研究时间：2026-07-24
作者：Koutian Wu；GitHub: ktwu01
研究领域：人工智能、科研制度、人才迁徙、技术权力
研究对象：1943—2026 年 AI 范式演变，以及 2026 年前沿实验室的人才流动
方法论：横纵分析法（Horizontal-Vertical Analysis）
2026 年 2 月 9 日，我在《颠覆性创新者的思维模式》里问：乔布斯、马斯克这类人，到底比其他人多看到了什么？
约五个半月后，这个问题换了一批主角。
UC Berkeley EECS 的总系主任 Jelani Nelson 暂离学校，进入 Anthropic 的预训练团队；OpenAI 联合创始人、前 Tesla AI 负责人 Andrej Karpathy 暂停自己的教育创业，再次回到前沿模型研发；AlphaFold 核心负责人、诺贝尔化学奖得主 John Jumper 离开 Google DeepMind，转入 Anthropic；Google 的 Gemini 联合负责人 Noam Shazeer 加入 OpenAI。数学家、物理学家、经济学家、哲学家也出现在前沿实验室的名单上。
新闻连在一起，很容易生成一个宏大故事：最聪明的人已经看到了普通人没有看到的未来；他们不再满足于论文、公司或财富，而是在追逐最高级别的智能，进而追逐最高级别的权力。
这个直觉抓住了一部分真相，也把另一部分真相压扁了。
他们看到的，是 AI 正在从一种技术变成“生产新技术的技术”，从研究对象变成决定研究速度、研究方向与研究准入权的基础设施。顶尖人才争夺的不是一份更体面的工作，而是自己站在这个反馈回路的哪一侧。
AI 确实可能带来前所未有的认知杠杆、行动杠杆与议程设置权，但它不会自动兑换成“无上权力”。控制前沿模型的人仍依赖芯片、能源、资本、组织、法律、国家与社会信任。研究员进入实验室，只是更靠近权力机器，不等于个人拥有它。
这份报告把“顶尖人才”限定为四类人：
“加入前沿 AI 实验室（AI lab）”也不是一种状态。它至少包括永久离职、industrial leave、学术休假、兼职、visiting researcher、创业团队并入平台。把这些都写成“辞职”，会夸大迁徙的不可逆性。
最典型的例子正是 Jelani Nelson。Berkeley 的官方公告说，他卸任 EECS 主席是为了开始 industrial leave；Anthropic 确认他进入预训练团队。准确的描述应是“前 Berkeley EECS 系主任暂离学校加入 Anthropic”，不是“永久辞去教授职位”。
本报告将公开事实、当事人陈述与分析推断分开。人才流动能证明实验室具有吸引力，也能反映这些人的主观信念；它不能证明他们的技术预测必然正确。会加入前沿实验室的人，本来就更可能相信转折点正在临近，这里存在明显的选择效应。
今天的迁徙不是 2026 年突然出现的风潮。它是一条延续八十多年的曲线，在近几年越过了几个相互叠加的阈值。
1943 年，McCulloch 与 Pitts 把神经活动抽象为逻辑计算。1950 年，Alan Turing 没有继续纠缠“机器究竟有没有心灵”，而是把问题改写成一个可以观察的模仿游戏。1955 年的 Dartmouth 提案更直接：学习与智能的各个方面，原则上都可以被精确描述，从而让机器模拟。
这三步完成了一次概念迁移：
| 旧问题 | 新问题 |
|---|---|
| 心灵是什么 | 哪些行为可以计算 |
| 人为什么聪明 | 哪些机制可以学习 |
| 智能是否神秘 | 智能能否被描述、训练与制造 |
AI 从出生起就不是软件业里的一个小分支。它把逻辑、语言、神经科学、控制、学习、创造和科学发现统合进同一个研究计划。对数学家、物理学家、哲学家而言，它处理的正是各自学科最深处的问题：世界是否可被压缩为表示，推理是否可被机械化，知识怎样形成，行动怎样从判断中产生。
这一时期的研究中心主要在大学、政府资助项目与少数企业研究院。稀缺资源是理论、人才与耐心；一名研究者拿着纸笔和有限计算设备，仍有机会推动前沿。
专家系统曾经证明，人类知识可以被编码成规则。DENDRAL 能帮助分析化学结构，MYCIN 能在封闭医学场景中给出诊断建议。但每进入一个新领域，都要重新访谈专家、整理规则、补充例外；能力大致随人工录入的知识线性增加，维护成本却可能更快上升。
感知机、机器翻译、通用机器人也经历过高预期与能力边界的碰撞。资金退潮形成两次所谓“AI 寒冬”。这段历史给后来者留下一个极重要的判断标准：
震撼的演示不等于可扩展的范式。真正值得长期下注的系统，必须能随着数据、计算与训练而持续改善，而不是靠人无限书写规则。
今天评价大模型时，同一个标准仍然有效。一次漂亮的数学答案、一个能操作浏览器的 demo，不能单独证明通用智能已经到来。更可检验的观察对象，是能力曲线能否跨任务复现、能否通过反馈继续增长、能否在真实工作中节省的时间多于制造的麻烦。
1986 年，Rumelhart、Hinton 与 Williams 发表反向传播研究，展示多层网络如何从误差中调整参数，并在隐藏层形成完成任务所需的内部表示。
这次变化看似只是算法改进，实际改写了人的角色。过去，工程师要告诉机器“边是什么”“语法是什么”“什么规则对应什么结论”；现在，人更多地定义目标、数据与训练过程，让表示在优化中生成。智能的生产方式从手工作坊向可重复训练移动。
从卷积网络、LSTM 到深度置信网络，许多基础积累发生在深度学习并不热门的年代。Hinton、LeCun、Bengio、Sutton 等研究者长期维持一个低声望、低资金却高度连贯的共同体。2012 年以后公司争抢的并非几篇论文，而是一个学派数十年积累的研究品味、工程直觉与失败经验。
这也提醒我们，“看见未来”很少是凭空顿悟。乔布斯的产品判断依赖图形界面、触控、材料、芯片与供应链几十年的成熟；AI 的跃迁也依赖长期积累突然在数据、GPU 和算法上汇合。远见更像是比别人更早读懂约束何时松动，而不是从虚无中得到神谕。
2012 年，AlexNet借助 GPU 和大规模标注数据显著赢得 ImageNet 竞赛。Hinton、Alex Krizhevsky 与 Ilya Sutskever 随后成立 DNNresearch，并被 Google 收购。Hinton 当时仍保留多伦多大学身份，构成一种早期交换：大学提供理论与人才，公司提供数据、算力和产品反馈，论文仍然广泛公开。
2013 年，Yann LeCun 进入 Facebook 组建 FAIR。2015 年，Uber 从 Carnegie Mellon 的机器人中心招走约四十人，引发大学与产业之间第一次广为人知的“抽空”争议。同年 OpenAI 成立时仍承诺鼓励研究者发表论文，并分享代码与专利。
2016 年 AlphaGo 击败李世石，2017 年 AlphaGo Zero 仅从规则和自我对弈出发，发现了人类没有直接教授的策略。同年，Google 研究者发表 Transformer，让序列模型的训练高度并行化。
这一阶段出现了三条后来持续放大的信号：
2013 年的企业实验室仍像大学的富裕邻居。研究者可以双重任职，论文是声望货币，关键方法常被公开。2026 年的实验室已经更接近一种新制度：研究院、超级计算中心、产品公司与安全机构叠在一起。
2019 年，Rich Sutton 在《The Bitter Lesson》中总结：长期看，能够利用不断增长计算的一般方法，往往超过依赖人类手工知识的方法。同年，OpenAI 在解释新组织结构时直言，前沿系统可能需要数十亿美元的云计算、人才与超级计算基础设施。
2020 年的 Scaling Laws研究显示，在被观察的范围内，语言模型损失会随模型规模、数据与计算呈经验性的幂律变化。GPT-3 展示了同一个大模型在少量示例下适配多种任务的能力；Chinchilla 等研究又开始回答怎样在参数和训练数据之间更有效地分配资源。
这里发生了一次制度级转折。若能力增长与资源投入之间存在部分可预测关系，智能研究就不再只等待偶发的天才突破，而可以被写进资本预算、数据中心计划和多年基础设施合同。研究问题从“某个想法是否有用”扩展成“投入十倍计算、改进数据和训练方法后，曲线会走到哪里”。
Scaling law 不是自然定律，也不保证能力永远增长。数据质量、能源、芯片、算法和可靠性都可能形成新的瓶颈。但它足以改变组织行为：风险资本愿意下注，云厂商愿意造集群，实验室愿意为稀缺人才支付远超大学的价格，研究者也愿意去唯一能完成某类实验的地方。
一项基于美国人口普查局雇主—雇员数据、追踪约 4.2 万名 AI 研究者的研究发现：在其美国样本中，到 2019 年约 68% 的研究者任职于产业界。永久转入企业后，研究者的收入和专利显著增加，论文产出则明显下降。知识生产中心的移动早于生成式 AI 热潮，2026 年只是它最醒目的阶段。
AlphaFold2 是另一条曲线。它没有只是把已有工作做快一点，而是跨过了蛋白质结构预测的长期瓶颈。2024 年，Demis Hassabis 与 John Jumper 因相关工作分享诺贝尔化学奖。这为工业前沿实验室提供了类似现代 Bell Labs 的制度合法性：一家公司的模型研究可以直接进入基础科学最高荣誉体系。
类似信号随后出现在算法、材料、天气、数学与物理中：
Harvard 理论物理学家 Xi Yin 对《Harvard Crimson》描述过一种强烈的个人体感：原本可能耗费多年编程的工作，被 AI 大幅压缩。UCLA 数学家 Terence Tao 在 2026 年的判断更克制：模型还会浪费时间，但已经进入“节省的时间多于浪费的时间”的阶段。
这两种说法并不冲突。AI 作为科学仪器已经有真实价值，却仍不等于自动科学家。Anthropic 自己在科学博客中承认，模型在部分科研流程上表现很强，也会幻觉、迎合用户，并卡在领域专家觉得简单的问题上。真正的瓶颈正在从“执行所有步骤”转向“选择问题、设计验证、识别伪结果并承担责任”。
对于数学家和物理学家，这种变化的吸引力非常直接。他们没有离开科学去做另一个行业；他们在靠近一台可能放大所有科学的仪器。
前沿实验室如今公开谈论一个更强的反馈回路：用 AI 帮助研究、评测和训练下一代 AI。
Karpathy 加入 Anthropic 后负责的团队，目标之一就是用 Claude 加速预训练研究。他解释自己的决定时说，未来几年对前沿大模型格外关键，自己想回到研发。OpenAI 在 2026 年 6 月公布的计划中，把“自动化 AI 研究员”列为三大目标之一，并称内部判断是到 2028 年 3 月，可能有相当一部分研究由 AI 系统与人类研究者共同完成。
Anthropic 对内部研发的分析也给出相似方向：模型已经生成大量工程代码，在定义清楚、反馈可验证的实验优化任务上进步很快；但人类在选题、研究品味、判断是否可信等环节仍占优势，递归自我改进尚未实现，也并非注定发生。
这正是“现在加入”的时间价值。若 AI 只是一代更好的软件，晚三年加入也许只是错过一轮产品周期；若 AI 能加速 AI 研究，哪怕只是组织层面的加速，早期优势也可能通过模型、人才、数据和反馈反复累积。顶尖人才看到的是一个可能正在收窄的参与定义期。
这条纵轴可以压缩成五次转换：
| 阶段 | 智能的角色 | 稀缺资源 | 研究中心 |
|---|---|---|---|
| 1943—1985 | 可描述的哲学与工程问题 | 理论、规则、长期资助 | 大学、政府、企业研究院 |
| 1986—2011 | 可从数据训练的系统 | 算法、数据、GPU | 大学与公司合作 |
| 2012—2018 | 可跨任务扩展的能力 | 大数据、集群、工程人才 | 大型科技公司 |
| 2019—2024 | 可用资本规模化的认知生产 | 超级计算、能源、训练系统 | 少数前沿实验室 |
| 2025—2026 | 可能加速科学与自身研发的元工具 | 前沿模型、验证回路、研究品味、治理 | “实验室—平台—基础设施”复合体 |
截至 2026 年 7 月 24 日，公开证据支持以下代表性任职关系。表格把 2026 年的新流动与更早形成、延续到 2026 年的关系明确分开：
| 人物 | 原位置 | 时间与关系类型 | 最能说明的问题 |
|---|---|---|---|
| Jelani Nelson | Berkeley EECS 系主任、理论计算机科学教授 | 2026-07，industrial leave；加入 Anthropic 预训练 | 大学管理层进入模型核心训练，同时保留回归期权 |
| Andrej Karpathy | Eureka Labs 创始人；前 OpenAI、Tesla AI 负责人 | 2026-05，加入 Anthropic 预训练 | 他公开判断未来几年格外关键，因而暂停教育创业、返回研发 |
| Peter Bailis | Workday CTO；前 Stanford 教授、Google Cloud VP | 2026-03，离开 Workday，以 Member of Technical Staff 加入 Anthropic | 管理头衔可以换成一线强化学习工程；具体薪酬与个人动机未公开 |
| John Jumper | DeepMind AlphaFold 负责人、诺贝尔化学奖得主 | 2026-06，离开 DeepMind、加入 Anthropic；职责未公开 | AI for Science（AI 驱动科学）人才开始在实验室之间流动 |
| Noam Shazeer | Google VP、Gemini 联合负责人、Transformer/MoE 先驱 | 2026-06，离开 Google、加入 OpenAI | 顶级算力不能消除实验室之间的人才流动；他将领导 AI 架构研究 |
| Weijie Su | Wharton 统计学教授 | 2026-05，学术休假期间加入 OpenAI | 数学与统计人才进入模型训练现场 |
| Alex Lupsasca | Vanderbilt 黑洞理论物理学家 | 2025-10 起，兼任 OpenAI 研究员与 Vanderbilt 教授 | “教授或公司”不是唯一选项，混合身份正在增加 |
| Anca Dragan | Berkeley 教授、机器人与人机协作研究者 | 此前转入；2026 年领导 Google DeepMind 安全与对齐研究 | 担心风险的人也要进入内部，才能接触前沿模型、数据与预算 |
| Chad Jones、Anton Korinek | Stanford、UVA 经济学教授 | 2026 年，休假加入 Anthropic Institute | 实验室需要的不只是模型工程，也包括经济与制度推演 |
表中任职信息综合 Berkeley 公告、Karpathy 任职报道、Bailis 任职报道、Jumper 任职报道、Shazeer 任职报道、Weijie Su 个人公开帖镜像、Lupsasca 的个人履历、Anthropic Institute 公告、Chad Jones 的个人公开帖镜像与《The Atlantic》的跨机构调查。对未公开具体岗位的人，本文不推断其职责。
这份表有意不追求“名单越长越好”。Harvard 物理学家 Xi Yin 被报道与 OpenAI 有关联，但截至研究日缺少本人、Harvard 或 OpenAI 对任职状态的清晰确认，因此本文只引用他公开讨论 AI 科研体验的内容，不把“加入 OpenAI”写成事实。
The Atlantic统计 OpenAI、Anthropic、Meta、Google DeepMind 等机构至少拥有八十多位现任或前任教授，并认为仍是低估。这个数字能说明迁徙的规模，却不能把每个人的动机归成同一种。有人为了训练前沿，有人为了安全，有人为了科学工具，有人研究 AI 对经济和社会的冲击，也有人只是休假一年。
同一批人才面对的并不是同一种实验室。各去向的核心交换可以放在一张矩阵里：
| 去向 | 对人才的核心承诺 | 独有筹码 | 主要代价或不确定性 |
|---|---|---|---|
| Anthropic | 在关键窗口同时推进前沿、安全与社会研究 | 预训练内部数据；安全使命；跨学科 Institute | 商业目标与安全使命的张力；私人治理 |
| OpenAI | 让 AI 参与制造下一代 AI，并快速部署 | 产品分发；架构、科学与自动化研发 | 治理与商业化变化；研究公开边界 |
| Google DeepMind | 做 AlphaFold 式长期科学与通用模型研究 | TPU、Google 工程与数据；成熟科研传统 | 大公司协调成本；个人议程受组织战略影响 |
| Meta | 用高资本和大规模分发快速组建团队 | 社交产品触达；整队吸收；基础设施投入 | 路线与组织调整快；团队稳定性 |
| xAI | 以超级计算和工程速度追求“理解宇宙” | Colossus、工程协同、强烈使命叙事 | 创始团队流失；治理与研究文化仍待时间检验 |
| 独立实验室与大学 | 保留路线控制、公开研究或批判距离 | 创始人自治；学术共同体；公共问责 | 融资与算力依赖；前沿准入较弱 |
Anthropic 对跨学科人才的吸引力来自三层组合。
一层是前沿训练。预训练团队掌握 checkpoint、训练曲线、失败模式、数据配方和昂贵训练运行；外部研究者只能看到发布后的产品切片。Nelson 与 Karpathy 进入的正是这一层。
一层是安全使命。Anthropic 在 Claude’s Constitution（Claude 宪法）中把自身位置称为一种“经过计算的赌注”：如果强大 AI 无论如何都会出现，让强调安全的实验室留在前沿，比把前沿完全交给较少关注安全的开发者更好。这样的叙事对认为转折点临近、又担心失控与集中权力的人很有吸引力。
一层是把实验室扩展成小型大学。Anthropic Institute 吸收经济学家与社会科学家，科学项目连接物理、生物、化学和数学。公司在 2026 年提出“压缩的二十一世纪”——让数十年科学进步在更短时间内发生。从公开陈述与选择可以推断，对部分研究者来说，岗位还附带一种身份：参与解释和塑造一次可能的文明级转换。
这套叙事也有内在矛盾：安全研究要接近最强模型，所以最担心集中风险的人反而向最集中的机构聚集；商业成功为安全研究提供资源，也让发表边界与研究议程受私人治理影响。
OpenAI 的组织承诺更直接：自动化 AI 研究员、加速科学与经济、为每个人提供个人 AGI。Noam Shazeer 进入架构研究，数学、统计和物理研究者进入科学与安全团队，反映出模型竞争已经从“招更多机器学习工程师”扩展为“把各学科的推理结构吸收到模型研发中”。
物理学家 Alex Lupsasca 是一个能看见动机形成过程的案例。他曾对模型保持怀疑。据 OpenAI 对他的访谈，GPT-5 Pro 在一次由他设计的测试中快速完成研究生级推导，并复现了他此前已经得到的隐藏对称生成元。这个案例提供了有价值的专家观察，但来源于公司对其员工的访谈，尚不能等同于经过独立验证的新科学发现。
OpenAI 还拥有另一种大学没有的资源：产品分发。论文可能几年后影响一个领域，模型更新可以立刻进入数亿用户和大量组织的工作流。研究、产品、用户反馈和下一轮训练处在同一个系统里，实验室因此同时获得知识生产权与部署权。
Google DeepMind 最接近现代 Bell Labs 的成熟版本。AlphaGo、AlphaFold、天气和材料研究已经证明公司实验室可以产出基础科学结果；Google 的 TPU、数据、工程平台与分发也提供完整实验装置。Anca Dragan 解释自己转入实验室的部分原因时，强调了在前沿推进安全所需的数据、算力和预算。
但成熟平台也有协调成本。Shazeer 与 Jumper 的离开说明，拥有顶级算力并不足以消除实验室之间的人才流动；公开信息不足以把两人的决定归结为研究自主、团队结构、薪酬或任何单一动机。
Meta 的答案是资本、分发和整队吸收。Dawn Song 等学者先从大学创办 Virtue AI，团队再进入 Meta Superintelligence Labs。这不是简单的“大学输给大厂”，而是“大学—创业—平台”三段式流动。Meta 可以让智能体触达数十亿用户，也能提供极端优厚的待遇；代价是组织路线集中、调整速度快，个人议程更容易被平台战略改写。
xAI 则把超级计算、SpaceX 式工程速度与“理解宇宙”的口号放在一起。它对物理学家和第一性原理工程师的审美吸引力很强，但创始团队的大量离开至少说明：算力和宏大使命本身不足以保证核心人才留任。具体离职是否源于治理、组织信任或研究文化，公开证据仍有限。
“顶尖人才现在都不创业了”不符合事实。
Yann LeCun 离开 Meta 创办 AMI Labs，原因之一正是他不同意主流大语言模型路线；Ilya Sutskever 创办 SSI，把安全超级智能设为单一目标；Mira Murati 与 John Schulman 等人选择 Thinking Machines Lab。许多所谓“创业公司”只是形态不同的前沿 AI 实验室：需要数十亿美元资本、长期研究周期、芯片与云合作，也必须与巨头争夺同一批人才。
Terence Tao 仍在学界工作，同时公开使用与评估 AI。他支持 2026 年的 Leiden Declaration，这份由数学共同体推动、获得国际数学联盟支持的声明要求公开 AI 工具使用、保留人类对正确性的责任、建设独立于产业的公共计算设施，并警告企业存在夸大能力的商业激励。
四种职业路径代表不同的权利组合，不应按“进步”与“保守”排序：
| 路径 | 获得什么 | 放弃或承担什么 |
|---|---|---|
| 加入前沿实验室 | 最强模型、算力、人才密度、部署反馈 | 发表自由、议程自主、公共问责较弱 |
| 创办前沿 AI 实验室 | 方向与文化控制权、巨大股权上行 | 融资与算力依赖、组织生存风险 |
| 留在大学或公共机构 | 长期问题、公开发表、人才培养、批判距离 | 难以接近最大训练运行，反馈更慢 |
| 休假、兼职、联合任职 | 保留回归期权，连接两种制度 | 利益冲突、时间分裂、边界不透明 |
真正发生的不是“实验室战胜创业”，而是前沿创业正在实验室化，顶级学术研究正在基础设施化，两者的边界越来越模糊。
Stanford 2026 AI Index显示，2025 年超过 90% 的重要 AI 模型来自产业界；自 2022 年起，全球 AI 计算能力约每年增长 3.3 倍，达到约 1,710 万张 H100 等效卡。美国拥有 5,427 个数据中心，领先芯片又高度依赖少数设计公司、云厂商与一家主要晶圆代工厂。
这种实验装置无法靠一位教授的经费独立复制。外部研究者可以调用 API，却看不到权重、训练数据、内部 checkpoint、故障日志与下一代模型。对研究前沿能力和安全的人，进入实验室会让某些原本无法完成的实验变得可能。
顶尖学者并非只看排行榜。他们会用模型攻击自己最熟悉、最难被营销蒙混的任务。
当数学家看到研究探索提速数倍，物理学家看到多年积累的推导被模型快速重建，生物学家看到 AlphaFold 改变结构预测，他们获得的是“局部但高可信”的私人证据。模型可能仍会在常识题上失败，却已经在某些高价值工作流中跨过净正收益线。
这种不均匀性解释了外界的困惑：普通用户看到的也许只是更流畅的聊天，领域专家看到的却是一个能生成代码、搜索假设、调用工具、接受自动验证的初级研究合作者。
优秀研究者想和优秀研究者工作。每当一个实验室聚集更多预训练专家、系统工程师、数学家、安全研究者与科学家，重要工作更可能在那里发生；重要工作越集中，下一位人才离开大学或其他公司进入该实验室的理由又越强。
这不只是一场薪酬竞标，也是隐性知识的聚集。大规模训练的许多判断无法完整写进论文：何时终止一次运行、怎样识别数据污染、哪个异常预示能力跃迁、什么评测正在被优化过头。参与真实运行的人更容易快速积累这些经验。
大学研究需要申请经费、排队使用计算资源、招学生、投稿与同行评审，这些机制保护开放性和质量，也让完整周期以月或年计。前沿实验室可以在一天内让研究者、工程系统、模型评测和产品数据往返多轮。
速度本身不是正确性。一个高速运行的封闭团队也可能集体走错方向。但当问题有清晰自动反馈——代码能否通过测试、证明能否形式验证、芯片布局能否改善指标——快速迭代会形成巨大优势。
若模型能承担更多编码、实验和搜索，研究者单位时间内能尝试更多假设；更多实验又产生训练和评测数据，帮助下一代模型。这个回路不必达到科幻式“智能爆炸”，也足以让领先组织按组织效率复利。
前沿实验室的人知道回路尚不完整。人仍在设定目标、选择评价函数、判断结果是否值得信任。恰因答案未定，研究者更愿意现在进入：如果关键规范、架构和安全习惯会在未来三年固化，晚十年再讨论伦理与治理，影响空间可能已经很小。
一位已经功成名就的教授、诺贝尔奖得主或 CTO 仍会在意金钱。高薪和股权补偿职业风险，为家庭提供安全，也给个人保留未来创业、资助研究或退出组织的能力。把钱从解释中删除，会把现实人物写成圣徒。
但金钱无法独立解释所有选择：
从公开陈述和职业路径只能推断一组共同变量：算力准入、研究杠杆、同侪密度、历史窗口、使命认同、薪酬股权、自主权损失与组织风险。它们不是一条可计算的公式，而是相互制约的门槛。若研究问题必须使用内部模型，算力准入接近零，其他条件再好也很难弥补；若组织失去信任，再多 GPU 也未必留得住人。
纵轴说明 AI 怎样变成可规模化的认知生产；横轴说明人才为什么向少数能运行这套生产系统的组织集中。两条线交汇后，可以看见五个更具体的判断。
工业革命不是发明了一台更强壮的手臂，而是把能量转换、机器、工厂和资本组织成可复制的生产系统。前沿 AI 正在对一部分认知劳动做相似的事：阅读、编码、搜索、比较、生成候选、调用工具与接受反馈，被装入同一个可扩展流程。
这里的关键不是模型是否像人，而是认知工作第一次可以被复制、并行、测量和持续更新。一个优秀研究员的时间每天只有二十四小时；一个模型可以同时帮助数千个团队。若质量达到可用阈值，哪怕没有全知全能，也会改写科研和组织的成本结构。
乔布斯看到的不是一块更好的手机屏幕，而是手指、软件、内容与供应链即将合成新的个人计算接口。这批人才看到的也不是“聊天机器人还会涨多少分”，而是模型、工具、验证、算力与分发正在合成新的认知基础设施。
传统科研工具服务一个领域：望远镜观察宇宙，测序仪读取基因，粒子加速器探索高能物理。通用模型的特殊之处在于，它可以同时读取论文、写程序、设计分析、调用模拟、提出候选解释，并在数学、物理、生物和工程之间迁移。
它还远未成为完整科学家，却可能成为多种科学共同的上游工具。谁能改进这个工具，就可能同时提高许多学科的研究速度。对想理解世界的人而言，这比在单一问题上继续前进一小步更具诱惑。
这也是数学与物理人才被争夺的原因。数学提供可自动检查的反馈环境，也是训练一般推理的试验场；物理把符号推理、模拟、实验和世界模型连接起来。实验室需要的不只是他们已有的答案，更需要他们定义什么叫深问题、强证据和可信推理。
一项技术刚进入社会时，很多默认设置还没有固定：模型追求什么目标，怎样服从人类，什么内容拒绝，研究如何公开，收益怎样分配，谁能审计，政府与公司如何协调。
研究者现在加入实验室，得到的不只是观察能力曲线的前排座位，也得到影响这些默认设置的机会。安全研究者面临一个悖论：站在外部可以保留批判距离，却很难接触最强系统；进入内部可以观察和干预真实风险，却会受雇主议程、保密制度与商业压力约束。
“我必须在里面才能改变方向”既可能是真诚使命，也可能成为自我合理化。判断它是否可信，要看研究者是否仍能公开异议、组织是否允许独立评测、治理是否有外部制衡，而不是只听使命口号。
人才、算力、数据、部署和 AI 辅助研发可以构成复利式优势。这个判断有现实依据：模型已经能减少部分研发时间，实验室也把自动化研究列入明确路线。
更强的结论——递归自我改进必然发生、数年内一定出现超人通用智能——仍属于预测。2026 年的国际 AI 安全报告仍强调，现有系统在长程自主行动、可靠性和现实世界控制上存在明显限制。真实软件开发评测也发现，经验丰富的开发者有时会高估 AI 帮助，甚至因验证和修错而变慢。
人才流入是信号，不是证明。它说明一批最有资格观察前沿的人认为概率足够高，值得用职业生涯下注；它不说明下注已经赢了。
“知识就是力量”只说了一半。知识要变成现实影响，还需要执行、资源、制度和合法性。AI 把知识生成与规模化行动之间的距离缩短了，所以它会提高多种权力的上限：
| 权力层 | 前沿实验室能做什么 | 仍受什么约束 |
|---|---|---|
| 认识论权力 | 决定哪些问题更快被搜索、验证和解释 | 事实、同行审查、领域专家、开放复现 |
| 基础设施权力 | 分配算力、模型、数据和内部工具的准入 | 芯片、能源、云供应链、资本 |
| 经济权力 | 把模型接入产品和组织，重组劳动与利润 | 市场、竞争、反垄断、客户信任 |
| 规范权力 | 通过训练、模型宪法与政策定义模型行为 | 法律、文化差异、公共监督 |
| 议程权力 | 决定研究预算、公开范围和风险优先级 | 董事会、员工、政府、公众 |
| 强制权力 | AI 可增强网络、情报、军事与行政能力 | 国家合法暴力、法律程序、国际关系 |
由此可以把“AI 等于权力”写得更准确：
AI 最先放大的是 power to——做成事情的能力；当这种能力与模型控制权、部署权限、资本、强制资源或制度职位结合时，也可能转化为事实上的 power over。AI 不会自动赋予合法性，但可能显著降低支配、操纵和集中控制的成本。
一个研究员即使拥有最强模型，也不能独自制造先进芯片、调度电网、合法征税或要求社会服从。实际权力属于一组相互依赖的参与者：实验室治理层、研究团队、资本、云与芯片公司、能源系统、国家、部署机构和用户。
但也不能因此低估集中风险。当前沿模型能代替更多人的协调与执行时，小团体可能减少对大量合作者的依赖。Anthropic 的 Claude 宪法甚至明确把“AI 或包括 Anthropic 自身在内的一小群人借 AI 非法夺取权力”列为最严重风险之一；OpenAI 的 2026 计划也承认，转型技术既能集中权力，也能扩散权力。建造者自己都在用“权力”语言讨论问题，说明用户的直觉不是空想。
教授离开一年，不只少一篇论文。他可能少带一届博士生、少开一门高阶课程、少参与同行评审，也少维护一个允许失败十年的研究方向。企业会优先投资能提高模型、产品、安全或政策优势的问题；那些无法快速进入训练与部署回路的学科，可能更难得到资源。
Berkeley 计算学院院长 Jennifer Chayes 对《The Atlantic》的担忧很精准：大学系所也许能存活，但开放创新体系能否存活并不确定。若最强模型、训练数据和验证结果都被少数公司掌握，其他科学家只能看到公司愿意公开的切片，科学共同体就从共同生产者变成受控接口的用户。
产业研究不等于低质量研究。AlphaFold 已证明公司实验室可以做出划时代成果；集中工程能力也能完成大学难以协调的巨大项目。
问题在于选择权：哪些负结果不发布，哪些安全发现被保密，哪些数据无法审查，哪些模型只向付费客户开放。Stanford AI Index 指出，最强模型同时变得最不透明；参数量、训练数据、代码和训练周期常不再披露。研究能力越强，外部验证反而越弱，这会形成认识论上的单点故障。
Leiden Declaration 并没有要求数学家拒绝 AI。它要求披露工具使用、保留人类对正确性与引用的责任、坚持同行审查、建设公共计算设施，并提醒政府不要只听企业发布会。
这是一条重要反线：有些顶尖人才选择进入实验室，有些人选择留在外部建立检查机制。两者都可能是在认真回应同一变化。若所有批评者都进入公司，社会失去独立验证；若所有谨慎者都拒绝接触前沿，他们的判断又可能落后于真实能力。
一个健康体系需要三种角色同时存在：
只有第一种角色，AI 会强但不一定可问责；只有第二种角色，公共研究可能正确却没有实验装置；只有第三种角色，治理容易围绕过时想象立法。
最可能的近中期形态是双向流动增加，而非大学消失：教授休假进入实验室，研究员回大学任教，公司与公共机构共同建设算力，学术界承担基础理论、人才训练和独立评测，企业承担最大训练与部署。
可以观察的信号包括：
模型能力通过开放权重、低成本接口、公共算力和透明评测扩散；个人与小团队获得过去只有大机构拥有的研究能力。实验室保留竞争优势，却接受外部审计、事故报告和公共治理。AI 加快科学，同时让更多人进入科学。
早期信号会是：
少数实验室控制最强模型、芯片合同、能源、人才与分发，并把更多 AI 研发成果留在内部。大学无法验证能力声明，政府又依赖同一批公司提供技术意见和系统。模型帮助中心组织更快行动，却削弱员工、公众与其他机构的议价能力。
警报信号包括：
这三个情景可以同时发生在不同层面。开放模型可能扩散日常能力，最前沿训练仍高度集中；科学工具可能普惠，军事和情报能力仍被严格封闭。真正该追踪的不是一句“AGI 来没来”，而是谁拥有模型、谁能验证、谁能退出、谁承担失败，以及权力是否有制衡。
他们看到的，不是一个已经完成的答案，而是一组正在同时改变的约束：
他们去前沿实验室，不一定因为那里已经拥有“最高级智能”，而是因为那里最接近制造下一代智能的机器；不一定因为每个人渴望统治，而是因为理解世界、改变世界、避免错误和获得影响力，在这个位置上突然叠到了一起。
钱是真实的，使命也是真实的，权力欲可能存在，对错尚未揭晓。最值得认真对待的不是他们的光环，而是他们用职业选择传出的概率判断：即使 AGI 并非确定事件，AI 成为科学、组织和国家的新认知基础设施，概率已经高到足以让最有选择权的一批人重新安排人生。
乔布斯式的“看见”，不是知道一切，而是在多数人仍按旧分类思考时，看见几个原本分开的系统即将连起来。2007 年前，电话、音乐、互联网与触控仍像不同产品；今天，模型、代码、科学、资本、算力与治理也仍被分在不同新闻栏目里。
这批人押注的是：它们已经属于同一个故事。
所有网页资料访问于 2026-07-24。对 2026 年新近任职，优先采用本人、学校、公司公告；无法取得一手确认时，采用两家可靠媒体交叉核对或明确标注不确定性。
本报告使用横纵分析法：
研究局限有三点。公开名单会漏掉未披露任职，也容易把休假误写成永久离职；公司对能力和使命的陈述带有招募、融资与政策沟通动机；2026 年的大量事件仍在发展，无法用长期结果验证。因此，文中的确定结论集中在已发生的人才流动与基础设施变化，对自动化科学、递归研发和 AGI 时间表只做条件性判断。