AI时代，顶尖科学家正在逃离雇佣关系

AI正在重构公司与人才的关系。在Google工作约27年后Jeff Dean决定离开。当地时间8月5日这位Google最具代表性的技术人物之一在社交平台宣布将于几名Google AI研究人员共同创办AI公司Discovery Loop。此前Jeff Dean担任Google Research和Google DeepMind首席科学家直接向CEO Sundar Pichai汇报参与确定Google人工智能研究方向并负责重要的战略技术项目。有报道称Jeff Dean的离职并非单一原因所致而是个人追求与公司环境共同作用的结果。追求科研自由摆脱大公司病厌倦产品交付压力渴望长期科研基于固有方向的发展以及更具潜力的新方向……这些矛盾让问题变得更加具体。当大公司的职位已经无法完全容纳顶尖科研人员的个人目标时企业究竟应该努力留住一个人还是重新设计双方的关系。Jeff Dean的离职并非个案。2025年Meta首席人工智能科学家Yann LeCun宣布离开任职10余年的公司创办AI公司AMI Labs。Yann LeCun曾长期质疑依靠扩大大语言模型的规模通向AGI的道路他更看中理解物理世界的世界模型。如果说杨立昆的案例体现了技术路线与公司优先级之间的不同那么OpenAI前超级对齐团队负责人Jan Leike的离职则指向科研安全与产品速度、资源分配之间的冲突。类似的故事也发生在中国公司。阿里千问大模型技术负责人林俊旸于2026年3月份离职后创办语用科技研究内容从基础大模型转换为世界模型和具身大脑。华为盘古大模型负责人、诺亚方舟实验室主任王云鹤离职后创办基元律动同样转向AI Agent领域。这些离职很难用薪酬或者职位变化解释。顶尖科研人员可能拥有自己的北极星如获得学术影响力、验证一种尚未成为主流的技术路线或者解决他们认为足以影响人类未来的问题。但是企业也有自己的约束产品需要按时推出巨额投入需要得到解释研究方向要与公司战略保持联系。当两套目标不能完全重合冲突就可能从绩效评价延伸到技术路线、算力分配、组织权力乃至研究伦理。AI时代加剧了这种冲突。过去大公司吸引科研人员的重要条件是稳定的资金、充足的算力、优秀的同事以及允许长期探索的研究环境。如今技术迭代变得越来越快研究成果与产品竞争、资本投入和公司战略的联系也变得更加紧密。与此同时少数关键科研人员对技术方向和团队能力的影响可能远远超过其职级在组织架构中所显示的范围。这对决策者提出了一系列新的挑战。招聘科研人员时双方应该如何说明公司的目标和边界入职以后企业应当相信制度、管理者还是专业人员的判断如果传统KPI难以衡量前沿研究公司又该如何配置资源、评价成果并控制风险当科研人员的个人目标与企业战略出现偏差企业应该纠正、容忍还是允许一种新的组织关系出现。带着这些问题「明亮公司」对话曾在Google总部、Tesla总部和腾讯公司从事人力资源工作的硅谷资深人力资源专家Tom Zhang 博士。横跨多家不同类型科技公司的经历让他得以从招聘、用人、评价和人才流动等多个环节观察公司如何与高专业度人才相处。以下是「明亮公司」与Tom Zhang 博士的访谈内容精编。硅谷资深人力资源专家Tom Zhang 博士图片由受访者提供01Google、Tesla和腾讯的人才管理哲学异同明亮公司您曾在Google、Tesla和腾讯从事招聘工作。从您的观察看这三家公司管理科学家等高专业度人才的底层逻辑有何不同Tom Zhang三家公司都非常重视人才选拔标准也都很严格但人才管理理念各有不同。Google追求“智力自由”与“心理安全感”的赋能型逻辑核心逻辑Google面对的是全球最顶尖的计算机科学家和算法工程师其管理底层是“相信聪明的头脑不需要被过度管理”。心理安全感与数据决策Google 高度重视组织氛围。管理者更倾向于通过数据和逻辑说服如Google著名的Project Oxygen项目强调管理者是“赋能者”而非“监工”。扁平与共识文化Google 的重大技术决策依赖长期的学术讨论、Peer Review和深度共识鼓励底部驱动Bottom-up的创新。Tesla追求“极致第一性原理”与“使命狂热”的极限逻辑核心逻辑Tesla处理的是硬件与软件高度结合的硬核物理世界其管理底层是“以终为始的第一性原理与极端交付压力”。实践特征高压与扁平并行没有冗长的层级组织架构极其扁平。遇到技术瓶颈时高层如 Elon Musk 往往直接深入一线研发与专家对话用极致的高压和极度密集的迭代周期逼出突破。结果导向与物理现实不看资历和过程只看谁能用最直接的物理规律第一性原理在最短时间内解决问题。代码要能上车产品要能量产。使命感绑定吸引的是愿意为 “ 加速世界向可持续能源转变 ” 或 “ 星际移民 ” 燃烧热情的人才淘汰无法适应高节奏的平庸者。腾讯作为中国互联网的顶尖大厂在多年的技术演进中从早期的海量并发架构到如今的AI大模型、云原生与前沿科技探索形成了一套非常成熟且具特色的研发人才管理体系。腾讯极早就建立了极其清晰的专业线T通道与管理线M通道并行的双轨制。员工可以根据自身特质选择深耕专业技术成为硬核专家或走向管理岗位。腾讯的技术管理风格带有鲜明的务实基因如强调“以用户价值为依归”、“正直、进取”。在面对创新和研发探索时既要求研发人员具备极强的业务交付能力能打硬仗也在内部逐渐形成了对技术试错、攻坚硬核难题的包容机制确保在激烈的互联网和AI下半场竞争中持续保持技术迭代的速度。明亮公司如果换成一个更直接的比较维度这三家公司是更相信制度、更相信决策者还是更相信专业人员Tom ZhangTesla的目标是马斯克确定的大家深信不疑执行力很强的专业团队寻找实现路径。Google的创新不少来自研发工程师自下而上的探索人才管理制度的作用是为这种探索提供空间。腾讯和许多中美大公司一样用人比较稳健外部引进的人才多是经验丰富、被实践验证过的行业顶尖人才。用人逻辑不是非此即彼。任何公司都同时需要制度、管理者和专业人员只是把决策权和信任放在了不同位置。明亮公司Google和Tesla是否在用人阶段更大胆愿意承担更高的风险Tom Zhang整体来看硅谷公司更愿意给尚未被充分证明的年轻人机会。我把这种做法称为“重仓年轻人”。硅谷有句话叫“Experience is overrated”意思是经验经常被高估。年轻人虽然缺少既有经验却也较少受到路径依赖的限制可能提出更新的方法。许多中国和美国公司并非不使用年轻人但通常希望候选人已经在知名机构证明过自己。两者的差别主要发生在人才选拔阶段一方更愿意提前押注潜力另一方更期待外部验证。不过用人大胆不等于长期容忍低绩效。不同公司的验证周期不同。Tesla可能较快验证一个人是否适合Google对部分前沿研究则可能给予更长时间。明亮公司中国公司经常希望引进自带光环的“大神”。这些人即使专业能力很强也未必真正适合组织。问题出在哪里Tom Zhang个人能力强不代表他一定能与团队协作也不意味着他的能力能够在当前组织中落地。这还涉及中美公司组织结构的差异。中国大公司的架构通常以部门和岗位为中心一张完整的公司组织架构图上可以一个人的名字都没有都是部门的名称它的优势是结构稳定组织能力和个人能力是分开的一个人离开可以由另一个人补上。美国公司的组织架构更围绕具体的人展开以人为中心。公司的组织架构图上面是一堆人的名字很少有部门的名字。一个人负责多大范围与他的能力和实际影响力有关。这种方式更直接地承认人与人之间的差异但缺点是组织可能更加依赖关键人物。AI出现以后中美两种组织模式都在压缩一部分主要承担信息传递职能的中间层。高管可以借助数字化工具直接触达更多员工组织可能进一步扁平化。未来高专业度人才在组织中的实际影响力可能比其职位名称更加重要。明亮公司哪一种管理方式更有利于创新Tom Zhang很难脱离具体任务来判断哪一种方式一定更好。但从整体结果来看美国公司的管理方式似乎更容易产生前沿性的、探索性的创新。Google强调自由探索Tesla依靠使命和强执行力完成高难度目标。中国公司的谨慎也有自身优势。腾讯这样的公司能够把产品做得非常扎实用户体验打磨非常精细。不同组织擅长解决的问题不同有的更容易产生前沿突破有的更擅长产品落地和持续执行。明亮公司前沿创新需要付出什么代价Tom Zhang最直接的代价是烧钱。Google招聘了大量优秀研究人员支付很高的薪资但其中许多人在相当长时间内未必产生明显的短期效益。Google拥有数以千计的研究人员最终写出Transformer论文的只是少数人当然不能因此认为其他人的研究都没有意义。因为企业无法事先知道创新和突破会来自哪个人、哪个团队或者哪个方向。要获得少数重大创新就必须承担大量研究暂时没有回报的成本。DeepMind CEO Demis Hassabis 在回顾 2014 年 DeepMind 决定被 Google 收购的历史时曾多次坦诚地谈到资金与计算资源Compute and Resources对实现通用人工智能AGI和科学攻坚的决定性作用。Hassabis 认为独立的初创公司很难独自承担通往AGI 所需的、天文数字般的算力和长期资金投入。他曾指出Google 能够提供他们研究所需的“耐心资本”Patient Capital、庞大的计算基础设施以及分发能力。也就是说资金和算力是 Google 支撑其长期科学宏图如AlphaGo、AlphaFold 等项目的重要后盾这个说法很直接却说明了一个现实长期科研不仅需要人才和自由也需要雄厚的资源。与此同时企业还要面对财务压力。科研需要持续投入其中一部分短期内看不到回报资本市场和投资者却会关注季度和年度业绩。因此即使企业有钱也必须处理长期科研与阶段性财务评价之间的矛盾。02外行管理内行首先应确立目标明亮公司不懂具体专业的管理者应该怎样管理专业人员Tom Zhang管理者首先要定义清楚目标。肯尼迪不是航天科学家也不懂火箭制造的具体技术但他提出了一个明确目标在20世纪60年代结束以前把美国人送上月球并使其安全返回地球。肯尼迪在1961年提出这一目标1962年再次公开强调。1969年阿波罗11号完成登月阿姆斯特朗成为第一个踏上月球的人宇航员随后安全返回。肯尼迪不需要亲自决定每一条技术路线。他的责任是明确组织要完成什么科学家和工程师负责解决怎样制造火箭、完成登月和保障安全等问题。马斯克提出去火星的目标也是类似。飞船怎样制造漫长航行中的饮食、疾病和安全问题怎样解决需要由不同专业团队完成。领导者定义目标专业人员寻找路径。明亮公司在AI公司中有没有类似的管理者Tom Zhang梁文锋算是一个例子。他把DeepSeek的目标说得很清楚就是AGI。他偏爱“平凡的人做不平凡的事”这一叙事强调靠日复一日的打磨、靠谱和责任感而非依赖明星人才的灵光一现。我非常欣赏这一点他没有把目标局限在某个短期用户数字或者收入指标上而是用一个足够大的共同使命凝聚团队。明确的使命可以帮助科研人员理解自己为什么工作也能为资源配置和项目选择提供方向。明亮公司但目标本身也可能由外行制定。如果管理者定错了目标专业团队执行力越强是否反而可能离正确方向越远Tom Zhang这种风险当然存在。企业经营的问题是非常复杂的可能在产品、市场、战略组织和管理。人才不是灵丹妙药不能指望招聘几个AI专家一个差公司就会自动变成好公司。目标不能只是领导者单方面宣布还要接受专业团队的讨论和检验。科研负责人也需要具备向上沟通和影响管理者的能力。如果他认为目标或资源配置存在问题就要说明原因争取调整。不能把所有问题都归结为机制。有时确实是组织判断错误有时也涉及科研负责人能否提出有说服力的替代方案。优秀的科研领导者通常不仅专业能力强也具备沟通、组织和资源动员能力。明亮公司管理者应该管哪些事情又不应该干预哪些事情Tom Zhang管理者应该管理目标、资源和风险边界不宜过多干预自己并不理解的技术细节、工作流程和实现路径。如果管理者不懂专业却根据谁的PPT做得漂亮、谁的报告写得好或者只看论文数量评价科研人员就容易出现问题。学术研究可以有同行评议peer review。在企业内部直属领导如果不理解具体技术也应该让同行和相关专家参与专业评价而不是独自判断谁的科研能力更强管理者可以判断项目是否符合公司战略、需要多少资源以及风险是否可以接受。明亮公司管理者与科研人员的关系是否更像内部投资人与项目负责人的关系Tom Zhang有相似之处。科研人员说明为什么要做、需要哪些资源管理者帮助组织资源并判断项目是否符合公司战略。从这个角度看管理者确实像一名内部投资人。但两者并不完全相同。企业管理者还要划定安全、伦理和合规底线科研负责人也要承担战略对齐责任。比如科研人员提出需要一万张GPU卡管理者的责任不是在不了解技术的情况下机械地讨价还价逼问五千张或者两千张能不能完成但他也不能完全放弃自己的判断。一个方案需要一万张卡另一个方案需要五千张卡究竟支持哪一个仍然需要作出选择。科研中的许多问题往往无法被精确计算。“模糊的正确”比“精确的错误”更有价值。管理者不必决定每条技术路线但必须判断什么时候说“是”、什么时候说“不”。明亮公司如果管理者无法判断专业人员的方案依据什么来分配资源Tom Zhang首先是信任。管理者既然选择了专业人员就需要在一定程度上相信他的判断。但信任不是永久和无条件的需要通过合作和成果持续验证。验证周期应当由项目性质决定。Tesla对一些任务的验证可能较快Google对某些前沿研究的周期可能更长。如果是去火星这种长期目标几个月没有验证结果也不能说明方案是错误的。不存在一个普遍适用的期限规定所有科研人员必须在三个月或者六个月内证明自己。管理者需要观察阶段性进展也要看科研人员能否不断建立可信度但不能用同一把尺子衡量所有研究。03科研自主权与责任的匹配度明亮公司企业是否一定需要设置“首席科学家”应该怎样理解这一职位的权力和责任Tom Zhang首席科学家的头衔并不意味着他一定是技术路线和资源的实际决定者。如果一个人没有参与核心模型没有掌握预算和团队却因为拥有首席科学家的头衔在项目失败后承担责任权力与责任就是不匹配的。Yann Lecun杨立昆是一位非常优秀的科学家也获得过图灵奖。但公司使用顶尖科学家不能只看个人光环还要看他的研究路线与公司战略是否一致以及他在组织中究竟拥有多少实际权力。与其先设置一个象征性的职位不如先回答几个问题谁决定技术路线谁调配预算谁组建团队谁为最终结果负责。只有这些问题清楚以后头衔才有实际意义。明亮公司科研团队拥有较大自主权会带来哪些风险Tom Zhang可能造成资源浪费也可能产生技术安全、伦理和数据合规问题。因此企业必须设置底线哪些技术风险不可接受哪些数据不能使用哪些伦理边界不能触碰都要提前明确。在边界之内可以给予专业人员较大的探索空间一旦触碰底线组织就必须介入。至于怎样平衡“管得太多”和“完全不管”不能脱离具体项目讨论。研究方向、团队成熟度和公司所处阶段不同适合的管理方式也会不同。明亮公司如果不给科研人员设置大量短期指标怎样避免团队失去动力Tom Zhang一个重要条件是人才密度和同行压力。当一个人周围都是非常优秀的人时会自然形成peer pressure。身边的人不断提出新想法、发表成果、解决问题他很难长期懈怠。使命、人才密度和同行评价可以形成不同于形式化监督的驱动力。管理者不需要依靠每天检查工作来证明自己正在管理。明亮公司中国公司常用周报、月报了解进展。这些工具适合科研团队吗Tom Zhang管理者不了解具体工作时可能希望通过周报、月报获得一种“我正在管理”的感觉。团队生产了大量报告不代表真正推动了项目进展。没有周报也不等于没有考核。OKR与周报、月报是两回事。目标可以由管理者与科研人员共同讨论再按照与项目相匹配的周期评价。如果没有清晰目标再多报告也不能证明工作的价值。明亮公司论文和专利数量能否用来判断科研价值Tom Zhang不一定。有些研究团队发表了大量论文、申请了大量专利但未必产生与这些数量相匹配的产品和商业价值。IBM就是一个值得讨论的例子在过去近30年间IBM曾是全球的专利数字之王曾连续29年位居美国年度专利榜首积累了数量庞大的专利。这反映了IBM长期的研究投入不能据此否定它的技术贡献但专利数量与一家公司的产品影响力、商业表现并不必然成正比。IBM自己后来也提出不再单纯追求专利数量而是采取更有选择性的专利策略。因此论文和专利可以作为科研产出的参考却不适合作为唯一的创新指标。仅仅统计一家公司申请了多少专利可能会鼓励研究团队追求容易量化的成果反而忽略真正需要解决的问题。明亮公司论文、专利和阶段性进展都可能有局限。企业最终应该如何评价科研价值Tom Zhang论文和专利可以作为参考但不适合作为唯一指标。很多专利最终没有形成产品也没有产生与数量相匹配的经济或社会价值。我更看重“impact”也就是影响力可以表现为有海量用户的产品、商业收入也可以体现为社会价值、经济价值或者新的知识积累。评价科研不能只看完成了多少形式化成果而要看它最终改变了什么。不过科研也不能被过度结果导向。技术路线尚未收敛时方向判断中既有能力也有运气。一个项目没有实现最初目标不代表它完全没有价值。便利贴的发明就是一个典型的案例。最初的设想是粘贴得足够牢固后来人们发现这种不够牢固的特性反倒方便随时粘贴与撕掉恰好适合便利贴。研究过程中可能产生新的知识、产品机会和用途这些都应纳入评价。明亮公司这是否意味着企业应当给予科研人员更高的容错率Tom Zhang可以给予更大的探索空间但容错不等于降低人才标准。企业需要找到足够优秀的人让他们在明确边界内探索同时根据项目特点设置阶段性检验。容忍合理的失败是因为科研本身具有不确定性而不是因为科研工作不需要承担责任。04「中国从来不缺人才缺少的是发现人才的机制」明亮公司企业应该怎样判断自己需要的是基础研究人才、应用研究人才还是能够快速交付产品的技术团队Tom Zhang人才战略首先要与企业战略匹配。研究不只是从零到一把产品从五分做到六分从九分做到十分同样需要研发。满足新的客户需求、降低成本、应对市场变化也都是研发问题。如果企业考虑五年、十年以后的问题就要配置能够研究长期问题的人如果当前目标是提高业务效率就应该寻找能够迅速解决现实问题的人。归根结底是做什么事就找什么样的人。明亮公司企业怎样平衡长期研究和短期生存Tom Zhang这取决于公司所处的阶段。长期战略本身是一种比较奢侈的能力。很多公司首先要解决生存问题如果连明年能否继续经营都不确定就很难真正讨论五年、十年后的研究。只有资源相对充足、没有迫切生存压力的公司才更有条件考虑长期目标。对小公司来说“活下来”可能就是当前最重要的战略。企业以研究自由和长期投入吸引科研人才时也不能只有口头承诺。承诺需要证据。上市公司可以用持续的研发投入证明决心创业公司没有长期财务记录就要通过模型能力、第三方评价、用户使用、开源反馈或者商业收入等阶段性成果支持下一轮投入。明亮公司企业怎样避免科研团队成为“学术孤岛”或者被短期业务拖成高级技术支持部门Tom Zhang两个极端都存在。一些研究团队发表了大量论文和专利却没有产生与之匹配的产品和商业价值另一些公司长期处于生存压力之中科研团队每天都在救火只能不断响应短期业务需求。关键还是明确企业为什么做研究以及能承受多长时间的不确定性。真正能够长期投入的公司通常经营状况相对稳定。科研必然有一部分投入无法产生预期结果。如果企业无法承受这种不确定性就很难真正支持长期研究。明亮公司中国公司经常依靠OpenAI、Google等机构标签判断人才。如果不依赖这些标签应该怎样识别AI人才Tom Zhang我的一个人才理念是人才并非许多企业说的那么稀缺真正稀缺的可能是识别人才的机制和能力。很多公司无法直接判断一个人的潜力只能借助知名机构替自己完成判断。数学、物理奥赛成绩可以参考但也不是唯一标准。有些人没有大厂履历和世界竞赛标签仍然可能在实际工作中表现出很强的能力。DeepSeek崛起的意义之一是证明一批没有海外大厂光环的中国本土人才也能做出有影响力的成果。梁文锋没有主要依靠从海外大厂引进所谓的高端人才而是使用了一批在本土成长、当时尚未被广泛证明的年轻人。DeepSeek成功以后市场开始争相邀请他们的团队成员。但我们可以反问在他们获得DeepSeek这个标签以前为什么没有那么多公司发现他们不应该只研究DeepSeek的模型也应该研究梁文峰为什么敢于使用一批当时没有被充分证明的人。明亮公司如果不依赖履历和标签企业如何在实际过程中发现人才Tom Zhang人才很多时候是“干出来”的也是在实际任务中成长起来的。与其反复“相马”观察一匹马的毛色和牙口不如让它真正跑起来通过实际任务“赛马”。“宰相必取于州郡猛将必发于卒伍”是华为选拔干部的原则任正非曾强调“将军是打出来的不是培养出来的”。人才是在完成任务的过程中被识别出来的不能只靠面试预判。但赛马也不能演变成无意义的内卷。就像电影院第一排的人站起来后面所有人都被迫站起来最后大家都更累却没有人看得更清楚。真正有意义的竞争应该像体育比赛追求“更快、更高、更强”推动真实能力提升。企业需要评价谁真正解决了问题、推动了目标而不是制造形式上的忙碌。明亮公司本土培养的人才是否一定比外部空降人才更适合中国公司Tom Zhang不能作这样的绝对判断。如果企业自身能力不足封闭地依靠内部培养也可能限制人才结构不利于业务发展。真正重要的是保持开放既看内部也看外部既看已经成名的人也看尚未获得标签但具有潜力的人。比如一个人没有从事过AI研究却在数学或物理方面表现出很强的潜力企业是否敢于给他机会考验的是管理者识别人才的能力和用人的胆量。明亮公司大公司拥有更多资金和更长的试错周期小公司承担不起同样的用人风险。小公司应该怎么办Tom Zhang人才使用需要与企业阶段匹配。创业公司不可能从第一天起就拥有一支梦之队只能在自身能够接触和承担的范围内寻找现阶段最合适的人。企业首先要明确业务目标再寻找力所能及的人才。如果暂时无法全职聘用也可以与高校教授或外部专家合作借助外部能力解决问题。小公司不必一开始就设想从大公司挖来一支完整团队。更现实的路径是先把现有的人用好做出成果再逐步吸引更优秀的人。梦之队通常不是一次组建完成的而是一个人、一个人逐渐形成的。原文链接AI时代顶尖科学家正在逃离雇佣关系-36氪