Meta重金搶人，明星雲集就能複製DeepSeek的成功嗎？

2025-07-17 21:49 AI科技評論

天才招聘只是第一步，能否將天才組織在一起才是關鍵。
作者丨鄭佳美
編輯丨陳彩嫻

最近 AI 圈最大的新聞，大約就是 Meta 扎克伯格親自出手、重金招人的訊息了。根據公開資訊，如今在小扎親自出手的推動下，Meta 已經組建起一支堪稱豪華的 AI 戰隊。
核心領導團隊方面，包括前 Scale AI 創始人 Alexandr Wang（現任 Meta 首席 AI 官）、前 GitHub CEO Nat Friedman，以及 Safe Superintelligence 聯合創始人 Daniel Gross，三人共同執掌 Meta Superintelligence Labs 的戰略與節奏。
技術陣容同樣令人矚目。Meta 從 OpenAI 挖來了多位重量級研究員，包括 GPT-4o 的語音與影像模組開發者 Shuchao Bi 和 Huiwen Chang，“思維鏈”（Chain-of-Thought）技術代表人物 Trapit Bansal，以及 GPT 系列模型的重要研發成員 Ji Lin、Shengjia Zhao、Hongyu Ren 和 Jiahui Yu 等人。
而在 OpenAI 之外，Meta 同樣高價吸引了 Apple 和 DeepMind 的核心人才：包括 Apple Foundation Models 負責人 Ruoming Pang（據稱簽約價高達 2 億美元），DeepMind 前研究員 Jack Rae 與 Pei Sun，以及來自 Anthropic 的 Joel Pobar 和 Sesame AI 的 Johan Schalkwyk，也都陸續加盟。
而網傳 Meta 的最新挖人動向，則是他們又成功挖走了 OpenAI 的兩員大將，分別是 Jason Wei 和 Hyung Won Chung。
其中 Jason Wei 曾在 OpenAI 主導參與了 o1/o3 系列模型及 deep research 專案，是強化學習的堅定擁護者，同時也是 2022 年“Emergent Abilities”（湧現能力）概念的開創者之一。他在思維鏈（Chain-of-Thought）等前沿技術上的貢獻廣受認可。而 Hyung Won Chung 同樣是 OpenAI 的核心研究員，深度參與了 o1 系列與 deep research 專案，研究方向主要聚焦於推理能力（reasoning）與智慧體（agents）。

據報道，目前兩人的 OpenAI 內部 Slack 賬號已被登出，基本坐實了離職訊息。更驚人的是，據稱 Meta 為吸引這兩位 AI 頂尖科學家，直接開出了高達 3 億美元的四年期薪酬包，可見其對“超級智慧”戰略的重視與投入之大。
不少人感慨“大廠要拼命了”“AI 人才再次供不應求”，但也有人冷靜指出：大家關注的不是 Meta 的產品願景、人才密度，而是它開出的高薪。
這就很耐人尋味，為什麼我們對“只要聚集足夠多聰明人就能做出偉大成果”這件事不再那麼有信心了？
因為，現實一次次證明：人多、人強≠結果好。
01
世界大戰中，團隊比個人重要
OpenAI 推出 ChatGPT 時，所有人都關注它的技術、以及背後的組織力，但由於當時 OpenAI 雲集的世界知名大神很多，所以組織力的歸因佔比還不算最突出。但在 DeepSeek 這樣一個神秘又主要凝聚中國本土 C9 高校學者的團隊冒出後，所有人都無法再忽視這樣的一個事實：
在像 AGI 這樣的大規模團隊作戰形式中，個人能力拔尖不如組織能力拔尖重要。
回顧人工智慧的發展史，曾像 Meta 一樣集結超多傑出人才的團隊不勝列舉：MSRA、DeepMind、谷歌、百度、智源……乃至大模型時代，近兩年騰訊、位元組也都曾組織過各個方向的傑出人才組成大團隊，但最終都要麼人才四散而去、要麼組織目標由高降低、要麼做出一兩件大新聞後泯然眾人。
背後的原因眾多，有企業的文化架構問題，有行業變化影響，但往往也容易出現一個普遍的現象，即：優秀人才之間的離散與鬥爭。
最終，強人集合沒有產生加倍的效果，反而天才之間可以互相抵消。
每個牛人都有一套成熟的認知系統、經驗路徑和話語權構建邏輯，而偉大的突破往往來自對路徑的反常識性挑戰。如果組織沒有“容錯機制”，牛人越多，分歧越大，行動越慢。
一群彼此不服、各自為營的聰明人湊在一起，容易像一場永不散場的學術討論會，而不是一個能落地的工程團隊。
DeepSeek 是一個有意思的反例。它沒有明星科學家，沒有學術巨擘撐場，成員年輕，團隊規模小（基礎研究員在 150 人左右）、扁平化、沒有打卡、沒有層層 KPI 管理，創始人親自下場擼程式碼，文化更像一個純粹的研究小組。
直到推出 V3，外界還認為它只是在“巨人肩膀上摘果子”，但當 R1 釋出、實現推理效能超越時，它直接被推到了行業第一梯隊。
DeepSeek 的成功，並不是因為他們“比別人更聰明”，而是因為他們“比別人更敢幹、更能協同”。從組織的角度來看，DeepSeek 幾乎反其道而行：
  • 極致扁平：沒有層層結構，沒有 KPI 內卷，反而激發了探索欲。
  • 投入純粹：大家都在搞基礎研究，不用分心“交付”“商業”“報表”。
  • 執行高效：一群動手能力超強的人每天都在幹正事，不在做彙報。
  • 認知一致：沒有“上下級權威差”，只有“想清楚再動手”的共識。
對比之下，過去兩年，位元組 Seed 的團隊曾一度多達 1000 人，大模型創業公司的基礎模型團隊雖控制在一百來人的規模、但同樣要揹負商業交付與產品支援的壓力，因此難以構建起“高信任、低管理、強動機”組織模型。最終，DeepSeek 的第一輪勝出，幾乎是註定的。
02
組織力 ≠ 人力總和，而是效率乘積
我們很容易陷入“能力總和論”陷阱：覺得一個組織的戰鬥力 = 每個人的能力總和 × 工作時間。但事實更接近於：組織戰鬥力 = 協同效率 × 方向一致性 × 持續穩定性。
換句話說：牛人越多，協同越難，任務越複雜，扁平化越重要。
所有大廠與模型團隊的人都在看下一輪基礎模型的競爭力，一種直覺的觀點認為：大廠同樣不缺人、不缺錢、不缺卡甚至不缺場景與資料，戰鬥力也不應該低於 DeepSeek。但如果將不同團隊的研究日常作對比，就不難發現，實際上純以 AGI 為研究目標的團隊與複雜大廠之間的差距。
如果將人才的能力水平從 0 到 100 分劃分，單人每天平均研究投入時間為 0 到 14 個小時，那麼人才組織與產出的公式就可以清晰轉化為效率的乘積：
假設在 DeepSeek 團隊中，專注基礎研究的年輕博士能力可以打 70-80 分，Top 大模型研究選手如張正彥這樣基礎理論與實踐能力兼具的研究員是 100 分，那麼 DeepSeek 的整體平均水平約為85 分。同時 DeepSeek 沒有商業化壓力，150 人團隊可以每天平均集中投入 12 個小時做基礎研究。
對比一個千人研究團隊的大廠，基礎研究人員與工程師的戰鬥力由高到低不等，加上大團隊意味著管理壓力大，算平均值 60 分。且由於要花時間做商業化交付與應用產品支援，1000 人的團隊平均每人每天可能最多隻能投入 6 個小時做基礎研究。
那麼基礎研究總投入來看，DeepSeek 與大廠的對比實際是：150*85*12 VS 1000*60*6。
除了客觀可量化的投入，組織效率、協同成本、執行張力這些更難量化的變數，也是決定戰鬥力的關鍵。
如果 DeepSeek 擁有近乎滿分的執行效率，記作 1.0，而大廠在目標分散、協作鏈條冗長等影響下，組織效率只有 0.2，那最終真正釋放出來的有效產出會是：
DeepSeek：153000 × 1 = 153000
大廠團隊：360000 × 0.2 = 72000
如此來看，其實不難發現 Deepseek 在基礎問題的研究投入與產出預期上，實際上是比大廠要多得多。
這也就解釋了，為什麼 DeepSeek 一個 150 人的小團隊，反而能做出一鳴驚人的成果，而一些大廠的千人團隊，卻因為組織結構複雜、任務重心分散，反而削弱了在基礎研究上的真實投入。
再次回到 Mate 花大錢買人的這個事情上，其中有一個非常容易被忽視的變數：動機的成分到底是什麼？
Meta 的超高薪能買來聰明人，但買不來“持續願意幹活”的動機。DeepSeek 為什麼讓人願意拼 14 個小時？不是因為錢給得最多，而是因為願景真實、結構自由、成果看得見。
如果動機只建立在薪水上，個體會進入“被動等待回報”的狀態，但如果動機來自共創、掌控感和對問題的真實興趣，反而會激發內驅。
而 Meta、Google 等大型科技公司的問題在於——他們的組織系統已經高度僵化，即使有牛人加入，也只能發揮一小部分。
除了被忽視的動機成分外，人們也經常會誤解“創新”是由最聰明的人做出來的。但其實，創新更多發生在邊緣人群、結構鬆散的小團隊中。
另一個容易被忽視的客觀事實是：隨著人工智慧的發展時間拉長、各種開源技術的發展，AGI 的知識門檻也在不斷降低——這就意味著，十年前只有 AI 技術大牛才能研究出來的演算法，如今一個 985 高校的碩博生沉下心來也能鑽研明白、探究清楚，並提出大膽的改進設想了。
據 AI 科技評論瞭解，即使是 Transformer 這樣的權威主流架構，國內的 MiniMax、Rock AI 等團隊在敢於修改注意力機制後也能取得較大的創新，且在這些團隊中主導架構修改的研究人員都並非以往行業追捧的頂級技術明星。
這也是 DeepSeek 給整個行業的啟示：與其追求明星團隊，不如追求執行團隊；與其拼大模型預算，不如拼問題沉澱和反饋機制；與其堆博士、挖大牛，不如形成一個真正願意彼此合作、共同思考的小集體。
03
Meta 很難複製 DeepSeek
回到問題本身，或許 Meta 很難複製 DeepSeek。不是說 Meta 沒有足夠的錢，而是 Meta 已經不是一個“可變”的組織。
DeepSeek 是一個不斷試錯的小機器，相比之下 Meta 就是一個巨型飛輪，一旦啟動，就很難偏航。組織的慣性，才是最難被打敗的東西。
Meta 的高薪策略背後，其實反映出一種焦慮：他們需要重建早期 OpenAI 的文化，但用的是“招聘+績效+話語權”的老一套工具。這套系統能招來人，但無法召喚真正的協作精神。
歸根結底，人工智慧行業目前最迫切的或許是打破“聰明人多就能贏”的迷信——聰明人當然重要，但關鍵是這些聰明人能不能真正協同起來，有沒有共識，有沒有足夠多的自由去試錯，甚至是有沒有願意親自寫程式碼的創始人… …
在這輪 AI 創新浪潮中，組織的重構能力可能比模型的進步還要重要。
//
推薦閱讀

離開優必選的日子

騰訊 Robotics X 無戰事

未經「AI科技評論」授權，嚴禁以任何方式在網頁、論壇、社群進行轉載！
公眾號轉載請先在「AI科技評論」後臺留言取得授權，轉載時需標註來源並插入本公眾號名片。


相關文章