摘要

Meta以143亿美元取得Scale AI 49%股份、再传出四年3亿美元挖人，仍没买到组织稳定性。 到9月已有新成员迅速离开，其中两人回到OpenAI；朱哲清认为，两三个月内跳槽在硅谷也不寻常，即使新包更大，也可能因疫情后延续至今的层级臃肿、审批负担与“内部政治斗争非常严重”而迅速退出。
五千人的Superintelligence Labs很难靠人才密度直接赢过OpenAI，因为SOTA模型真正的核心团队通常不超过50人。 朱哲清估算，二十多人定模型、二十多人做infra，再配少量PM；如果目标只是让Llama超过GPT-5，他认为应是150—250人的聚焦团队。“人数多是没有用的”，尤其Meta的bottom-up文化会让多个团队主动赛马，却缺少清晰的模型ownership和落地归属。
顶尖AI人才真正追逐的不是单纯的薪酬上限，而是成为AGI历史时刻十位核心作者之一。 朱哲清称，若有90%概率进入那张作者名单，即使“一分钱不给”，包括他在内的很多人也可能接受；所谓“为爱发电”，仍包含让贡献被历史看见的回报。这解释了为何OpenAI、Anthropic的人才吸引力领先Google，也解释了Meta的大包为何不足以覆盖组织与使命风险。
OpenAI、Anthropic和Google正在押注三种不同的AI价值捕获路径。 Anthropic把文字动作空间做到极致，最强落点是coding；OpenAI优先覆盖C端全部场景，Sam Altman式命题是“当我有十亿DAU的时候，AGI一定会发生”；朱哲清猜测，Google则以深厚技术栈服务开发者，让大量应用自行进化，可能在语言、视频、图像、world model乃至robotics上“批量开花”。
Chatbot竞争的关键变量不是模型榜单，而是ChatGPT能否从桌面效率工具变成手机上的go-to place。 节目中程曼祺称ChatGPT周活由年初约3亿升至7亿—8亿；Gemini也高速增长，但后者并未披露可直接比较的活跃数据。桌面端Chrome给Google近乎天然的分发壁垒；若ChatGPT能让用户打开手机后先点它，移动端粘性才可能真正切断Google的追赶路径。
AI-native创业公司的组织红利来自少招人、提高任务抽象度，以及用AI维持网状协作。 Pokee AI每新增职位先问“两三个月内能否被AI取代”，能就不招；工程师不再领取细碎ticket，而是负责架构完整feature，再把执行交给AI。代价是每个人输出可放大3—10倍，管理者无法逐项验收，因此信任、能力互补和避免重复劳动反而比传统流程更重要。
人才价格最终仍由资本对AI原生营收的判断决定，而最危险的错位是把旧推荐系统带来的广告增益也统称为生成式AI回报。 朱哲清猜测，若年末及明年Q1后的评估不及高预期，明年下半年资本与人才市场可能同步降温；程曼祺则指出，二级市场确实会为Meta的“AI提升广告”买单。更长期的风险是学生一窝蜂选择LLM、diffusion model和创业，导致人才高度同质化，却没有打牢博士训练最重要的critical thinking。

精读

1. Meta买到了明星，却尚未买到稳定的协作结构

程曼祺梳理的时间线是：6月中旬，Meta以143亿美元取得Scale AI 49%股份，并招募创始人Alexandr Wang担任新的AI团队两位负责人之一；此后开始高价挖人，外界最夸张的报价是四年3亿美元。
剧情到9月反转：多位刚加入的人准备离职，其中两位直接回到OpenAI。朱哲清强调，硅谷跳槽很普遍，但“两三个月之内就跳槽是很不常见”，何况Meta给出的package通常更大。
朱哲清把离职原因明确限定为猜测：来自OpenAI等公司的研究者习惯围绕统一目标工作，不愿耗费精力适应大厂政治；当十几家公司同时争抢同一人时，他们也有足够选择权迅速退出。

2. Meta从几小时上线，走到了层层VP审批

朱哲清回忆，2017—2019年是他所经历的Meta创业氛围最浓的阶段：代码从写完、获批到进入生产环境，“几个小时就完成”，跨团队推动产品也非常快。
疫情后流程名义上没有变化，组织却越来越臃肿，VP层级增加。每次产品迭代都要寻找多位VP审核，而他们未必懂项目、能投入的时间又少，却仍会给出不同批示，执行者由此觉得时间被浪费。
他把社交媒体上前员工所说的心理健康问题，也部分归因于这种政治环境。新建AI团队的初心可能是恢复扁平和创业文化，但把新人放进既有体系，并不会自动消除旧的审批与利益结构。

3. Bottom-up曾是Meta的速度引擎，也稀释了ownership

Meta内部没有典型“事业群”边界，底层基建、产品和代码库高度开放：不相干的团队也能查看、质疑甚至修改别人的代码。这种设计降低了技术边界，却也削弱了“这是我的产品”的排他性ownership。
朱哲清以亲历项目说明其优势：发现Facebook推送团队的模型有问题后，他可以直接介入，半年内把整套模型改掉。“你可以想象在任何一家大公司这件事情发生吗？不可能的”，但当年的Meta可以。
真正的约束反而在资源端。一个VP即使管理300人，也不能自行裁掉一半、把预算转去买算力；组织只能在现有资源中扩大scope、争抢资源，很难像startup一样做激烈的策略重配。

4. 人一旦多过重要任务，协作就会退化成“分赃不均”

朱哲清给出最典型的冲突：一个团队负责把模型推广到全公司，另一个团队背负DAU增长2%的目标；如果采用前者模型后指标达成，功劳究竟算模型团队还是产品团队？为了避免丢掉credit，后者可能宁可重复造模型。
程曼祺区分了这种政治与真正的业务trade-off。后者可以由data scientist分析历史数据、再由VP拍板；最难解决的是无法客观切分贡献的事项，朱哲清将其概括为“基本上都存在于分赃不均”。
他的临界点模型是：先砍掉80%低价值工作，把20%关键工作分完；只要仍有关键任务无人做，目标就容易统一。等“人的数量比活的数量多”，开始有人被分到80%的边缘工作，他们自然会争抢那20%。
成熟公司又不能完全不做边缘工作：体量足够大后，1%—2%的提升也能覆盖团队成本并支撑营收、用户和股价。于是公司继续招人，新增员工又希望进入主线，政治并非偶然，而是增长放缓后的结构性产物。

5. 五千人的AI组织，未必打得过五十人的核心团队

朱哲清称，Superintelligence Labs已有约5000人，Anthropic约1900人，前者甚至超过OpenAI总人数；如果目标只是让Llama超过GPT-5，“你的人数不应该超过OpenAI的人”。
一个SOTA模型真正的核心通常不超过50人：二十多人研究模型如何调整，二十多人负责训练infra和engineering，再由少量PM判断哪些能力重要。若目标只是打赢GPT-5，他认为150—250人的聚焦团队已较合理。
Meta的难题可能还包括主动赛马：模型没有清晰ownership，任何团队都能沿相似想法训练，最终可能多个模型同时完成却没有确定落点。Amazon也赛马，但研究团队隶属事业部，成果天然服务各自产品，重复方向仍有去处。
Google更偏top-down，由技术上“大家都信服”的研究者确定方向；OpenAI和Anthropic则以benchmark与使命统一全公司。朱哲清的结论不是Meta缺人，而是五千人在bottom-up体系里更容易彼此掣肘。

6. Mission-driven组织战斗力强，也最怕出现第二个使命

OpenAI、Anthropic式组织的优势是成员不必反复争论谁占多少功劳：“有目标，知道要做什么，我就专注着那个去做。”即使人数达到数千，只要关键任务仍多于人，创业式一致性仍可能维持。
但朱哲清提醒，使命是这类组织唯一的黏合剂；当个人使命分叉，它很容易崩解。“利益绑定是这个世界上最牢靠的关系”，而使命驱动意味着分歧无法靠重新分配收益长期调和。
他据此推测Sam Altman与Ilya的根本冲突可能在于：前者更希望扩大AGI的用户覆盖，后者更重安全、可靠度与模型技术，两条路线消耗的资源旗鼓相当。“一个使命驱动的公司不能容纳两个使命”，最终必须选边。

7. 顶级研究领导力来自历史贡献，不来自新头衔

朱哲清认为，在OpenAI这类高精尖AI组织中，CEO能力并不能替代对研究方向、技术质量和人才判断的长期积累。他以OpenAI为例：Sam Altman和Mira并不直接管理研究，研究通常由懂研究、能让团队信服的人负责；若把这些中间层踢掉、让CEO直接管理研究，肯定行不通。他认为Meta缺的不是人，而是把合适的技术领军者放在合适位置。
Meta并非没有强研究者，而是需要把“德高望重、又和当前路线align”的人放在正确位置。真正服众者通常在ChatGPT前已经做出关键工作，年龄多在30多岁到40岁；David Silver因AlphaGo早期论文和工作建立权威，就是典型样本。
纯研究者常在证明方向可行后就失去落地兴趣，大公司却需要把技术真正做成产品。朱哲清理想中的领导层，是五六位开创型科学家配五六位落地型技术领导，再向下配置可靠的researcher和engineer。

8. 科学家决定十年，工程师先决定公司能否活过三年

谈到xAI，朱哲清认为Elon Musk是典型工程师思维：接受现有科学路径后，以规模、算力和极复杂工程把能力推到别人难以复制的程度；他甚至曾以“不存在research scientist，都是engineer”的方式挑战Yann LeCun。
Google代表另一种驱动：先寻求科学上的下一次飞跃，再让飞跃带来产品革命。xAI则更倾向招聘能把已知技术“不惜一切代价去落地”的人，因此不宜与顶级基础研究组织用同一尺度评价。
程曼祺尝试把差异类比为中美分工，朱哲清明确反对：两国都有科学家型与工程型人才。更准确的公式是，“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。”

9. Fundamental work的稀缺，本质上仍是研究者的选择

朱哲清认为，当前业界“缺方向”：许多创新仍是在LLM主路线上做较大跨越，还没有出现一条明确的新赛道，能解释LLM瓶颈并从根本上替代现有路径。
博士生既缺训练最前沿模型的算力，又只能寻找大公司尚未覆盖的边角料；进入业界后则继续沿LLM主线做incremental工作。他转述Percy Liang在语言模型课程上的激烈判断：“Research is almost dead。”
但他不同意把这归结为不可违背的技术周期。较好的研究者脑中通常有三到五个值得挑战的想法，真正的选择是：去大厂拿高薪、做半年能落地的项目，还是留在高校“求爷爷告奶奶”找算力、带未必配合的学生。
科技突破可能来自二三十支挑战共识的团队，其中二十九支失败、一支成功；没有人主动选择那条高风险路线，就不会有新范式。美国和欧洲曾允许十年无成果地挑战共识，但政府funding减少、资金涌向LLM，容错空间也在恶化。

10. 富豪能提供算力，却很难替研究团队提供职业路径

比尔·盖茨、Mark Zuckerberg、Larry Page、Sergey Brin等人的基金会，以及部分公司内部研究组织，已经在资助没有短期目标、只负责“推进边界”的项目；朱哲清认为这些资源本身相当宽裕。
难点是吸引给顶尖科学家“干活”的第二层人才。方向若成功，团队一起起飞；若五年没有结果，成员的履历和晋升可能停滞，而在大公司工作五年往往能沿成熟梯子前进。
他以选择斯坦福教授还是基金会研究员为例：即使基金会给的钱和资源更多，教授职位通常仍更有吸引力。原创研究的瓶颈不只是首席科学家的经费，也是整个配套团队如何为失败风险定价。

11. 顶尖人才要的，是进入AGI的十人作者名单

对最精英研究者而言，核心问题是“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”。如果被称为AGI的模型只有十位作者，他们希望自己的名字就在其中。
朱哲清将这种动力概括为“为爱发电”，但不等于不需要回报：像追逐诺贝尔奖或图灵奖，研究者热爱工作，也希望贡献被世界和历史看见。“一个人的一生很难遇到历史性时刻”，一旦看见机会，就可能不惜代价。
他的极端测试是：若不付一分钱，却有90%概率进入AGI十人名单，这撮人中很多都会选择加入，他自己也可能如此。超过一定门槛后，薪酬只是数字，能否处在核心路线、与谁合作才决定流向。

12. OpenAI与Anthropic既像创业公司，也被资本变成了“大而不倒”

朱哲清给人才吸引力排出的第一梯队是OpenAI和Anthropic，第二梯队是Google。Google研究能力和声誉本可在第一梯队，但大公司人数多、个人上升空间有限；Meta原应与Google同档，近期混乱却让候选人即使面对大包也会犹豫。
他认为不能把OpenAI、Anthropic当普通创业公司：两者近似拥有“无限资本”，因为任何一家倒下都会冲击美国整轮AI投资，已呈现“大而不倒”的特征。同时AWS、Azure、Google Cloud等大公司还会帮助销售它们的模型。
程曼祺对照中国人才数据指出，国内AI人才仍断崖式集中到字节等大公司。朱哲清把差异归因于资本市场尚未造出兼具创业组织和巨头资源的本土对应物，而不是美国研究者天然更偏爱小公司。

13. 三家公司正在押注三条不同的价值捕获路径

朱哲清把Anthropic的主线概括为：把动作空间以文字为主的模型做到极致，因此最适合、也最强的应用场景是coding；OpenAI则把面向C端用户的所有场景做到最好，以用户覆盖推动能力边界。
Google往后退了一步：先把模型和能力交给开发者，让C端、B端公司探索尚未确定的用户习惯。他把这比作“养蛊”——给两千家公司技术，让自然演化淘汰失败者、留下有效产品。
“买下赢家，或做出相似产品取代赢家”是朱哲清基于外部观察作出的进一步推演，并非Google公开表述；他更确定的是，Google确实在主动建设开发者环境与生态，而不急于亲自押中每个终端应用。

14. Google的慢，是二三十条技术线同时开花的代价

朱哲清猜测，Google许多项目很早已启动，只因大公司发布周期更长。若从2023年末真正发力算到2025年末，两年正好是大型产品的正常life cycle，而OpenAI、Anthropic可围绕单点更频繁发布。
Google可能有二三十个组并行开发各自最强能力；一旦穿过组织流程，语言、视频、图像、world model乃至未来robotics会批量出现。Gemini与节目提到的Nano Banana表现转强，在他看来正是深厚技术积累“忽如一夜春风来”。
程曼祺转述美股投资人的另一种看法：Meta拥有Facebook、Instagram、WhatsApp等难以打破的应用壁垒，位置可能优于面临搜索自我蚕食的Google。朱哲清的保留意见是，Google技术积累或许超过OpenAI和Anthropic，业务脆弱性不能脱离研究实力单独判断。

15. 十亿DAU与AGI，在OpenAI的路线里是同一个问题

对Sam Altman将十亿DAU置于AGI之前的选择，朱哲清完全认同：“当我有十亿DAU的时候，AGI一定会发生。”十亿用户意味着几乎所有职业、问题及其对应解决者都在系统内，若AI能覆盖他们的任务，能力定义也就逼近AGI。
程曼祺称ChatGPT周活从年初约3亿增长到7亿—8亿；朱哲清说Gemini增速也惊人，可能已有3亿甚至4亿用户。程曼祺提醒，Google并未披露可直接比较的活跃用户数字，而是提到约4月时周活增速在42%左右。
桌面端Chrome是Google“无法被打败的天然壁垒”：用户打开浏览器首先仍会搜索Google，不一定主动进入ChatGPT。Chrome被判无需出售后，朱哲清也表示更看好Google的长期位置。
真正缺失的数据是ChatGPT mobile app相对桌面的活跃度。Chatbot目前仍偏效率工具，而手机时间更多属于communication、social media、娱乐和生活服务；只有成为用户拿起手机后的第一个go-to place，OpenAI才可能建立Google难以追赶的粘性。

16. AI-native组织先问“为什么要招人”，再问如何分部门

Pokee AI当时有8名全职员工，已完成1200万美元种子轮，其Agent也被a16z列入AI agent workflow的benchmark company。朱哲清把小团队视为组织实验，而不是等待扩编前的暂时状态。
每出现一个新职位，团队首先判断“两三个月之内这个事儿有没有可能被AI直接取代掉”；答案若是可以，就不招人。“能给AI就给AI”，因为人越少，协调与重复劳动越少。
他主张不要建立金字塔，而以创始人为中心形成网状结构。传统层级用于压缩领导者不了解基层能力的信息问题；若公司只有二三十人，AI又能检索每个人的技能、任务和余量，领导层可以跨组织直接排全局priority。
程曼祺追问这种掌握是否会让员工不适、网络结构是否必然受规模限制。朱哲清把适用范围限定在创业公司，并猜测借助AI可扩至数百人；但他承认，信息反馈、成员是否接受AI派活及CEO能否做好系统，都会成为约束。

17. AI压缩了写代码的时间，却放大了任务设计与数据工程

朱哲清要求任务更抽象，而非拆得更细：原来一个feature可能需要5—10天，现在给AI一个prompt，两小时就完成；工程师应负责设计一二三四五步的整体架构，再把具体执行交给AI。
团队每天只有约半小时stand-up：重排随时变化的优先级，检查责任人的进展和跨任务影响，再写下次日的抽象任务。roadmap到人员的映射、GitHub comments与更新摘要，也交由Pokee的AI处理。
朱哲清因没有在大公司带过预训练工作，不能具体评论其组织架构。预训练需要标注、数据处理、storage、训练cluster与throughput工程；若标注从contractor转为in-house，单是这一层就可能需要数百人，远重于fine-tuning和应用开发。
关于程曼祺提到的“Scale AI数据质量不高”的研究者抱怨，程曼祺指出不能简单归责Scale AI：化学或物理奥赛、数学证明、复杂代码等专业数据，普通PhD也可能要查资料才会做。模型越接近专业边界，可用的人类答案本身就越稀缺。

18. 输出放大后，信任和互补性成为新的管理基础设施

AI可让一天完成过去五到十天的工作，也可能让个人交付达到原来的三至五倍。若20名下属都接近“ten-x engineer”，领导面对的是约200人的输出，不可能逐项复核。
因此最重要的不变量是人与人之间的信任：哪些成果无需检查、哪些必须深入，取决于长期bonding和目标一致性。AI提高了交付速度，却没有同比提高CEO或C-suite的审阅带宽。
团队还应尽量能力互补。抽象任务由成员自行break down后，能力高度重合的两人很容易同时实现同一子功能；即使没有争功，也会浪费一人的时间，重复劳动会比传统ticket体系更隐蔽。
朱哲清尚未想清技术团队扩大后的边界：AI coding让每个人“什么都能做”，辐射范围越来越广，部门之间必然踩踏。他不喜欢用赛马解决，理由是见过多个公司被内部赛马反噬；Meta正是overlap较多的参照物。

19. Meta能否重构取决于扎克伯格，而人才泡沫取决于营收兑现

朱哲清认为，扎克伯格拥有接近绝对的实权，只要真正想清楚就能推动Meta改变；难点不是第一步招来Alexandr Wang和十位科学家，而是能否提前看到“后院起火”的第二、第三、第四步。
职业经理人的核心能力正是预测两三步人事与组织变化，而创始人更擅长开疆拓土。Sheryl Sandberg曾承担这一角色；她离开后，程曼祺推测现领导层多为长期追随扎克伯格的早期成员，新AI组织也偏创始人、投资人画像。朱哲清对为何不再引入强职业经理人表示不知道，只说想找肯定找得到。
对市场，他猜“明年下半年”可能稍微冷却：年末及Q1财报后、约3月形成的评估若显示AI原生产品营收不及高预期，资本会收缩，人才价格随之下降。程曼祺指出二级市场会奖励广告中的AI提升；朱哲清则警惕把旧模型增益与生成式AI回报混算，称这种脱节“最可怕”。
更长期的供给风险来自教育。教授普遍遇到学生一上来就问“我能不能做LLM”，或必须牵扯diffusion model，甚至读到一半辍学创业；他转述斯坦福课堂上有人问，学完一门课能否带队做SOTA LLM，老师失笑。结果可能是人才高度同质化，而博士训练最关键的独立思考与critical thinking反被削弱。

市场概述2025年9月23日 Shomik Ghosh 的 $CWAN 看多逻辑