这样的人距离大众很遥远，所以我当时想，能不能多采访、接触这些人，和大家分享他们对世界的影响。

这个启发来自 Diederik Kingma。他当时在 Anthropic 工作，原来是 OpenAI 的技术联合创始人之一。他在 2015 年到 2020 年期间有一篇论文，是整个科研圈引用量最高的论文，叫 Adam Optimizer。

深度学习里有一个优化器的概念：根据数据样本去优化模型权重，需要有一个机制，这个东西就叫优化器。他是这个优化器论文的第一作者，当时是在阿姆斯特丹大学和 Mark Welling 教授一起做的。那篇论文还有一位作者叫 Jimmy Ba，他也是 xAI 的原联合创始人之一，最近刚刚离职。

这个名字我好像听过。

对。我对这些事情特别感兴趣，也很想去采访、了解他们。

当时 OpenAI 刚租下 Uber 的大楼，也就是 Chase Center、摩根大通那栋楼，反正就在勇士队主场旁边。2022 年年底和 2023 年，埃隆·马斯克收购 Twitter 的时候，我印了一些海报，把这些人类比成文艺复兴时期的米开朗基罗、拉斐尔。

但当时大家还不了解他们。我希望来到这里，让更多亚洲人了解：今天带领我们进入这个阶段的 AI，到底是什么样的人做出来的？

从 2022 年 ChatGPT 出现之后，所有聚光灯都打给了 Sam Altman、Ilya，以及台前的首席科学家。但我很清楚，这些工作到底是谁做的，探索到底是谁完成的。

真的是那些有最耀眼背景的人做出来的吗？我发现大概率不是。大部分成果其实并不是他们做出来的。

我觉得，第一，社会没有给这些人足够多的重视，当然也有可能他们并不需要。第二，他们的成长故事以及推动 AI 发展的过程，会激励、启发很多人。

大家会知道，进入 OpenAI 并不一定要是 MIT、斯坦福的毕业生。我们每天使用的 Skills，就是 Anthropic 一位来自俄亥俄州立大学的叫 Case 的人做的。

如果所有东西都只能由 MIT、斯坦福、伯克利的人做出来，那这个世界也没有意义了。

对，就像一个人做出什么事情，和他之前的学历未必有关系。

我觉得完全是这样。假设我们回到文艺复兴时代，当时生活的人肯定会觉得美第奇家族是那个时代最厉害的存在。他们有钱，可以到处盖教堂。可能没有人知道达·芬奇是谁，也没有人知道米开朗基罗是谁，这些都不重要。

因为他们只是 workshop 里的普通画匠，随时可以接活，和工头、装修师傅没有太大区别。

但 500 年之后，大家可能已经不知道美第奇家族了，米开朗基罗、达·芬奇却仍然存在，大卫像也仍然存在。作品更能够传世，也更能够穿透时间。

这些中间的诠释，包括今天谁是 CEO，其实都没有那么重要。

是的。

4. 智力进入超级垄断时代

客观来讲，我认为今天已经进入了一个智力即将垄断的超级垄断时代。在这种情况下，最智能的 token，它的价值可能比钱还高。

你今天看到 OpenAI 说，我再也不给你 20 倍的 Plus 了，因为我的算力不够。我们也能看到 Anthropic 用 1 吉瓦的算力做出了 650 亿美元的收入，而且还是在封禁很多非法使用账号的情况下。如果它完全放开使用，应该可以赚得更多。

我觉得这个趋势不太可能被阻挡。他们可能就是新时代的英雄人物，或者说值得大家了解和学习的人。

这也是为什么越来越多机构、组织在学习欧林工程学院。

欧林工程学院是什么机构？

这是 2003 年才成立的一所本科院校，到今天也只有 23 年历史。它每届本科生也就几百人，全称是富兰克林·W·欧林工程学院，位于波士顿近郊的 Needham。

为什么这个地方很神奇？我可以很确定地告诉很多不知道的人，因为今天的 GPT 之父 Alec Radford 就毕业于这所学校。他的同学 Luke Metz 最近刚刚从 OpenAI 离职去了 Meta。

因为这哥们儿比较缺钱，可能他不像 Alec 那样已经财富自由，可以做独立研究。很多事情其实都有轨迹和痕迹。

在追溯 Alec Radford 的故事时，我会发现他经历过很多被轻视、被蔑视、完全看不到希望的时刻，甚至心灰意冷，想离开 OpenAI，或者在波士顿待不下去。

但到了今天，我觉得他的经历里有很多挫折和不满意的地方。包括 2023 年，Meta 做 LLaMA 第一个开源大语言模型的巴黎团队，背后其实也有很多委屈和痛苦。

在发布 LLaMA 之前，很多资源并不在巴黎团队，而是在美国。当时 Meta 有一个叫 OPT 的团队。

你提到巴黎团队的时候，我就想问，他们为什么会在那里？

我看过一些文章，发现很多这样的人都在世界的边缘。科技世界里好像只有硅谷是中心，其他地方都是中心的边缘地带。

有人在多伦多写了一篇 paper，有人在巴黎写了一篇 paper，也有人在法兰克福或者阿姆斯特丹写 paper。他们都在世界舞台的边边角角长出来，只是不知道为什么，最后长到了舞台中央。

这种英雄故事特别有意思。

你现在还在写一个东西吗？我不知道书名应该叫什么，是《AI 英雄传》，还是《AI 史记》？

我现在每遇到一个觉得特别有启发的人，就会去丰富他的故事。

比如李飞飞的 World Labs 有一位联合创始人，叫 Benjamin Mildenhall。他除了是很厉害的技术专家之外，还是世界上第一个将图像变成 3D 的技术——神经辐射场，也就是 Neural Radiance Field——的第一作者。

除此之外，因为我对人更感兴趣，所以我发现这个人还是一位非常厉害的钢琴家。他可以弹钢琴界公认特别难的拉赫玛尼诺夫作品。

很多朋友跟我说，郎朗有一位师妹叫王羽佳。王羽佳在旧金山开音乐会时，经常会在卫生间或者前台碰到 Benjamin。

这些事情对我来说已经成为一种习惯。看到或者有人告诉我某件事，我都会记录下来。所以目前的形式，就是不断记录。

我是不是可以这样理解：对你来说，2026 年是一个人类文明群星闪耀的时代。每一颗被你发现的星星，通常都写过一篇 paper，或者做出过某项科技创新，是过去 10 年科技浪潮中的重大突破，而且未来几年可能还会继续被使用，属于非常重要的创新。

你对这些人感兴趣，所以会收集他们的各种信息：喜欢弹钢琴也好，跳槽也好，住在哪里、妻子是谁，然后把这些信息写成类似《史记》人物列传、英雄列传的东西。

我发现，在技术圈里，2020 年、2021 年我去跟别人分享这些故事时，大部分人其实不感兴趣。哪怕是国内技术圈头部实验室的人，我跟他们分享，也发现大部分人并不感兴趣。

所以我觉得，应该把这些故事变得更通俗，让普通人也能受到激励，相信今天不一定非要从清华、北大毕业，也有机会做出重要的事情。

还有一点，在 GPT，尤其是 ChatGPT 展现出今天这种能力之前，也就是 2024 年之前，很多关键技术其实就是一两个人灵光一闪。但到了今天，已经变成大规模军团作战，个体的闪光似乎就没有那么重要了。

不过我觉得，过去十几年里，这些人在自己的困顿和局促中孕育出了一些很好的想法，最终影响了世界。这其中有非常多动人的故事。

每次我写或者记录他们的故事时，都会觉得命运非常瑰丽、神奇。

比如 RAG 这个技术最近可能很少有人提了。RAG 的作者叫 Patrick Lewis。他非常神奇的一点是，本科毕业之后在越南待了一年，后来不想工作，又因为一个很神奇的原因加入了一家创业公司。那家公司被 Meta 收购后，他跟着 Meta 的导师去了伦敦大学学院读博，最后在这个过程中做出了 RAG，也就是 Retrieval-Augmented Generation。

至少从 2023 年到 2026 年，RAG 仍然是很多前端部署工程师，以及很多实际应用场景中经常使用的技术。很多人知道这个技术，却不知道这个人是谁，也不知道他当时在做什么。

我觉得技术圈很多人对人文，或者对这些故事，没有那么感兴趣。

我觉得过去两年大家越来越对这些人感兴趣，一个很大的原因可能是钱。

如果我在书店里看到一本普通研究员的故事，一百个人的故事，我可能不想看。但如果你告诉我，这 100 个人平均每人年薪 2 亿美元，我立刻就想看了。

对，超过凯文·杜兰特，超过斯蒂芬·库里。

对。现在有一种感觉，好像大家在“养儿当养庞若鸣”。所有家长都想按照庞若鸣的成长方式养自己的孩子。

我觉得钱还是给人才价值标了一个很明确的价位。以前你告诉我发明了 RAG，或者发明了 Adam Optimizer，我可能不在乎。但如果这个东西能卖 5 亿美元、10 亿美元，对话就立刻变了，我会开始感兴趣，想知道为什么。

RAG 这两天不火，可能过一段时间，企业采用又需要 RAG，它就又会重新火起来。这个东西一直在轮流转。

但我真的觉得你很厉害，因为你在这些人还没有钱、甚至没人知道他们是谁的时候，就已经对他们的故事产生了很强的兴趣。

我今天录这个播客，是因为我对这些年薪 2 亿美元的人很感兴趣，是抱着很功利的心态来的。但你不一样，你是在他们还没有被大家认识的时候，就开始关注他们的故事。

是的，我觉得这件事还是挺有意思的。

5. 硅谷人才战争爆发

既然我们刚好提到钱，就说一下现在硅谷的人才战争。这是一场非常夸张的战争。

脉络大概是这样的：2025 年初，Meta 作为第一个开源大语言模型的公司，反而落后了。他们的一些领导为了刷榜，最后做出了 Maverick、Behemoth 这些 Llama 4 的巨兽版本，但实际体验下来非常差。

对，基本就是一坨屎。

在这种情况下，他们确实着急了。

AI 是为什么？刚才我们讲，人才和 AI 都是无限游戏。如果是移动互联网时代，你是第一个开源大模型的人，怎么可能输给别人？你应该一直领先，顶多别人逼近你一点点。

对，最多再用一些运营手段，继续保持领先。但现在的 AI 完全不是这样，所以 Meta 很着急。

那个阶段也出现了一些科技媒体对人才转会的报道。它和体育里的转会概念很像，比如 NFL、英超、NBA。转会就是我从 A 队去 B 队，B 队要给老东家付一笔钱。

当时有一个关键的词叫 poach，英文就是“偷猎”。你没有给老东家任何收益，反而把它最宝贵的智力资产全部带走，所以老东家会非常讨厌。

有些人不想走，扎克伯格就开出非常夸张的价位，甚至五年 10 亿美元去挖人。这样一下就把大家的注意力吸引过来了：为什么这些人，尤其是华人，可以拿这么多钱？

比如苹果的资深研究者庞若明，在 OpenAI 工作的很多人，包括林一、陆成、赵生家、宋阳等，为什么可以拿到这么高的 offer？

2024 年，按照宋旸官网上的介绍，他本来要去加州理工当老师，最后没有去，而是去了 Meta 当总监。

那时候大家发现，这些人的收入居然比 NBA 球星还高。

他们每个人的职级不同，工作的经验和内容也不一样。

在这一轮大幅涨薪之前，他们是什么状态？涨薪幅度是 10 倍、100 倍，还是他们原来就和普通 Meta 工程师有差别？

一般工程师按照传统路径，会有一个词叫“爬梯子”，也就是 career ladder。比如工作 3 到 5 年，或者 5 到 8 年的工程师，在硅谷平均年薪大概是 20 万到 80 万美元。

谷歌有一套标准等级，L3、L4、L5、L6、L7，和中国的 P7、P8、P9 类似。

但他们走的是完全不同的轨道。在这些团队里，很多人都叫 Member of Technical Staff，本质上就是技术人员。没有 Senior，也没有 Junior，基本没有这种概念。

有经验的人可能拿到几百万美元，但大部分还是期权和股票，base，也就是基础薪资，并没有那么高。

美国有一个好处，是科技企业员工的期权有一些流通平台。大家都知道 Naval，他做了一个平台叫 AngelList。很多科技企业，尤其是头部企业员工的期权，都可以在上面出售。

美国和欧洲的期权授予通常是按月的，每个月都可以拿到。中国或者日本可能没有类似机制，通常是按年授予。

问题是，如果你所在的是一家没有上市的公司，理论上这些期权不能出售。

也不一定。大家可以听我们第 49 集节目，我们讨论过一级半市场如何卖股票。

对。但对普通员工来说，如果不是 C-suite 级别的人，确实很难接触到一级市场或者一级半市场的渠道。

所以他们原来大概是几百万美元的总包。随着公司发展，未来预期收入可能会很高，但毕竟不是上市公司，价值并不明确。

Meta 不一样，它是上市公司，有明确的公开市场交易价格。扎克伯格手下还有一个专门寻找人才的角色，叫 Chief Executive Search，有点像帮老板做人才 mapping 的团队。

他们会先把名单整理出来，然后扎克伯格一个一个去聊，整体薪资涨幅非常夸张，有的人大概翻了 50 倍。

如果原来的总包一年是 50 万到 100 万美元，现在就可能接近 5,000 万美元，差不多翻了 50 倍。如果按 4 年 1 亿美元计算，也大概翻了 25 倍。

相当于这个人的价值，在一两年时间里突然兑现了。

很多人会觉得这个吸引力太大了。我们具体说说庞若明这个案例，因为这个案例比较出名，讨论也比较多。他公开出来的总包好像是 2 亿美元，这已经比 NBA 球星高，也比很多电影明星高了。

就算按 4 年计算，一年也是 5,000 万美元，已经超过库里，也超过大部分好莱坞一线演员。

而且 NBA 联盟里才有多少人？英超首发球员也就是 20 支球队乘以 11 人，大概 200 多人，只有其中最顶尖的人能拿到那个钱。AI 市场远远大于他们，而且现在不只是 Meta 愿意花这笔钱，很多公司都愿意。

无论是风投机构，还是其他想重新赶上这波浪潮的 AI 公司，都在付出很高的代价争夺人才。

你觉得 1 亿美元这条线，在硅谷满打满算有多少人？

人数并没有那么多，应该就是几十个人。

他们是研究员中的头部？

对。他们的典型特征是有代表作。

比如赵生家现在是 Meta Superintelligence Labs 的首席科学家，很多人会问，这个人是谁，完全没听过。但他的代表作，是参与做出了世界上第一个让模型拥有推理能力的 o1 系列，2024 年底发布的 o1 系列就是他们团队做的。他是其中非常重要的人。

所以他们通常处于一个小圈子里，而且拥有代表作。

那庞若明的代表作是什么？

庞若明在整体人才战争里算是比较 outlier 的人，或者说有点不一样。他之前在苹果就是非常高级别的负责人，是 Apple Machine Learning 的高级负责人，而且已经工作了很多年。

这一批人的主力，大概是 1994 年到 1998、1999 年，甚至 2000 年出生的人。

庞若明当时去了 Meta，应该只待了 7 个月，后来又去了 OpenAI。为什么会这样，可能和他的 scope 有关。

因为对于快速变化的组织，Meta 的 Superintelligence Labs，或者当时所谓的 TBD 实验室，架构显然很混乱。

每天都在换领导。

对，每天都在调换和变化。有些人可能不适应这样的环境，会觉得去 OpenAI 虽然薪资低不少，但整体上仍然非常高，而且可以安心做自己的事情。

对有些人来说，5,000 万美元和 1 亿美元，在这个时间点已经没有本质差别了。最重要的是，在研究黄金年龄，也就是未来两三年，能不能在一个平台上安安静静做出一个新的大发现，参与一些重要的作品。

他的下一个目标，可能是从 1 亿到 10 亿美元，也可能是自己创业、做其他事情。所以，做出有明确方向、能够引领行业的作品，可能比薪资更重要。

所以他可能是不想和 Alex Wang 一起工作了？

有可能是这样。

6. 谁在管理万张显卡

我在你之前的材料里还看到一件很有意思的事情。无论美国还是中国，真正管理过大规模训练集群的人都很少。管理过 5,000 张卡、1 万张卡、10 万张卡，分别是不同级别的人。

因为管理这些设备本身的价值很高，所以管理显卡的人的价值也水涨船高。你们会不会维护一份名单，记录哪些人管理过 1 万张卡、哪些人管理过 10 万张卡？

首先要澄清一个概念，“管卡”分两种。

一种是基础设施层，做训练基础设施、推理基础设施，偏软件。这一类人我们比较清楚。

另一种是在机房里做实际部署的人，有点像 OpenAI 星门计划，或者美国那家融了很多钱的公司 Crusoe。

我不是说 Crusoe 那种，我说的是算法侧。

对，Crusoe 属于基础设施侧，和算法侧不一样。

现在的情况是，基础设施侧了解得更少，因为他们通常依靠经验，把显卡连接起来，处理并行，保证调度，以及哪张卡坏了之后怎样随时替换。这是很高级的事情。

算法侧有一些典型项目，比如 PyTorch FSDP。如果你去看它的 contributors，就能看到哪些人可能比较有经验。因为他们提交的代码 fix，需要在真实场景里测试。

像我 10 年前给 PyTorch、TensorFlow 提的 PR，说白了可能改崩了，结果也没什么影响，因为那只是小规模测试。但今天，如果没有在千卡或者万卡上测试，你根本不知道会出现什么问题，比如精度对齐。

英伟达也有一个麦克窗等相关仓库。通过 contributors，以及一些小的 panel，大概可以判断哪些人在做这件事。

今年 1 月，华人圈有两家很厉害的公司。一家是做 VLM 背后基础设施的 Infraact，拿到了 H6Z 的 1.5 亿美元投资；另一家是 Radix，基于 SGLang 去做，拿了 1 亿多美元。这些公司里也有很多人具备相关经验。

整体来讲，这更偏向经验。算法侧的这些经验，有些公司不一定愿意公开。

因为这件事很保密。

对。很多年前，Google 曾经非常公开地分享自己的技术发现，几乎所有技术都会开源，造福全世界。

后来某个时间点开始，Google 不再允许内部人员随意发 paper，或者对 paper 有限制。因为如果商业秘密全部说出去，就失去了商业领先性。

所以现在这些公司会管理员工发 paper 这件事吗？

现在限制越来越明显，因为大语言模型的技术路线正在收敛，但其他方向还没有。所以其他方向仍然支持大家进行探索、研究。

大语言模型这个方向管得更严，基本不允许发 paper。

那这对你们或者其他公司找人、做人才 mapping，会带来很大困难吗？

我觉得不会。核心原因是，总会有新人在类似方向做出一些我们称为“玩具模型”的探索，比如在 Hugging Face、X 上做一些东西，所以仍然可以通过一些渠道追踪。

很显然，如果一个人必须完全潜水才能被追踪到，这样的人在整体群体中的比例并没有那么高。

所有事情都有线索。一个人不可能什么都没做过，突然变成 Sora 2 或 Seedance 的核心贡献者。

他总会留下痕迹，无论是论文、社交媒体、采访，还是在 Hugging Face、GitHub 上提交代码的记录。这些信息可以被结构化、梳理出来，也可以继续深挖。

比如我为什么知道 Benjamin Mildenhall 特别擅长弹钢琴？因为我看他的主页时，发现他放了一个 YouTube 链接，里面是他穿着西装，在钢琴前弹拉赫玛尼诺夫的协奏曲。

后来我又想起朋友说，怎么感觉在王羽佳的演唱会上见过一个类似的人。我说，那就对应上了，就是他。

人毕竟还要和物理世界接触，这是 AI 做不到的。你可以把这些信息拼在一起，所有事情都是有迹可循的。

比如我之所以能够采访到你，可能是因为我之前聊过王铁镇，也聊过 Michael Guan，可能其中一些人和你有关。以后如果我能采访到 Sam Altman、Ilya，也有很大概率是因为你介绍我去 OpenAI。

我想问一下这个方向的问题。现在大语言模型是管得最严的方向，首先是因为人最贵。大厂不愿意给你 2 亿美元，结果你把秘密说出去。

但大语言模型下面还有很多不同的方向。过去 12 到 18 个月里，你有没有发现哪些方向在往上走，哪些方向在往下走？

7. 多模态正在降温

典型往下走的有多模态。

多模态往下走？

对。无论是视觉语言模型、视觉语言动作模型，还是 action model、视觉、视频这些方向，大家都觉得技术路线非常收敛。

核心门槛不在算法，而在数据。我们当时就在通义万相团队，我那时候就发现了这个事情，现在果然印证了。

今天对应届博士生的评价，常常有一个非常主观的指标，就是顶级学术会议第一作者的数量，比如 CVPR、ICCV、ICLR、ICML 这些顶会的一作数量。

但随着 GPT-6、Fable 5.15 变得越来越强，今天产出论文可能只需要几个小时。甚至如果完全用 AI 生成，不自己跑实验，论文就会非常贬值。

过去在 2020、2021 年招聘时，如果一个博士生有 3 到 4 篇对应学术会议的第一作者文章，基本就可以给到阿里 P7 的水平。

你说的是应届生？

对，数顶会一作数量，也就是 P7，阿里星。

阿里星和华为天才少年是同一个级别吗？

阿里星是 P7。2020 年我去达摩院时是硕士，硕士大概是 P6 的阿里星。现在在小米的罗福莉就是阿里星。

阿里星的 P6、P7，和普通的阿里 P6、P7 可能会高一些，具体我也不太确定。

但到今天，你会发现很多按过去标准看、三四年前很优秀的人，现在甚至很难找到工作。

你说多模态在收敛，是不是意味着，这件事继续推进和优化的主要门槛是数据？算法能做的非常有限。无论是全世界第一名，还是第一千名的人来做，结果差别都不会特别大，边际收益有限。

对。大语言模型之所以大家愿意投入，是因为今天如果你拿到阶段性的第一名，会有非常多好处，所有注意力和资本都会向你涌来。

但图像、视频的核心逻辑是，需要足够多的算力和数据，数据管线也要做得足够好。算法侧其实没有那么重要。

我觉得这有点反直觉。比如在中国，视频似乎是唯一跑出巨大 PMF 的方向。像 Kling 2.0、2.5，还有 Hailuo 02，股价都直接涨了。

所以我很惊讶听到你说多模态是往下走的方向，因为它和我的实际用户体感不一致。

很多人甚至想转去做量化，或者转去做 AI agent。更有灵性一点的，可能会转去做后训练。

8. OPD 成为人才风口

过去 12 个月，训练侧需求最强的，肯定是和数据有关的方向。比如有一个叫 OPD 的方向，On-Policy Distillation，也就是策略蒸馏，需求量最大。

再往下是 AI 基础设施，比如 SGLang、vLLM、Triton 等技术栈。做这些技术栈的人，核心要解决的问题是：让同样算力的机器，每秒吐出的 token 数量变成原来的 1.5 倍、1.2 倍。

今天 token 是供不应求的，尤其是高质量 token。只要能提升效率，当然就有价值。

我们回来说一下 OPD。OPD 是全世界普遍的需求吗？

除了 OpenAI 和 Anthropic 之外，应该都比较普遍。

OpenAI 和 Anthropic 不太用 OPD？

对。

可以介绍一下吗？我不知道 OPD 的作者之前是做什么的，相关研究人员之前是做什么的？

OPD 是一种技术浪潮，就像大语言模型一样，不能说谁是大语言模型之父，因为没有一个人能独占这个概念。它是一个更大的范畴。

核心是，大家发现过去优化模型表现能力时使用强化学习，但强化学习对最终结果的提升有限。

每家公司都有一个核心问题：显卡数量有限，GPU 小时数受限制。你不可能拥有 10 万张卡，现在只有 OpenAI 有 10 万张卡。

OpenAI 可以用 10 万张卡训练 GPT-6 Astro，但大部分公司可能只有几千张卡，甚至一两万张。中国可能全国都没有那么多，而且你手里的卡还不一样：A100 80G、A100 40G、H100、L40，等等。

你可以想象成 500 个不同的算盘拼在一起，每个算盘还长得不一样，只能硬算。

大家发现，强化学习的收益没有那么高，成本却很高。模型启动一次训练，最简单的 H100 可能每小时就是 5 到 10 美元。如果有 500 台，一小时就很贵，而训练通常至少要几天，甚至一两周。

所以大家开始想，如果使用好学生，也就是优秀模型的输出结果，效果是不是可能更好，而且更简单？

强化学习需要非常多设置，包括奖励信号。但很多环境里没有奖励信号，需要人工参与复杂标注。使用 OPD 的好处是，这些设置都不需要了，只要学习最好的模型就可以。

答案越接近好学生的答案，就越好。因此 reward system 会更有效。与其手动给每个任务设置复杂的 rubrics，也就是详细标准，不如直接学习最好的模型。

大家会接受一个稍微差一点的结果，但训练过程更简单。

我理解 OPD 是做什么的了。但现在做 OPD 的人才，可能中国公司会更多，而且还在不断渴求这类人才。

如果现在要找下一个 OPD 人才，一般去哪里找？

比较理想的话，可以从头部基模团队的实习生里找。

这些团队会招很多有潜力的实习生，让他们接触这部分工作。OPD 是非常新的东西，大概是过去一两年，甚至过去一年才出现的技术，而且集中在特定团队、特定的人身上。

过去一年里，可能有一些实习生被派去做这类任务，练得多了，就成了行业里唯一的老师傅，虽然可能才 23 岁。

核心逻辑是，今天 AI 人才的半衰期非常短，就像模型的半衰期一样。

前两天我看到一个很有意思的事情：Gemini 3.8 Flash 刚发布 3 个小时，Meta 就发布了 Muse Spark，指标全面超过了它自己宣称的指标。

你能看到模型规模的竞争非常激烈，人才侧也是如此。

比如过去两年掌握了某种技能的人，可能很快就过时。假设我原来是训练生成对抗网络的高手，这项技能今天可能已经完全不值钱了。

这种转换容易吗？我之前看过一篇报道，说混元在姚顺加入之后，把所有人员都换了一遍。

原来混元的组织里有很多传统互联网大厂搜索、广告、推荐的人。移动互联网时代的搜广推，是这些厂最值钱的人，但他们依然无法做好大模型，也就是转不过去。

如果我现在做 OPD，或者做 VLM，我也不知道未来 18 个月还有没有工作，因为技术收敛太快。我可能要学一个新技能，但我不知道未来哪个技能会火。

这个技能学得快吗？因为混元原来那批人显然没有学好。

9. 从确定性走向混沌

我认为这里面有一个思维方式的转变。

过去这批人追求的是确定性。反馈循环是：我今天把广告算法的 CTR 调高几个点，直接带来多少收入，这是确定的。

但今天模型的提升，很多时候看的是 benchmark。你会发现 benchmark 对最终结果不一定有用。比如 Llama 4 在很多 benchmark 上刷榜，但大家一用，体感非常差。

那就是垃圾。

对。它没有一个单一标准，或者说标准太多了。

传统的人可能接受不了，也不习惯用这种混沌的方式工作。他不敢拍板，也没有概念。

本质上，他们参与的事情，优化目标是人类的品味。对于一个新鲜事物，大家可能发现，原来我并不需要它，某些功能反而会对优化产生负作用。

所以我觉得很有意思。你会看到一些明星人物，比如从千问或者 DeepSeek 出来的人，大概率再也做不出比之前更厉害的东西。

相反，这个环境可能不断 roll 出更有想法、更有创造力的人，再借助 AI 做出新的东西。

我看过你之前那篇文章，确实受到很大启发。这是 AI 时代范式上的一个巨大改变。

无论是移动互联网时代的搜广推，还是之前的组织形态，都偏向 deterministic，追求确定性。Benchmark maxing 本质上也是一种确定性行为。

我最近看一些项目时，和一个 founder 聊了一个小时之后，明显感觉到他越来越不想跟我说话。因为我一直想把他的业务套进传统互联网的壳子里。

我觉得他的业务很好，也很喜欢这个人，但我总想问，你这个到底是什么东西。他一直说不是、不是、不是。

这种偏随机的反馈机制，在组织里其实很难存在。

姚顺最后说，不准大家追求 benchmark，因为追求 benchmark 本身就是一种偏 deterministic 的 approach，也就是 reward hacking。

但传统流程就是这样，投资人也是如此。很多投资人现在无法理解 AI，本质上也是因为觉得，投资这些科学家好像是在拿钱给他们做科研，钱打水漂了。

但某种程度上，现在确实就是这样。

回到最开始提到的 Alex Radford。他是富兰克林·欧林工程学院毕业的本科生，身边都是加州理工、斯坦福、伯克利的博士。

为什么最重要的突破是他做出来的？你需要提供一个环境，让大家去做这件事情，而不是自上而下拍板。

如果自上而下拍板就有用，马斯克应该是 top-down 管理最厉害的人。那为什么 xAI 也没有搞明白，最后还被迫收购了 Cursor？

我记得是梦醒，或者谁在《晚点》写过一篇文章，说 Elon Musk 管理 xAI 时，采用了一种“大力出奇迹”的制造业方式，把所有人都压到崩溃，最后很多人受不了离开了，他只好收购 Cursor。

Elon Musk 在 benchmark maxing 这件事上，应该有非常惨痛的教训。

这也导致他和唐杰老师有过一段对话。唐杰说我们会赶上 Fable，Elon Musk 说，刷榜不算。

10. Cursor 反常识招聘

提到环境，就绕不开 Cursor。Cursor 虽然现在已经被 Elon Musk 收购、进入 SpaceX 系统，但过去几年里，它无论在产品创新还是招聘创新上，都做了很多有意思的事情。

你先说说 Cursor？

Cursor 有一个和其他公司招聘完全不同的逻辑。

传统公司的招聘是：今天有一个需求，然后让猎头、招聘专员、高级招聘团队，或者创始人亲自通过各种渠道找人。在美国，大家会用 LinkedIn，也会用类似 Indeed 的渠道。

从这些人里看谁回复，再选择候选人面试。另一种思路，是把岗位放到平台上，等待别人投递。

现在的问题是，随着 AI 的 agent 能力越来越强，投递出来的东西经常都是 slop。

对，很多简历会被专门的软件过滤掉，比如 ATS 平台，Greenhouse、Workday 等。

Cursor 的思路有点反直觉。他们追求的是通才。

过去的路线是追求专才，希望这个人只做一件事情，而且未来 3 到 5 年不变。比如做财务、人力管理，或者做大客户销售，这些岗位需要的基础素质、原能力，可能不会发生特别大变化。

但技术岗位在今天的时代，半衰期特别快。今天我需要一个人做某件事，明天这项技能可能就没用了，我又得找一个人。

所以与其这样找，不如寻找一个能快速适应的人。

在他们的招聘合伙人看来，应该先瞄准全世界最优秀的 50 到 100 个人，然后持续派人追踪他们的动向，把他们拉过来。

比如刚才提到的，Cursor 会给土耳其候选人送土耳其吉他。

它的逻辑是反过来的：核心是建立一个精英团队。适合某个角色的人，世界上可能只有 50 到 100 个，所以要尽可能持续追踪他们，拿到联系方式，隔三差五联系、同步，让对方感觉到你非常认真，这样转化率会比较高。

我觉得 Cursor 的招聘方式给了我很大启发。

比如给候选人买一把吉他，这是一件成本很低，但可能让候选人选择你而不是另一家公司的事情。两个 offer 的差值可能是几百万、上千万美元。

你送一把吉他，哪怕这把吉他很贵，对他来说也可能成为一个重要信号。他甚至可能因此不去面试其他公司，也不知道其他公司会给他定什么价格。

因为他可能转手去 Meta，价格就完全不同。

它把人当人看，而不是把人当商品看。我觉得这是招聘上的一个巨大不同。

第二件事，是他们做过一个叫 Work Trial 的事情。我之前在 Michael Guan 的节目里介绍过。那时我问的第一个问题是：这符合劳动法吗？

中国人肯定会想，你让我试工两天是什么意思？

但他们后来做了一种在硅谷相对新颖的方式：既然你要找的是一个通才，既然 AI 时代来了，就不应该再招螺丝钉，不如招一个能够改变自己形状的人。

这种人通过一次面试通常看不出来，看简历也看不出来，需要真正聊一段时间，进行更长时间的互动和工作，才能判断他有多大潜力改变自己的形状。

还有一点在哲学上很有启发。他们把这个叫“绝望漏斗”。其实“绝望漏斗”是 HR 的专有名词，不是他们创造的。

但我后来想了一下，我的人生就是绝望漏斗。

比如我们投资 100 家公司，A 轮没投到张一鸣，就 pass；B 轮没投到，还是 pass；C 轮没投到，继续 pass。

Cursor 的方法恰好反过来：先定义这个时代的前 100 个人，先盯准张一鸣。他哪天要卖老股，你也去买；他找人跟投，你也去跟。

你要先确定谁是前 100 个人，然后反过来追他们。

我以前在投行时有一个说法，叫 high-touch、low-touch sales。如果是有权有势的销售，就负责 high-touch 客户，比如 Fidelity、Capital Group 这种大基金。别人管理的是万亿美元资产，客户家里小孩过生日，你也要去，这就是 high touch。

Low touch 就是群发邮件，通常由 junior sales，甚至实习生负责。

反过来想，我们在生活中做很多决策，无论找工作、投资，还是找投资人，都不能总是漏斗式筛选。因为最后漏到自己身上的，必然不是最好的结果。

你应该为前面那 100 个人付出更多。我觉得这是很大的启发。

这件事有点反人性，因为很多人是“看到了才相信”。

第一，他会怀疑自己的判断：这真的是前 100 个人吗？第二，他会想，我付出这么多，到底能得到什么回报？

如果他不想创业，只想上班，他可能觉得在一个人身上花这么多时间，账算不过来，所以不愿意做。

这对 Cursor 这样的公司来说，确实更容易，因为它融资很好，也有很多支持，有资源做这些事情。它表达出来的情绪更乐观，钱多，也更宽容。

其他团队可能很难这样做，但从我个人角度来说，启发很大。

其实我知道那些人是谁。我觉得那 100 个人我也知道，但我总是告诉自己：那 100 个人，我接触不到，不搞了。

说不定当年和第一名多混一混，时间长了就进去了。

很多人其实明确知道谁是张一鸣，只是没有在张一鸣身上花足够多的时间。至少从 2018 年、2019 年之后，张一鸣已经非常明确了。如果那时你还不知道张一鸣是谁，就不用讨论了。

所以人生中的求学、择偶、工作，都应该这么想。

对，就是要做 high-touch sales。

张一鸣小孩过生日，我可以去？

不要开玩笑。

我意思是，大家在自己的人生里，都应该对这些重要的人付出更多。

另外，我觉得 DeepSeek 可能是一个很难处理的案例。它之前从完全无人问津，到一朝天下皆知，变化非常大，也开始有人挖他们的人。

过去几年，你有没有看到 DeepSeek 的变化？

我这样问，是因为最近 DeepSeek 融资了。融资的一个核心原因，是希望把股权作为留住人的抓手。我不知道你从业界有没有听到其他不一样的消息。

DeepSeek 有些人离开，是因为它的股权激励对一些人不太友好，周期通常比较长。

多长？

原来是 10 年，10 年 vesting。

确实有点太长了。

有人会觉得，这比长征还久。说白了，可能都用不了 10 年，也许一年之后你就不需要我了。

我在这里拼命干了一年，也可能面临这种危险。

如果某项人才技能的保鲜期只有 18 个月，10 年的 vesting period 就很不合理。除非你是非常核心的人，已经在团队里奠定了核心位置。

但可能你做的东西也没那么核心，2027 年之后，后训练可能都不需要你了。

对，所以大家都处于不确定状态。

10 年 vesting，是跟拼多多学的吗？

它比较注重保密。很多时候，和外界的交流会断掉，缺乏与外界交流的机会。

这对很多人来说，其实很有启发。

对。即使到今天，仍然有很多很厉害的人。

比如 GPT 预训练团队里有一位核心成员叫 Keller Jordan，他提出了 Muon 优化器。它是 Adam Optimizer 的一种变体，可以训练万亿级参数的模型。

这个东西原来甚至都不是一篇论文，只是一篇博客。他可能觉得，写论文没有什么用，也没有价值。

但在这种情况下，公开渠道上的交流和讨论，对技术发展仍然有帮助。

我觉得可能有两个原因。

第一个，有些人可能会被其他公司提供更好的条件。第二，他可能本身就更希望技术开放一点。

对。很多技术人最看重的鼓励，就是 GitHub 上的 star。

如果一个人去了 OpenAI，但公司要求他不能再写博客，很多厉害的人可能就不去了。

真的会有这种要求吗？公司会说你不能再写 blog？

有。有的公司会说，最好不要再写对技术的看法。

我之前尝试采访过一些大厂的人，很多人都明确不愿意公开说任何东西。他们会说：“Raymond，我可以跟你聊 5 个小时、8 个小时，甚至 10 个小时都没问题，但不能上播客。”

私下聊天时，他们会比较开放，但一上播客，大家就开始自我审查。

我们再聊聊 OpenAI，刚好也是你去过的地方。

我在你的材料里看到，2025 年 OpenAI 全部的 SBC，也就是 stock-based compensation，股权激励，占了当年收入的一半。这是一个很夸张的数字。

可以理解为，今年收入 1 亿美元，拿出 5,000 万美元发股票，而且是发给所有员工。

我不知道那是总包、单年，还是怎么算的，但这个数字都很大。

当时平均下来大概是每人 150 万美元。

但从今天来看，其实也不算很高。每人每年 150 万美元，对 OpenAI 来说，加上 5 年时间，其实并不贵。

只是 2025、2026 年它的估值涨得非常夸张，所以用股票发放时，SBC 看起来就会非常大。

我理解了。因为它当时收入还比较低，但估值很高，所以如果用股票发，SBC 就会显得特别大。

OpenAI 已经成立 11 年，2015 年年底成立。它大规模招人之后，后来招的人会不会更贵，出现薪资倒挂？

OpenAI 应该还好。后面招了很多工程师、FDE、销售等岗位，和早期员工相比，现金部分其实都不算很多，主要还是股票、期权。

现金还是硅谷的正常水平。

刚才我们讲到腾讯、混元、字节。它们也可能出现类似情况，后来加入的人拿到八位数的薪资，无论是国内博士，还是从国外挖回来的人。这种情况普遍吗？

挺普遍的，尤其是混元这种决定大力发展模型的团队。

内部团队会不会心理不平衡？

我觉得应该不会。因为水平其实比较容易量化。在内部系统里，一个人的能力相对客观。

如果一个人负责模型 coding 部分的发布，他就是很值钱的人。如果只是其中一个环节，就没有那么值钱。

所以在组织里，大家其实比较清楚自己的位置，知道自己能不能做、能不能行。

对。现在仍然是能做这件事情的人非常少。

但核心问题不一定是两个人都能不能做，而是资源不够。你可能能做，但启动一次就需要 1,000 张，甚至 5,000 张 B300 的卡，没有公司有资源让两个人都试一次。

刚好提到显卡。你的 PPT 里有一张计算成本的图，之后我们可以把一些 PPT 材料放到 show notes 里供大家参考。

里面有一个算法，说每次训练过程中，接近一半是人的成本，另一半是服务器成本。

人的成本相对线性，最主要的成本还是算力和数据。

现在中国模型公司的数据采购成本是指数级增长，大家都在采购算力、采购数据。最后为什么有人能把模型训练得更好，有人暂时差一点？人在其中仍然能发挥很大的作用。

回到最开始说的，人才对模型公司来说，本质上是无限竞争。大模型是一个无限游戏，不存在 GPT-6 到终局之后大家就不研究了。

还是会有无限的人、很多钱进入这个行业，除非资本泡沫破灭，大家暂时冷静下来。

你觉得现在的人才市场是泡沫吗？

我觉得不是。

如果把 OpenAI 员工的工资和 Anthropic 加在一起，可能一年是接近 1,000 亿美元的规模。按照麦肯锡的估算，AI 能够影响 14.6 万亿美元的白领市场。

这中间还有很多倍的增长空间。再算上中国、日本的模型公司，远远没有到那个阶段。

核心问题是，怎么真正替代很多白领工作。这个过程会有一个接受度的问题。

一旦这些事情真正一马平川地发展起来，我觉得价格还是有空间的。

11. Dink 重做人才搜索

接下来聊聊你的创业公司。

先简单介绍一下你现在的公司主要做什么。我不想用“AI 时代的 LinkedIn”或者“AI 时代的 Boss 直聘”这种一句话定义你。

像我这种老派投资人，可能会倾向于用一句话下结论，但这很多时候会抹杀你真正想做的事情。你自己介绍一下，公司主要想解决什么问题？

我用一句话介绍，就是 OpenRouter for People Search。

过去招人，如果在中国，可能要同时在脉脉、Boss 直聘、猎聘上花钱，然后请专门的 HR 或实习生，在这些平台里不断搜索、找人、确认。

在国外，中国是以 IM 为主的招聘市场，但绝大部分情况是邮件。国外有很多渠道，比如 LinkedIn、Indeed，东南亚有 JobStreet，德国也有相应的平台。

我做的事情，是把这些平台上的数据通过 API 集成到这里。你可以直接在我的平台里使用，也可以接入自己的 Codex、Claude Code、WorkBuddy 等 agent，无缝使用搜人、找联系方式等工具。

你不需要在每个平台单独付费。比如 LinkedIn 最高档的服务，一年要交 1 万美元，但在我的平台里，你一分钱不用花，就能体验到 LinkedIn 级别的搜索。

比如你想找新加坡的 astronomical FDE，就可以搜出来一批结果。之后按 token 扣费。

之所以这么做，核心原因只有一个：我认为未来大家的工作习惯都会收敛到和 agent 对话。

在上一个时代，很多人做了不同格式、非同构、非结构化的人才数据库，而且这些数据库现在仍然活着，里面的人还在不断更新。

我把这些数据库重新结构化，放进自己的 database 里，同时还会爬很多论文，让数据库更加丰富。用户可以通过 agent，用自然语言驱动搜索，比如问“我要新加坡的 FDE”，然后得到结果。

如果我要复制同样的搜索结果，就要去所有地方搜一遍。或者我去 LinkedIn 搜，能复制多少百分比？

LinkedIn 本质上还是关键词搜索。

比如你想找世界模型的人，但这个人写的是“Sora 的作者”，LinkedIn 就无法做匹配。只有 agent 能理解这种关联。

明白。也就是说，agent 能够让搜索词变得更模糊、更泛化，理解它们之间的关联。

对，我做的就是这件事情。

现在公司的进度怎么样？做了多长时间？有多少人？ARR 方便讲吗？

我们已经做了接近 1 年，公司不到 10 个人。ARR 可能不太方便讲。

客户包括字节、蚂蚁，以及一些前沿模型公司，比如 DeepMind、Meta 等。国内也有一些前沿模型公司在采购我们的产品。

我看你官网的介绍，服务好像分成两种。

一种类似 LinkedIn 的 Sales Navigator，按 API 或席位收费，一个月可能是 100、200 美元，我记不清了。

另一种是更深度的 customized search，或者单独找人的服务。这两边现在哪个业务更大？

目前还是产品侧，也就是 product-led growth。咨询、招聘猎头的转化效率还是比较低。

我们主要给一些对 AI 人才有洞见、但不太了解细节的企业做培训，告诉他们，如果今天想搭一个团队，哪些事情不应该做。

比如，在还没有看到 AI 给公司带来实际收益之前，就花几百万买服务器、部署一个 Kimi K3，只因为不想让数据出境，我觉得没有太大必要。

谁会这么做？

国外有不少公司。

你说的是国外公司自己买服务器，把 Kimi K3 部署在自己的服务器上？

对，然后运行 Kimi K3。金融行业比较多，因为他们想使用便宜的模型，但又不想让数据出境。

有意思。

所以从公司长期发展来看，你们还是觉得 PLG 更适合？

对。现在的核心是，这类生意本质上是 AI 的 beta。

AI beta 最大的市场之一就是搜索。按照传统逻辑，搜索市场应该由 Google 或 Bing 吃下来。

但你看今天市场上最大的几家，无论是 Exa、Tavily，还是被 Navios [?] 收购的公司，以及 Parallel，都不是传统公司。

所以仍然存在很多做中转站、做中间层聚合的机会。在这个过程中，原子能力很容易被替代。

我其实不完全这么想。我可能会套用上一代经验。

上个时代，招聘一直没有被大平台垄断，因为它有非常强的非标性，以人为核心，还有很多奇奇怪怪的东西，比如相亲。

百度做不了招聘，抖音也做不了，微信也做不了。大流量平台在不同时代都尝试进攻这个赛道，但始终进不去。

本地生活服务也是一样。当一个服务赛道足够大、足够肥，又能够容纳专业化服务时，中间层就会维持住。

Boss 直聘就是最好的例子。它是一个真正成长起来的互联网公司，而且没有受到巨头围攻。

还有 51job，PC 时代的公司活得也很好，智联招聘也活得很好。

所以我一直觉得招聘是一个很特殊、很有意思的赛道。

但你的事情好像不太一样。根据你的说法，你主要 target 的是技术类人才，是发表 paper 的技术人员，而不是普通前端工程师。

也不一定。我的 target 可能是比较特别的人，以及那些有工作成果可以证明自己的人。

他不一定是技术人，也可能是设计师。

明白。但最后的对标公司还是那十个大厂，对吧？你的用户是这些大客户？

我的客户主要是大客户，包括 high-touch 的大型客户，所以客户数量相对少。

这就涉及一个问题：PLG 是否适合这样的市场定位。

第一是习惯。很多人在出海，但不愿意，也没有能力购买 LinkedIn 一万美元一年的账号。使用你的产品可以快速得到结果，他就会想试一试，可能先买一个月，下个月不用了就取消，成本很低。

第二是 agent 的使用习惯。每个人真的会每天使用吗？

如果会，我们作为 MCP，对用户来说就是无感的。他只会发现，怎么额度没了、余额用完了。

对，需要 reset，说明他经常在用。

我觉得这反而比较好。绝大部分人很难判断，Cursor、Claude Code 给出的日志里，input token 是 80 万，output token 是 20 万，这些 token 到底怎么构成的。

它不解释，你只能接受它说什么就是什么。以后这种情况会越来越多。

招聘或者找人的核心是：我有需求，你把人找到，中间过程是什么并不重要。打开 Boss 直聘、LinkedIn、Indeed，这些都是过程，我只要结果。

从第一性原理出发，交通的本质就是从 A 点到 B 点。你带我飞过去，或者用没有方向盘的 robotaxi 带我过去都可以，只要别中间撞车。

找人也是一样。

但我猜，可能很多高频用户会是在大厂里做 talent mapping 的人，高频率查看、实时发现人才的人。

对，他们大概有两种类型。

第一种是专门做 mapping 的，比如 HR。他可能不一定自己招人，但需要给老板做 mapping。

今天老板可能要 AI for Science 的人，明天又要招南美市场的销售。HR 总得有一个整体概念和参照系。

老板通常只会说，我想招这样一个人，但他没有见过这个人，也不知道什么人是好的。通过这样的工具，可以迅速勾勒整个领域。

我原来对你产品的心智模型，是你要去招庞若明。

前面我问的问题，全是围绕“两亿美元的人”来问的。我想的是，你应该是一个 high-touch sales，或者猎头公司，而不是 PLG 公司。

你刚才提到，也可以去南美找一个销售，这让我觉得，原来你们的场景可以更泛化。

对。国外主流渠道还是邮件，所以这种形式的接受度会更高。

很多投资人也可能想买你的服务。我有一个投资人朋友，每个季度会去硅谷一次，可以理解成沿着 arXiv 找人，看不同方向上有哪些写过 paper 的人，接下来可能会发生什么变化。

你之前提到过，在庞若明转会之前，你们能够提前发现一些痕迹。他的活跃度会变化。

投资人可能也会想，如果能够抓到这些痕迹，就可以提前知道庞若明要创业，然后提前去找他。

这绝对是赚钱的，简直是送钱。

有投资人来找你要类似服务吗？

有人定制过。但当时我们人力有限，就没有接这个定制版本。

他们希望拿到这样的项目，但问题是，他们自己也不知道要找什么样的东西。他们真正需要的是一套推荐系统。

推荐系统太广了。不然我连投资都帮你做了。

对，你靠 GPT。

整体来讲，我们的迭代方向也是对人的描绘更深、更细。我现在每天也在发布人才转会的动向。

很多信息要么来自内部，要么来自 X 上的一手信息。

我们之后会把 Sam 的 Twitter 放在 show notes 里，大家可以去关注。

补充一个很有意思的信息：美国有一个播客节目叫 TBPN，是一个被 OpenAI 收购的播客节目。

我做播客的目的，就是希望有一天 OpenAI 也好，字节也好，来收购我。

明白。

他们是两个白人帅哥做的。如果你不听声音、不看内容，可能会以为他们在讨论棒球。结果打开之后会发现，他们讨论的是 AI 研究员的转会。

他们甚至做了一个叫 Mertis [?] 的排行榜，AI 科学家排行榜，还按照国别分类。

Sam 的 Twitter 上也有一个系列，每周或者每月会记录 AI 科学家的转会。我觉得以后可以和 Sam 合作，每月、每季度做一次 recap：本月谁转会了，多少钱，为什么，去了哪个方向。

这会是人才市场中很有意思的指标。

几个信息：谁转了，哪些公司在招人，多少钱，为什么，之前做什么，之后做什么。

我觉得这些事情确实会产生重大影响。

你之前不是问过我，为什么要做两万人的那个博客吗？

我想知道离开 OpenAI、离开 Anthropic 的人，下一站去了哪里，为什么。这是非常重要的信息。

但后来似乎没有整理出特别有用的 insight。

因为数据确实太散了。很多人的 LinkedIn 并不更新。

比如 Sora 2 的第一作者 Harry Li，在 LinkedIn 上只写着 UCLA PhD，你根本无法从 LinkedIn 得到他最新的信息。

我现在还在爬数据，希望能整理出一些更有意思的信息，和大家分享。

好的，感谢 Sam 今天的时间。

谢谢。