AI时代，顶尖科学家正在逃离雇佣关系

作者：SY

出品：明亮公司

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。

Google、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 Zhang：Tesla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。

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。

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。

「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。