00序
听一个人怎么挑工作，比听他讲技术更接近真相。
这一周（5 月 25 到 27 日），我连着和四位 AI 青年聊了聊。一位做具身的北大五年级直博、一位即将进工业界的搜索博士、一位刚入职大厂混元的推理加速研究员、一位 23 岁刚读博一就想出来干活的直博生。年龄都不大，论文都不少，方向各不相同。
我做了二十年人和组织的事，越往后越确信一句话：人和人真正的区别不是智商，是经历——经历塑造了一个人看问题的方法。这四个人坐在我对面（多数是微信语音），讲的都是技术——agent、飞轮、量化、workspace——但我真正在听的，是他们怎么挑下一份工作、怎么判断一家公司、相信什么、又对什么祛了魅。
和 2020 年那篇《和 AI 公司谈技术就错了，要谈量产》一样，这篇我也有意模糊了四个人的个人敏感信息——其中一位明确说自己「正处在关键决策期，不便透露」，我尊重他。所以下文不点人名，只点公司、实验室和他们公开的工作。无对错、无善恶，尽量呈现他们各自的视角与棱角。
文章最终定在关键词：生产力。这是我整理四份访谈记录时浮出来的一条暗线。六年前我说「不为量产的技术研发公司，是对资本、员工和亲友的耍流氓」；六年后这四个二十几岁的年轻人，几乎是不约而同地告诉我同一件事的另一面——凡不能转化为生产力的算法、论文和模型，终究是对算力、资本和他们最好年华的一种空耗。请在下文中慢慢体会。
01背景：规律验证
许多话题要追问：关键背景？要素？阶段？路径？
- 技术本身在贬值，这是四个人的共同底色。推理加速那位最早做 in-context learning，他说「那个方向太浮于表面，模型一变强就被淘汰」，于是 2024 年转去做推理加速；他还判断自己现在吃饭的量化「可能被训练直接吃掉，最多撑几年」。直博生说得更直白——「论文含金量在下降，找工作更看实际能力」。当一项技术谁都能做、且很快被下一代模型抹平时，它就不再是壁垒。
- 真正的分水岭，是能不能变成生产力。推理加速那位有一句我记了下来：「agent 因为它是 productivity、是生产力，有生产力它本身就有商业价值；没有生产力，它就只是个研究价值。」这是这篇文章的题眼。算法红利退潮之后，新的红利在「落地为生产力」这一段。
- 从 1 到 100，靠的是飞轮，不是单点突破。搜索博士把这件事讲得最透：Web Search 时代之所以强，是因为跑通了「人用搜索→留下数据→训练模型→服务人」的数据飞轮；AI Search 能端到端解决复杂问题、省人力，却把这个飞轮丢了。「接下来所有 AI 产品要从 1 做到 100，最重要的一件事，就是把 agent 时代的数据飞轮重新构建起来。」而且是双飞轮——外层 agent 服务人并训练自己，内层 agent 和 harness、工具、搜索之间还有一个小飞轮，得让两个一起转。
- 生产力不在个人，在组织。直博生这句话最狠：「个人提效是对 AI 的最大贬低。AI 真正的提效，是在组织层面的多边协作——agent 和 agent 之间一定可以协作。」他做的 Workspace / Workforce，本质是「人的再组织」：让人做该做的事，机器做机器的事，有了 agent，很多中层或许可以砍掉。
- AI native：无历史包袱者得天下。搜索博士反复说「年轻人应该去做没有历史包袱的事」；他想要的不是去某个大组当螺丝钉，而是 X team / 海外 new lab 那种小团队——算法、工程、产品、Infra 捏在一起，共同解决一个还没被定义清楚的问题。推理加速那位的诉求一模一样：「小而扁平的团队，才容易把训练端、推理端和算法策略融合起来。」
- 路线判断：文本接近瓶颈，下一站是物理世界。搜索博士说文本模态的基模可能在接近天花板，AI 终要走向物理世界，具身是最直接的方式——但「先专注当下最让我兴奋的事」。推理加速那位的赛道判断更具体：搜广推和纯 chatbot 已过高峰，多模态生成和具身还有空间；基模的 pre-train 和 post-train 在融合，岗位在收敛，未来一到两年趋于稳定。
02答案：藏在背后
许多话题要追问：为什么？
03印象深刻
许多话题要追问：印象最深的是？
- 一句关于「理解人」的话。和具身博士聊到人机对齐时，他说了一句让我印象很深的话——「只有交流才能理解人。」他做的「意图对齐」，赌的不是机器多会模仿人，而是机器能不能在交互里真正读懂人想要什么。这件事和我做人才、做组织，底层是相通的。
- 圈养与赛马。推理加速那位点评大厂时的一组对照很锋利：腾讯是「圈养文化」——有钱养团队，但不知道 AI 战略是什么，年轻人在里面顶多待两三年；字节是「赛马文化」——allow 团队间因项目互相协作，内部更开放。他甚至直接说「腾讯不懂大模型业务，存在路径依赖，商业表现集中在微信和云」。一个刚入职的人能这么冷静地解剖自己的雇主，是好事。
- 23 岁直博生反过来「教育」我的那段。我一开始还在用「卖解决方案」的老逻辑跟他聊，他点出来：组织买产品不是为了省成本，是为了拿到竞争优势；「技术不是为了 replace 人，是增加企业在整个商业社会里的竞争力。」卖产品可以先攻老二老三、逼老大跟进，但前提是你的案例能产生可衡量的竞争力——能衡量，商品才会被抢购，而不是被当成「智商税」。这一段我说了句「受教」。
04感受：精神信仰
许多话题要追问：相信什么？哪个最难？目标是什么？
- AI 这波浪潮比移动互联网的机会更大——它牵涉生产力、千行千业和中美对抗。大厂之间跳槽涨级别，已经没有太大意义了；要紧的是对 AI 有一个通盘理解。
- AI native 时代，很多问题还没有被很好地定义，最重要的就是去重新定义、并解决它们——这能带来显著提升，也能缩小 research 和业务之间的差距。
- 工具会让能力平权，大模型在重构整个生产环境的关系；个人英雄主义会让位给「人 + agent + agent」的协同。
- 人工智能要完全替代员工的自主行动，还有距离，但那是最终愿景；当下能做的，是把人从该交给机器的事里释放出来。
- 技术驱动社会的窗口里，年轻人最容易出成绩——但前提是你投身的是「没有历史包袱」的地方。
05城市：年轻人往哪扎堆
许多话题会追问：去哪座城市？
- 北京不被看好。推理加速那位说得很重：北京讲人际关系、受传统文化影响大、AI native 氛围不足，除了字节的 seed 和具身，大模型整体发展不佳。具身博士这两天人在深圳看机会。
- 深圳、上海、杭州被反复点名。年轻人扎堆、有政府支持、创新活力足；上海的人工智能研究院和具身发展快，杭州「政治气味淡」，深圳有创新活力。
人往哪走，钱和机会就往哪走。城市的选择，本身就是一种生产力的选择。
06建议：给 AI 青年
有一个固定话题：给年轻人哪些建议？
- 去做没有历史包袱的事。AI native 的产品和技术，才是你能放大自己的地方。在大模型出来之前完成过完整科研训练的人有优势——你能借大模型放大能力；但过度依赖 AI 反而会让科研锻炼不足，出现人才断层。
- 打通前后端、上下游，是这一代人的使命。别把技术做成孤岛。算法接进推理框架、接进产品、接进真实工作流，才有反馈、才有复利。当下不应以「跳槽涨级」为目的，自下而上去创造。
- 要有商业思维。程序员和产品的人应该相互了解；小团队的合作能放大团队的能量。这一代 AI 有强烈的商业信号——能不能产生可衡量的竞争力，是检验一切的标准。
- 试错要趁早，但别频繁横跳。年轻、博一、试错成本低，就大胆去试，失败也能攒下经验和 context；但进了一家公司，至少沉下来做出成果，别让人觉得你坐不住。
- 把发论文当激励，别当目的。以工程结果、以生产力为导向。论文是路上的里程碑，不是终点。
07我的所思所感
六年前我写过一篇《和 AI 公司谈技术就错了，要谈量产》，结论是：很多科技企业不是死在研发的路上，而是死在研发完成后量产的前夜。那是 toB 解决方案的时代，技术要变成「能卖的产品」，才算成功。
六年过去，我又坐到了四个二十几岁的年轻人对面。他们比当年聪明、比当年更早看清行业，手里的论文一篇比一篇硬。但有意思的是，他们没有一个人沉醉在技术本身——做 in-context learning 的转去做推理加速，因为「模型一强就被淘汰」；做量化的清楚自己「可能被训练吃掉」；做搜索的说「年轻人要做没有历史包袱的事」；最小的那位干脆说「个人提效是对 AI 的最大贬低」。他们都在主动逃离一个正在贬值的东西——孤立的、不进入系统的、不转化为生产力的技术。
所以这一篇的关键词，从「量产」变成了「生产力」。这不是文字游戏。量产，是把一项技术变成一件能卖的商品；生产力，是把一项技术变成组织里能转起来的飞轮——它要进入真实的工作流，要和 harness、和工具、和人协作，要让企业拿到可衡量的竞争优势，而不只是省下几个人头。
2020 年衡量一家 AI 公司，看它能不能量产；2026 年衡量一项 AI 工作、一个 AI 人才，看它（他）能不能转化为生产力。
这件事对我做人才、做组织的影响是直接的。过去判断一个候选人，看院校、看论文、看大厂背景；现在我越来越想问三件事：你做的东西进没进过一个真实系统？你影响过训练端、决策端的真实决定吗？你能不能把算法、工程、产品在一个小团队里捏到一起？这三问，本质上都是在问：你是不是一个能产生生产力的人，而不只是一个能产生论文的人。
也有要警觉的地方。这一代年轻人对「小而扁平」「AI native 组织」近乎信仰，对 DeepSeek 这类组织高度向往——这是对的方向，但创新是讲效率的：创新的质量、成功率和数量。一个组织扁平不扁平、设不设 OKR，都是手段；最终还是要看它能不能持续地把技术转化成生产力。否则「AI native」也会变成新一轮的、低水平重复的标签。
做生产力的工具是冷的，理解人是暖的。技术可以替我们做越来越多的事，但读懂一个人此刻真正在意什么，这件事机器还做不了，也是我这行最后的护城河。
科技除了提高效率，最重要的是它能创造新需求、新市场。但在那之前，请先想清楚一件朴素的事：你手里的这项技术，最终会不会变成一份真实的生产力？如果答案是否定的，那么再漂亮的论文、再亮的金奖，也只是耽误了一群最好的年轻人最好的几年。
借姚顺雨的话说，AI 已经走到了「下半场」：上半场比谁的方法更强、谁刷分更高，下半场比谁能定义对的问题、把真实世界里的价值评估清楚。价值正从「解题」转向「定义题」——这恰是这四个年轻人不约而同在做的事。
我们的访谈还在继续……
