开场0:00
欢迎收听 《 晚点聊 》， 我是曼祺 。 上期节目中我和 " 脉脉 " 的 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。
17 年到 19 年的时候 ， 我刚加入 Meta， 那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 ， 确实能带来最大改变的最精英的那一小撮人 ，他们看中的东西是什么 ？
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 到 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吧 。 今天我们的嘉宾是 Bill Zhu，Pokee.ai 的创始人。Bill 也是老朋友了 ， 曾经在 111 期节目中来和我们聊了怎么用强化学习做 Agent。Bill 之前是在 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， 你可以简单和我们听友打个招呼 ，也更新一下你最近的一些近况 。
大家好 ， 我是 Bill。 我之前在 Meta 的应用强化学习团队做技术 Leader， 主要负责的是包括横跨整个 Meta 范围内的很多强化学习产品的落地 ， 包括广告里面的 Ad Manager 里面的一些产品 ， 再包括像广告的 Budget Pacing 等等 ， 推荐系统里面的一些产品 。
去年 10 月份出来创立了 Pokee.ai， 主要目标是希望通过基础的 AI Agent 模型和工具的整个生态 ， 来完成整个一个通用的 AI Agent 的 Stack 的搭建 。
最近的话 ，其实 《 晚点 》 之前也报道过我们完成了我们种子轮融资 1200 万美金 。 同时我们其实也就是今天的消息吧 ， 我们的 Agent 被 Andreessen， 就 A16Z， 放成了 AI Agent workflow 的一个 Benchmark Company，也算是一个比较好的 Milestone。
差不多是现在的近况吧 。 我们第一轮可能让大家体验的产品 Release 出去反响还不错 ， 马上会有更新的一个比较可能是市面上第一家做这个的方向的一个产品会出来 ， 后面大家可以期待一下 。
OK，但这个方向还要先保密一下是吗 ？
对 ，9 月底的时候会有一些消息出来 ， 我们会先找一些内测的开发者先去试用一下 。
Meta动荡3:00
OK， 那这一次其实找 Bill 倒不是具体来聊产品 ，而是想聊一聊最近在硅谷 ， 包括其实在国内变得越来越激烈的 AI 顶尖人才之间的竞争 。
那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 年多的老东家 。
其实整个 AI 行业变动挺大的 ，因为人才从某种意义上来说 ， 相对比较 Common 的 AI Knowledge 其实比较容易获得 ，但是真正有创新性的那一撮人其实还是很少 ， 所以就导致说大家都在想办法找那一撮人， 再想办法挖过来 。
我们可以从 Meta 最近的变化来聊 ， 我觉得这是一个切入口 ，因为它是一个很好的来观察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， 对吧 ？
我能去打造一个很有竞争力的技术 ， 这个过程中间可能会遇到的情况 。 我可以先简单的跟大家说一下这个事情的时间脉络 。
首先是 6 月中旬的时候 ，Meta 是宣布以 143 亿美元获得了 Scale.ai 49% 的股份 ， 同时它是招募了 Scale.ai 的创始人 Alexander Wang，而且 Alexander 现在就是他们的新的 AI 团队的负责人。
他们这两个负责人他是其中一个 。 然后 6 月中旬之后，Meta 就开始天价挖人， 最离谱的一个说法是开了 4 年 3 亿美元的非常高的薪资 ， 挖了 OpenAI、Google、Anthropic 的很多技术骨干 。
不过这个剧情演进到 9 月份 ， 它新的变化是很多刚刚加入的人又要离职了 ，其中有两位是直接就回了 OpenAI， 就刚从 OpenAI 过来 ， 然后又要回 OpenAI， 大概是这么一个过程 。Bill， 你可以聊聊你在美国在硅谷你自己感受和经历的这个过程是怎样 ？
17 年到 19 年的时候 ， 我刚加入 Meta， 那时候是整个公司创业氛围最浓的时候 。 我们从代码的写作到有人帮我们批准 ， 到代码进入真正的生产环境 ， 整个过程是非常快的 ， 几个小时就完成了 。
但是到了疫情之后， 这个流程是没有变的 ，但是因为组织变得很臃肿 ， 人越来越多 ， 我们上面的 VP Level 越来越多 ， 导致你每一个产品的迭代 ， 每一次做的决策都需要找这些 VP 来帮你去做批准 ， 帮你去审核 ， 就使得大家都很不爽 。
而且这些 VP 大多数都不懂什么 ，他们其实真的能花时间在你这个项目的时间又很少 ，他们也搞不清楚说你的项目在干什么 ，但是他必须要审核一次 ，他又会做各种不一样的批示 ， 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面看到很多以前 Meta 的员工说在 Meta 感觉就是心理健康都出问题了 ， 就是因为这个原因 ， 互相之间的争执都真的太多了 。
我的猜测是这些员工是从 OpenAI 来的 ， 从 Google 来的 ，Google 也有争执斗争 ，但是 OpenAI 会少一些 。 但是这些公司来的员工 ，他们其实是不擅长于做争执斗争 ， 或者说不擅长于在有争执斗争的环境当中去存活 ， 或者说去想办法做出自己的贡献的 ， 所以他们会觉得很不舒服 ， 自己在浪费时间 。
所以我能想象到为什么他们会走 。在整个硅谷的环境下， 跳槽这件事情其实是蛮常见的 ，但是在两三个月之内就跳槽是很不常见 ， 肯定是有事情就发生了 ，而且他们包也很大 ， 对吧 ？
肯定是比原来 OpenAI 要大的 ，他们回去 OpenAI 我觉得有可能也没有 Match， 可能也就是说原来的包继续给你 ， 类似于这种 。
所以从总体来说 ， 我的猜测肯定是内部争执斗争非常严重 ， 导致他们不得不想走 。 我自己的经验来说的话 ， 像这种顶尖人才 ， 或者说就是相对级别比较高的人 ，他们在整个大厂的 ， 特别是 AI 方向 ， 现在在大厂之间游离的能力是很高的 ， 就是大家都想要他们 ，而且特别现在做跟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 ， 都是十几家公司同时找 ， 所以他们选择余地很高 ， 所以他们会做这样的选择也不意外 。
组织盘点7:24
所以就是据你的观察 ，是在疫情之后 Meta 变得更臃肿 ， 层级更多 ， 这个情况一直到 23 年的 AI 热潮之后并没有明显的改善 ， 然后这些人就是在这样一个环境中加入到了 Meta，他们非常不适应 。
对 。
那我想问的就是扎克伯格 ，他现在试图让 Alexander Wang 非常年轻的一个人来 lead 的这样一个新的团队 ，他们是叫 Superintelligence Lab， 对吧 ？
他是试图在改变之前那种层级非常多的情况 ，他试图打造一个至少在 AI 领域更加扁平 、 更加回归到创业文化的这样一个组织吗 ？
我觉得他的初心是这样的 ，但是 Superintelligence Lab 现在有 5000 个人， 所以这个 5000 个人本身就 Anthropic 就有 1900 个人， 对吧 ？Superintelligence Lab 已经超过了 OpenAI 的总人数了 ， 那你想要做什么呢 ？
你如果只是想要打 OpenAI 的话 ， 你的人数不应该超过 OpenAI 的人， 对吧 ？ 你人数多是没有用的 。 我简单来这样说 ， 现在的模型训练的就一个 sota 模型训练的一个核心团队 ，其实不超过 50 个人， 就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 ， 可能有 20 几个人在做 Infra， 支持他们的训练和 Engineering， 可能会有一些 PM 之类的去想 Feature 要怎么做 ，
就是我模型哪个部分是重要的 ， 哪些部分不重要 。 剩下的很多的组织其实都是在想一些相对更边缘化 ， 或者说更不是在主线剧情上的一些产品 ， 互相之间配合 。
所以如果你真的只是说我要让 Llama 超过 GPT-5， 我觉得它应该找的是一个 150 到 250 人的一个核心团队 ， 想办法把这个东西做好 ，而不是搞一个 5000 人的团队 ， 互相之间掣肘太严重了 。
我严重怀疑当中内部还有赛马的嫌疑 ， 就是可能会有多个团队在做类似的事情 ， 互相之间赛马 ， 都不是一个被动赛马 ， 都是主动赛马 。
因为 Meta 是一个非常 ， 我们叫 Bottom Up， 就是从底往上传的一个文化 ， 所以很多人都会有类似的想法和创新的点子 ，他们互相之间就会开始说我要做这个方向 ， 我也要做这个方向 。在做同一个方向的时候 ，因为它跟做产品也不一样 ， 你产品有我们叫 Ownership， 就是这个产品是我的组织内部的一个产品 ，但是做模型又没有 Ownership 的概念了 ， 就是说你有这个想法 ， 我也有这个
想法 ， 大家都可以做 ， 只是训练模型 ， 训练出来谁好就好了 。 所以这个使得更难管理 ，因为谁都可以做 ， 所以这是目前的一个管理上的痛点吧 。
我所知道像亚马逊他们就没有这样的问题 ，因为他们可以赛马 ，但是这个赛马是每个组织内部自己去说我有我的资源 ， 我自己做的这个东西就是为了我的这个产品服务的 ， 所以它自己就算模型做出来跟别人很类似 ， 我也有一个可以落地的地方 ， 就是它的很多模型的落地点都是固定的 ， 就是我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
目标就是要完成这个产品的迭代 。 所以说它就算两个团队做了类似的东西 ， 它也能够落到自己的对应的产品点上面去 ， 所以不会出现说两个模型都做出来都没有地方落地这种情况 。
谷歌的话可能就更有点相对说有一些偏技术的 ， 或者说研究方向的一些非常厉害的 ， 大家都信服的这帮大佬们 ， 这些大佬会定大方向的 ， 剩下的人就配合他们一块做 ， 这个也会比较好 ，因为这个就不存在说我不服你 ， 我要去干什么什么 ， 对 ， 就是它相对会 Top Down 一些 。OpenAI 跟 Anthropic 就非常 ， 我们叫 Mission Driven， 就是它就说我要做这样一件事情 ， 这件事情
就是这个模型有这样的一个效能 ， 或者说有这个能力 ， 这几个能力我把 Benchmark 放好了以后， 我就对着它做就好了 。
整个公司就面向一个方向 ， 它不会说好几个团队在做同样的事情 ，而且人数也不够 ， 所以整个硅谷最大的几家公司现在现状就这样 。Meta 是目前看起来相对比较混乱的一家 。
我想问就是你刚刚提到这个区别 ，因为其实 Meta 你从外部观察 ， 它也是有很多产品和落地的具体的场景的 ， 比如说有 Facebook，有 Instagram，有 WhatsApp， 对吧 ？
它都是分开的 。 你刚才描述的这种技术团队 ， 你也做一个模型 ， 我也做一个模型 ， 最后都没有落地的地方 。
这是在 AI 热潮来之前 ， 它的组织架构的结构导致的这种情况吗 ？ 比如说为什么亚马逊那边可能它就一条一条的分的会比较清楚 ，而 Meta 这边其实它也有很多落地场景 ，但它没有分的这么清楚 。
就是组织架构导致的 。 简单来说 ，Meta 内部没有所谓的类似于像事业群这样的一说 ， 就是所有的代码库底下的基建以及产品 ， 所有人都可以改所有的东西 ， 就是没有人真的去阻止你说这个代码是你完全不能碰的 ， 就是一个完全不相干的组也可以看到你的代码 ， 觉得你代码不好 ， 然后去改你的代码 。
所以导致的问题就是没有自己对自己产品的一个 Ownership。 还有一个问题就在于它的每个组织的财务不是由那个组织本身来决定的 ， 就比如说我是个 VP， 我没有自主决定的权利说我给某个人多少钱 ， 或者说我给谁什么样的一个奖金 ， 我也不能自己决定说我要花多少钱在某个数据中心上面 ， 就自主权很差 ， 下面的 VP 基本上都没什么太高资质 ，他们有给到他们的一个预
算 ， 这个预算本身是可以自主支配 ，但是相对比较小的 ， 它没有到那种整个底下的人， 比如说我有 300 人的一个事业群 ， 我肯定可以裁掉一半人， 然后把这个钱拿去买算力 ， 就这种级别的自主性在 Meta 是不存在的 。
所以导致的问题就是说它不能每个事业群像一个 Startup 一样说我自己决定什么样对于这个产品 ， 或者说我自己内部的功能能够达到最大提升 ， 我要去怎么做一个策略性的改变 ， 它很难做策略性的改变 ， 它只能说我用现有的资源我怎么去跟别人抢 ， 把 Scope 扩大 ， 类似于这种 。
这种组织形态曾经给 Meta 带来的好处是什么样 ？ 因为我觉得它如果在历史上形成了这个东西 ， 至少在一定阶段 ， 或者说在某一种商业情景下， 它应该是非常有竞争力的 ，因为 Meta 毕竟还是个很成功的公司 。
对 ， 它速度快 ， 它速度非常快 。 举个例子 ， 比如说我是做模型的 ， 当年如果说我发现 Facebook Feed 那边某个模型有问题 ，其实我们当年也做了这件事 ， 就是我发现 Facebook 做推送的那个团队的某个模型有问题 ， 我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 ， 就直接可以改了 。
整个流程从一开始到最后加起来半年内我就把它模型全改了 ， 就那么快 。 你可以想象在任何一家大公司这件事情发生吗 ？
政治分功14:15
不可能的 ， 人家 VP 不把你打死才怪 。 但是在 Meta 就是可以做到这一点 。 这个组织架构有它的优势和缺点 ， 就是缺点就在于当公司变成了当年的 ， 可能从我当年 17 年加入到后面变成七八万人， 涨了快有五六倍了 ， 当你组织架构一个人变五个人的时候 ， 这个权益就分不均了 。
比如说原来一个人就能干的活 ， 现在变五个人， 这五个人互相之间还要分绩效 ， 就会出现争执斗争了 。
所以就是我听你描述下来 ， 我觉得一方面它又有好像看起来挺灵活不官僚的一面 ， 就是你刚刚说的我可能半年内我能改另一个就不是我这个 team 的东西的一些技术 ， 对吧 ？
同时它又带来了很多的政治斗争 。 你可以描述一下这个政治斗争它具体指的是什么吗 ？ 就在大厂里的技术团队之间的 。
这个不单单针对于 Meta， 所有的公司都有 ， 包括国内公司也有 。 我举些简单的例子好了 ， 就比如说就以刚刚推送有一个模型作为例子 ， 我有一个团队 ， 我的团队的目标是要把某一个模型的能力拓展到整家公司的所有产品线上 。
另外还有一个团队 ， 它的目标是我要把我团队的比如说 DAU 指标拉 2%。 这两个团队之间其实是有政治斗争的 ， 就是说如果说我用了你这个团队给我写的模型更新 ， 导致我的团队的 DAU 涨了 2%， 这个 credit 算谁的 ？
是他做的还是我做的 ？ 这互相之间就得抢 。 如果我要避免这件事情 ， 我是不是不能让他改我的模型 ， 我自己要把这个模型做出来能涨 2%？
这就是一个很典型的政治斗争的例子 。
所以这是其中一种典型 ， 就是一个事你也可以干 ， 我也可以干 ， 我们都想去争这个功 ， 这是一种 ， 对吧 ？
基本上都围绕着这种 。
对 ， 你这么说其实我也想到了另一种 ， 就大公司里可能会有的 ， 就比如说你的团队有一个目标 ， 第二个 B 团队它有一个目标 ， 你们这两个目标之间是有 trade off 的 。
那种都不算政治斗争了 ， 那种属于是策略性的 ， 就是你这个是有 trade off 以后， 你在两个团队的领导发现了 ，他完全可以往上走 ， 直接告诉 VP 说这两个东西很明显是有 trade off 的 ， 某一个数据科学家 ， 就 data scientist 跑出来说这个是我们分析为什么有 trade off， 看历史走势就是有 trade off，VP 直接拍板说哪个重要哪个不重要就好了 ， 这也没有什么好斗的 。
就是它在于说不清楚的事 ， 对吧 ？
对 。
就是它不是你刚刚说那种靠看什么数据我就能决定我能有一个相对理性客观判断的事 。
对 。
一般都存在于分赃不均 。
分赃不均 。
你刚才也提到你说 OpenAI 的人， 包括 Anthropic 的人， 可能他们并不是很擅长这些事情 。
他们不是不擅长 ，他们是压根就不做 ，他们是有目标知道要做什么 ， 我就专注着那个去做 ， 所有的目标一致 。
这就是做 Startup 的一个关键 ，不管你的 Startup 可能几千人了 ，但当你所有人不在乎说我占多少功 ，他占多少功的时候 ， 这件事情就不重要了 。
你觉得这个事就是在 OpenAI 这种体量的公司 ， 它虽然是一个创业公司 ，但是说实话它也有几千人了 ， 这还能保持吗 ？
或者说它的形态进一步到了一个什么状态之后 ，其实它也很难保持说你刚才说的这种状况 ， 就我们所有人的目标是非常一致的 。
有一个临界点 ， 就是这是我自己的观察 ，不管什么公司 ， 当你的人的数量比活的数量多的时候 ， 就是我们先看整个公司所要做的事情 ， 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 ， 剩下那 20% 的就是我们传说中那个 AD20 rule， 就是 20% 的事情能达到 80% 的效果 。
我们先砍掉那 80% 不重要的事情 ， 剩下 20% 重要的事情里面 ， 这 20% 重要的事情直接分给所有人 ，是不是还有活没有人干的 ？
如果这 20% 的活全部分下去 ， 还有活没有人干 ， 所有人是可以完全有统一目标的 ，因为他们做的事情都对于他们自己来说同样重要 。
但是当你发现这 20% 的活不足以分配给所有人了 ，有人开始做那 80% 的活了 ， 那显然就会想做那 20% 的活 ， 这个问题就出来了 。
你要看到那个临界点发生的时候 ， 你说明你人招太多了 。 但是大公司也没办法 ， 为什么呢 ？ 第一 ， 大公司的增长潜力 ， 当它到了某个临界点以后， 它每年的营收增长或者它的用户增长 ， 或者如果 ToB 的话 ， 它的商业化增长就只有 20%、30%、50% 了 ， 它不会每年翻三翻 、 五翻 、 十翻的 。
到了这个程度的话 ， 它为了要保自己的财报 ， 它要保自己的营收以及保自己的股价 ， 它不得不去招人去做那 80% 的活 ， 即便那 80% 的活只能给你找 1%、2%，也得要有人做 ，因为我的体量足够大以后，1%、2% 也足以去支付那些人的薪水了 ， 所以我还是得去招那些人去做那个活 。
但是那些人其实也有自己的野心 ， 所以那些人也想去做那 20% 的活 ， 这会就会产生我们刚刚所说的分赃不均的这个情况 。
就是在你刚才说的这个框架里面 ， 很多 OpenAI 里的和 Anthropic 的人 ，他们更多是使命驱动的 ，他们朝着一个方向去做 。
使命与野心19:24
从这个角度怎么去理解之前 Ilya 和 Sam Altman 的那一次比较大的分歧 ，其实外界会很自然的把这个东西形容为什么宫斗之类的 ， 实际上你觉得它是一个什么矛盾 ？
越是使命感为驱动的公司 ， 当它的个人使命互相之间有一些区分的时候 ， 它就更容易分崩离析 ，因为唯一维系他们的不是钱 ，而是那个使命 。
所以像这种组织 ， 它能够融在一块奋斗的时候是非常强的一个组织 ， 当它出现分歧的时候就很容易崩掉 ，因为这些人里面没有别的利益绑定 。
就像说得难听一点 ， 利益绑定是这个世界上最牢靠的关系 ，因为只要你能满足利益 ， 这些人就能绑在一块 。
而使命驱动就意味着当这几个人的使命不再一致的时候 ， 它就会崩掉 ， 就是那么简单的一件事情 。
所以你会发现 Sam Altman 跟 Ilya 之间的一个根本分歧可能是在于 Sam Altman 希望通过 AGI 完成用户的增长 ， 或者说整个公司在用户覆盖的能力上面的一个最大化提升 ，而 Ilya 希望在安全性 、 在可靠度 、 模型技术上面做更高的提升 。
而这两个的拓展本身其实所要花费的精力和资源是几乎旗鼓相当的 。 作为这家公司的高层 ，他俩都想让公司走他们的这条路 ， 就势必要把另外一个人的使命给干掉 ， 自然就会出现分歧 ， 自然就有人要走 。
所以一个使命驱动的公司不能容下两个使命 ， 必须要做路线的选择 。
对 ， 就是这个意思 。
我们回到 Meta 最近的动荡 ， 包括 AI 的人才争夺上， 你是直接讲到了比较深层的原因 ， 大家也会去讨论一些比较直接的导火索 ，其中有一个就是觉得 Alexander Wang 这个人他很难服众 ， 或者说他的风格 ， 比如说有人会称他是硅谷小小渣 。
说小小渣我觉得没必要 ， 两人风格其实我自己感觉可能不太一样 ， 这些我也不太好评论什么 ，但更多的是说我个人觉得一个非常高精尖的 AI 领域的 ， 特别是一个就是你像 OpenAI，Sam Altman 确实是 CEO， 之前 Mira 也是 CTO，但他们并不直接管研究 ， 就研究有研究的人在管 ， 比如说 Greg 在有时候管 ，John 之前会管 ，Noam 会管 ， 就是这些人是懂研究的人 ，他们知道研究方向是往哪里发展
的 。 就比如说我们把中间这批人踢掉 ， 让 Sam Altman 直接去管整个研究团队 ， 这肯定是行不通的 。 现在的情况就变成了你把中间的那些人都踢掉了 ， 让 Sam Altman 直接管了研究团队 ， 等于是类似于这种情况 。
所以可以说 Meta 是缺一个技术上的一个领军者 ， 就我直接管研究团队的 ， 大家也比较服的 。 就像你说的 ， 比如说 Google 其实是那些大佬 ，他们会定一些大的方向 ， 下面的人其实是会比较信服 ， 去跟着你干的 ，他们缺这种人 ？
我觉得他不缺这种人， 只是他架构定的时候定得让大家觉得有点不太爽 。
或者说他有这种能力的人 ，因为他不是从 OpenAI 搞来一些人吗 ？ 包括 Anthropic，但是他没有把这些人放到一个在这个架构里比较合适的位置 。
就是这个地方还有一个很细节的点 ， 就是说现在比如说我们这些年轻一辈的 ， 刚开始就是做强化学习落地 ， 做模型训练这批人， 很难有人是真的可以完全服众的 。
你要找的是那批德高望重的人， 又跟你的路线是 align 的这样的人， 就挺难找 ， 说句实话很难找 。
在 Ilya 离开之后，OpenAI 谁在扮演这样的角色 ？
有好几个人， 比如说之前 Noam Brom 是带的 Multi-Agent， 后面挺多的 ， 再比如说像 John Schumann，他带整个 RLHF，RL 方向带的比较多 ， 比如说这几个人就是大家都相对比较信服的人。
其实 Greg 管的不是很多 ， 我感觉 ， 还有 Jan， 我忘了他 last name 是什么 ，但这些人好像都走了 ， 对 ， 很神奇 ， 都走了 。
Noam Brom。
对 ，Jan Leake。
那个 Noam Brom 没走吧 ？ 他应该没走 。
Noam Brom 没走 ，Jan Leake 走了 ， 对 ， 主要这几个人可能相对比较出名一点 。 我感觉这些人就是在过往的 research， 就在 ChatGPT 火之前 ，他就已经做了非常重要的工作了 ， 大方向又是跟底下的人都是 align 的 ， 所以他们会愿意跟着他走 。
但是你说要 ChatGPT 之后出来的那批人， 让他们去担大梁 ， 说我来带大方向 ，也会有些人不服吧 。
就你刚才举的那些例子 ， 就是在 ChatGPT 之前就在有所建树 ， 它的方向跟现在整个行业带的趋势也是相契合的 ， 这些人他一般年龄段在什么阶段 ？
就比如他是现在大概多少岁 ？
一般都是 30 多岁到 40 岁左右 。
那其实也还是非常年轻的 ， 只不过可能不是我们想象中的什么少年天才 ， 就不是那种说特别年轻的 。
少年天才有一个你很难做出什么非常 fundamental 的 work。 我这样说 ， 就是现在的整个 research 领域 ， 甚至你看 PhD，他做的东西很多都非常 incremental， 甚至你可以去看最新 Percy Liang 他上课的时候 ， 第一节课讲 LLM 的 231N， 就是当年 Natural Language 的 NLP 的最经典的那个课程 ， 现在变成 LLM 的课了 。他第一节课就说现在 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 。
如果你要去做偏实际的大语言模型的 impact 的话 ， 你只能做那些边角料的活 。 你如果真的要去做更 fundamental 的 work， 你又没有足够的算力 ， 所以就变成了 PhD 都在想办法找大公司还没有做的方向 ， 想办法去发几篇 paper。
你进了大公司又是跟着大公司走 LLM 这条路 ， 又相对比较 incremental 一些 ， 所以就变成了现在的博士生的这批人里面 ， 就过去三四年毕业的博士生里面 ， 很难出现就是说我写了一个东西 ， 它可能会是下一个 PPO 的这种算法 ， 或者我写了一个东西会是能够改变强化学习或者 LLM 方向未来十年格局的这种研究 ， 就很少 。
现在什么样的人有机会成为那一小撮可以去做核心的 fundamental 工作 ，而且他还有足够的算力支持他的人 ？ 在什么样的组织里这样的人才能发挥 ？
现在其实缺方向你知道吗 ？ 就是现在整个业界或者说就连我们做的东西 ， 我们虽然说可以想是已经有些创新了 ，但是还是在 LLM 这条路上相对比较大的一个跨越 ，但是它不是一个换赛道的事 。
明白 。
就是说我觉得 LLM 可能不行了 ， 它有个瓶颈在这儿 ， 我要怎么去解决这个瓶颈是另外一条路 ， 这条路是什么 ， 就这个目前没看到有谁做出来 。
我总结一下你的意思 ，其实你刚刚说的这个 fundamental 的工作 ， 它是一种开创性的基础性的工作 。
对 。
你是指重大到这种程度的 ， 现在其实这种机会是比较少的 ，因为看起来有几条非常有潜力的主线已经被可能比如说你刚刚说的 30 到 40 多的这一群人 ，他已经摸索出来了 ， 大家现在很多事是在这个已经摸索出来的很有潜力的主线上再继续往前推进 ，而不是说我新开一条线 。
对 ， 现在很难新开赛道 ， 就是这个意思 。 一般来说这些人都是在自己那条赛道上面的一开始的两三篇工作是他们做的 ， 导致他们成为了这条线上面特别牛的人。
比如说当年 David Silver 为什么牛 ， 就是 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， 就是依作 ， 别人就自然信服他 。
比如说 PPO 是 John Schumann 他做的 ， 大家就自然信服他 ， 对吧 ？
你说到这个 ，其实我觉得这里面有一个最顶尖的人才和大公司所想要的人才之间 ， 它有一个 gap 在哪 ？
就是我相信最顶尖的人才 ，他是有野心去做一些非常原创性的东西的 ，他可能希望在这个技术史上， 你说是留下一块什么我贡献的专业也好 ， 还是说我怎么样留下我的姓名也好 ，他有这个野心 。
但可能对很多大公司或者说对很多组织来说 ，他们其实希望在我看起来这个收益相对明确的主线上有重大的进展 。
对 ，是的 ， 我其实也挺 buying 这条路的 ， 就是我其实也想做那种非常开创性的工作 ，但是我过往七八年的时间更多的是说你现有的技术路径上面怎么最快能落地 ， 真正能产生实际效应的路径是什么 ， 这个可能是我比较专注于的一个方向 。
但是有很多做研究的人其实是不想做这条路的 ，因为他做到那个方向以后 ，他就觉得说我基本上决定这个东西应该是可以成型的 ，他就停了 ， 后面的事是你们的活了 ， 跟我没关系了 。
所以大公司其实希望找就是喜欢落地的那批人， 像纯做研究的人其实不需要很多 ， 五六个就可以了 ， 剩下的人更多的是需要能做落地的人。
一个比较好的搭配是比如说五六个那样的人， 这样五六个喜欢落地 ， 做落地很好的人， 配起来就会是一个很好的一个领导层架构 ， 再往下再找一些比较靠谱的 engineer、 研究者这样 。
因为你刚才在盘点硅谷比较大的 、 比较重要的 AI 公司的时候 ， 你没有提 XAI， 我不知道是因为在硅谷的语境里面 ， 就是你刚才说的那些公司 ， 它还不在一个层级 ， 还是说 。
不是 ，不是这个意思 ，因为它这个不太好点评 。
对 ， 为什么我想到它是因为我觉得它的人是非常精简的 ， 就它的人相对你刚提的那些公司都是要少很多的 。
对 ，但是他们也是个不睡觉的公司 ， 这是 Elon Musk 他的性格导致的 ， 就他自己就会这么工作 ， 所以希望底下人全是这么做工作的 。他其实不是第一类的人 ，他是第二类的人， 就是他看到一个技术他觉得可行 ，他会想去落地 ，他会不惜一切代价去落地的那种人。
其实他之前跟 Yann LeCun 在推特上面吵架那次你知道吗 ？
我知道 。
就是他说其实不存在 research scientist，其实都是做 engineer， 就明确能感受到他就是这样的人。
对 ，而且他那个话说得挺重的 ， 反正大概意思就是说 ， 说那个乐坤你这十年你到底做了什么贡献 。
对 ， 就是他是一个很典型的工程师思维的人， 科学家思维跟工程师思维是很不一样的两种思维方式 ，但 Elon Musk 就是典型工程师思维的人， 所以我们在讲顶尖的研究科学家的这个领域的时候 ， 我一般不会把他牵扯进来 ，因为他的主要目标还是以现有的办法想办法把它去落地落好 ， 把它的比如说 scale， 就是它把模型的 size 各方面给做大 ， 把算力给叠上去 ， 想办法把这
个能力给提高 。他的一般来说的模式都是类似于这种方式的 ，他跟 Google 的驱动方式是很不一样 ，Google 是以科学驱动的 ， 就是说我要在科学方面有一个下一个飞跃 ， 自然就会带来一个很大的革命 。
而 Elon Musk 更多的就是我以工程师思维 ， 现有的技术 、 现有的科学 ， 我怎么能把它落地落好 ， 做出一个极其复杂 、 别人做不了的一个工程项目 ， 使得别人没有办法去做我做的事情 。
所以 XAI 他们的团队组成上， 它是比较倾向于就你刚说的两类人， 一类科学家倾向 ， 一类就是落地倾向 ， 它是比较倾向于后面那些人多一点是吗 ？
对 ，他招人的时候也有这个倾向 ， 我其实有看到很多的被他们招过去的人都有就是第二条路径的倾向 。
两类人才31:52
其实你说到 Elon Musk 和 Google 的这个对比 ， 就有点不恰当的会 ， 我觉得它也可以类比到中国和美国更大的这个区别上， 至少目前在此时此刻 ， 我是指就是美国在一些技术发展上， 它其实可能更偏你说的第一类吧 。
我觉得这个类比不是很恰当 ，因为每个国家 ， 就是现在中美各自都有自己的偏科学家型的和偏工程型的 ， 我一般会这样去看这个问题 ， 工程型的人才一般会决定你接下来两到三年的发展 ，而科学家型的人才会决定你未来十年的发展 ，但是你有可能活不过两三年 。
对 ， 就是这样的一个问题 ， 我并不觉得中美之间有那么大的区别 。
你在中国观察到的就是科学家型倾向的这种 ， 我觉得人才肯定是有的 ， 就组织你觉得是什么组织会有这个倾向 ？
这不好说 ， 对中国的公司不是很熟 ， 所以这个我就没有办法评论了 。
因为这个我觉得还挺有意思的 ，因为你平时在美国 ，而且其实你上大学就去了 ， 就在那边很多年， 其实你要是和国内很多做技术的人聊 ， 我觉得国内很多人会有一种倾向 ， 会认为最原创的东西现在在中国还是比较难发生 ， 就大家会有这么一种感觉 。
对 ， 确实也是 ， 就这样 ，LLM 发生以后， 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 ， 所有人就一股脑说只做 LLM。
其实也有一些特别神奇的就是这种小的公司是有在挑战的 ， 比如说有做这个 ， 就是回到 RNN 那个方向了 ， 就做新的架构的 。
对 ，但是在海外是非常多的 。
在海外非常多是吗 ？
对 ，是非常非常多 ， 就是很多的高校的存在 ， 比如说在美国的定义就是为了要去挑战现在的科学极限 ， 就是 LLM 从某种意义上来说 ， 我们还没有研究到科学程度 ， 就因为现在目前为止都不知道 Transformer 背后的那个具体最根本的原理和一些原理都还不清楚 ，但是就是在一个共识之下， 大多数美国高校的很多的团队目标就是挑战这个共识 ，他们是可以花十年时间什么
都做不出来 ， 就去为了挑战这个共识的 ， 就是这是美国的整个高等教育和学研体系培养出来的一个环境 ， 欧洲也是 ， 就是这两个环境给到你的这个容错空间 ， 就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 。
对 ， 这个得要承认 ， 就是在美国这个学研环境已经在慢慢走下坡路 ， 受冲击太严重 ，因为钱都在最容易落地的 LLM 这些东西里面 ， 所以你要去拿 funding， 政府又不给 funding， 怎么办 ？
你只能去挤那些路径了 。 中国一直都有各种各样的指标压力 ， 所以在这个条件之下， 高校各种各样的企业 ，他们都会去挤那个最容易拿到指标 、 最容易拿到业绩 、 最容易拿到可能文章发表的这些路 ， 就会往死里去挤 。
这些环境就导致了说我们不容易能够给到这样一个完全你可以三年不发任何文章 ， 就为了去挑战这么一个方向的这么一个环境 ， 就很难做到 。
这个事情说得更深的话 ，其实就是大家作为一个个人科学家或者研究者的你的命运还是跟这个科技周期是有关系的 ， 对吧 ？
所以就是说你现在想去开创一个新的道路 ，有可能它在技术规律上， 它现在就不是一个新的道路爆发的时候 。
我不认为存在技术规律这一说 ， 我个人认为做科技研究 ， 甚至做工程师都有选择 ， 你的选择要很多 ， 你基本上可以完全控制自己的命运 。
我基本上能确定所有的相对比较好的研究员脑子里面一直都会有三到五个想法是他们觉得值得做 ，而且想要做的 ，而且可能会有机会能够挑战现在的最顶尖的模型也好 ， 方向也好 ， 各种各样的 ， 主要就是你的选择问题 ， 就是说你想去大厂拿高薪去做相对比较半年内能落地的事情 ， 还是我就说我要去留在高校 ， 可能 funding 都有大问题 ， 想办
法要求爷爷告奶奶去拿计算资源 ， 带着几个学生还不一定能够听你的话 ， 去把这个事情做出来 ， 就是这是一个选择问题 ，是选择就一定有 trade off，但每个人都有自己能够选择的权利 ，因为科技的创新很多时候就是一个人一个小团队 ，他突然之间觉得说我一定要做这个方向 ， 这个方向可能不是一家在做 ， 可能有二三十家尝试去做推翻原来方向的这么
技术发展 ， 这二三十家可能三十家里面 29 家都失败了 ， 只有那一家成功了 ，但必须要有那一家去选择说我要去挑战了才会出现 ， 所以这个是个主观选择问题 ，不是一个规律性的问题 。
这你说到这个 ， 我在设想一种情形 ， 就比如可能出现一个我们就把它假想为世界的一个非常有钱的一个什么首富富豪 ，他愿意给非常大的空间 ， 我就是集结一批有这种能力 ，而且我有这种想法 ， 我就是要去挑战现在已经主流的路线之外的可能的别的路线 ， 就是我要去推进这个边界的极限 ， 你觉得这种东西可能会自然存在吗 ？
会出现吗 ？
现在其实都存在 ， 比如说像海外的话 ，Bill Gates 有他自己的研究基金会 ，Jacob Broker 有自己的研究基金会 ， 像 Larry 有自己的研究基金会 ，Sergey Brin 也有自己的研究基金会 ，他们都有 ，他们都在做这件事情了 ，他们很多公司内部有些研究组织也是没有任何的目标的 ， 就是我要去推进边界 ， 就 that's it。
这些基金会给到的资源够吗 ？
其实非常宽裕的 ， 就很宽裕 ，但问题在于这些基金会给到的这些所谓的资源是不是能够吸引到人来 ，因为你不只是要吸引那个顶尖的人， 你还得吸引那个能给那个顶尖的人干活的人， 这些人很难因为你招了这么一个人他就真的来你这儿 ，因为你这个是没有职业路径 ， 除非那个人能够爆 ， 就是这个人他做这个方向直接起飞了 ， 所有人就一
块起飞了 。 但是如果说你没有起飞 ， 你在这基金会干了五年， 别的大公司你怎么办 ？ 你的职业生涯就肯定卡了五年， 你如果去大公司的话 ， 你五年可能升职了 ， 你以后职业发展就能够按部就班往上爬梯子 ， 对于更下面那一层干活的人来说是有这样 trade off 的 ， 所以对那个人的吸引力也会有限 ， 比如说你去斯坦福教育一个人， 或者就是斯坦福去招一个
教授 ， 对比我 Jacob Broker 他们什么那个基金会招一个研究员 ， 这俩之间肯定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那个 Jacob Broker 基金会给的资源多 。
硅谷吸引力38:49
如果总结下来说的话 ， 现在在 AI 技术领域 ， 大家都想争夺的确实能带来最大改变的最精英的那一小撮人 ，他们看中的东西是什么 ？
就是他们在选择一个工作 ， 选择要不要加入一个组织时 。
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 ， 就比如说假设有这么一个模型 ，不管是 Agent 也好 ， 还是一个模型也好 ， 它被称作 AGI 了 ，有 10 个作者 ， 这一小撮人能不能在这 10 个作者之内 ， 就是他们现在想要追求的目标 。
这个追求背后每个人的更底层的驱动力是什么 ？
为爱发电 。
为爱发电和我的名字要在那 10 个人之中， 这完全一样吗 ？ 我可以比如说誓要浮生去不留下姓名吗 ？
我说的为爱发电就是即便你是为爱发电 ， 你想要得到的回报是我在历史上有这么一个 ， 就为什么有人会想要去争诺贝尔奖和图灵奖一样的道理 ， 是一个概念 ， 你做的时候可能是为爱发电 ， 这个东西是你真正的热爱 ，但你希望你的热爱被世界看到 。
我觉得你刚刚的那个回答挺直接的 ， 就是我要做第一个达到 AGI 的核心的贡献者 。
对 ，因为一个人的一生很难遇到历史性时刻的 ， 当你能看到有这么一个历史性时刻的可能性的时候 ，而他正好站在你热爱的这条道路上的时候 ， 你会不惜一切代价 ， 甚至于今天你告诉他有这么一个机会 ， 一分钱不给你 ， 你能够有 90% 的概率站上这 10 个人之中的一个 ， 我相信这一撮人， 包括我在内 ， 我不认为我自己是这撮人之间的一个 ，但我也会愿意说我会去走这
条路的 。
对 ，因为我们刚才其实是从 Meta 这个事本身开始讲 ， 就讲到可能 Meta 内部有一些推力导致它招了一些人， 这些人又被推出去了 ， 我们接下来可以从就是吸引力的角度来讲一讲 ， 就在现在硅谷这些比较主要的 AI 公司里面 ， 据你观察就是它对不同类型的人才吸引力是怎么样的 ？
就刚才其实我们讲了几类 ， 一类就是可能我做最核心的开创性的想法的一些人， 就是一小撮最精英的人， 还有就是我要把这个事落地的人， 这里面也有就是那种需要 leader 级的人物 ， 再就是可能下面一些我们要去把这个事情给真的做出来的跟进的执行的人， 现在硅谷的这些公司里面 ， 对这些不同的人大概是一个什么吸引力的情况 ？
现在第一梯队肯定是 OpenAI、Anthropic 这两家就是第一梯队 ， 下面就是 Google 算是第二梯队 ， 它其实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 unfortunately 它是一家大公司 ， 它的上上空间有限 ， 人数又太多 ， 所以它会相对来说在最顶尖的那批人在选公司的时候还是会把谷歌排在那两家之后， 后面就是那一大片大公司了 。Meta 其实是应该跟 Google 在一条线上的 ，但是因为
它现在可能就是负面新闻有点多 ， 大家都有点怕 ， 所以即便它给的包都很好 ， 大家都会犹豫要不要去 。
感觉 Meta 这次是花了钱搞了一次负向传播 。
也不至于到这样 ， 就是大家至少知道它愿意花钱 。
但是你不知道就是你接了这个很大的包之后， 你去了之后到底面对的是什么 ， 就现在它的表现出来的这些混乱 ， 可能会让有些人会比较触网 。
对 。
回到就刚才你说的那个 ， 就还是两个最大的创业公司对人才的吸引是最大的 ， 这个还挺有意思 ，因为我跟脉脉的创始人林凡也有聊 ，他们是有很多中国的这种就是整个大面上的这种人才市场的求职数据的 ，其实在中国的 AI 人才相关的去向上面还是大公司是最多的 ， 这节还是断崖式的领先 ， 这个倒是在美国是不太一样 ， 就是中国没有出现像 OpenAI 和 Anthropic 这样
的超级的创业公司 。
跟资本市场有关 ， 最后还是资本市场 ，因为你几乎可以认为 OpenAI 跟 Anthropic 有无限资本 ， 原因是在于如果这两家倒了 ， 整个美国的 AI 投资就倒了 ， 传说大而不倒 ， 就是船太大了不能沉 ， 说的就是他们 ， 所以你不能把它想象成小公司 ， 它就是大公司 ，但在国内的就所谓的模型创业公司 ，他们不存在这样的优势 。
所以 OpenAI 和 Anthropic 现在其实它相当于是我又有创业公司的优势 ，但同时我在资源上其实我是接近大公司的 。
对 ，而且大公司还在想和它合作 ， 这就是它最牛的一个点 ，因为它的模型能力超过了别的大公司 ， 像 AWS、 像 Azure、Google Cloud，他们都会主动去卖 Anthropic 的模型 ，Azure 的话还会主动卖 OpenAI 的模型 ， 所以这等于是我还不只是把能力提上来 ， 就是我的模型能力很强 ， 别人还得被迫帮我卖东西 。
就是据你在那边生活十几年的经验 ， 曾经有出现过就是位置这么有利的创业公司吗 ？ 就在这一轮 AI 热潮之前 。
我觉得之前的 Google 就是那么有利的创业公司 ，Facebook 也是 ，他们的护城河就是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 能力又把它给补回来了 ，但是 Meta、Facebook、Instagram 社交网络的护城河就是强大到无法被破的一个护城河 ，因为你很难从那个社交网络当中跳出去 ， 一旦形成了一个社交网络的圈子 ， 就是有一个非常紧密的一个圈子 ， 这个圈子一旦形成 ， 它就
无法被破掉了 ， 所以他们其实当年就有这样的优势 。
对 ， 所以其实即使现在 Meta 的有些人才动荡 ， 包括它 Llama 4 表现也不好 ，但是我前段时间跟做美股二级的人聊 ，他们会认为 Meta 的位置是最好的 ， 就是在大公司里 ， 就这种已经上市的这种巨头里 ，他们认为 Meta 的位置是最好的 ，因为它本身有大量的壁垒 ， 非常强的应用 ， 认为 Google 是有些危险 ，因为它的搜索这些其实是很有可能 ， 就它自己本身的主业和这个
AI 的发展之间会有一些取舍的问题 ， 现在 ChatBot 这种产品形态本身确实也吸了很多搜索的量 ， 就有些人就会习惯用那个东西去搜索 。
对 ，但我要说的一点就是谷歌同时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要超过 OpenAI 跟 Anthropic。
所以这个我觉得是挺有意思的 ， 就是不同人的视角是不一样的 ，因为你是技术背景 ， 你是技术从业者 、AI 从业者 ，其实你们是更能认可到 Google 就研究这一层的价值的 ，而投资人他更多是可能看二级的一些指标 ， 包括就业务 ，他们可能会更关注业务上的一些走向 ， 我觉得综合起来会是挺好的 ， 我可以有一个更综合的视角和判断 ， 又回到刚才那个吸引力的问
题 ， 就是你是觉得 Google 就是在 Anthropic 和 OpenAI 之后， 它是在第二最受欢迎的 ， 可以讲讲就是 Google 同样作为一个非常大的组织 ， 它可能做对了什么吗 ？
尤其是其实这一轮热潮 ， 它也是经历了一个就是在 23 年的时候 ， 大家会觉得它好像有点赶不上趟了 ， 觉得 Google 怎么好像突然被甩得有点开 ，但是到了今年我觉得是非常明显的 ，Google 它很多 Gemini 的表现 ， 包括最近非常火的这个 Nano Banana， 它的表现都是很好的 ， 大家觉得它在回来 ， 就技术上 。
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 ， 就是因为它公司太大了 ， 所以它的动作比别的公司要慢 ， 导致了说 OpenAI 可能已经 release 好几轮事情了 ， 它一直卡在某一个节点上面 ， 一直没有 launch 出来 ， 公司大了就是会这样 ， 就是它有可能是同步开始的 ，但它结束的时间就是要比你晚一些 ，但是因为它的技术积累非常深厚 ， 当它开始开花的
时候 ， 它不是单点开花 ， 你会发现它整个 stack 从语言到文字到视频到图像到世界模型到未来可能 robotics 全开花了 ， 你就一下子会发现就是把市面上直接模型都打爆了 ， 就是这样的一个情况 。
就是忽如一夜春风来的感觉 。
因为你要这样去想 ， 就是突然之间 ， 比如说 22 年年底 ChatGPT 出现 ，23 年年中的时候特别火 ， 那时候 Google 意识到说我要发大力了 ，23 年年中到 25 年年中， 这两年时间是一个正常的大型产品发布的一个 lifecycle， 它就是按照一个正常大公司的 lifecycle 走了两年， 然后把产品都发出来了 ， 它可能有二三十个组都在同时开发他们自己各自最好的模型和最好的能力 ， 两年出来了
，但是 OpenAI 跟 Anthropic 就是我盯着一个点打 ， 我资源没法分散 ， 我就盯着一个点打 ， 我可以很快的一会儿出一个模型 ， 一会儿出一个模型 ，但 Google 就是说我要同时打 ， 批量的打 ， 每个组都做自己最好的 ，以自己的技术积累去打出一个东西 ，但是当中过程很慢 ，因为各种组织的问题 ，但是我最后能够出来就是一批全都打爆你们的模型 ， 这就是技术积累的一个优势就在这里 。
如果总结下 Anthropic 和 OpenAI 他们非常针对的就聚焦的那个点 ， 你会怎么描述 ？
Anthropic 我觉得还是以聚焦文字为主 ， 就是以文字为趋向 ， 就是整个动作空间只有文字的这么一个模型 ， 就把它做到极致 ，在这里面最好的应用场景就是 coding， 所以这是为什么它只打 coding，而 OpenAI 的话就是把面向 C 端用户的所有场景做到最好 ， 这就是他们要做的 ，而谷歌慢慢变成了一个面向开发者的一个 ， 就它往后退了一步 ， 它把这个模型做出来以后， 它
并不急着去做应用 ， 它把所有的能力都放出去 ， 让那个 C 端的 App 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 ？
我的猜测是因为现在 AI 时代的真正 C 端用户的习惯 ，以及 C 端用户想要什么 ，以及 B 端客户想要什么 ， 都不是很确定 ， 我宁可就是直接养谷马 ， 我直接养它 2000 个公司 ， 就我把我技术给 2000 个公司 ， 你就自己去迭代 ， 自己去孵化 ， 就像自然演变一样 ， 我就让你去自己进化 ，不行的公司自然会被淘汰的 ， 行的公司自然就留下来了 ， 那些留下来的公司 ， 我说
难听点 ， 我实在作为谷歌 ， 我要非常可能恶意的话 ， 我看着你要么把你买下来 ， 我要么就直接做你一模一样的把你干掉 ， 就是我进化到一个你这公司已经看出来有雏形 ， 这个公司能成了 ， 我要么把你买下来 ， 我要么做你跟你一模一样把你干掉就可以了 ， 就是我根本不急着去做 C 端应用或者 B 端应用 ， 作为我那么大体量的公司来说 。
这是你作为一个外部视角的观察 ， 还是他们自己是有这个知觉的 ，有这个认知的 ？
我的外部视角观察 ，但是他们有的知觉就是他们要做开发者环境 ， 要做开发者生态 ， 这是我已知的确定的事情 ， 我对于这件事情的观察是我刚刚说的那些 。
就是你说的最后的结果可能是你说的那部分是你的观察 ， 对吧 ？
对 。
对 ， 我觉得其实 Sam Altman 应该是想得很清楚了 ，因为他今年早些时候有一次他接受访谈的时候 ，他有说过就是在 10 亿 DAU 和 AGI 大概是这两个选项之间 ，他说他要选 10 亿 DAU， 就是排优先级 ，他认为 10 亿 DAU 是更重要的 。
如果我选 ， 我也肯定选 10 亿 DAU， 当我有 10 亿 DAU 的时候 ，AGI 一定会发生 。
OK， 所以 10 亿 DAU 包含了 AGI。
因为你有 10 亿 DAU 就意味着这个世界上几乎所有的职业 ， 就所有要解决的问题的对应的人都是你的用户 ，而如果能把这些人所要解决的所有的问题都用 AI 解决了 ， 那就是 AGI。
对 ，Google 确实我觉得就你刚说它大公司慢的这个 ， 我觉得带来的一个客观的情况就是它没有占住 ChatBot 这个 ， 就到目前为止我觉得是唯一正式的一个 AI 大模型的超级 App， 它没有占到这个头部 ，而 OpenAI 在这个领域它已经是龙头了 ， 它还增长得非常快 ， 它今年年初的时候大概是 3 亿的周活 ， 它现在应该是有 7 到 8 亿了 。
对 ，但 Gemini 的增速也非常惊人的 ， 我如果没记错的话 ，他们增速非常惊人， 好像也已经是 3 亿还不是 4 亿用户了 。
但他们没有披露活跃用户数 ， 对吧 ？ 它披露了一个增速 ， 大概 4 月的时候 ， 当时它的周活的增速是 42% 左右 ， 今年 4 月的时候 。
对 ， 非常非常快的一个增速 ， 那么大的体量的公司 ， 就是海外用户 ， 你进 Chrome 第一件事情还是搜索 Google， 你不会去打开 chat.com 去用 ChatGPT 的 。
所以你觉得在 ChatBot 这个形态上 ，其实 OpenAI 也并没有说到一个比较高枕无忧的状态 ， 接下来还是可能有比较大的悬念的 。
对 ， 现在其实我非常想了解的一个数据 ， 目前我没有 ， 就是手机端的用户回读 ，因为电脑端有浏览器的存在 ， 就使得 Google 有一个无法被打败的天然壁垒 ， 当然 Chrome 现在已经判不用卖了 ， 所以 Google 又涨了一波 ， 我觉得我也非常看好它 ，但是手机端虽然 Chrome 的占有率还是很高 ，但是有 APP 的存在和 OS 的存在 ， 导致你有可能会去点别的 App 去做这个事情 ， 我想了解
的一个点 ， 可能我现在没有数据 ， 就是 ChatGPT 的这个 Mobile APP， 它的活跃度有多高 ， 相比于电脑端 ，因为现在的 ChatBot 还是以效率工具为核心的一个用户场景 ， 手机端更多还是以娱乐为主 ， 或者说以沟通为主 ， 就是 communication social media 这些为主 。
对 ， 还有什么生活服务之类的 ， 娱乐生活服务 。
对 ， 如果说永远都是以电脑端为主的用户体验 ， 它就很难跟 Google 做长期竞争 ， 它肯定会有一席之地 ，但是 Google 很有可能会追上， 变成一个并驾齐驱的状态 ，而手机端如果它能打下来 ， 那就不一样了 ， 它一旦年度上来了 ， 那 Google 就没法跟它打了 ，因为那个 APP 它就是一个别人的 go to place， 我只要打开手机第一件事情 ， 我先开 ChatGPT， 那 Google 一点办法都没有 ， 对吧 ？
AI原生组织52:52
我们刚才其实是从就是 Meta 的这个变化 ， 还有人才竞争 ，是聊到了硅谷的 AI 的也有很多业务上的变化 ， 包括这些公司之间的进展近况 ， 接下来一 part 其实还是想回到就是团队和组织这个事上， 我想聊一聊就是因为你自己现在在创业 ， 就是你怎么去看 AI 它所需要的一种新的组织可能是什么 ，因为现在看起来肯定是你之前在比较长的历史时间里面 ， 比如说我
已经成立 10 年、20 年的公司 ， 我形成的一些架构 ， 一些结构 ， 一些文化 ，也许没有那么适应现在的这种 AI 的开发和落地的流程 ， 我们如果说作为创业公司从零来做的话 ， 它可能是应该打造一个什么样的组织是比较理想的 ？
首先不要重复工作 ， 能给 AI 就给 AI， 这是第一个要素 ， 就是从我们建立整个公司第一天开始 ， 我们每次有一个新的职位觉得我们要招人， 第一件事情就是说未来两三个月之内这个事有没有可能能被 AI 直接取代掉 ， 如果可以不要招人， 人越少越好 。
我想补充问一下 ，因为上次我们聊的时候你们不是四个人吗 ？ 后来我们写稿件的时候你们好像是到七个人还是多少人， 你们现在多少人 ？
现在是全职员工是八个人， 还有几个小的职位还在找 ，但基本上已经就差不多了 。
你们一个人等于多少估值 ？
我就不好说了 。
这个数还挺吓人的 。
对 ， 第二点就是组织的中心化和不要创建金字塔 ，有一个点是在于说 AI 对于整个策略的规划性 ， 甚至于人， 如果人足够少的情况下， 对于策略的规划性是不需要做我们叫层级的抽象化的 ， 现在组织架构的一个核心目标就是说我能够告诉这个部门干这个 ， 下一个部门干那个 ， 每个团队有自己要干的活 ， 那个组织的领导再往下去派活 ， 对吧 ？
它为什么会创造不够高效的一个组织架构 ，是因为你在统筹规划的时候 ， 你并不知道你底下那个部门本身它的能力是不是能够足以完成你给它的任务 ，因为你不了解组织底下的每个人的能力 ， 你需要跟那个组织的领导去沟通 ， 那个组织的领导下面如果有 30 个人他也搞不清楚 ，但如果那个组织就一个人， 或者就两个人 ，而你整个公司就只有 10 个组织 ， 就 20 个人，
你作为一个领导层 ， 你不应该创建任何的 ， 即便你可以说我把它变成三个部门 ， 底下再放几个人， 你就不应该去尝试做这样的一个就是金字塔型的结构 ，而是一个网状结构 ， 就是说以你或者几个创始人为核心 ， 给所有人派发工作的时候 ， 了解每一个人的能力 ， 根据他们的能力去相应派发他们所应该工作的下一个最重要的 priority， 横跨整个公司去进行优先级的规划
，而这个规划的过程是需要 AI 帮助的 ， 当你的公司增长到 20 多个人的时候 ， 你其实搞不太清楚每个人的优势在哪 ， 每天是不是还有足够的精力去干别的活了 ， 所以如果有 AI 的帮忙的话 ， 你是有办法说我能够面面俱到到整个公司有 30 个人， 每个人每天在干什么 ，他有多少的精力 ， 明天是不是有什么事 ， 家里是不是出什么事 ， 如果他家里出
什么事 ， 该把活派给别的一个什么人， 这些东西全都能做到 ，因为你有一个巨型的 retrieval 系统 ， 你如果需要给这几个人派活 ， 你可以直接问那个 AI 说我组织我接下来要做这么一个活 ， 这 30 个人里面我应该派给谁 ，他们现在在干什么活 ， 我直接针对于那几个人的现在情况 ， 再去给他派活 ， 甚至于你都可以不存在 。
我觉得这个在创业公司可能是可行的 ，但如果你推广到更大的组织 ， 我觉得员工会受不了吧 ， 会感觉公司是不是对我掌握的太面面俱到了 。
我刚刚说的就是创业公司 。
对 。
巨型公司它很难在 walk back， 你也不可能裁掉很多人， 对吧 ？ 裁掉很多人就会产生动荡 。
即使有 AI 的协助 ， 这个网状结构能容纳的规模也是非常有限的吧 ？
我觉得不会 ， 我猜测几百号人应该是可以的 。
你这个猜测就是它的依据是什么了 ？
就是有公司做过实验 ， 我只能说到这儿 。
我在想就是如果这个方式可行的话 ， 它其实本身也可以变成一个 AI 的产品或者服务 。
是 ，why not？ 但是这个很麻烦 ， 就是你要了解到每个人的细节 ， 就那个公司内部的人才能知道 ， 你 CEO 是不是能够把这个 AI 的能力做好 ， 每个人是不是能够跟着你的 AI 的规划去做那个活 ， 做完了是不是能够回馈给他 ， 各种各样的都会有他自己所承担的问题在里面 。
这是第二点 ， 就是不要是金字塔结构 ，是 AI 协助一个网络的结构 。
对 ， 我可以再分享一个我自己觉得对于强技术团队很重要的一个点 ， 就是想办法把任务不要太细节化 ， 原因在于现在的很多任务其实你太细节化以后， 它的时间线是很短很短的 ， 比如说我要去加一个这个 feature， 它可能就是两个小时的事 ， 给 AI 写个 prompt 就结束了 ， 所以你要给的任务变得相对抽象化一些 ， 主动去发挥一个人的架构能力 ， 就这个人本身不再
是让他去为了写代码而写代码 ，而是希望这个人能够去架构这么一个 feature 或者这个功能所对应的整体的就是 12345 五步 ， 再去交给 AI 去做 ， 你要把整个派发的任务的那个 graduality 就是细节程度把它给更抽象化一些 ，而不是说像过往一个做那种看板或者是做 sprint， 你会每个小功能 、 每一个代码修改全都写成一个任务 ， 这个在现在这个 AI 为主导的工程师团队
的这个架构下是不太 work 的 ，因为你来来回回的频次太高了 ，他可能两个小时就干完了 ， 你难道再做一个 stand up 吗 ？
不可能 。
你觉得就是那种它的业务里如果涉及到预训练的这种技术类的公司 ，AI 公司和我更侧重于做应用的公司之间 ， 可能会在组织上形态上会有什么区别 ？
因为我没有做过大公司里面的预训练工作 ， 所以我不能直接 comment 说具体这个架构怎么搭 ，因为预训练里面有一个很大的模块是数据 ， 数据团队我从来没有带过 ， 所以我就不太好 comment 说这种架构要怎么去 ，因为人数非常非常多 ， 你如果把标注团队直接拉到变成 contractor， 变成 in-house 的话 ， 你可能要几百号人的标注团队 ， 数据处理团队 ， 做 infra 的人， 做 storage 那批人， 还
要去做怎么把数据放到训练的 cluster， 这个 throughput 很重要 ， 这些东西都得做 ， 它所需要的工程的量级其实要比现在做一些 fine tuning 和做应用的工程量级要高很多 。
你说到这个我想起来 Meta 最近的这个风波里有一个非常具体的矛盾 ， 就是其他的研究人员在吐槽说 Scale AI 的数据质量不高 。
其实现在的数据到了非常专业领域的时候都已经不太够了 ，因为它非常专业的领域都是什么化学奥林匹克竞赛的内容 ， 或者说物理奥林匹克竞赛的内容 ， 或者你要去解决一个数学证明题 ， 或者要去写一个非常复杂的代码 ， 人可能都不知道怎么写 ， 你要去找到一个能写这个东西的人， 你一个 PhD 都可能不够 ，因为那个 PhD 还得去查资料才知道怎么做这件事情
， 所以真的很难拿到这个数据 ，也不能怪 Scale AI， 说句实话 ， 这个就是很难的一件事 。
信任1:00:35
刚才其实说了就是现在比如我们创业来做一个 AI 的非常技术型的公司 ， 它可能一些新的特点 ， 你觉得有些什么不变的东西吗 ？
就作为一个创业公司和组织吧 。
我觉得可能甚至于更重要的一个点就是人与人之间的信任 ，因为有很多东西都被 AI 给可能抽象化了 ， 就比如说你交付的任务 ， 可能一天的交付量可能是原来的三倍到五倍了 ， 正常的 leader 或者说 CEO 整个 C-suite， 我根本来不及看每个人到底交付了什么东西 ， 就是互相之间的信任 ， 互相之间是不是有这么一个 bonding 在 ， 团队之间的紧密度 ， 互相之间对于目标
的一致化是不是能够达到这个标准 ， 这个变得更加重要了 ，因为你没有时间和没有办法去跟上 AI 所做出来的 。
假设你有 20 个下属 ， 这 20 个下属原来能做的东西你大概能每天看一眼 ， 或者每周至少能看一眼 ， 现在变成 20 个下属 ，他们每个人都变成了我们叫 10X engineer， 它变成 200 人的一个输出 ， 一个正常的领导根本来不及看 ， 这个时候你怎么能够去仍然管好这个团队的输出变得非常重要了 ， 一个核心点就是你跟他们之间是不是有足够的信任 ，有些东西你
可以不用查 ， 什么东西要查 ， 什么东西不要查 ， 这是一个点了 。 第二个点就是在团队内部互相之间的能力的互补性 ，在这种架构下我们发现如果有两个人的能力是完全一致的 ， 或者他们互相之间有能力覆盖 ， 那就很容易撞 ，因为哪个小的 feature 也好 ， 功能也好 ， 做起来都很快 ， 这两个人都会想做类似的事情 ， 即便说大家目标一致 ， 你就可能
会浪费一个人的时间 ，因为你一开始给的是非常抽象的任务 ， 你抽象任务把它给就 break down 或者把它变成把它架构化以后， 发现有些任务是共同的 ， 两个人可能干了一样的活 ， 所以你要尽可能去避免这种情况的发生 ， 整个组织里面所有人基本上要想办法把它变得完全互补 ，不要让他们有那种完全覆盖的能力 ， 每个人的工作重心要有区分化 。
以你现在就你们自己的实践 ，Pokee.ai 你们八个全职的人之间你们是怎么来协作的 ， 你们怎么运转的 ？
就是我们每天都会有一个简单的 stand up，但是我们没有 one on one， 我们每天就会过一下 ，因为我们一直有我们自己的优先级任务 ， 基于这些优先级任务上来我们先排一下这些优先级有没有变化 ，因为每天都可能会有新的事情发生 ， 优先级要发生变化 ， 确定优先级以后看一下每个优先级任务当中所对应的那个人他所做的进展如何 ， 互相之间有协作
的方向说你的这个进展对我的任务有没有什么影响 ， 如果没有影响就过 ， 如果有影响再调整一下， 每个人再把明天要做的事情稍微过一下， 写一个抽象化的一个任务就结束了 ， 就是我们整个安排每天可能半小时就结束了 ， 没有别的会议 。
这个听起来跟小团队以前做一些比如说产品技术的开发 ，其实整体的流程还是相似的 ， 逻辑还是相似的 。
对 ， 是一样的 ， 逻辑是相似的 ， 主要当中就是有很多被放大的东西 ， 就是你本来一条原来是可能一个非常简单的十几行代码的一个功能 ， 现在变成了一个一整个完整功能 ， 就在一天之内完成 ， 就类似于这种 ， 就是你把整个东西一天可能是原来 5 到 10 天的工作量 ， 就这样往外叠 。
现在就是其实是对这种工程师密度很高的团队 ， 它的输出就是你刚刚说的可能我是乘 5 倍乘 10 倍这样往上翻的 ， 它会带来一些工作和组织上的新的变化 。
对 ， 当中有很多东西你都得要 ， 甚至有时候我去看他们做的一些 updates， 我都会直接让 Pokee 去拉最新的 GitHub 的 commits， 让它帮我总结一下到底干了点啥 ， 干完了以后我会大概去总结一下发生了什么 ， 哪些地方可能是有些问题的 ， 互相之间哪里要调整 ， 比如说有些时候有些文件需要去处理的时候 ， 比如说我们要去写 roadmap 了 ，roadmap 去 map 到每一个人要做什么 ，也
会让 AI 去做 ，而不是让人去做 。
你觉得在现在你们的运转中有什么地方是你不满意 ， 或者说有些什么关于这个 AI 公司的组织问题是你没有想到特别清楚的 ， 你还在思考的 ？
就是它会有一天你会发现人真的越来越多了 ， 就是你不可能永远是一个 20 人以下团队 ， 我现在不是很确定的就是当每个人的辐射范围都那么大的情况下， 当然有些你说做运营的和做设计的 ， 可能确实是八竿子打不着 ， 对吧 ？
你把他们分出去做单独的部门无所谓 ，但所有的技术领域它互相之间的牵扯度太高了 ， 你怎么把它给划分出来 ， 这是我一个还没有想清楚的事 ， 我觉得这个挺麻烦的 ，因为每个人的辐射范围太广了 ，他啥都能做 ， 每个人都要做很多原来他们不会做的事 ，因为只要有了 AI coding 工具和我们自己的一些工具的帮忙 ， 可能原来我们不会派给他的活也会派给
他 ，因为只要这个东西它所需要的上下文不是很长的话 ， 都可以让 AI 帮他完成 ，他只需要检查就好了 。 辐射范围那么广的情况下， 如果你要创建组织 ， 它一定会有互相踩踏的情况 ， 这个事是我还在思考的事 。
你觉得互相踩踏一定会带来坏事吗 ？ 或者说一定程度的互相的这个重合 overlap 是不是它其实是可以接受的 ？
我其实是不太喜欢这个做法 ，有一些原因就是我见到过赛马型的组织最后死得非常惨的现状 。
什么叫死得非常惨 ？ 你是指大家最后非常难看 ， 你是这个意思吗 ？ 还是指什么 ？
不是 ， 就是公司层面反而被反噬的情况 ， 我见过好几个 case， 所以就是在某些组织情况下， 某些组织文化下可能是就是能够有效果的 ，但是在我的理念下可能不是一个很理想化的一个状态 。
Meta 是不是就是之前 overlap 比较多的一个组织 ？ 可以说是 。
是的 。
你觉得像 Meta 因为它已经成立这么久了 ， 你觉得它这个状态它还有可能有变化吗 ？ 有改善吗 ？
不知道 ，因为扎克伯格他有一股将近实权的权力 ， 所以他只要拍板说我要变化 ，他就会变化 ， 就看他想不想 ，他不用走董事会的 。
但是他想和最后执行出来的效果这之间肯定还是有他不能控制的部分 ， 对吧 ？
不 ， 我觉得他只要想就能做出来 ， 就看他能不能想明白 。
所以现在的混乱可能也是投射了部分他正在摸索一些问题的一个过程中 。
对 ， 就是当一个创始人有完全控制权的时候 ，其实底下他想变成什么样就可以变成什么样 ， 只是看他能不能想明白 ，不只是一步的操作 ，而是十步以后的操作 。
举个例子 ， 我招了 Alexander Wang 进来 ， 我又招了这 10 个顶尖的科学家进来 ， 从可能下棋第一步你可以看出这个是一个我能够往外开疆拓土的一个大好机会 ，但你能不能想到后面会后院起火 ， 对吧 ？
就是类似于这种你跟下棋能不能看到后面的两步三步四步的这么一个问题 。
我觉得这对人的要求确实太高了 。
对 ，但这就是一个顶尖的职业经理人要干的事 ， 这就是创始人做职业经理人和职业经理人做职业经理人有本质的区别 ， 职业经理人的能力就是在一个非常典型的职场环境里 ， 或者说在大公司环境里面能够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的变动来完成对公司的管理 ， 就是他们吃饭的家伙就是这个 ，他们吃饭家
伙不是说我要能够去开疆拓土的干出什么新的功能和 feature， 这不是职业经理人干的事 ， 就是 founder 做职业经理人和职业经理人做职业经理人是有这个 trade off 在里面的 。
你很难想象 Google 和 Microsoft 莫名其妙冒出一个什么 Reality Labs， 再冒出一个什么 5000 人的 AI 组织 ， 这不可能的 ， 只有小扎能做出来 。
管理推演1:09:02
在 Meta 里面 ，因为它自己是一个 founder 的角色 ，有人能充当这种就是我把后面几步我不说想十步吧 ， 我起码想个三四步四五步的这种职业经理人的角色吗 ？
之前 Sharyl 不是就这个角色吗 ？Sharyl 是一个职业经理人出身 ，他是 Google 的职业经理人 ，他过来就是为了要充当这个角色的 ，但后来他走了 ， 后面就再也没有人管这事 。
所以现在就是一个非常强势的控制权也很强的创始人扎克伯格 ，他想带来一些很多的变化 ， 公司正处在这个变化的过程中， 表现出了一些混乱 。
而且公司内部没有一个职业经理人 ，他现在的整个领导层 ， 包括 CPO、CTO、COO， 所有人都是他的早期成员的 ， 就是也是 founding team 层面的人。
而且是没有离开的 founding team， 我觉得他们应该是在可能精神或者动作上都是非常非常跟随扎克伯格的 。
对 ，他新招进来的 Superintelligence Lab 的人也都是一些投资人， 就是那些投资人也是以创始人为主要管理模式的这种人物画像 ， 所以他没有那种在那种大厂里面干了几十年的那种职业经理人跑进来说你做这个事带来的风险可能是 1234， 你要去顾及 12345， 这个人可能要慢一点招 ， 先看一下招进来有什么情况 ， 再走下一步 ， 没人跟他说这话 ， 我猜 。
为什么他现在不找一个这样的人 ？ 就之前有这种角色 ，他肯定是体验过有这种角色是什么状态吗 ？ 现在没有这样的人补充进来 ，是因为他不想找还是他找不到 ？
这我就不知道了 ， 我觉得想找肯定能找得到 ，不可能找不到 ， 谁不愿意干 Meta 的这个位置 ，但他是不是有什么策略上的需求或者怎么样 ，不知道 。
对 ， 或者他有自己的一些偏好 。
也有可能 ， 这就无法猜测了 。
最后可以做一个小小的推演 ， 就是你觉得再往下的话 ， 就硅谷现在这个非常激烈的人才竞争会怎么演化 ？
我个人觉得就现在资本市场和人才市场都属于极度活跃状态 ， 我怀疑明年会 cool down 一些 ， 就是会稍微冷却一点 ， 明年下半年我猜 ，因为马上年底到了 ， 很多的 VC、 资本都会对于今年 AI 市场的变动以及各个投资线上以及各个公司的表现做一个评估 ， 如果说今年年底和明年年初可能 Q1， 一般来说这个评估会在第一季度财报之后出来 ， 大概就是 3 月份左
右的事情 ， 如果这个评估出来以后发现其实还没有达到大家的预期的话 ， 资本市场可能就会稍微冷却一些 ， 如果资本市场冷却 ， 人才市场势必冷却 ， 就人才市场跟着资本市场来 ， 只要资本市场觉得 AI 达到了我们的预期 ， 要加大投入 ， 人才就会变得更贵 ， 如果说资本市场觉得没有达到预期 ， 这个可能是在吹泡泡 ， 我们所有人才的价格就会
下降 。
为什么你认为明年一季度的这个小节的时候 ， 可能资本市场会认为没有达到预期 ？
不是一定不会达到预期 ，但是大家现在把预期拉得很高 ，是吧 ？ 就是预期拉得特别高的情况下 ，不达到的概率高一些 。
这个预期资本市场它是用什么指标来衡量的 ？ 是投资回报率吗 ？ 还是什么 ？ 营收 ？
营收 ， 就是大多数的 AI 产品能不能带来营收 。
营收里面我觉得有一个相对模糊的地方 ， 就是因为其实现在很多特别大的巨头 AI 给它带来的增益是在广告 ， 就是本身互联网移动互联网是收入最大的那一块 ，但是你这个广告里面它到底多少 ， 你说算是大模型给它带来的增益 ？
大多数都不是大模型 ， 都跟大模型没什么太大关系 ， 都是以前的模型 ， 就是要看新的 AI 应用 ，不看那些已知的广告这些的 AI 的 ， 都不算 AI 应用 ， 就 AI 赋能的东西不算 ， 就以 AI 为核心的产品 ， 它的落地以及营收的潜力有多大 。
你这里的以 AI 为核心的 AI 指的是大模型和生成式 AI？
对 。
我觉得这个也好像是技术圈和资本市场会有一些错位的地方 ，其实 Meta 之前有几次财报里就是它讲到这个广告因为加了 AI 之后有一些比较大的提升 ， 我觉得资本市场二级还是很买账的 ， 它直接就是反映在股价上 。
对 。
他们好像没有特别去区分说你到底用的是比如说大语言模型 ， 还是可能之前其实已经用了很久的这种推荐算法系统里它本来就会有一些技术 。
对 ， 这个就是我个人认为最可怕的一个点在于 ，因为它资本市场跟实际发生的事情有个巨大的脱节 ， 这个是很可怕的 ， 我觉得 。
因为你可能对中国的市场去了解的就不是那么多 ，但我不知道就你有没有一些比如说在中国的做这种 AI 技术的朋友 ， 你感觉就是硅谷的这种非常激烈的人才竞争 ， 它可能对国内的这些公司 ， 对国内的做 AI 的研究和工程的人会有什么影响 ？
就是国内也会不惜代价的尝试挖人， 就是国内做真正核心那一撮人的比例更少 ， 所以就更会尝试去做激烈的挖人， 这个肯定是逃不掉的 ，他肯定会继续挖 ， 就想尽一切办法挖 ， 就是吸引力可能不够吧 ， 感觉 ，但肯定会尽一切可能去挖的 。
AI教育1:14:17
了解 ， 我这还有最后一个问题 ， 就更长远来说 ， 就是你觉得现在这种对 AI 顶尖人才的竞争 ， 你觉得它可能会怎么改变接下来一段时间的技术教育 ， 还有这些研究者的职业生涯 ？
因为你教育是有一个时间的 ， 就有可能现在会有很多人跑去搞这个方向 ，但也许之后需求又回落了 。
对 ， 我甚至于是非常担忧这件事情的 ，因为我们公司在教育最好的地方我们都有人在 ， 所以我经常会去那边跟那边的 PhD 教授什么有交流 ， 发现就是教授的普遍感知是所有的 PhD 学生上来第一件事情说我能不能做 LLM，他也不管那个教授给他的方向是什么 ，他第一棒上来先说我需要做 LLM， 或者说我要去做 diffusion model， 任何跟现在最火的 topic 我一定要牵扯到 ， 我不能说我去
做一个最底层的算法上面的更新 ， 或者说我尝试去理解某一个领域 ， 从零开始做一个非常完整的思考体系 ， 很多学生都不这么干 ，他上来就会有一个简单诉求 ， 甚至于他们 PhD 读一段时间他就会辍学 ， 然后又去创业了 ， 就是一个非常浮躁的一个市场 ， 现在所有人都很浮躁 。
特别搞笑 ， 我之前有个同学跟我说在斯坦福 231LM 那个课上面 ，他说自己上第一节课说我这边要教 LLM 了 ， 说这是我们今天这个 quarter 会 cover 的大纲 ，有一个人举手问说我学完这个课我是不是能够带一个团队做出 State of Art 的 LLM 的最大的模型了 ， 然后 Percy 都笑了 ， 你就上一个 quarter 的课你就指望能够干掉 OpenAI 了吗 ？
你怎么想 ？ 就类似于这样的一个对话 ， 你就可以想象这个市面现在有多浮躁 。
这是一个给本科生的大课是吗 ？
是一个研究生的大课 。
研究生也会提这么天真的问题 。
本科生也可以上， 对 ， 它是一个大课 ，但是什么人都有 ， 那个人就问这么一个问题 ， 我一个同学跟我说的 ， 我说这也太离谱了 ， 就是斯坦福的学生确实比较自信一些 ，但也没有到这种程度 ，但现在已经到这种程度了 ， 你就可想而知现在整个市场上是个什么样的环境 。
所以这是有可能 ，也许现在这一波人到了 ， 就是他们真的进入更长期的这个职业生涯的时候 ，也许会有非常多同质化的竞争 。
对 ， 非常同质化 ， 特别是我觉得 critical thinking 的这个能力可能没有达到很高 ，因为博士生最重要的要培养的能力就是独立思考 ，critical thinking 的能力 ，而这个能力如果没打牢的话 ，他会走在很窄的路上， 就很难受 。
对 ，其实刚才我们有聊到它这个形成的原因还是比较综合的 ， 一方面就是业界现在的吸引力太大了 ， 就是钱 ， 资源都是在业界 ， 另一方面就是你说的就美国它自己内部政局的一些动荡导致 ， 比如特朗普他对很多高校都不满 ，他也不想拨那么多经费 。
对 ， 所以从某种意义上来说 ， 我确实觉得现在的他们的这些举措 ， 我个人觉得不太有利于长期的科技发展 。
但是它是有可能会有调整的 ， 它之后有可能会有些回调 ， 特朗普又不能一直当总统 。
我觉得应该会有调整 ，不至于就一直这样下去 ，而且他是个商人思维 ， 所以他只要看到有问题他自己就会调整 ，他调整贼快 ，他是所有总统里面调整最快的一个总统 。
今天非常感谢 《 播客晚点聊 》， 我们从硅谷的 AI 人才大战 ， 还有 Meta 近期的动荡开始聊 ， 聊到了硅谷这些最核心的 AI 公司以及最核心的 AI 人才 ，他们在想什么 ，他们看中什么 ，以及 AI 人才争夺背后的趋势和走向 ， 我们也讨论了就是在现在这个新的技术浪潮里面 ， 如果从零打造一个创业公司 ， 可能什么样的组织形态能利用好现在的技术 ，也做出好的东西 。
今天的节目就到这里 ， 各位拜拜 ， 再见 。
连点成线1:18:11
本期的连点呈现分享几个和之前节目的呼应 ， 一是今年 5 月的 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 ， 同时也讨论了小说中本身的主题之一 ， 就是研发人员 、 研发团队 leader 的策略 、 工作方法 ， 还有生活 。
田渊栋分享了自己的转变 ， 从战略设定到更多回归 hands on，他感到 AI 热潮来之后， 借助 AI 现在的研发团队其实可以更小更精悍 ， 同时有更多的产出 ， 这和本期中 Bill 提到的做一个 sota 模型 ，其实核心人员不需要太多有相似之处 。
我也想到了 114 期节目中， 我们和 Meta 的创始人名可睿谈到了当时刚发布的 Meta 的开源大模型 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多牛 ， 所谓人才密度有多高 ，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 ，是核心团队的纷纷出走 ， 这提醒我想到团队不仅是指在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 还在寻找适应它的历史与特点 ， 又能实现扎克伯格 AI 演新的组织方式 ， 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了一定的界限 ， 更多的钱对很多研究人员来说已经只是数字了 ，而不提供更多的吸引力 ，他们更在意的是自己会和谁共事 ， 工作氛围如何 ， 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和组织能够仅靠资源就垄断人才 ，因为最 top 的人才总是有多样性的想法 。
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 。