Loading...
Loading...
国产大模型苦达利奥久矣文章转载于八尺AI
昨天Anthropic的创始人达利奥·阿莫迪在个人博客上抛出一篇长文，标题叫《我们必须掌控AI前沿发展的节奏》。
文章写得声情并茂，从他父亲死于一种本可被AI攻克的疾病讲起，一路讲到递归自我改进可能在六到十二个月内，让失控的AI Agent接管互联网。
这看上去是一篇充满人文关怀的AI安全宣言。萨姆·奥尔特曼在下面回了一句"我同意达利奥"，马斯克也凑过来喊"Dario is right"。三个平时连合影都不肯站一起的人，这次竟尿到一个壶里了。
但如果你把文章翻到后半段，就会发现味道不对了。达利奥在"如何给前沿踩刹车"的章节里，专门列了三条针对中国的遏制措施，禁售芯片，打击蒸馏（原文写的是“人工智能技术提炼”），防盗权重。
一条技术限速的倡议，说着说着就变成了一份对华科技冷战的操作手册。
而就在这篇长文发布的两天前，Anthropic刚刚发布了一份长篇威胁报告，点名七家中国AI实验室，阿里、月之暗面、DeepSeek、智谱、小米、商汤、MiniMax。指控它们对Claude发起了"工业规模的蒸馏攻击"，累计交互接近两亿次。
两件事挨得这么近，是巧合吗？恐怕不是。
当一家估值逼近万亿美元，正在冲刺史上最大IPO的公司，开始把一项全行业都在用的常规技术包装成"国家安全威胁"，那就得问问，达里奥的动机到底是什么。
1
蒸馏的身世
要说清楚蒸馏是不是偷，得先搞清楚它到底是什么。
2015年3月，杰弗里·辛顿、奥里奥尔·维尼亚尔斯、杰夫·迪恩一起在arXiv上发表了一篇论文，标题叫《神经网络中的知识蒸馏》。
这篇论文讲了一个很朴素的道理，一个大模型（教师）学到的知识，不只是它的参数，更是它对输入做出的概率分布，也就是"软目标"。把这些软目标拿来训练一个小模型（学生），小模型就能用远低于大模型的算力，逼近大模型的表现。
辛顿在论文里甚至明确说，用来训练学生模型的迁移集，可以完全由未标注数据组成。
换句话说，蒸馏从诞生的第一天起就是一种合法的，公开的，被学界广泛认可的模型压缩与能力迁移方法。它的初衷是让AI能跑在手机，嵌入式设备这些算力有限的场景里。
辛顿本人拿这个方法改进了谷歌的语音识别系统，效果显著。
十一年过去了，蒸馏早已不是什么小众技巧，是大模型行业的基础设施。
2024年10月，OpenAI直接在API里上线了官方蒸馏功能，鼓励开发者用o1-preview和GPT-4o的输出来微调更便宜的模型。
Google把Gemini Ultra蒸馏成Gemini Flash，主打低延迟场景。Meta开源Llama，整个社区都在拿它做蒸馏。DeepSeek用R1蒸馏出32B、14B、8B、1.5B一整套小模型，让推理能力能跑在消费级显卡上。
就连Anthropic自己，也在内部用蒸馏生产轻量版的Claude。这不是什么秘密，行业分析公司Ertas AI在一篇题为《模型蒸馏不是盗窃》的文章里写得很清楚，每一个拥有前沿模型的实验室，都有从它衍生出来的更小模型。
蒸馏在AI领域扮演的，正是这样一个"善假于物"的角色，它让知识从昂贵的大模型流向更普惠的小模型，从少数公司的算力壁垒流向更广泛的应用场景。
那么问题来了，为什么同样一项技术，OpenAI做叫能力迁移，Google做叫模型压缩，Meta做叫开源生态，中国公司做就变成了工业规模的蒸馏攻击，和重大国家安全风险？
这个双标，比蒸馏本身更值得玩味。
1
达利奥的叙事术
达利奥为何要把蒸馏上升到国家安全的高度，得先看看他是怎么叙事的。
在《我们必须掌控AI前沿发展的节奏》这篇文章里，达利奥用了一个非常经典的话术结构，先建立一个所有人都无法反对的大前提，AI发展太快，需要安全。
这套逻辑就是，我可以限速，但你不能趁我限速的时候超车。
而蒸馏，就是他用来证明"中国在偷跑"的核心证据之一。其次就是芯片，不过老黄暂时还没搭理他，可能也不打算跟他尿一个壶里。
Anthropic的报告写得煞有介事。七家中国实验室使用"欺诈账号池、住宅代理、一次性邮箱、虚拟支付"绕过风控，大量提取Claude Opus的思维链（CoT），而不只是最终答案。
阿里一家在五到七月就搞了1.51亿次交互，动用了3500多个欺诈账号，日峰值接近300万次。
这些数字看起来很吓人。但你只要稍微多想一层，就会发现不对劲。
第一，如果这些交互真的是"欺诈"，为什么Anthropic的风控系统没能在第一时间拦截。1.51亿次交互，3500个账号，持续三个月，这不是什么隐秘的黑客攻击，是在你家门口摆了个摊位，你收了三个月的钱，然后说对方是小偷。
Anthropic在这些交互中收了多少API费用，报告里没提。
第二，思维链（CoT）到底是不是"偷"？CoT是模型在推理过程中产生的中间步骤，用户通过正常的API调用就可以获取。如果Anthropic不想让用户看到CoT，它完全可以在API层面屏蔽。它没有这么做。
第三也是最关键的一点，违反服务条款和违反法律是两回事。Anthropic的API服务条款里可能写了禁止批量生成训练数据，但这是一个民事合同问题，不是刑事犯罪，更不是国家安全威胁。
如果中国公司真的违反了条款，Anthropic可以封号、可以起诉、可以索赔。但它选择了最有戏剧张力的一条路，发布威胁报告，把商业纠纷包装成国家安全事件。
这种叙事术并不新鲜。历史上，每一次技术霸主面对后来者的追赶，都会祭出"国家安全"这面大旗。
十九世纪的英国面对美国的工业崛起，曾试图禁止纺织机械和技术工人出境。二十世纪的美国面对日本的半导体追赶，曾用"国家安全"为由强迫日本签署《广场协议》并限制半导体出口。
桑弘羊在《盐铁论》里说过："欲粟者务时，欲治者因势。"霸权国家的国家安全叙事，从来都是因时而动，因世而变的。当它领先时，它讲自由贸易，当它被追赶时，它讲国家安全。
达利奥的高明之处在于，他把这套旧叙事装进了AI这个新瓶子里。他构建了一个完整的逻辑链条，从蒸馏让中国公司用极小的成本缩小差距，到差距缩小威胁美国的AI领先地位，到AI领先地位关乎国家安全，最后到蒸馏是国家安全威胁。
细细想，这个链条的每一环都似是而非。蒸馏缩小的是工程实现上的差距，不是基础研究上的差距。中国大模型的进步主要来自自身的研发投入和算法创新，蒸馏只是其中一个环节，AI领先地位是否直接等同于国家安全，本身就是一个值得讨论的命题。
但达利奥不需要这个链条在逻辑上无懈可击，他只需要它在情绪上足够有说服力，"国家安全"这四个字，本身就是情绪的核武器。
有意思的是，达利奥在文章里大谈"民主国家"应该联合起来，但他自己的公司最大的投资方之一是谷歌，而谷歌在中国市场有大量的业务和利益。
他谈打击专制国家的蒸馏，但对美国国内公司之间互相蒸馏的行为，比如OpenAI曾用Anthropic的输出训练自己的模型这类传闻，却只字不提。
1
两万亿IPO前夜的表演
达利奥在这个时间点发难，可谓司马昭之心。
2021年，达利奥带着一群前OpenAI研究员出走创立Anthropic时，公司估值只有55亿美元。五年时间，这个数字像坐了火箭一样往上蹿，2026年5月H轮650亿美元融资后，公司估值达到9650亿。历史性地反超了OpenAI的8520亿美元。
这还不是终点。2026年6月1日，Anthropic向SEC秘密递交了S-1招股书，正式启动IPO流程。摩根士丹利、高盛、摩根大通联合承销，最快10月挂牌。
投资方给出的目标估值是2万亿美元起步，部分乐观者甚至看到3万亿。如果按2万亿发行，它将超越SpaceX在6月创下的1.77万亿纪录，成为全球商业史上最大的IPO。
要支撑这个估值，Anthropic需要讲一个什么样的故事？
它需要讲一个，AI是这个时代最重要的技术革命的故事，可OpenAI也在讲同样的故事，而且OpenAI的品牌知名度和用户规模都更大。
Anthropic需要一个只有它能讲的故事，而中国威胁，就是这个故事的最佳素材。
当一家AI公司告诉投资者，它不仅在做最前沿的技术，还在保卫西方世界的技术霸权，它的估值逻辑就变了。它的竞争对手不再只是OpenAI和Google，是整个中国的AI产业。
这个故事对华尔街有致命的吸引力。
因为它把一个高度不确定的技术赌注，包装成了一个地缘政治的必然选择。不管AI技术怎么发展，不管哪家公司的模型更强，民主国家需要一个可信的AI供应商，这个需求是确定的。
而Anthropic正在把自己打造成这个需求的唯一答案。
达利奥可以给他的前沿踩刹车，但他踩不住整个行业的车轮。两万亿的估值故事讲得再动听，最终也要回到一个最朴素的问题，你的模型到底好不好用。
如果中国的开源模型以十分之一的成本提供接近的能力，全球开发者都会用脚投票选择更开放、更便宜的方案，所有的叙事和指控，最终都会被市场的现实消解。
毕竟，资本市场可以为叙事付溢价，但用户只为产品买单。
AI Costco，开始卖自有品牌了作者｜周一笑
微信｜smiletalker
一个月前，我们在《深度｜外宾 Genspark》一文中，把 Genspark 称作一家 AI Costco：
GPT、Claude、Gemini，谁家货好就采购谁家的，再通过模型路由和 Agent 包装以后卖给用户。连模型的产地，它过去也有点区别对待。OpenAI、Anthropic 直接摆在货架正中央，一些中国开源模型则藏得没那么显眼。
一个月后，这家 Costco 开始卖自有品牌了。
和 Costco 的 Kirkland 一样，自有品牌不等于养牛、种麦子全部都自己干。Genspark 新发布的 PPT 制作专用模型 Gen-1 Slides，以 MiniMax M3 为底座，Fireworks AI 共同参与训练。Genspark 负责提供 PPT 任务和产品运行环境，并制定评价 PPT 质量的标准。
这次还有一点不同，MiniMax M3 被明明白白写在了包装正面，出现在了官方致谢当中。
Gen-1 Slides 是 Genspark 基于 MiniMax M3 这个开源基座，通过后训练做出来的专用模型。所谓后训练，简单说就是在一个已经具备相当能力的基座上，围绕自己的任务继续训练，不用再从头训练通用大模型。Gen-1 最终用了约 2000 个内部构造的 Slides 任务做强化学习。
从 Genspark 公布的数据看，经过后训练，Gen-1 在 PPT 任务上的整体表现已与 Opus 5 处于同一水平。在 200 个真实 PPT 任务中，Gen-1 综合得分 0.821，Claude Opus 5 为 0.810；完成一份 PPT 的平均模型调用成本则分别为 0.44 美元和 4.16 美元。上线后的 157 万次生产任务里，两者平均用户评分分别是 4.25 和 4.23。
不过，不能单纯把这些数字理解成 Gen-1 已经超过 Opus。Genspark 自己的评测里，Opus 在任务完成度和内容质量上仍然更高，Gen-1 的优势更多来自视觉设计。不过，这套内部评测还有一个问题。grader 同时参与了强化学习训练，因此它的评分并不是完全独立的。为了进一步验证结果，Genspark 又用没有参与训练的 PPTEval 和 UniPPTEval 两套公开学术评测进行交叉测试，Gen-1 在九组组合里拿到八个第一。
对普通用户来说，最直观的变化是 Gen-1 已经进入 Genspark Slides 的 Standard 模式，并成为默认模型，价格不变。
对一家过去最擅长采购和组合模型的 AI 应用公司来说，Genspark 现在也不是要转向自己造模型。它仍然高度依赖外部模型和训练基础设施，只是过去主要组合 API，现在又把这种能力往模型权重上推了一层。Costco 还是那个 Costco，但货架上开始出现了一些自有品牌。
1
AI 应用，开始不满足于租模型
对 Genspark 这样的 AI 应用公司来说，一直调用最强模型是最省事的选择。模型升级就跟着换 API，一家掉队，就把任务路由给另一家。Genspark 本来也是靠这种能力起家的。
但当一种任务每天高频重复，单纯调用最强模型未必还是最好的选择。根据官方数据，Genspark 单日最多生成 12 万份 PPT。PPT 又远比问答复杂，模型要搜资料、组织结构、生成页面、渲染、检查，再根据结果反复修改。
Genspark CTO 朱凯华此前把内部的模型使用拆成三层。重复而明确的工作优先交给更便宜的模型，适合专项优化的任务通过 fine-tuning 补强，少数需要更强推理能力的节点再调用 frontier model。按照他的总结，高频、重复、定义清楚，同时拥有明确质量标准的任务，最适合专项训练。
Claude 依然很强，但通用模型的能力优势，未必就能带来最好的垂直产品体验。模型公司要覆盖广泛的任务，应用公司却可以反复观察同一类任务。这样就能知道模型在哪些特定环节出错，哪些结果会被用户接受或需要重做。
垂直 AI 创业常见的一条路径，是围绕特殊数据训练专用模型。但现在，应用公司不一定需要从零开始训练模型。更强的开源基模已经提供了通用能力。公司的任务变成了围绕具体场景继续训练，把自己的数据、评价标准和工作流程融进去。
Agent 时代，“应用公司拥有用户数据”也变得更具体。一次任务可以留下完整的执行轨迹，包括用户提出了什么要求、模型调用了哪些工具、在哪里出错，以及最终交付的结果。这些轨迹能帮助团队找到反复出现的错误，再决定应该调整工作流，还是通过训练改变模型的行为。
1
什么样的基模适合作为训练底座
Harvey 用 Qwen 做法律 Agent 的强化学习实验，Heidi Health 用开源模型训临床模型，各家选的基座不同，考虑的东西也不一样。对 AI 应用公司来说，需要的未必是一个在所有榜单上都排第一的模型。通用能力够强，又便于继续训练，反而更适合作为产品持续开发的基座。
放到 PPT 这个具体任务里，Genspark 看中的 MiniMax M3 能力也比较明确。M3 支持百万级长上下文、原生多模态，也面向 Agent 工具调用做过设计。Slides 恰好是一种长轨迹任务，模型需要在文本、视觉和工具之间不断切换，完成搜索、生成、渲染、检查和修改。
Genspark 在 Gen-1 Slides 的官方博文中提到，正因为有 M3 这样的开源基座，它才能跳过预训练，把资源集中到 Slides 的循环优化，并在几周内完成 Gen-1。也就是说，M3 把训练一个 PPT 专用模型的起跑线，直接搬到了最后几公里。
除了面向具体产品做后训练，另一种路线是在基模上继续预训练。沙特 AI 公司 HUMAIN 推出的 humain-m3，同样以 MiniMax M3 为基础，又通过超过 1 万亿 Arabic-native tokens 的进一步预训练强化阿拉伯语能力。它和 Genspark 走的是两条不同的技术路线，共同点在于都把 M3 当成了继续训练的起点。
1
模型后训练变成了一种服务
AI Coding 是较早将后训练用进产品的一类应用。Cursor 通过持续预训练和强化学习开发 Composer，法律 AI 公司 Harvey、医疗 AI 公司 Heidi Health 也开始将后训练纳入产品开发。这些公司处理的任务差别很大，但都有一些共同点，比如任务高频而相对稳定，也比较容易判断一次工作完成得好不好。
这些案例背后都出现了 Fireworks 这家公司。作为提供模型训练和推理基础设施的平台，Fireworks 降低了应用公司进入模型层的门槛。应用公司不需要自己搭起完整的模型训练体系。以 Gen-1 为例，Genspark 制定 PPT 质量标准和训练目标，Fireworks 参与算法优化和训练工程，前后进行了超过 100 次实验，有些训练轨迹长度超过 10 万 token。
这项工作也远不止提供一批训练数据。在Gen-1 的训练中，模型很快学会了利用 grader 的评分规则，有时会提高视觉评分，却同时降低任务完成质量。更具体的例子包括，模型会声称资料已经核验却没有真的核验，也会缩小字号来逃过版面溢出检测。Genspark 和 Fireworks 只能不断查看训练轨迹、调整 reward 和 grader。
为了减少 PPT 里明显的 AI 味，团队还加入了一个专门的判别器。用最终版本回测后，被判为 AI 制作的比例从 74.9% 降到了 41.7%。
做到这里，应用公司手里的优势也不只是用户数据。它还得知道自己的产品什么叫好，怎么评价，以及模型开始迎合评分体系时怎么把它拉回来。
1
不是所有 AI 应用都该做后训练
开源基模变强、Agent 工作流逐渐稳定，再加上训练门槛下降，才让 post-training 变成一条更现实的产品路线。但这些条件并不意味着所有 AI 应用都应该做后训练。
Manus 早期就做过另一种选择。项目启动时，团队认真讨论过是否基于开源模型训练一个端到端 Agent，最后把主要精力放在 context engineering 上。Manus 联合创始人兼首席科学家季逸超当时认为，对于快速变化、尤其还没有找到 PMF 的应用，几周一次的训练迭代跟不上产品变化，底层模型的进步也可能很快让已有训练贬值。
从 Manus 此后的公开产品路线看，它目前仍把大量改进放在 Agent 架构、上下文、工具和工作流上。今年推出的 Projects That Learn From Every Task，也是把一次任务中可复用的经验写回 instructions、files 和 skills，没有去碰模型权重。
而 Slides 这类场景，已经具备相对成熟的工作流。任务规模大，产品形态稳定，有明确的交付质量标准，再选择把长期积累的经验训练进模型，收益才更明确。
Genspark 和 Manus 的不同选择，也说明后训练有自己的适用边界。还在快速试错的 Agent 产品，更适合跟着基模升级，继续优化上下文和执行框架；已经形成稳定工作流的垂直应用，则更有条件把优化做到模型参数这一层。
但一个训练好的模型本身也很难成为长期壁垒。更强的基模出来以后，应用公司可能需要重新训练，相比某一个具体模型版本，能够跟着迁移的评价体系和训练流程，价值更大。
1
开源模型开始卖可训练性
这里说的可训练性，首先得能训。最基本的问题是，模型权重和许可证是否允许继续训练，SFT、偏好优化、强化学习能不能直接跑，现有训练平台是否已经支持这个模型，这些都会影响一家应用公司能不能把后训练真正做起来。Fireworks 的训练产品里，就会直接列出不同基模支持的训练方式、上下文长度和训练规格。
基模本身的能力也得足够强。一个模型再开放，如果通用能力太弱，或者和业务需要的能力差得太远，后训练很难补课。法律、代码、PPT 各自需要的能力组合不同，应用公司挑选的考量也会不同。
训练完成之后，还要考虑能不能长期整合进产品。模型大小、吞吐、延迟、推理成本，以及部署和训练基础设施是否成熟，都会影响这套方案最终是否划算。Harvey 在法律场景做 post-training 时，甚至会把 token 消耗写进 reward，提高任务表现的同时控制推理成本。
可训练性最后其实落在三个问题上：能不能训，值不值得训，训完以后能不能用得起。
闭源模型公司也在争这部分需求。OpenAI 已经提供强化微调等能力，所以应用公司的选择不会简单变成开源和闭源二选一。对开源模型来说，除了直接提供能力，能不能成为一个好用的训练起点，也开始影响下游的选择。
一个模型能被多少产品直接调用是一种规模，能成为多少产品继续训练的底座，可能是另一种。
那个最"不缺钱"的AI公司，也要上市了今天路透社丢出一条消息：DeepSeek已经请了中信证券当辅导机构，筹备在科创板IPO，计划年内正式启动上市流程。
DeepSeek和中信证券都没回应。但这事儿的可信度不低——中信证券是券商一哥，上市辅导又是A股的规定动作，请了谁，基本就是板上钉钉在推进了。
有意思的是，这家公司曾经是全行业最"佛系"的一个。
两年前：不融资，不上市
2024年底DeepSeek刚火的时候，梁文锋的做派是这样的：不接受采访，不开发布会，不融资。公司靠幻方量化的自有资金养着，闷头做模型。当时外界想给它送钱，门都摸不到。
结果今年画风突变。
4月启动首轮外部融资，6月交割，510亿元，投后估值3500亿——梁文锋自己掏了200亿，腾讯100亿，宁德时代50亿，网易、京东、IDG各30亿。两个月不到，第二轮又安排上了，投前估值直接喊到5000亿，又是500亿的盘子。两轮加起来，募资超过1000亿。
融资还没完全落袋，IPO辅导已经开始了。
从"不融资不上市"到"两个月融两轮、年内冲刺IPO"，DeepSeek用了不到半年。
钱都花哪儿了？烧得比赚得快多了
先看账。据The Information拿到的数据，DeepSeek今年前7个月营收4.75亿元——听着还行，是去年全年的十倍。但同期净亏损7.15亿。而花在AI基础设施上的钱是多少？110亿。
收入不到5亿，基础设施投入110亿。这个缺口，靠卖API是填不上的。
巧的是，今天DeepSeek还官宣了另一件事：flash系列明天起实行峰谷分时定价，高峰时段价格翻倍，空闲时段降价。一边用价格杠杆引导开发者错峰、把算力成本压下去，一边马不停蹄地筹备上市补血——两件事放在同一天，你细品。
还有一个更现实的压力：人被挖走了
路透社在报道里点得很直白：字节和小米最近在高薪挖DeepSeek的人，核心研究员已经走了一批。微博上有消息说，离职的骨干至少5个，覆盖大模型、推理、多模态几条主线。
DeepSeek满打满算300来人。前两天刚放出150个招聘名额，相当于再招"半个DeepSeek"。
光靠理想和情怀留不住人了。上市公司的股票和期权，才是打工人听得懂的语言。梁文锋想拿IPO募来的钱做股权激励，这是阳谋。
为什么是科创板，不是港股？
这波AI上市潮里，同行基本都去了香港：智谱、MiniMax今年已经挂牌，月之暗面也秘密递了表。
DeepSeek偏要走科创板。
这里有个背景：上交所专门为大模型公司开了绿灯——第五套上市标准，允许还没形成收入规模的优质AI企业上市。这套标准原本是给创新药企业用的，现在平移到了大模型身上。科创板要的就是这种硬科技标杆，DeepSeek也需要一个给足政策红利的主场。
再想想它融资时那个著名的架构：外部投资人的钱打进梁文锋管理的有限合伙，五年锁定期，只有国家AI产业投资基金能直接持股。控制权攥得死死的。这种风格，跟科创板的政策导向天然合拍。去港股跟那帮对冲基金掰扯估值？没必要。
说白了，这已经不是一家"实验室"了
2025年的DeepSeek，像个躲在杭州的武林高手，靠一套开源模型震动天下。2026年的DeepSeek，是一家两轮融了上千亿、要扩招到450人、买芯片建数据中心、跟人抢人才的重装备公司。
AGI这张牌桌，门票已经涨到了千亿美元级别。OpenAI、Anthropic在美股门口排队，估值一个喊1万亿、一个喊2万亿美元。这个量级的军备竞赛，靠自有资金和私募融资，迟早不够烧。
上市不是理想主义的退潮，是这场仗打到新阶段的必然。
对普通人来说，这倒也是个机会：智谱MiniMax在港股，多数人买着费劲；等DeepSeek真在科创板敲了钟，一个A股账户就能下注国产大模型了。
当然，辅导备案离正式挂牌还有不短的流程，募资规模、时间表、估值都没敲定。路透社也说了，今年内是"启动流程"，真挂牌市场普遍预期要到2027年。
但方向已经定了。那个说"不缺钱"的DeepSeek，终于要走进股市的喧闹里了。
AI天才的价格表，中国模型大厂的山头战｜深氪文｜王毓婵 温丽虹
编辑｜张雨忻 杨轩
热钱
得知那位98年的同事，一位一线算法研究员跳槽去腾讯后的年薪时，朱可欣觉得眩晕。
涨幅高达3倍——朱可欣和这家大厂的同事们在聚餐上猜测对方拿了多少时，“大胆猜测涨50%”。但答案揭晓，是从100万涨到300万，这远超他们预料。一顿饭的时间，饭桌上所有人对自我定价都重估了一遍。
旧有的薪资坐标被迅速改写，“眩晕”不断发生。距离那次跳槽仅一年过去，朱可欣说，现在已经没人会对一线研究员拿300万年薪感到惊讶了。
高昂年薪的年龄层还在下探。
在腾讯混元，一名00后研究生还没走出校园，就以实习生的身份领着5000元的日薪，月收入比这座大城市的大部分白领都高出许多。他的上级跟他交过底，“毕业转正可以给到年薪300万。”这位年轻人很直白地告诉36氪，他今年就想马上毕业。
从硅谷到中国，当顶尖AI人才在以亿级年薪和“一号位送温暖”被争抢时——字节AI一号位吴永辉是张一鸣花了8个月才促成的；腾讯AI一号位姚顺雨是总裁刘炽平亲自去硅谷谈下来的；而Meta不仅能开天价，扎克伯格会给他想挖的OpenAI研究员“送亲手做的汤”——整个AI人才金字塔中，从塔尖到塔基，每一层人才的价格都在被不断推高。
塔尖上的人，能拿到上亿年包——姚顺雨入职腾讯，DeepSeek郭达雅转投字节，都被传年薪上亿。但这个人群非常小，每家的模型团队只有几个人。
往下一层，是在大厂里拿超千万年包的人。一位猎头告诉36氪，每家大体量的公司里有差不多有10-20个这样的人，每位都是职位变动会牵动行业关注的业界明星。
再下一层，是“500万及以上”年包量级的TopSeed、阿里星、腾讯“大咖”等顶尖应届生，每家几十人。一位今年入职字节的博士候选人对36氪解释了600万年薪的构成：“不全是现金，还包含字节期权，豆包股、还有奖金。”他还提到，有的应届生能拿到比600万更多的数字，“但那是极个别”。
再往下，是200万-300万的一线AI算法，被称为“打工仔”，人数最多，定价依据是学术代表作和核心项目经验。“今年，年薪200万+是一个普通算法研究员能接受的基准线，去年还是100万+。”一位大厂算法说，“我有个朋友之前拿到了Seed 200万+的年包，最后没选，因为另一家AI公司给了他300万+，以及更高的职级。”
金字塔的最底层，是AI算法实习生。字节、腾讯、阿里核心方向的博士实习生日薪可达5000-6000元，而两年前，博士实习生的平均薪资还是1万元/月，相当于现在两天的薪水。
当实习生的月薪都来到了十万元以上，对AI人才的争夺，尤其是对大模型研究员的争夺，可以说是从塔尖到塔底全方位地进入了白热化。
这背后，是中国模型厂之间的竞争演化：字节原本是市场上最慷慨的AI人才买家，但最近一年，腾讯也突击抢人，成为顶级人才大金主。同时，DeepSeek、月之暗面在一级市场大额融资，智谱、MiniMax上市，大模型创业公司也筹集了加码的钱。
一直以来，“人才”在各个行业的竞争中都是一个重要的变量。但当下AI行业人才争夺的烈度，明显高于上一个热钱涌入的行业——互联网。可以与之匹敌的，恐怕只有1950-1970年之间的半导体行业刚兴起时对核心人才的抢夺。
这两个行业的共同特点都是：公司看起来拥有技术，但真正拥有技术的，是那几十个核心的技术人员。所以，人才成了公司竞争中“卡脖子”的关键变量。
就这样，AI公司之间的竞争，演变成了人才间的竞争。而人才的流动，剧烈地改变着每一家置身其中的公司，也深切地影响着整个AI行业的格局变化。
买配方
大厂和大模型公司所争夺的，其实是核心人才手中的技术“配方”。
在训模型时，研究员用“配方”这个词来描述模型训练中的方方面面：模型多大尺寸、数据怎么配比、训练路线怎么选，有哪些关键tricks......
模型的成功，是趟过大量的试错经验而实现的。而经历这一切的人，掌握着这些认知。就好像半导体行业早期也是如此：工艺参数、良率、材料、制造诀窍很难完全写进专利。所以，挖到一个对的人，可以拿到这些“隐形认知”，迅速缩抹平模型代差，缩小跟竞争对手的差距。
配方贵有贵的道理。模型训练的重置成本极高：训练一个基座模型，或微调千亿参数模型，一次完整的实验所花费的算力成本可能高达几千万甚至上亿。若训练方向、方法错误，其损失远远超过几个研究员的年薪。
更关键的是，能拿到核心配方的人实际非常少。
与互联网时代大部分所谓的创业经验不同，模型圈讲求的“万卡训练经验”，只有少数头部大厂和顶级实验室才有足够的算力和数据支持；而在这少量公司里能获得“训练指挥官”资格的人，也是凤毛麟角。
“全中国能牵头搞大规模预训练的，就那200个人。”猎头York说。一位字节HR也告诉36氪，当他们在2024年开始集中挖猎核心研究员时拉了一张名单，名单上也就小几百人。
当掌握核心配方的人流动起来，这些原本掌握在少数公司手里的模训练识就会随之被“开源”，完成跨公司的迁移，最后抬高整个行业的天花板。这就好比：一道菜的配方一开始只由几个厨师掌握，那这几个厨师供职的饭店暂时就会看起来很强；可一旦一个王牌厨师跳槽，配方立刻就会流传开来，没有哪家饭店能持续领先，但越来越多好吃的饭店会抬高整个行业的天花板。
2024年下半年原本在阿里负责过多模态预训练的周畅加盟字节，虽然字节为此付出了千万级年薪，但周畅的到来迅速帮字节在多模态能力上取得突破，这是如今大爆的Seedance模型的基础。
另有业内人士告诉36氪，原智谱研究员、GLM-4.5及GLM-4.5V核心贡献者程晔安在今年加入了月之暗面，并位列K3技术报告作者名单。他的主要贡献就在Agentic Coding后训练上，而这正是智谱的强项。
对一家公司来说，当核心人才离开，损失的不只是一份劳动力，而是团队共同积累的知识——实验路径、失败记录、调试经验——被完整地交付给了竞争对手。而这种交付甚至不需要等到入职。有人从面试起就开始把团队内部是怎么做的，悄悄讲给了对家听。面试本身，成了技术细节最高频的外泄渠道。
如果掌握配方的人选择创业，也一定会成为资本的宠儿。
前商汤研究总监刘宇在多模态刚刚起步的2024年，就经历过从数据处理、训练基础设施、模型研发到产品落地的完整闭环，并且调度了超过4000张GPU来训模型。而当时，拥有千卡训练的人才都已经很稀缺。所以，当他离职创业后，投资人立刻蜂拥而上。由于找来的投资人太多，刘宇甚至大部分都只能闭门不见，以至于行业内称他为“投资圈轻易见不到的人”。
人才的流动，本身就是这一轮国内大模型公司能力竞赛中重要的一部分。“模型竞争的核心，主要是算力、数据和人。”猎头Sam告诉36氪，“能找到合适的人，算力和数据才不会白费。否则花了再多的钱也无济于事。”
这就是为什么“人”会成为AI行业竞争中的重要争夺资产。
当然，除了要找到那一小撮掌握配方的人，大模型公司还需要找大量聪明靠谱的年轻人来“剥葱扒蒜”。人才争夺战就这样全面打响了。
怪招
早两年，AI人才的高地和流失源头，原本是技术上先行一步的百度和阿里，但最近，AI人才极其充沛的字节也成为了新的“山头”和被挖对象。一位模型大厂内部人士对36氪透露，他们正在对标字节的数据体系，岗对岗地挖人，“只要挖过去，薪酬就能double”。
字节很快做出反应。2025年底，字节跳动发出全员邮件，宣布奖金和调薪投入分别提升35%和1.5倍，并启用新的职级体系，抬高了每一个职级的薪资上限。这其中职级相关的调整被认为是重点针对AI人才的举措：高薪的研究员没法塞进原有的职级框架内。
留人举措今年还在继续加码：字节只对AI相关业务员工发放的“豆包股”有了明确的标价和回购机会，并且，有豆包股的人还可以选择把自己年终奖或者总包里更多的现金换成豆包股。这就好比字节创立之初时的期权一样值钱。而这些举措或许都有一个共同的触发原因——去年一整年，Seed走掉了近70名技术骨干。
腾讯则不止舍得给钱，还舍得给职位。如姚顺雨、田永龙等硅谷的明星研究员，来到腾讯就可以直接带一个团队，甚至成为整个模型团队的负责人。有了这样的例子后，猎头在挖人的时候也有了话术：“你留在OpenAI可能就是几百个顶级研究员中的一个，你来中国大厂的话，就能做业务一号位。”
不过，钱和职位也不是一切。不少创业公司有自己的招聘“怪招”。
上海两家AI创业公司常常同时盯上同一个人。今年，这两家都看上了一位博士生，他原本已经准备接受其中一家的offer，最后却被背靠高校的另一家挖走。原因不是钱，而是对方称能给他提供“上海某大学的教职”。
智谱可能是这个“高校赛道”上的鼻祖。公司创始人兼首席科学家唐杰，以及公司的核心管理层几乎都来自清华，在这种浓厚的“学院氛围”下，不少清华学生为了读唐杰的硕士或博士，都会选择以加入智谱为敲门砖。
如果拿不出太强势的资源，HR或猎头则会采取“攻心术”。
李清供职的公司位列“大模型六小虎”之一。近段时间，他每周都会接到数通猎头电话，电话往往挑上班时间打来，对方会采用“攻心”打法——他们不着急谈岗位和薪资，而是绕着李清任职公司的股价、工作强度、他本人的健康状况这些负面话题做文章，从侧面动摇李清对当下公司的信心。
李清记得有一位猎头，每次通话都热衷于聊李清所在公司的股票。“你们公司股价跌了，要不要考虑外面的机会？xx上市以后潜力肯定更大。”
大厂有一套更为体系化的打法，我们称其为“饱和式用人”。
一位字节员工告诉36氪，Seed在一些比较核心的研究领域，一定会超出资源配置地保留两个能力相近的团队。“所以就算一个团队被竞争对手整锅端走了，另一个团队也绝对可以填上。你就算在再核心的岗位离职了，在字节也不会溅起水花。”
在猎头侧，也能感受到这种“饱和式用人”。一名猎头告诉36氪，在他承接的各家公司中，腾讯会在组建团队期间集中挖掘人才，但字节的挖人节奏几乎没有什么波动，“不管当下缺不缺人，字节都会持续性地去挖人。”
还有“釜底抽薪式挖角”。
某大厂人士告诉36氪，他们正在“定向孵化其公司的模型人才”。“我们定位了竞争对手最重要的10个人，把他们全部撬一遍。如果他们愿意跳槽过来就最好；如果不愿意过来、就鼓动他们自己创业，我们可以帮他们找投资。”
在他的描述里，这套动作是有名单、有配额的：比如，字节定位Seed最重要的10个人，逐一mapping，然后想办法接触上。跳槽是A方案，投资创业是B方案，两个方案都能达到削弱对手的目的。
VC称这种做法为“投负一轮”：在创业者还没开始创业的时候就投。一些投资人会在字节员工还在职时，就撺掇他们出来，并且帮他们搭好班子、找好第一笔钱；或者扎堆在清华、北大校门口，抓教授、聊学生，甚至投学生创业。
相比被竞对挖走，HR对于人被投资人拐跑的情况态度相对中立，“期权能绑住那些‘可能会被竞对挖走的人’，但绑不住真想创业的人。想创业的人，早晚都会出来。至少不是去给竞对添砖加瓦了。”一位投资人说。
挖角与反挖角，如今是每家AI公司HR的必修课。
一位大厂研究员告诉36氪，某些公司的HR面对想要锁定的候选人，会逐字逐句地教对方一套话术，让他用来应付别家HR。但这很多时候只是一厢情愿——因为一些新人拿到offer后，会直接用offer作为“跟下一家HR谈薪资的资本”。在两家竞争严重的公司之间，新人甚至可以直接跳过面试环节，空手套到一个涨幅。
有的AI公司把招聘搞出了“拍卖会”的感觉：新人拿到offer后，一周内入职给3个月签约奖金，两周内入职则减少到2个月签约奖金，三周以上没有奖金，这就是为了缩短新人的犹豫时间。
猎头找人的办法也在不断变化。
AI人才最大的特点之一是“隐形”，真正符合企业需求的人，往往不会把自己挂在招聘软件上。“一个普通程序员在招聘平台能搜出成千上万，但大模型的人，你找不到10个，有时候5个都找不到”。猎头裴小科说。
但这些人才也不是无迹可寻。他们的名字往往在顶会论文的作者栏里，位列GitHub的贡献者名单中，在X上的技术帖子中，许多人在个人主页上直接留了邮箱。
这代表猎头的工作方式要改变：不再筛简历、打电话，而是要读论文、发邮件。
但是要读完、读懂这些论文实在太难了，有猎头开始用AI来干这个活——用AI读论文、发邮件，对方收到的邮件都是一对一定制的：“张教授，我读了你的论文，你对多模态的理解我觉得特别有道理。”随后，这一套办法快速普及开来，所有猎头都开始这么干，研究员们的邮箱里瞬间充满了大量AI味很重的猎头邮件，小聪明迅速被识破。
“他们根本就不读我写的论文！”小红书上有很多这样的吐槽帖。
渠道被公开后立即失效，研究员们不再搭理这些邮件，猎头们不得不返璞归真，回到原始时代，靠熟人关系和线下蹲人来建联。他们蹲在清华北大门口、混迹教授与学生的圈子、跑大会、定向邀请会、闭门会、after party……凡是有人才扎堆的地方，必有猎头的身影。
选择和山头
纵然HR和猎头使出千百种招数和诱惑，但AI人才们有自己的想法。
“我不会去的，”一位字节研究员经常接到竞争对手大厂打来的电话。他会直接告诉对方：“你们的组织架构设计不合理，等你们搞好了再跟我说吧。”
比如某次他拒绝，是因为对方开的是一个资深岗，但岗位描述像“算法零工”——同时做图像理解和视觉模型的某个部分。“视觉模型光应用在游戏上，就够一个人研究五年。你现在让一个人这样打零工，他在数据的理解上都不完整，那怎么能做起来呢？”他的结论很直接：“只有不懂的人，才会这么设计组织。”
大厂和钱，在很多AI人才那，并不是最重要的衡量指标。
移动互联网后期，大部分人选择在大厂里拼职级、拼薪水，“说白了，就是没有红利了，大家得想办法拿到一个好的位置，然后苟住。” 猎头Henry说，“但现在的AI行业还在绝对的红利期，有能力的人更愿意去能让自己快速出成绩的地方。”
“追求杠杆，而不是眼下的现金”，成了AI人才，尤其是年轻的“小天才们”一个比较主流的想法。“如果我今年能参与一个SOTA模型的核心训练环节，这就是我最大的杠杆，未来的机会只会更多。”而正是这样的想法，让不少年轻人的天平开始向创业型公司倾斜，如月之暗面、DeepSeek、智谱等。而这些公司里关键岗位上的人，也确实更趋于年轻、趋于“原生的AI人”。
在这些人眼里，大厂和创业公司最大区别在哪？答案可能是“组织”。
组织怎么设计，把哪些人放在核心位置，往往是一家公司想怎么做业务的直接体现。通常来说，创业公司的组织往往更精简、更扁平、更灵活、更“AI Native”。又或者说，如果一家大厂能让自己的大模型部门具备这些特点，它也会更容易受到人才的青睐。
“AI Native”这个热词放在大模型训练组织的语境下，说的其实就是：这个组织里有没有真正自己下场做过大模型的人，有没有在一个真正的大模型组织待过的人，知不知道一个能适应AI时代的组织应该是怎样的。
2024年急于在大模型上破局的字节，转年就找来了吴永辉担任Seed负责人。前负责人朱文佳虽然也是资深的算法和架构师，但他大量的技术经验都集中在“搜推广”业务形态中，接手Seed时并未真正做过大模型。后来的事情也证明，做大模型训练还是需要直接做过的人，前Google DeepMind研究副总裁、曾深度参与Gemini研发的吴永辉，被认为才是对的人。
腾讯则在2025年做出了更大胆的选择。这家以“成熟稳重”著称的公司，在大模型持续落后的2025年末，找来了年仅28岁的前OpenAI研究员姚顺雨担任混元大模型负责人。“总办就是希望他来打破秩序的。”一位腾讯人士说。
他的到来，就像在平静的池水中放入了一条鲶鱼。腾讯的大模型组织开始剧烈翻腾。
首先是大批原生AI人才的加入。据36氪梳理，姚顺雨加入后的近一年，混元体系引入了至少8名关键外部人才，直接向他汇报。梳理这份新人名单，无论是来自字节Seed的张弛、黄启，又或是此前已被业内普遍关注的海外明星研究员庞天宇、田永龙与蔺旭东，无一不是在大模型的一线真正训练过大模型的研究型人才。
“姚顺雨有一种明星效应，他吸引了更多掌握配方的人愿意来到腾讯。”一位混元研究员说。他仍然用厨房做比喻：“如果掌握配方的人觉得，你厨房里的锅铲不是我要的锅铲，锅具也不是我要的锅具，我怎么炒出一盘好菜来？现在，他们相信姚顺雨至少是个合格的厨师长。”
旧人也在陆续离开。大模型原先各岗位的关键负责人，包括原腾讯AI Lab副主任俞栋、上一任混元掌舵者蒋杰、原多模态理解负责人胡瀚、原后训练主力徐灿等，都在姚顺雨履职后相继发生变动，或离职、或转岗。
混元的组织在快速地年轻化。“那些所谓的老资历，其实并不比我们懂得多，甚至我们在模型训练各方面的认知上甚至都碾压他们。”一位混元研究员对36氪说，“不是所有资历都能带来增益，很多人没有真正在大模型上打过胜仗。”
一位头部大模型公司员工也感慨，团队里几乎都是95后，05年的都有。对创业公司而言，最不需要的就是一个专门发号施令的人，他不向往大厂，因为“组织庞杂，架构层级多，管理者只是在‘管理团队’”，“在创业公司，因为目标与做事风格高度一致，反而更容易出成绩”。
可见，大模型行业也正在构建一种扁平、一线、按训练战绩而非资历来评判人的工作方式。在上一个时代做过虚拟人，做过推荐系统、广告系统、搜索，做过云的人，不再能直接用资历和年龄来兑换一个领导大模型团队的资格。
组织变化带来的效果很快在业务端显现出来。
2026年之前，谈到混元大模型，行业内的评价几乎是清一色的“拉完了”。而姚顺雨和他的新核心班底陆续到位后交出的Hy3则被认为“上牌桌了”，一个相对公允的评价是：从“模型榜单产品”变成了一个能真正塞进WorkBuddy等生产力产品里的底座。而2个月后发布的Hy4 preview，则被业内评价为：把腾讯推到了国内开源模型第一梯队。
这正是一个“关键人物的到来改变了组织，新的组织改变了业务状态，最后改变了公司在行业中的座次”的故事。“不是说姚顺雨一个人改变了混元，但如果在2025年那个时间点，没有这样一个被赋予重要职权、能越过内部山头的角色承担这些责任，混元绝对不是现在这样，只会更落后。”一位接近腾讯的人士评价。
阿里则陷入了与腾讯不同方向的叙事。
阿里过去因为大模型做得早、人才有积淀，并没太吃过挖人的苦：通义实验室的源头可以追溯到达摩院，周畅、林俊旸、罗福莉等最早一批国内大模型人才都出自于此，且都是阿里一手培养的原生人才。而且，开源文化也吸引了大量有技术情怀的人，这让阿里在2024年一度成为其它大厂挖角的人才高地。
可是近两年来，阿里对人才的吸引力正在松动。
随着字节、腾讯纷纷改革职级体系，打破论资排辈的桎梏，以及创业公司在2026年轮番推出SOTA模型、上市，阿里长期以来严格的职级体系和薪资体系，都成为了招揽人才的障碍。
据了解，原Qwen负责人林俊旸的职级为P10，除去他的直接汇报对象，大部分一线研究员只能给到P7左右。而这些人如果去往字节和腾讯，职级至少高出一到两级。“阿里很难让外部年轻人直接担任核心职位。”一位阿里人说。
自2026年3月林俊旸离职以来，阿里一直在重新搭建大模型相关的组织：3月成立Alibaba Token Hub（ATH）事业群；4月成立集团技术委员会，升级通义大模型事业部；6月又将通义大模型事业部和未来生活实验室两个最重要的模型团队合并，成立Token Foundry事业部。以上皆由集团CEO吴泳铭直接负责。
“管理层确实焦虑了。”一位阿里高管对36氪说，这些调整都是在将阿里的AI主导权不断集中到CEO手上，但这是最好的解法吗？“吴妈（吴泳铭）作为集团CEO要管的事情太多了，精力很容易被分散，很难高度沉浸地盯AI这一件事。”不少行业人士都认为，阿里依然需要寻找一位更原生、能更专注的大模型一号位。
潮涨潮落
AI圈人才的流动如同潮汐，时刻伴随着潮涨潮落。
根据猎头的回忆，国内模型圈的人才迁移经历了四个阶段，这背后也是公司间的起落：
2023年，GPT-3.5成为标杆，OpenAI、Google、Meta等海外大厂的员工成为了国内公司都想挖的热门标的。而国内的大模型人才和公司一样，都刚刚起步，其中阿里和智谱由于入局AI较早，人才更为成熟。
2024年，阿里之外，“AI六小虎”（智谱、月之暗面、MiniMax、百川智能、阶跃星辰、零一万物）从“百模大战”中脱颖而出，也成了第二阶段的黄埔军校。
2025年，DeepSeek、字节、阿里的人几乎和硅谷研究员一样受欢迎。想找能做预训练的人，基本就看这几家。猎头York用一句话来总结：“现在国内人才池里，模型层就看Seed，应用层就看剪映。”
2026年，DeepSeek、字节、阿里的人依然抢手，不过从“六小虎”中成功跑到头部的智谱、月之暗面也再次成为了人才市场的焦点。比如，月之暗面是率先拿出超大参数原生多模态模型的公司，而就在这个模型发布后，猎头们立刻前往月之暗面的办公室楼下蹲守准备挖角多模态研究员。
同时，AI市场对人才的需求结构也在发生一些微妙的变化——有的工种逐渐稳定、落潮，有的则在起势。
Cursor首席人才官Adam Ward在近期的一次访谈中提到，在AI研究员之外，硅谷现在需求更大的一类人是“前沿部署工程师（FDE）”，也就是模型公司或云厂商里派驻到客户一线去，把自家模型或应用部署到客户实际工作环境里的一群人。
“AI研究员是一个非常明确的群体，他们的定义、数量和分布都很清晰。现在比他们更难招的是那些模糊不清或全新的工种。”Adam在访谈里说。
这背后也是硅谷AI圈在发生的变化：在不断投入人、卡、钱做出最好模型的同时，模型的应用和商业化——也就是让模型赚钱——正变得比以往更重要。
在国内，类似的变化也在发生。
清华经管学院与猎聘在6月联合发布的《AI时代技能趋势报告》显示：2022年，AI基础算法与模型岗位占据了AI劳动力需求约一半；到2026年第一季度，这一比例降至20%；第二季度，AI Agent产品开发工程师的需求量首次超过算法工程师，成为AI领域最大的单一岗位类别。在这4年间，Agent产品相关人才需求环比增速达到40%。
行业的重心正在从“训模型的人”分化到“能把模型用起来的人”。
这从近期几家大厂频繁的组织架构和业务调整也能看出端倪：阿里将QoderWork、悟空、MuleRun整合为千问办公，并将“AI办公”提升为公司在AI领域的战略方向；字节则将飞书产品团队与豆包产品团队将整合，并把TRAE和扣子整合进豆包，完成五年来对To B业务最大的一次调整。
两家大厂的调整都被外部解读为对腾讯AI办公助手WorkBuddy的阻击。当三家大厂都势必要拿下这座城池，那么相应人才的需求也会被快速放大——不是产品经理，而是做Harness（驾驭模型，把任务执行落地）的产品工程师。
但大厂对于AI算法的需求跟前两年比确实在退潮。不是不招了，仅仅是因为经历了过去两三年的急招，大厂和头部公司的人才已经趋于饱和——字节Seed的算法人数甚至已经上千。
“各家公司都已经形成了比较有梯队的训练队伍，坑自然就少了。”一位业内人士说，“大厂现在主要的任务是只盯最头部的算法人才，并且留住自己已有的人，而不是继续大规模招聘。”
今年第二季度，腾讯与阿里的单季资本开支合计超过1000亿元，且两巨头自由现金流罕见同步转负。据行业估算，字节单季投入规模至少和腾讯处于同一量级。据此推算，三家巨头单季的资本开支合计超过1500亿元，其中大部分将流向AI业务所需的算力。
1500亿，能造1.25座港珠澳大桥，或60%个三峡大坝，或3艘福建舰。这也是为什么，针对大模型研究员不计成本地疯狂挖猎不会持续太多个年头的原因——地主家也没有余粮了。
猎头裴小科对此有直接的感受：大厂招人的眼光更挑剔了。他打了个比方：2023年那会国内团队招人，只要“见过猪跑”就行；认知成型后，用人标准变成了“吃过猪肉”；随着吃过猪肉的人越来越多，如今只有“吃过好的”那一档，才能接到橄榄枝。
于是，“缩圈”的现象出现了。比如针对一线研究员这个人群，“C9院校（9所顶尖大学）的计算机专业是现在的第一梯队”，裴小科介绍，“C9之后是985院校，而211及其他院校基本不再纳入人才池。”原因很简单：C9院校的学生往往在更前沿、资源更充足的课题组里实践，他们的经验也更被看重。
一位大厂实习算法还观察到一个现象：AI部门转正的HC在减少，但是拿到offer的人薪资包涨了一倍。这不是矛盾，而是同一件事的两面：一些基础的工作会逐渐被模型吃掉，于是预算集中到了少数头部的人。
“今年以来一些场景，比如后训练，正在逐渐自动化，HC的需求也在下降。”上述大厂实习研究员说，他已经见怪不怪，“现在部分组的HC已经锁死了，即使是一些同龄人中的‘大佬’，去投这些组也会被挂简历。”
大厂招聘步伐放缓，创业公司仍在热火朝天。正是观察到字节的人才溢出，他们牟足了劲准备挖人。
一位猎头认同“字节大范围扩招时代基本结束”的判断，他所在的猎头公司正在认真考虑明年是否要解约字节。“签约了字节，就不能挖字节的人，因为被逮到要罚钱、取消合作。比起服务字节，把字节的人才挖到创业公司，收益看起来更大。”
AI人才抢夺远没有结束，但最高潮的阶段已经告一段落。
1983年，物理学家伊曼纽尔·德曼接到华尔街的猎头公司打来的电话，问他想不想要一份15万美元薪资的工作，而当时他在贝尔实验室的工资是5万美元。后来，他在高盛一直待到2002年才离开。他和那一代的物理学家、数学家们在华尔街获得的，不只是三倍、五倍的薪水，还有一个可以待上二三十年的职业身份——他们中的许多人后来成了亿万富翁、终身教授，或对冲基金创始人。
但如今的AI天才们，还会有这么长的时间窗口吗？
*应受访人要求，朱可欣、李清为化名
（36氪作者邓咏仪、李炤锋对本文亦有贡献）
图片来源｜AI制图
智谱在天猫开店卖Token了：成首家入驻主流电商平台的大模型厂商以后打开淘宝搜"智谱旗舰店"，你能买到的不再只是衣服和数码产品——而是大模型的调用额度。
9月2日，智谱正式入驻天猫开设官方旗舰店，成为第一家登上主流电商平台的大模型厂商。店铺里上架的不是模型、不是API文档，而是四款明码标价的"GLM Coding Plan"订阅套餐：个人版Lite每月118元、Pro每月538元、Max每月1078元，团队版标准席位598元/月，支持按月、季、年订阅，支持支付宝、支持开发票。
一位企业工程师的评价很到位："以后买Token可以像充话费一样丝滑，大促节点说不定还有折扣。"
货架上卖的是什么
套餐基于8月刚发布的GLM-5.3模型——这是智谱最新旗舰，在Artificial Analysis智能指数上拿到60分，进入全球前沿模型区间，与Claude Fable 5、GPT-5.6 Sol同档，并和Kimi K3并列开源模型第一。它兼容ZCode、Claude Code、Codex等20余款主流Agent工具，买完拿到额度，代码生成、调试、重构随便用，超出部分再按标准API计费。
模式确实和手机话费套餐一模一样：固定月费、额度打包、用超再加价。对高频开发者，锁定月费比按次调用便宜——商品页直接标注"较标准API最高省87%到90%"。
但值得注意的是，这次天猫定价相比年初版本大幅上调：Lite、Pro、Max三档月费分别从49元、149元、469元涨至118元、538元、1078元，其中最热门的Pro档直接变成原价的3.6倍。智谱的解释是：新套餐改为以Token消耗为基础的积分制，额度更透明可预期，非高峰时段还有50%积分抵扣，且模型从GLM-5升级到了GLM-5.3。
涨价的不止智谱一家。今年上半年Coding Plan市场刚打完价格战，腾讯、MiniMax、Kimi就陆续下架了包月套餐，阿里关停了入门档位，整个行业从"低价抢人"转向"精简提价"。智谱选择在这个时点把涨价后的新套餐搬上天猫，底气是模型能力，也是生存压力。
为什么偏偏是现在
看一眼财报就明白了。
8月31日晚，智谱发布2026年中报：上半年营收9.54亿元，同比增长399.7%，超过去年全年；但净亏损20.7亿元。作为今年1月登陆港交所的"全球大模型第一股"，它的股价曾从116.2港元发行价冲到2980港元、市值破万亿，随后又大幅回调，市值蒸发超5000亿港元。
增长引擎已经换挡：上半年开放平台及API收入8.25亿元，同比暴增2735.7%，占总收入比重从去年同期的15.2%飙升到86.5%。换句话说，智谱已经从"卖项目、卖定制"的传统软件公司，变成了"卖调用量"的Token零售商。董事长刘德兵把上半年的关键词定义为"能力兑现"——模型第一次被证明能独立把事做完，收入结构随之置换。
背景板是整个Token经济的爆发：国内日均Token消耗量已突破140万亿，比2024年初的1000亿增长超1000倍。今年5月三大运营商集体推出Token套餐，阿里成立AlibabaTokenHub事业群，腾讯云升级全域TokenHub——"卖Token"已经成了AI产业链上最拥挤的生意。智谱上天猫，本质是在这场零售战争里抢占离普通用户最近的那个收银台。
套餐化的隐忧与出路
不过话费套餐留下的历史教训也摆在那儿：档位可以多，账单别靠猜。
有观察者已经提醒：商品页上"10000积分"的数字很醒目，但普通用户真正想知道的是——这些积分够我写多少代码、跑多少次任务？大模型用量比手机流量难感知得多，有人天天用它干活觉得值，也有人第二个月打开账单才想起自己还订着。订阅制最大的敌人从来不是价格，是沉默续费。
好在电商货架本身就是最好的倒逼机制。当Token从开发者文档里的专业概念变成淘宝商品，它就得接受零售世界的规则：七天无理由式的体验保障、双11的折扣大战、买家秀和评价区的公开处刑。哪家套餐说明写得像天书，哪家额度虚标，评论区会替市场教育它。竞争越往零售走，计费透明和用户体验就越没法糊弄——这对消费者是好事。
结语：Token正在变成水电煤
从官网自助购买，到运营商套餐，再到天猫旗舰店，Token的销售路径正在复刻所有数字商品的大众化之路。智谱这一步的象征意义远大于开业当天的销量——截至发稿，四款商品还没有销量显示。
但方向已经清楚了：大模型能力正在从"技术产品"变成"生活耗材"。就像没人关心电是哪个电厂发的，只关心电费多少钱一度、充值方不方便；未来大多数人也不会关心背后是哪家模型，只关心每月那笔AI订阅费，值不值。
下一站，双11的Token满减券，已经可以期待了。
AI 投研进入本地智能时代：AMD 携手创造进化AInvestor 打造端侧 AI 投研解决方案，提升投资决策效率在人工智能快速迈向智能体（Agentic AI）时代的今天，AI 正从辅助工具演进为能够协同完成复杂工作的“数字员工”。对于投资机构而言，项目筛选、尽职调查、风险分析、投资建议书撰写等工作涉及大量非结构化数据和专业判断，传统投研模式越来越难以满足投资机构对于高效率、高质量和数据安全的需求。
AMD 携手 创造进化（北京）科技有限公司AInvestor 推出的AI 投研一站式解决方案，基于AMD 锐龙AI Max+ 395 Mini AI 工作站打造，将本地大模型、多智能体协作（Multi-Agent）、私域知识库（RAG）融合端侧 AI 能力，为一人基金、小型 GP、VC/CVC、家族办公室等机构带来一套完整的 AI 原生投资分析与决策解决方案，实现从项目筛选、信息核查、风险识别到投研报告生成的全流程智能化。
破解传统投研痛点，让 AI 成为数字化投研团队
投资机构每天需要面对海量商业计划书（BP）、行业研究、财务数据、法律文件、访谈纪要及公开信息。传统模式下，大量工作依赖投资经理人工阅读、交叉验证和经验判断，不仅效率有限，也容易受到个人经验差异影响。
AInvestor 将 AI 能力深度融入投研流程，重点解决四大行业难题：
海量项目材料难以及时完成初筛，优质项目容易被遗漏
尽职调查信息来源分散，人工交叉验证耗时耗力
投资经验难以形成组织资产，优秀方法难以复制
BP、财务数据、法务资料等敏感信息不适合上传公网 AI 平台，存在合规与安全风险
AMD 锐龙 AI Max+ 395：为端侧 AI 投研提供强大算力
相比传统云端 AI 方案，AInvestor AI 投研一站式解决方案采用 Mini AI 工作站形态，具有低功耗、小体积、易部署等特点，可直接部署于办公桌、会议室或路演现场，让 AI 能力真正走进投资工作的每一个场景。
它采用AMD 锐龙 AI Max+ 395处理器，16核32线程，NPU 算力至高可达50 TOPS，支持最高128GB 统一内存，其中最高96GB 可作为 GPU 显存使用，内存带宽约256GB/s，能够支撑122B 参数级MoE本地大模型运行以及长上下文推理任务，为复杂投研分析提供充足算力。
多智能体协作，让 AI 模拟真实投研团队
AInvestor基于AMD 锐龙 AI Max+ 395 Mini AI 工作站，围绕真实投资流程构建了多个专业 Agent，包括市场 Agent、技术 Agent、业务 Agent、财务 Agent、法务 Agent、风险 Agent以及报告 Agent，各智能体按照真实投资团队分工协同工作，对同一项目开展交叉分析，并最终形成统一输出，包含量化评分、定性判断、核心结论、关键验证点及下一步尽调建议的标准化投资分析结果，为投资经理提供更加全面、高效的决策支持。
私域知识库，让机构经验持续沉淀
对于投资机构而言，真正有价值的，不只是完成一次尽调，而是不断积累机构自己的知识资产。
AInvestor 支持构建本地 RAG 私域知识库，将历史投资项目、行业资料、投资偏好、风险标签、案例库及尽调模板持续沉淀，形成属于机构自己的“数字大脑”。随着项目不断积累，系统能够持续优化分析能力，使优秀投资经验转化为可复用、可继承的标准化工作流程。
这种能力不仅提升了团队协同效率，也有效降低了因人员流动带来的知识流失风险。
端云协同脱敏机制，兼顾本地安全与云端智能增强
更重要的是，商业计划书、财务资料、法律文件、访谈记录以及投资建议书均可在本地完成处理，有效降低敏感数据上传公网带来的风险。对于需要结合公开信息和外部数据的客户，AInvestor 也可根据机构安全策略提供端云协同模式，在本地处理基础信息，完成敏感信息的识别、分类和脱敏处理，之后再用云端进行增强分析。这使投资机构既能利用端侧工作站处理高敏感材料，又能在可控范围内调用云端模型进行公开信息检索和分析，从而在数据安全、合规管理与 AI 分析效率之间取得更好的平衡。
AI 投研，助力投资机构迈向智能化未来
目前，AInvestor 已在中关村资本、衍至基金等国资和市场VC 基金等机构开展应用与验证，主要用于真实项目分析、基金内部投研辅助、AI 投资工作站测试以及早期项目评估。
随着 Agentic AI 持续发展，AI 正逐步成为投资机构的重要生产力。依托 AMD 锐龙AI Max+ 395 处理器的强大端侧 AI 能力，AInvestor 将大模型、多智能体协作和私域知识管理深度融合，为投资行业打造更加安全、高效、智能的 AI 投研新范式，让 AI 真正成为投资机构的长期可信赖的数字伙伴和基础设施。
去美元化交易我完全可以胜任一家国际投行的分析师，有没有兄弟给我介绍个工作，我也能写研报，每天一份不带重样的。
前天我就说了比特币这次可能不一样了，身体力行的梭哈了，一切都是马前炮。
花旗和野村都出研报了，说这次比特币的暴涨主要是3个因素：1.贝森特加大长期国债回购规模到40亿美元；2.川子喊单；3.底部筹码充分换手。
后面两个因素都没那么重要，都是这些分析师为了凑字数加上去的。
真正上涨的原因就只有一个：去美元化交易.
贝森特加大长期国债回购规模到40亿，40亿美元对我这种普通人来说当然很多，对于美债规模来说就是九牛一毛了，对在读这篇文章的你来说那更是是微不足道了。
作为对比，前几天SK海力士不是想让股票止跌嘛，于是出了一个回购销毁计划，金额是多少呢？40万亿韩元，大概就是286.2亿美元。
美债规模是40万亿美元，贝森特想用40亿美元撑住美债价格，这不是搞笑吗？可以完全把贝森特当初嘴炮了。
所以去美元交易就这样自然而然的发生了。
而比特币黄金等，天然就是美元的替代品，做空美元/做多黄金/做多比特币是相似的交易策略表达，比特币作为波动PRO MAX的品种，选择做多它也就很好理解了。
传统金融与加密货币的终极碰撞：LMAX CEO 深度解析机构级资本市场的未来引言：当外汇巨头遇见加密货币
本文基于 The Block 对 LMAX Group 首席执行官 David Mercer 的深度专访。LMAX 并非普通的加密初创公司，而是一家在传统外汇（FX）市场占据统治地位的金融巨头。它每天处理高达 700 亿美元的交易量，服务于全球前 50 大银行、顶级资产管理公司和对冲基金。
然而，正是这样一家深谙传统金融（TradFi）规则的巨头，在 2018 年率先推出了首个机构级加密货币交易所——LMAX Digital。David Mercer 站在传统金融与加密货币交汇的十字路口，以极其独特的视角，剖析了这两个原本割裂的世界正在如何发生“终极碰撞”。
本文将极其详尽地拆解这场访谈，探讨加密技术（如 24/7 交易、稳定币、资产代币化）如何重塑传统资本市场，以及传统金融（如信贷中介、清算机制、合规监管）又将如何反过来驯服狂野的加密市场。
第一章：外汇市场的降维打击与加密支付的破局
访谈的开篇，Larry Cermak 提出了一个非常尖锐的问题：为什么像 Coinbase 或 Binance 这样的顶级加密货币交易所，能够轻松地推出股票交易产品，却几乎没有一家涉足传统外汇（FX）市场？
1.1 外汇市场的“微利”壁垒
David Mercer 给出的答案展现了传统金融巨头的绝对自信。他指出，外汇市场是全球规模最大、效率最高的市场，日均交易量高达 7 至 8 万亿美元（是股票市场的 30 倍，固定收益市场的 10 倍）。
在加密货币或股票市场中，交易所赚取的手续费通常以“基点（Basis Points, BPS）”计算（1 个基点等于 0.01%）。然而，在机构外汇市场中，竞争激烈到了令人发指的程度。LMAX 在处理每百万美元的交易时，赚取的利润仅仅只有几美分。
这种极致的低点差和微利模式，是那些习惯了在加密牛市中赚取高额手续费的加密交易所根本无法适应的。外汇市场需要极其庞大的交易量、极低的延迟（纳秒级）以及极其复杂的流动性管理能力，这构成了一道坚不可摧的技术和商业壁垒。
1.2 加密支付的真实需求：从投机到“交付”
既然加密交易所难以打入传统外汇市场，那么加密货币的实际应用场景在哪里？
David 认为，尽管目前加密市场仍以投机为主，但零售用户最终想要的是“交付（Delivery）”——用他们持有的加密财富去购买现实世界中的商品，比如房产、度假或日常消费。
为此，LMAX 推出了 LMAX Kiosk 和 Omnia 交易所。其核心理念是“用任何资产支付任何资产”。例如，一个持有比特币的用户想要在欧洲买房，他可以直接用比特币支付，而 LMAX 会在后台瞬间完成法币兑换，让卖家直接收到欧元。这种无缝的跨资产支付体验，正是稳定币和加密技术对传统支付体系的降维打击。
第二章：加密货币如何倒逼传统金融实现 24/7 运转
加密货币给传统金融带来的最大震撼之一，就是其24/7/365（全年无休） 的交易模式。习惯了周末双休和节假日闭市的华尔街，正面临着前所未有的挑战。
2.1 传统金融的“周末停机”痛点
在过去，传统金融系统的 IT 架构极其老旧。每到周末，银行和交易所的服务器都需要停机维护、重启、进行批量结算和软件更新。
然而，世界在周末并没有停止运转。如果在周六发生重大地缘政治事件，投资者却无法交易外汇或对冲风险，这在现代金融体系中是极其荒谬的。
2.2 比特币的“三角套汇”奇效
LMAX 是如何打破这一僵局的？David 分享了一个极其巧妙的故事：LMAX 在 7 年前就率先推出了周末外汇交易。他们是如何在没有银行流动性的情况下定价的？
答案是：利用比特币。
由于比特币在周末依然交易，LMAX 创造性地利用比特币在不同法币下的价格（例如 BTC/USD 和 BTC/JPY），通过三角套汇（Triangulate）的数学模型，反向推算出了周末的 USD/JPY（美元兑日元）汇率！这可以说是加密资产反哺传统金融定价机制的一个经典案例。
2.3 不可逆转的趋势
在 LMAX 的推动下，目前已有约 50% 的经纪商适应了周末交易（而在 10 年前，这个比例仅仅只有 7%）。David 极其笃定地预测，到本年代末（2030 年），这个比例将达到 95% 甚至 100%。全天候交易将成为所有金融资产的标配。
第三章：稳定币与抵押品的跨资产流动性危机
在探讨加密货币的实际应用时，访谈深入到了一个极其核心的痛点：抵押品（Collateral）的割裂与流动性危机。
3.1 稳定币：加密世界最成功的 PMF
Namik 提到，稳定币是加密领域极少数真正实现了产品市场契合度（Product-Market Fit, PMF）的应用。David 对此深表赞同。他认为，稳定币的本质就是为了解决结算、支付和抵押品流动性问题而生的。
3.2 黄金暴涨与加密市场的尴尬
为了说明抵押品割裂的痛点，David 举了今年第一季度发生的一个真实案例。
今年 Q1，由于地缘政治紧张引发避险情绪，黄金价格暴涨。在 LMAX 的平台上，黄金交易量一度占到了总交易量的 40%。
然而，在这个过程中，许多加密货币投资者却眼睁睁看着机会流失。为什么？因为他们的资金（抵押品）被锁在中心化加密交易所（如 Binance 或 Kraken）里。如果他们想买黄金，必须先卖掉加密货币，将法币提取到银行账户，然后再转账给传统的贵金属经纪商。这个过程可能需要几天时间，黄花菜都凉了。
3.3 跨资产保证金池的未来
LMAX 的优势在于，它同时拥有传统外汇/贵金属业务和加密业务。他们允许客户在同一个平台上，直接用持有的比特币或以太坊作为抵押品（Margin），去交易黄金或外汇。
这种打破资产类别壁垒的“统一保证金池”，极大提高了资金的使用效率。David 认为，未来的资本市场必须建立在这种无缝的跨资产流动性之上，而稳定币和代币化技术正是实现这一目标的基础设施底座。
第四章：机构入场的真实进度——万事俱备，只欠监管
加密圈天天都在喊“机构来了（Institutions are coming）”，但真相究竟如何？作为直接服务全球顶级银行的 LMAX，David 用极其详实的数据揭开了底牌。
4.1 前 50 大银行的内部调查数据
LMAX 针对全球排名前 50 的大银行进行了一项深度调查（回复率高达 60%）。数据结果令人振奋：
100%的受访银行都对加密货币/数字资产交易感兴趣。
45%的受访银行已经涉足数字资产的托管业务。
36%的受访银行正在积极研究代币化真实世界资产（RWA）。
只有8%的银行表示目前完全不采取任何行动。
最关键的是：近60% 的受访者（约占前 50 大银行总数的 40%）明确表示，计划在 2027 年底前正式开始交易数字资产。
目前，LMAX 内部有 12 个活跃的银行对接项目正在推进。这意味着，传统金融巨头的入场不是空头支票，而是正在紧锣密鼓执行的时间表。
4.2 阻碍机构入场的两大绊脚石
既然大家都想进来，为什么动作还这么慢？David 指出了两个致命的阻碍：
监管的不确定性（特别是在美国）
David 将传统金融比作“国家（State）”，将加密货币比作“教会（Church）”。传统金融是高度受监管的，而加密市场起源于无政府主义的信仰。
目前在美国，监管机构甚至无法界定某些加密产品到底是金融衍生品，还是属于“赌博（Gambling）”范畴（如后文提到的预测市场）。在监管框架（如 MiCA 法案在欧洲的落地，但美国仍滞后）彻底清晰之前，受托管理公众资金的大银行绝不敢轻举妄动。
缺乏机构级的信贷中介与清算机制
这是加密市场与传统金融在底层逻辑上的最大冲突。
加密模式（全额预先注资）：在加密交易所交易，你必须先把100% 的资金或代币存入交易所。这极其低效，且存在巨大的交易所跑路风险（如 FTX 事件）。
传统金融模式（信贷中介）：大银行在LMAX 交易 10 亿美元的外汇，根本不需要预先存入 10 亿美元。他们依赖于 Prime Brokers（主经纪商）提供的信贷额度，只需在交易结束后进行净额清算。
David 强调，加密市场必须建立独立的清算所（Clearers）和机构级的信贷机制，才能承载华尔街数以万亿计的资金体量。
第五章：代币化、永续合约与预测市场
在探讨了宏观结构后，访谈进入了对具体加密原生金融产品的剖析。
5.1 代币化（Tokenization）：本千禧年的衍生品
David 对资产代币化给予了极高的评价，他将其称为“本千禧年的衍生品（The derivative of this millennium）”。
上世纪 90 年代，衍生品市场的爆发极大地丰富了金融工具。而今天的代币化技术，通过消除交易摩擦、实现资产碎片化（让普通人也能买得起一小块曼哈顿的房产）以及 24/7 交易，将引发一场同等甚至更大规模的革命。
他大胆预测，到本年代末（2030 年），传统金融市场中将有接近 10% 的资产被代币化，其规模可能高达30 万亿美元（远超花旗银行预测的 5.5 万亿美元）。他断言：“所有证券最终都将被代币化。”
5.2 永续合约（Perpetuals）：一个自我纠错的故事
永续合约（Perps）是加密市场独创的衍生品（没有到期日）。David 在这里展现了一个顶级企业家的坦诚：他承认自己看走眼了。
“5 年前，我认为永续合约是个短命的糟糕产品，只有散户才会玩。”David 坦言。但市场教育了他。看到永续合约在加密市场的巨大成功后，LMAX 迅速调整战略，不仅推出了比特币和以太坊的永续合约，甚至将永续合约引入了黄金交易！
他现在坚信，永续合约的交易量最终将远远超越现货市场，成为资本市场的主流工具。
5.3 预测市场（Prediction Markets）：为何 LMAX 暂不涉足？
Larry 提到了今年极其火爆的预测市场平台 Polymarket（用户可以对大选结果、体育赛事等进行下注）。
David 对这种创新表示赞赏，认为它极大地丰富了市场的对冲工具。然而，当被问及 LMAX 是否会推出类似产品时，他给出了极其谨慎的回答：“2026 年之前绝对不会。”
原因又回到了监管。预测市场目前处于一个极度危险的灰色地带：它到底是金融衍生品，还是体育博彩？作为一家受到严格监管的传统金融机构，LMAX 绝不会为了短期的流量去触碰可能吊销其牌照的红线。这再次印证了传统金融“合规至上”的底线思维。
第六章：零售交易所的机构化挑战
访谈的最后，Larry 提出了一个关于行业竞争格局的终极问题：像 Coinbase、Kraken 这样的零售加密交易所巨头，正在拼命向机构业务转型。LMAX 作为机构领域的原住民，如何看待这种跨界竞争？
David 的回答非常犀利，他指出了零售交易所向机构转型时面临的三道几乎不可逾越的底层基因壁垒：
截然不同的技术栈（Technology Stack）
零售交易所的系统设计是为了应对数百万散户的并发访问（比如在超级碗打广告后涌入的流量），对延迟的要求并不苛刻（几百毫秒甚至几秒都可以接受）。而机构交易（特别是高频交易）要求的是确定性的超低延迟。LMAX 的撮合引擎延迟在纳秒级别（1 毫秒 = 1,000,000 纳秒）。零售交易所的底层架构根本无法满足华尔街高频量化基金的需求。
客户关系管理（CRM）的鸿沟
零售交易所习惯了通过 App 和网页自动处理客户开户、KYC（了解你的客户）和客服工单。但服务一家顶级对冲基金或跨国银行，需要极其复杂的定制化服务、深度的合规尽职调查以及一对一的专属客户经理。这是一种完全不同的商业服务模式。
信贷模型的缺失
正如前文所述，零售交易所是“全额预先注资”模式。而机构需要的是复杂的信贷评估、保证金抵押和净额清算。零售交易所缺乏评估和管理系统性信用风险的经验和基础设施。
David 总结道：“从零售向机构转型，就像让一家生产大众消费品的快消公司，突然去制造极其精密的航空发动机。这不仅仅是资金的问题，更是基因的问题。”
第七章：总结与行动建议
这场将近半小时的深度访谈，为我们描绘了一幅传统金融与加密货币从割裂走向融合的宏大蓝图。
7.1 核心结论回顾
1、融合是历史必然：未来的资本市场不再区分 TradFi 和 Crypto，而是建立在加密技术底座（24/7、代币化、稳定币）之上，并遵循传统金融规则（信贷、清算、监管）的统一大市场。
2、外汇市场的护城河：加密交易所难以颠覆传统外汇市场，因为后者的点差微利模式和高频交易技术壁垒极高。
3、抵押品流动性是关键：允许使用加密资产作为抵押品交易传统资产（如黄金、外汇），是打破资本割裂的核心痛点。
4、机构入场倒计时：全球前 50 大银行中，有近 40% 计划在 2027 年底前正式交易数字资产。
5、代币化与永续合约：资产代币化将成为 30 万亿美元规模的下一个衍生品革命；永续合约将成为跨资产交易的主流工具。
7.2 行动建议
对加密创业者：不要再试图重新发明轮子。加密市场的下一步爆发，需要构建能够对接传统金融的独立清算所（Clearers）和信贷中介服务。解决“全额预先注资”的低效问题，是吸引华尔街万亿资金的关键。
对传统金融机构：必须加速淘汰不支持24/7 交易的老旧 IT 架构。如果不能在周末提供流动性和交易服务，必将被时代淘汰。
对投资者：密切关注RWA（真实世界资产代币化）赛道的基础设施建设。同时，理解机构资金的入场是一个受制于监管和合规的缓慢过程，不要被短期的市场情绪所左右。
第八章：深度扩展——加密与传统金融融合的底层逻辑推演
在完成了对访谈核心内容的梳理后，我们需要进一步跳出视频本身，深入推演这种“终极碰撞”背后的深层逻辑。为什么传统金融巨头如此渴望拥抱加密技术？而加密市场又为何必须向传统金融妥协？
8.1 传统金融的“技术焦虑”与加密的“合规渴望”
这实际上是一场各取所需的双向奔赴。
传统金融的痛点在于“效率低下”。正如 David 所言，传统金融的底层 IT 架构大多建立在上世纪七八十年代的大型机系统上。跨境支付需要通过 SWIFT 系统层层中转，耗时数天且费用高昂；证券交易的结算周期通常为 T+2（交易后两个工作日才能真正交收）。在互联网时代，这种延迟是不可容忍的。加密货币底层的区块链技术（分布式账本、智能合约、即时结算）正是解决这些痛点的一剂良药。
加密市场的痛点在于“规模天花板”。虽然加密市场经历了数次牛市，总市值一度突破 3 万亿美元，但这在传统金融的汪洋大海面前（仅全球债券市场规模就超过 130 万亿美元）依然不值一提。加密市场要突破现有的规模天花板，就必须吸引养老基金、主权财富基金等真正的“老钱（Old Money）”。而这些机构资金入场的先决条件，就是极其严苛的合规监管、完善的信贷清算机制以及破产隔离（Bankruptcy-remote）的安全保障。
8.2 破产隔离（Bankruptcy-remote）：机构入场的生死线
在访谈中，David 多次强调了传统金融机制的重要性。其中一个未被充分展开但极其关键的概念是破产隔离。
在 2022 年的 FTX 暴雷事件中，许多机构和散户损失惨重。根本原因在于，加密交易所通常将客户资金与公司运营资金混同管理。一旦交易所破产，客户的资产就会被视为公司的破产财产，面临漫长且希望渺茫的清算索赔。
而在传统金融中，客户资产必须交由独立的第三方托管机构（Custodian）进行破产隔离存放。即使券商或交易所倒闭，客户的资产也是绝对安全的，债权人无权动用。
LMAX 作为传统金融机构，深谙此道。如果加密市场不能在底层架构上彻底实现“交易、清算、托管”的三权分立与破产隔离，华尔街的巨额资金就永远不可能真正涌入。
8.3 “全天候资本主义”的社会学影响
访谈中提到的 24/7 交易模式，不仅仅是一个技术问题，更是一个深刻的社会学议题。
从积极的一面看，它彻底消除了“周末风险敞口”。在过去，如果周六发生突发事件（如战争爆发、重大政策出台），投资者只能眼睁睁看着风险发酵，直到周一开盘才能进行操作，往往面临巨大的跳空缺口。24/7 市场让风险定价变得更加连续和精准。
从消极的一面看，这种“全天候资本主义”将极大地增加金融从业者的心理压力和工作负荷。传统金融的“周末双休”原本是人类对抗资本异化的一种制度保护。当市场永不休眠时，人类的贪婪和恐惧也将永不休眠。这要求未来的金融机构必须高度依赖 AI 算法和自动化交易程序，人类交易员将逐渐退居幕后，成为算法的监督者。
8.4 稳定币：美元霸权的数字延伸？
访谈中高度评价了稳定币的 PMF（产品市场契合度）。我们需要更深一层地理解稳定币的地缘政治意义。
目前市场上占据绝对统治地位的稳定币（如 USDT、USDC）几乎全部锚定美元，且其发行方将绝大部分储备金投资于美国国债。这意味着：
1、数字美元化：稳定币实际上在帮助美元以前所未有的速度渗透到全球那些金融基础设施落后、本国货币极不稳定的国家（如阿根廷、土耳其、黎巴嫩）。
2、美债的隐形买家：稳定币发行方已经成为美国国债最大的持有群体之一。在美联储缩表、美债面临抛售压力的背景下，稳定币无意中成为了支撑美元体系的重要力量。
因此，美国监管机构对稳定币的态度极其微妙：一方面担忧其可能引发系统性金融风险，另一方面又乐见其巩固美元的全球霸权。这也就解释了为什么针对稳定币的立法迟迟难以落地，因为这涉及到极其复杂的国家利益博弈。
8.5 结语：新旧世界的握手
LMAX CEO David Mercer 的访谈，为我们提供了一个极其难得的“跨界”视角。
加密纯粹主义者往往梦想着彻底颠覆并摧毁传统金融体系；而传统金融的傲慢者则将加密货币视为毫无价值的郁金香泡沫。David 的智慧在于，他看到了两者之间的互补性。
未来的金融图景，不会是加密货币的乌托邦，也不会是传统金融的旧日重现。它将是一个以区块链为底层账本、以稳定币为结算媒介、以智能合约为执行逻辑，同时受到严格国家监管、依托成熟信贷清算机制的“混合资本市场”。
在这场终极碰撞中，没有绝对的赢家或输家。唯一的赢家，将是那些能够率先跨越认知鸿沟、将两种基因完美融合的金融创新者。
资本巨头强势联手！MY集团300万美金战略控股ClawMax，共建Web4金融新生态在Web3向Web4迭代的关键浪潮中，数字资产基础设施领域迎来重磅整合事件。2026年5月，全球化数字资产服务平台MY集团正式宣布，完成对AI驱动的去中心化衍生品基础设施ClawMax的300万美元战略投资并成为控股股东，此举标志着双方将深度绑定，共同构建“社交-交易-公链-支付”全链路生态闭环，为Web4时代的去中心化金融注入核心动能。
作为本次合作的核心技术载体，ClawMax的硬核实力早已备受行业瞩目。平台由全球顶尖机构Flow Capital背书，核心团队汇聚摩根大通、Citadel等传统金融与加密量化领域的精英人才，构建了AI做市金库、去中心化跟单、合约保险三大核心业务闭环，形成不可复制的技术壁垒。在经济模型层面，ClawMax创新打造MA收益凭证与CMX治理代币双模型，依托真实做市、套利行为及手续费现金流，构建可持续的收益体系，彻底打破行业“零和博弈”困境。同时，平台坚守资产自托管、链上透明可溯源、多层风控兜底的核心原则，让普通用户无需专业背景，即可零门槛获取机构级链上收益，真正实现金融普惠。
而MY集团作为全球化布局的数字资产平台，成立于2023年，总部横跨香港、新加坡、韩国三地，依托全球化合规治理体系，业务覆盖现货、保证金、期货交易及资产管理等多元领域，致力于打造安全高效、值得信赖的金融基础设施。此次战略控股，是MY集团布局Web4赛道的关键落子，更是双方优势互补、价值共赢的必然选择。
根据合作规划，双方将从流量、场景、品牌、生态四大维度实现深度整合，释放1+12的协同效应。流量层面，MY集团旗下社交产品坐拥约2000万用户，其中币圈精准用户转化率达1%-2%，将为ClawMax持续输送高质量流量，快速扩大平台影响力；场景层面，MY代币将全面接入ClawMax金库入金、跟单策略订阅、CMX节点竞拍等核心场景，打通双平台资产流转通道，提升MY代币应用价值；品牌层面，ClawMax全站将统一采用MY集团视觉体系，标注“MY生态战略成员”标识，实现品牌势能共建；生态层面，双方联合共建商学院，MY集团派驻讲师输出宏观行业叙事，ClawMax团队负责产品玩法教学，降低用户参与门槛，培育共识基础。
此外，MY代币作为生态核心流通资产，已成功登陆Gate.io及多家去中心化交易所，具备充沛的流动性与流通深度。后续将推出专属金库理财产品，用户质押MY代币即可参与7-360天不等的理财计划，每日以MA代币结算收益，进一步丰富用户收益渠道，激活生态流动性。
本轮投资完成后，ClawMax将保持独立运营，持续深耕核心技术研发与产品创新；MY集团则从全球化生态流量、资本资源、合规布局等方面提供长期支撑。值得关注的是，MY集团已启动全球资本化进程，同步推进纳斯达克IPO上市，ClawMax作为核心生态技术合作伙伴，将深度参与Web4生态建设与全球化扩张，共同书写数字金融发展新篇章。
从技术硬实力到资本新动能，从流量新入口到生态新场景，MY集团与ClawMax的强强联合，不仅是一次战略投资，更是Web4去中心化衍生品赛道的里程碑事件。未来，双方将以技术为基、以资本为翼、以生态为核，持续构建安全、高效、可持续的Web4金融基础设施，助力全球用户共享数字时代红利。
全员 token-maxxing，一场没人敢停的军备竞赛撰文：孟醒
2026 年 3 月 24 日早上，我坐在 YC W26 batch Demo Day 的观众席里，听到第五家公司上台路演的时候，决定不再做笔记了。
不是不重要，而是我意识到，自己记下来的这些东西，可能下个月就过时了。
这一届一百多家公司，做的事情其实高度集中：大约 80% 都是垂直 agent，比如帮律师整理文件、帮客服分发工单、帮 HR 筛选简历。
如果是在去年 10 月看到这些项目，我大概率会觉得 「挺有想法」。但问题是，这五个月，世界变了。
Claude Code 从一个更偏开发者的工具，变成了几乎任何人都能直接使用的界面。Opus 4.6 出来之后，整个 vibe coding 的门槛被压到了地板上。
那些垂直 agent，在没有形成业务壁垒之前，今天一个普通工程师，甚至我自己，花一个周末就能做出来，他们已经失去了投资价值。
YC 一届项目周期是三个月，这批 12 月入营，加上前期筛选，等于是 5 个月前被选出来的 「好公司」。而 5 个月，在现在的 AI 迭代速度里，已经足够发生几轮范式转换。
2012 年我第一次创业，拿到 YC 的 Fly Out（实地面试邀请）的时候，那时候 YC 在加速器这个赛道上，几乎一枝独秀，选出来的公司往往代表着 「下一个方向」。但竞争格局在变，YC 这几年感觉反过来了，逐渐变成了一个 lagging indicator（滞后指标）。
YC 的 batch 制度，从申请、筛选、入营、打磨、路演，在移动互联网时代运转了十几年，非常成功。但这套节奏是按一个更慢的世界设计的。
回到风险投资行业的这一年半，我大概每个季度都会来一次硅谷，上一次是去年 10 月。以前每次来，都会觉得变化很快，但这种 「快」 大多是按月来感知的。
这一次，得按 「周」。
有一天晚饭的时候，一个做 post-training（后训练） 的朋友随口说了一句：
「我发现，硅谷自己都开始跟不上自己了。」
全员 token-maxxing：一场没人敢停的军备竞赛
半年前如果有人跟我说，Meta 几万名工程师，全在用竞争对手的产品写代码，我会以为他在开玩笑。
但这是真的。整个 Meta，全员都在用 Claude Code。这不是创业公司，不是某个实验性团队，而是一家市值万亿级别的公司。
代码安全不要了，token 预算炸了，排行榜卷起来了，整个硅谷都在不计成本的往 AI 里砸钱。但砸完之后呢？
先说代码安全。放在半年前，这件事完全不可想象，因为代码是公司的核心资产，你怎么能让外面一家公司的 API 去碰它？Meta 一开始也是这么想的，他们内部做过一个叫 myclaw 的东西，试图解决这个问题。一个 Meta 的朋友告诉我，他们做出来了 coding 产品，但 「不好用，没人用」。没人用之后，公司不得不放宽了：只要不涉及客户数据，爱用 Claude Code 就用。
然后各部门开始开那种 「怎么变成 AI native 组织」 的内部会议，做培训，搞考核。代码安全、使用安全，这些过去天经地义的红线，统统被排到了后面，先把效率赶上来再说。
出于安全考虑，Google 禁止大多数员工使用 Claude Code 或 Codex 等竞争对手的工具，但 DeepMind 是个例外，负责 Gemini 模型和内部应用的几个团队，都在用 Claude Code。
谷歌自己也不是没有努力：他们推出了内部编码工具 Antigravity，今年 2 月还宣称公司约 50% 的新代码，已经由 AI 编写。
但即便如此，DeepMind 的人还是在用 Claude Code。DeepMind 敢这么做，一个重要原因是 Anthropic 给他们做了私有化部署，毕竟 Anthropic 的推理和训练，本来就大头跑在谷歌云的 TPU 上，双方有这个信任基础。但 Meta 和其他科技巨头可没有这层关系，他们是真的把代码安全扔到一边了。所有人都在赌同一件事：先把速度冲上去。
代码安全只是第一面倒下的旗，第二面是 token 预算。
在 Palo Alto 聊的几家 AI-native 创业公司里，一个工程师一年的 token 预算，大概在二十多万美元。这个数字本身不稀奇，稀奇的是它意味着一个顶级工程师消耗的 AI 成本，已经接近于一个工程师的工资了。看起来公司在用 AI 裁人省钱，实际上总成本可能根本没降，只是把人的成本换成了 token 成本。
Meta 在这件事上又是最极端的。他们搞了一个内部 token 消耗排行榜：谁用得多谁上榜，末尾的可能被裁员，所以 Meta 员工甚至在卷一个叫 「token legend」 的非官方头衔。
但与此同时，Meta 今年接连两轮裁员，规模加起来上万人。一边全员用 Claude Code 冲 token 量，一边大规模裁人。
这两件事不是矛盾的，它们是同一件事的两面。
我去看了一家 C 轮公司，技术负责人把 Slack 打开给我看，全是 agent 在跑，十几个 Cursor agent 后台并行，再开一个 Claude Code 窗口调度。现在程序员圈最流行的焦虑是：如果睡觉之前，不知道我那十几个 agent 要干什么就很慌。
但生产力真的同等涨了那么多吗？从去年年底开始，有很多顶尖推理引擎、数据库公司的 CTO，很兴奋地跟我讲 「百倍工程师」「 十倍效率提升」，以前 60 个人需要 1 年做的事，现在 2 个人加上 Claude Code 一周就能搞出来。
我开始也跟他们一起兴奋，但后来我冷静了下来，就会问一个问题：好，效率提升了 100 倍，那公司的营收增长了 100 倍吗？或者产品线扩张了 100 倍？总不能 「100 倍」 的提升，最后就是优化掉多少人吧？
我没有得到正面回答。事实是，100 倍的效率提升，落到公司的营收增长上，只体现了 50% 或者 1 倍。
差距在哪？现在还没人能说清楚。
「用了这么多 token，公司应该基因突变成另外一种公司才对。但到底变成什么，我也不知道。」
有一个做 toB 销售出身的创始人告诉我，他团队 16 个人，两个销售，在 12 个月内从零做到三千万美金 ARR，这是全靠 AI coding 搭出来的。这种案例你确实偶尔能看到。但大多数时候，我看到的是创业公司搭出了更多东西，但这些东西也没有 product-market fit（PMF，产品市场匹配）。
硅谷现在很流行用 vibe coding 去尝试 100 种做法，看看哪一种能行得通，而不是只试 10 种。但谁能抓住下一个发展趋势？还很难说。
让我印象最深的一个反例来自 Anthropic 内部。我问一个 Anthropic 的朋友，你们自己用 agent 最痛苦的场景是什么？他说是 oncall（即时响应）。
Oncall 任务的一个典型场景是：如果 Claude 的 API 突然响应变慢、某个模型推理节点挂了、用户反馈某类 prompt 输出异常，oncall 工程师需要快速定位问题根源，判断是代码 bug、算力分配问题还是模型本身的异常，然后决定怎么修。
Anthropic 自己就是全世界做 Coding agent 最强的公司，这个场景离他们的核心能力近得不能再近了，结果他们内部的 oncall agent 还是不好用。
这就是 2026 年 4 月的真实状态：蒸汽机已经被发明了出来，但它有时候跑得还没有马车快。关键是所有人都知道蒸汽机终将跑得更快，所以都在疯狂砸钱：代码安全也不管了，token 预算爆了，排行榜卷起来了。至于到底什么时候蒸汽机能真的跑过马车？没人知道，但没有人敢停下来等那一天。
因为停下来的代价，可能比烧错 token 更大。
而且 token 消耗量，大概率不是线性增长的。这让我想到我以前做自动驾驶的经历：2021 年我们在上海，首次实现了连续 5 小时无接管的自动驾驶。当时觉得是一个重大突破，在那之前，测试车队可能是 10 台、15 台、20 台慢慢增加；但过了那个拐点之后，很快就到了 100 台、1000 台。今天的 Coding agent 正处在类似的阶段。
2021 年在上海，滴滴自动驾驶首次实现连续 5 小时无接管连续行驶，这是国内自动驾驶的一个里程碑事件。图为时任滴滴自动驾驶公司 COO 孟醒，与谷歌 「无人车之父」Sebastian Thrun 的对话，2021。
METR 是加州一家专门评估 AI 编码能力的研究机构。他们去年提出了一个指标：衡量 AI agent 能以 50% 成功率完成多长的任务（按人类专家的完成时间算）。2025 年 3 月首次发布时，Claude 3.7 Sonnet 的这个数字还是 50 分钟；到了 2025 年底，Claude Opus 4.6 已经做到了 14.5 小时。过去两年，这个指标的翻倍周期，从 7 个月压缩到了 4 个月。一旦 agent 的可靠性再上一个台阶，token 消耗就不是每年加 50% 的问题，而是一夜之间上一个数量级。
有一个获得朋友们共识的预测，到今年年底，不少公司（包括科技大厂），实际上只需要 20% 的人。
xAI 团队雪崩之后，造火箭的人开始造模型了
在 Mountain View 一家牛排馆，晚上九点多，一位曾经跟马斯克工作了很久的朋友，坐到了我对面。聊了三个多小时，我后来回想，整个过程里他似乎没有说过一句马斯克的好话。
一个细节：我问他，你在 xAI 干了三年，每天的节奏是怎么样的？他说三年来基本都住在公司，所以家里都没怎么布置，甚至连床都没有买。在公司睡的是那种 sleeping pod（睡眠仓），跟青年旅馆差不多。我说你现在拿着巨额股权，也都离职出来了，好歹买个床吧。他笑了笑。
xAI 的工作强度在硅谷是出了名的，但如今早期团队大概已经走了 90%。他们有一个离职群，天天在加人。
导火索是 Tony Wu 被开掉，然后连锁反应，用一位内部人的话说，「别的公司可能需要酝酿半年的高管团队出走，xAI 只需要一个月」。有些人在去年 10 月，就感知到马斯克的不满意了，但没想到这么快全部清洗。
现在马斯克开始从 SpaceX 和特斯拉调人过来接管 xAI，「造火箭的人开始造模型了」。
马斯克的不满，来自于他砸了无数资金和算力，结果 Grok 一直没能进入一线，但为什么？这是我遇到每个 xAI 出来的人，都会问的问题。答案其实比我想象的简单，一位朋友说得很直接：团队的战斗力非常强，工作也极其拼命，但制造业的管理方式，可能不适合大模型公司。
我做了八年自动驾驶，对这件事有一些自己的感受。马斯克过去做 SpaceX、做特斯拉，本质上做的是系统工程：链路很长，涉及软件、硬件、供应链，每一块都有创新空间，但最终是一个端到端的工程问题。
他擅长的是在这种长链条里，识别出关键杠杆点，然后极限压缩时间线来攻克。火箭发动机级联、复用着陆，都是这种思维的产物。
但在 xAI，他做的不像是系统工程。他现在做了三件事：先砸一个全球最大的 GPU 集群（甚至今天大家调侃说，xAI 本来是个 neo lab，现在更像是个 neo cloud 了，变成给 Cursor 提供算力了），然后给团队定脉冲式的 deadline，再亲自拍一些产品特征。这是在抓几个点，不是在做完整的规划。
做自动驾驶的人都知道，一到后期，软件团队、infra 团队、硬件团队之间 「谁领导谁」 就变成核心矛盾。三个方向都需要 CTO 级别的人来做决策，但没有一个人同时懂这三个领域。好的做法是，创始人虽然每块都不全懂，但知道怎么平衡资源、确定阶段性优先级，这段时间软件优先，下一阶段推给 infra。这叫有全局规划。
xAI 的问题是没有这个全局规划，只有冲刺。如果压力不那么大，聪明人之间其实能自修复，给他们时间，各个方向会自己找到协作的节奏。但马斯克的超高压管理，加上不充分的全局规划，一压就散了。每个方向的负责人都在保自己的优先级，没有人在做全局的统筹。
SpaceX 和特斯拉之所以如此成功，一个被忽略的原因是，在这两个行业里，马斯克基本没有遇到过同等量级的竞争对手，他是跟自己卷的。但 AI 不一样，AI 是连 OpenAI 都可能被 Anthropic 偷家的惨烈竞争程度。
xAI 的一位 cofounder 去年就说有两件事他没想到：第一是竞争这么惨烈，第二是 AI 时代应用创新的机会这么少，都被模型吃掉了。
Anthropic 的崛起，是过去一年 AI 行业最戏剧性的逆转。也彻底改变了战场焦点：一年前大家还在卷 C 端用户量和视频生成，现在（阶段性）决定胜负的战场是 toB 和 coding。
当然，xAI 的故事，还同时是一个 「钱来得太快、太多，会怎样」 的故事。
我想今天离开 xAI 的朋友们，也不会后悔当年加入的决定，xAI 可谓是硅谷最快的造富神话。xAI 从第一轮几十亿美金规模的融资，到今天与 SpaceX 合并，成为 2500 亿美元巨兽，只用了一年的时间。而 xAI 的 9 位 cofounder，差不多每个人都成为了 Billionaire，核心工程师也有大几千万到 1 亿美金，硅谷钱真的太多了。今天他们如果再创业，就有充分的底气，去做自己感兴趣的方向，而不是赚快钱的事。
焦虑的工程师，更焦虑的 researcher
跟工程师聊天，如今有一种奇怪的默契：大家都承认自己不怎么写代码了，但又都假装这没什么大不了，因为自己会成为被 AI 武装，而干掉那些没有 AI 化的工程师。
今天 80% 软件工程师的核心技能，已经被模型替代了，还留着的原因是模型偶尔犯蠢，需要人来盯着。但 「盯着」 这件事本身，可能很快也不需要了。
更激进一点想：今天所谓的 「AI native 组织」，听起来很 sexy——让每个部门梳理工作流、把能被 AI 介入的部分线上化、写成 skills。但本质上就是在人肉蒸馏自己：你把你的能力变成机器的 skill，公司拿到了你的 skill，实际上就已经完成 AI 化了，是否要由此裁员，那是一个道义的问题。今天 Meta 就是在干这件事。
虽然今天大家都在卷 token-maxxing，但你还是能感受到，有一种弥漫在整个硅谷的底层焦虑感。
更让我没想到的是，这种焦虑感，正在往 researcher 这个群体蔓延。
Researcher 是最金字塔尖的人才，它不是泛指 「研究人员」，而是在大模型公司（OpenAI、Anthropic、DeepMind 等）里，负责模型训练、做算法创新的那群人。他们跟 engineer（工程师）的区别是：engineer 是 「把东西造出来」，写代码、部署、优化性能；researcher 是更上游的 「想出来造什么」：提出新的训练方法、设计模型架构、跑实验验证假设。
而现在，连 researcher 的工作本身也在被自动化。这就是 DeepMind 的同学正在做的事情——用模型去训模型，也是今年硅谷大火的 AI 自进化。今年淘汰的是 engineer（工程师），到年底 researcher 也将开始被替代。
这件事已经不是新概念了。Andrej Karpathy 的 auto research（自动化科研）开了一个头，今天各种 AI scientist 工具、harness 框架，都在往这个方向走。但目前大多数的闭环，只到了 「发 paper」 这一层——AI 帮你跑实验、写论文，但最终还是人在做判断。
OpenAI、Anthropic、Google 这些公司想做的更激进：他们希望闭环直接到模型升级本身，不只是细节改进，而是让 AI 自己找到下一个范式级的突破。如果这件事能做成，那就是真的在替代 researcher。Google DeepMind 一年多前就在内部搞这个，让模型自己决定下一步跑什么实验，跑完自己评估哪条路更有前途，然后沿着那条路走下去，这就是模型在训练自己的下一代。
而且 researcher 更有动机被裁，原因很残酷——因为贵。Researcher 全球可能也就几千人，年薪动辄几百万、上千万甚至上亿美元。
「未来的情形可能是，10 个人干过去 100 个人的活，拿 20 份钱，然后 90 个人失业。」
而且真正的裁员比表面数字更大。很多公司砍的第一刀，不是在自己的财务报表上，砍的是外包服务商。这意味着印度和菲律宾，这些曾经承接欧美客服、数据标注、财务后台的国家，可能是最先被冲击的。一些发展中国家赖以升级经济的那条 「服务业阶梯」，可能正在被 AI 抽掉。
整个硅谷都在盯着 Meta，如果它的实验成功了——营收没掉、效率真上去了，其他大厂会迅速跟进，裁员就从个案变成行业常态。而且裁员有一个残酷的自加速机制：一开始大家不敢裁，怕伤士气；一旦变成常态，就越裁越快、越裁越不心疼。
不过裁掉旧岗位的同时，新岗位也在冒出来。
很多创业公司开始招一种叫 「AI builder」 的新角色——合并了产品经理、前端工程师、后端工程师于一身。还有一种是合并了数据科学家和机器学习工程师的复合岗，以及合并了写作、投放、运营的内容一体化操盘手。
硅谷公司对这些新角色的需求非常旺盛，但核心难题是：没有人知道怎么招聘他们。你用简历筛不出来，因为这个角色以前不存在，这个人的能力可能全藏在他自己的项目里；你用现场写代码也考不出来，因为核心能力是 「审美 + AI 使用能力」 的组合。所以已经有创业公司在做这件事：根据雇主的需求，自动生成一个模拟环境，让面试者现场用 AI 工具完成任务。有点像以前的 coding test（编程测试），但测的是一种全新的东西。
当 AI 什么都能做的时候，人的价值正在从 「会做什么」，变成判断 「什么值得做、什么不该做」 的。
一轮融资两个估值，英伟达在每张 「牌桌」 上都要拿下筹码
前面讲了这么多被替代的人——工程师、researcher、金融从业者。但有一个角色不但没被替代，反而在这场洗牌中变得越来越像幕后老板。
这个看似分布式创新的世界，底层其实在极度中心化。
这个中心就是英伟达。
我原以为卡的稀缺性，在过去一年已经缓解了。确实有一阵子缓了，在 2025 年中的时候，一些被英伟达扶持的 neo cloud（在 AI 浪潮中崛起的、专门提供 GPU 算力的 「新型云服务商」 ）融资都不太顺利，有的业务增长乏力，甚至有公司在那个时间点卖身了。但这次来我发现，稀缺性又回去了，而且比上一次更离谱。
一个具体的信号：如果你今天能稳定地提供一个 API 服务，比如 Claude 的 API，做到 99 分位的稳定性，你可以卖官方 API 价格的两到三倍。
Anthropic 的需求暴增后，API 中断正在变多，这对很多构建在 Claude 之上的 Agent 产品来说，有点问题
以前做 Router（路由服务） 这种生意，是 「我比官方便宜，所以有流量」。现在逻辑完全反过来了：稳定性本身变成了稀缺资源。有一批创业公司就靠这个赚了不少钱，现在硅谷的 mini 版 Coreweave / Nebius 正雨后春笋般涌现出来。
而且这次的算力瓶颈，不只是 GPU 分配的问题。Elad Gil 最近写了一个判断我很认同：上游内存厂商（Hynix、Samsung、Micron）的产能扩建周期，至少还要两年。这意味着在 2028 年之前，没有任何一家 AI 公司能靠堆算力显著拉开差距。算力约束客观上在强化大模型市场的寡头格局——不是谁不努力，是物理世界的制造周期就是这么慢。
背后的权力结构很清楚：谁有卡谁厉害，谁有卡由英伟达决定。今天上市的 CoreWeave、Lambda、Nebius，背后站的都是英伟达。
英伟达的布局比我之前理解的要深。Reflection 的投资人和我提到，这家 neo lab 最早出来融资的时候，是做 coding 的，然后创始人去见了黄仁勋，黄仁勋跟他说：你别搞 coding 了，你出来给我做 「美国的 DeepSeek」，做美国的开源模型，我给你钱给你卡。Reflection 就 180 度大转型了。
美国资本市场也因此出现了一些以前少见的结构：同一轮融资，给两个估值档位。关系好的、进场早的投资人，进低估值那一档；英伟达这种不差钱的老大，和那些晚到的投资人，被挤到高估值那一档，这种结构在国内最近也开始出现。
但英伟达再怎么想去控制分配，也搞不定不存在的东西。
整个美国社会，对数据中心的抗议正在升级。如今全美大约 100 个数据中心项目正在遭遇阻击，其中 40 个会直接流产。缅因州刚通过了一项法案，全面禁止数据中心建设。一个城镇批准了 60 亿美元的数据中心项目，结果半数成员连夜被投票罢免，换上来的新人唯一的目的，就是撤销那个决定。
算力不够了，不是因为产品不够好、用户不够多，是因为物理世界跟不上数字世界的胃口。
这是另一个层面的 「跟不上」。
硅谷的估值体系正在重写
先看一个数字。
美国 GDP 大约 30 万亿美元。OpenAI 和 Anthropic 目前各自的收入 run rate（年化收入） 都在 300 亿美元上下，也就是说，这两家公司各自已经占到了美国 GDP 的 0.1%。如果年底两家都冲到 1000 亿，再加上云服务和其他 AI 收入，AI 将占到美国 GDP 的大约 1%。从几乎为零到 1%，只用了短短几年时间。
这个速度是前所未有的。但诡异的是，增长越快，投资人反而越不知道该怎么定价了——在这么快的增长面前，硅谷的估值框架正在崩塌。
这次跟不少做二级市场的朋友深聊了几轮，一个反复出现的词是 「re-rationalization」（估值的理性回归）。
过去几年投 AI，大家的估值逻辑是看未来现金流：你今天亏钱没关系，我赌你三年后、五年后的 ARR。但现在，这套框架出了问题。
问题出在 DCF（现金流折现）这个最基本的估值模型上。正常做 DCF，你预测未来 10 年的现金流，然后加一个 terminal value（终值），也就是假设公司之后会稳定经营下去，把剩余价值一笔打包。通常 terminal value 占整个估值的 70%-80%。
但现在有两个东西同时变了：第一，你可能只能预测 3 年而不是 10 年，因为 3 年之后（有时候甚至是 1 年）这个行业会变成什么样，根本看不清；第二，terminal value 更没法算了，它的前提是公司最终会稳定经营下去，但如果 AI 随时可能颠覆一切，「稳定经营」 这个假设就不成立。
我跟一个做二级投资的朋友聊到一个比喻：今天不在 AI 主航道上的公司，更像是在等一颗 「核弹」，你知道它一定会被颠覆，只是不知道什么时候。那你评估的重点，就不应该是 「如果不被颠覆会怎样」，而应该是 「被颠覆时，应对的速度有多快」。这完全是另一种估值逻辑。
SaaS 是第一个被华尔街重新定价的。Snowflake 在 2023 年的时候，按自由现金流算要将近 100 年才能回本，如今估值已经腰斩，ServiceNow、Workday 也是同样的趋势，这只是开始。
甚至反过来说，真正适合用 DCF 来估值的，可能只剩下头部大模型公司，因为相对来说，他们的未来似乎是向好的方向稳定成长的，他们不会 「被炸」，而是在看边界能拓多宽。
过去创业公司招人的说辞是 「工资低一点，但给你期权，未来值大钱」。但这套话术的前提是，公司在 15 到 20 年后还在、还值钱。如果那个前提不成立了，员工最理性的反应会变成——「别给我期权了，直接涨现金。」
这又会反过来，改变公司的成本结构和融资逻辑。
VC 这一端也在痛苦。过去 3 到 6 个月，硅谷几乎每家基金都投了至少一家 neo lab，那些从著名 AI lab 出来的研究员，拿着自己的想法融了几亿美金。但现在，大家事后都觉得有点冲动、有点贵。但为什么还是投了？因为如果这家公司真的做出来了，增长会快到让你觉得当初那个估值很便宜。
一位投资人朋友说得很直白：反正要么 zero to 100，要么 zero to zero，与其投一个贵的 A 轮赚 「辛苦钱」，不如赌一个有无限可能的 neo lab 的入场券。
过去大家觉得 1 块钱 ARR 就是 1 块钱 ARR，不管你是做模型、做应用还是做 infra。但现在，这个等号被打破了。
做垂直 agent 的倍数最低（5 倍左右），做通用 agent 的倍数更高（10 倍左右），做模型的最高（20-30 倍 ARR，例如 Anthropic 30B 美金 ARR，800B 美金估值，26.7 倍）。一年前我觉得按 ARR 乘一个统一倍数，来算估值就可以了，但今天这个算法完全不对了。
酸橙树与 AI 暗杀名单
硅谷正在经历一场深层的安全感危机。
这次硅谷行，我反复听到朋友们在认真讨论同一件事：买比特币、建地堡、给家里装防弹玻璃，他们都不是开玩笑的语气。
最近硅谷确实在流行种酸橙树，因为这种树的枝条上，长着 4 英寸的尖刺，任何试图翻越的人都会付出代价。
华尔街日报甚至报道了一栋 1500 万美元的 「堡垒豪宅」：混凝土花盆里栽着一圈酸橙树，树丛后面是壕沟，壕沟后面是激光入侵探测系统，前门是 3 英寸厚的实心钢板配 13 道锁栓，屋内藏着一个 2000 磅重门的安全避难室，连景观设计都是防御工事。
为 CEO 提供住宅安防的企业，创下了 2003 年以来的最高增长水平。特别是 UNH CEO 在曼哈顿街头遭枪击身亡之后，这个趋势陡然加速。
然后，枪声响到了 AI 大佬家门口。
在 4 月 11 日凌晨 4 点，一个穿 Champion 卫衣的 20 岁男孩，从德州专程飞到加州，手提煤油罐，站在 Sam Altman 价值 2700 万美元的豪宅门前，点燃了汽油弹，扔了进去。
一个半小时后，他出现在 OpenAI 总部，抄起椅子砸玻璃门，对保安喊：「我要烧了这里，杀光里面所有人。」
FBI 从他身上搜出了一份文件。标题是 「你的最后警告」。里面列着多名 AI 公司 CEO 和投资人的姓名与家庭住址。
两天后的周日凌晨，Altman 的家再次遇袭：一辆本田轿车在门口短暂停留，副驾驶把手伸出窗外，朝房子开了一枪，然后逃逸。
这不是孤立事件。三月底，旧金山市中心已经出现过大规模反 AI 游行，人群举着 「Stop the AI Race」（停止 AI 竞赛）和 「Don't Build Skynet」（不要制造天网）的牌子，在 Anthropic、OpenAI、xAI 的办公室外面发表演讲。参议员 Bernie Sanders 在国会警告说：「人类可能真的会失去对这个星球的控制。」
跟 xAI 的朋友聊下来，据说马斯克也是非常担心自己被枪杀的，这在圈子里是公开的秘密。
背后的恐惧其实很朴素：如果 AI 接管了大部分生产，人不再是经济运转的必要参与者，那过去所有关于 「你贡献了多少、你该分多少」 的社会契约就全失效了。剩下的只有一个极简的权力结构：谁控制了 GPU 和电力，谁就控制了一切。阶层不是被拉开了，是被压扁了：一边是极少数人，另一边是所有其他人。
「两年之后的美国大选，最火的竞选主题，肯定是 AI 与社会的关系问题。甚至会出现 AI 时代的卢德运动。」
美国的通货膨胀依然很严重，我在加州生活过很多年，从没看到过 7 字头的油价。恰逢 2 月底 Citrini 发了 Global Intelligence Crisis（AI 末日报告），情景推演了一场因为 AI「过于成功」，而在 2028 年可能导致的经济危机……
回北京的飞机上，我翻自己这半个月的笔记，发现从头到尾都在写同一个词：「跟不上」。
YC 跟不上、Meta 的代码安全规矩跟不上、xAI 的管理跟不上、researcher 跟不上、算力跟不上、估值框架跟不上、社会的心理承受力也跟不上……以至于硅谷自己都跟不上自己了。
但我最后想说的是，一位 Anthropic 的朋友提到，Dario Amodei 在内部说过一句话：在 AI 的帮助下，癌症在某种意义上已经被攻克了，不是说消失了，而是它有可能变成一种不会死人的慢性病，只是治疗费用还太贵，普及需要时间。
我不确定 Dario 说的 「癌症已经被攻克」 是不是过于乐观了，但这次在硅谷，我们看得最多的创业方向就是 AI4S、AI for Biotech，很多大模型公司出来的人，不懂医疗，但他们想用 AI 技术改变这个行业。
这半个月我看到了那么多 「跟不上」，这确实让人焦虑。但如果 AI 真的在几年内让癌症变成慢性病、让材料科学快进二十年，那么这一场 「跟不上」，可能是人类发展历史上最大的一次提速。
我家宝宝今年两岁，明年可能会有第二个孩子，他们这一代要面对的那个世界什么样，我现在完全没有想象力去构建。
但我希望，在他们长大的世界里，多一些因 AI 而被治愈的人，而不是有更多燃烧瓶和枪声，砸向 AI 从业者的家门口。
Paul Graham 2008 年写的 Cities and Ambition（市井雄心）里，有这么一段：「尽管在硅谷人们非常尊重智慧，但硅谷传递出的信号是：你应该更有影响力，这与纽约传递的信号并不完全相同。影响力在纽约当然也重要，但纽约对 「十亿美金」 非常推崇，哪怕这笔钱你仅仅是继承来的。但在硅谷，除了几个房产中介，根本没人会在意这一点。在硅谷真正重要的是，你对这个世界产生了多大的影响。人们之所以在意 Larry 和 Sergey，并不是因为他们的财富，而是因为他们掌控着 Google，而 Google 几乎影响着每一个人。」 如今 AI 令这种氛围，又推向了一个新的高峰。
晚点专栏作者孟醒：五源资本合伙人、前滴滴自动驾驶 COO。这是他 AI 投资观察的第一篇，此后他会在晚点上持续更新他的投资观察。
题图来源：视觉中国Coinbase 数据显示本周 BTC 与 ETH 期权到期规模分别为 17.3 亿美元与 3.62 亿美元Techub News 消息，Coinbase Markets 发布数据显示，本周比特币与以太坊期权到期规模与上周五相比呈现显著不同。比特币期权到期名义价值约 17.3 亿美元，未平仓合约为 2.26 万份，最大看涨期权集中行权价为 7.9 万美元，最大看跌期权集中行权价为 7.4 万美元，最大痛点价格为 7.75 万美元，看跌看涨比率（OI PCR）为 0.78。
以太坊期权到期名义价值约 3.62 亿美元。（@CoinbaseMarkets）美众议员Maxine Waters敦促国会推迟加密立法，因总统持股引利益冲突担忧Techub News 消息，美国众议院金融服务委员会民主党领袖 Maxine Waters 敦促国会推迟加密货币相关立法进程。此举源于对总统持有加密货币可能产生的利益冲突的担忧，Waters 强调需要建立利益冲突保障机制，此举可能影响立法进展与市场稳定。
（Crypto Briefing）HBO Max Reddit 账号遭劫持，投放 108 条恶意广告Techub News 消息，流媒体平台 HBO Max 的 Reddit 官方账号于本月初遭黑客劫持，被用于投放 108 条恶意广告，持续约 48 小时。网络安全公司 Hudson Rock 与 Malwarebytes 称，该攻击利用 「ClickFix」 技术诱导用户粘贴恶意命令，部署信息窃取木马。
研究人员将此次行动命名为 「PasteSwitch」，其载荷包括 MacSync 和 Atomic macOS（AMOS）等恶意软件，专门窃取浏览器凭证、Telegram 数据、Apple Notes 及加密货币钱包助记词。Malwarebytes 称，Reddit 已暂停相关广告并启动安全调查，目前受害者数量及加密货币损失尚未确认。（Decrypt）黑客劫持 HBO Max 官方 Reddit 账号，传播窃取加密货币的恶意软件Techub News 消息，攻击者通过流媒体服务 HBO Max 的已验证 Reddit 账号发布了 108 条恶意广告，引导用户下载虚假软件以窃取加密货币。这些广告伪装成合法软件更新，旨在感染用户设备并盗取数字资产。
（Decrypt）Neuralink 联合创始人 Max Hodak 将在 TechCrunch Disrupt 2026 阐述无屏幕时代愿景Techub News 消息，Neuralink 联合创始人 Max Hodak 将在 TechCrunch Disrupt 2026 大会上发表演讲，阐述其关于“屏幕时代终结”的愿景，并提出无屏幕界面未来甚至能提供医疗帮助的观点。
大会将于近期举行，参会者若在9月25日前注册，可享受最高200美元的通行证折扣。（TechCrunch）Hyperliquid 24 小时回购销毁 3.67 万枚 HYPE，价值约 284 万美元Techub News 消息，去中心化衍生品交易所 Hyperliquid 在过去 24 小时内，以约 77.31 美元的成交量加权平均价回购并销毁了 36,720 枚 HYPE 代币，价值约 284 万美元。
截至目前，Hyperliquid 累计已销毁 4867 万枚 HYPE，价值约 37.8 亿美元，占其最大供应量的 4.87%。（@OnchainLens）中国AI领军企业未就硅谷AI风险警告置评Techub News 消息，CNBC 就硅谷对人工智能风险的警告联系了中国多家 AI 领军企业，包括 Z.ai、Moonshot AI、MiniMax、阿里巴巴和腾讯，但均未获得任何回应。
近期，美国科技界多位知名人物就 AI 潜在风险频繁发声，引发全球关注。相比之下，中国主要 AI 公司在此议题上保持了沉默。（CNBC）ZetaChain 生态应用 Anuma 开源网关已处理超 120 万次 AI 请求Techub News 消息，ZetaChain 生态应用 Anuma 宣布已通过 Maxim AI 的开源网关 Bifrost 累计路由超 120 万次 AI 请求，处理 token 量超 300 亿，覆盖 30 余个模型及 14 家提供商。
该网关支持 OpenAI 兼容 API，可在不同提供商间自动故障转移，包括 Fireworks、Anthropic、xAI 等。Anuma 作为跨模型记忆应用，允许用户在不同 AI 模型间切换时保持记忆连续性，目前正考虑向开发者开放该路由层。Hyperliquid 24 小时回购销毁 17710 枚 HYPE，价值约 139 万美元Techub News 消息，Hyperliquid 在过去 24 小时内以约 78.37 美元的成交量加权平均价回购并销毁了 17710 枚 HYPE 代币，价值约 139 万美元。
截至目前，Hyperliquid 已永久销毁总计 4860 万枚 HYPE 代币，按当前价格计算价值约 38.8 亿美元，占其 10 亿枚最大供应量的 4.86%。（@OnchainLens）Sakana AI 发布 Fugu Max 与 Fugu Ultra v2 模型，专注多智能体编排Techub News 消息，Sakana AI 发布其 Sakana Fugu 系列的两款新模型 Fugu Max 与 Fugu Ultra v2。Fugu 并非单一基础模型，而是一个通过学习训练的编排器，通过一个 API 将任务路由至背后的模型池。新发布针对两种任务优化架构：Fugu Max 旨在实现最佳单位美元输出，Fugu Ultra v2 则针对复杂、多步骤任务的最高能力。
两款模型现已通过 Sakana 的 OpenAI 兼容 API 上线，提供托管服务，但未开源权重，且不在欧盟/欧洲经济区提供服务。Fugu Max 定价为每百万输入 Token 2 美元、输出 Token 6 美元，据称其输出价格比 Sonnet 5、GPT 5.6 Terra 和 Kimi K3 低 40% 至 60%。
Fugu Ultra v2 专注于复杂推理、自主研究和全栈软件开发，在视觉与结构化数据的持续推理任务上提升显著。Sakana 强调，该架构不依赖任何单一专有模型，可降低供应商锁定、API 撤销和突然服务中断的风险。 （MarkTechPost）42 篇文章
