AI 实验室文化与组织¶

前沿模型公司如何组织：top-down vs bottom-up、如何 make bets、技术 leader 的作用、集体主义 vs 个人英雄主义。这是理解"为什么某家做成某件事"的关键，也是中美 AI 生态对照的组织维度。

三大实验室对照（姚顺宇，前 Anthropic / 现 Google DeepMind，2026-05）¶

来源：张小珺访谈

Anthropic：执行力极强、top-down、reactive 快。能重注 coding（make bets）的独特条件是——技术 1 号位（cofounder Jared Kaplan、Sam McCandlish）既有技术公信力、又能为公司负责，CEO 不成阻力，且 cofounding team 互信（"一起趴过战壕"，是 Scaling Law / GPT-3 论文合著者，无一人离开）。"这对其他公司很难，OpenAI 就干不了（Ilya 走后更难）"（01:59:54–02:06:58、02:31:21–02:36:24）。
Google DeepMind：传统大公司 bottom-up 打法（"不赌、方方面面都有储备"）；但预训练已变得非常 top-down/清晰，进入 Google 工程管理的舒适区、可预测，后训练仍更 bottom-up。拍板人 Sergey Brin；一线 Koray Kavukcuoglu（DeepMind CTO / Google SVP）；Demis 更管偏 science（Isomorphic Labs）（02:48:33–02:56:40、03:12:51–03:13:56、02:58:44–03:00:45）。
OpenAI：文化上"踏实做事的人没 Gemini 多、更没 Anthropic 多"（姚不去 OpenAI 的主因）；早期分预训练/Strawberry(RL)/post-training 三组，post-training 与产品耦合（02:14:05、02:49:34、03:02:45–03:03:45）。
组织哲学：最好的状态往往最不稳定，需要一个技术 leader 把 bottom-up 创新与秩序融合——组织好坏"归根结底是技术 leader 的问题"。好 leader 两特质：能亲自下场救火 + 能理解并容纳别人做自己不做的事（03:18:59–03:20:59）。
集体主义 vs 个人英雄主义：LLM 的个人英雄主义时代结束于 Transformer 之后——"每个人都是冲浪的人，本质上是一个浪（AI）而不是那个冲浪的人"；最重要的是集体能否为一个目标一起花精力，而非个人贡献了什么（03:04:45–03:05:46、02:29:20–02:31:21）。

OpenAI 研究文化（Mark Chen，OpenAI CRO，2026-06）¶

来源：Latent Space 访谈

高风险 bet 是 OpenAI 的 alpha：有些不会 pan out，但失败的 write-up 也重要（让别人少走弯路）；肯冒险者"偶尔命中一次就值得"（00:34:23–00:36:25）。
既有 top-down steering（研究 manager 多是过往最强研究者，说话有分量），也珍视 bottom-up（研究员拿冷硬证据推翻既有判断）；reasoning/o1 就是靠 Yakub、Ilya 的 conviction 推动全公司（00:11:08–00:12:09、00:10:08–00:11:08）。
高层 roadmap 稳定、implementation 随时间变；每 1–2 月过约 300 项目，聚焦每 org 3–5 个大 bet + directive compute allocation + flexible pools（00:12:09–00:15:13）。

中方视角：组织平权与"环境比经验更重要"（罗福莉，小米 MemoVR，2026-04）¶

来源：罗福莉访谈

组织平权到极致：约 100 人的团队没有分组、没有层级（"直击"）（02:00:01）。理由：层级默认"上层的人智能更强，这界定很奇怪"、规范约束压制创造力、leader"不要有很强的掌控感、别觉得没了我就不行"（02:00:01–02:01:01）。这是本库目前最激进的 flat-org 主张，比姚顺宇"英雄主义已过去/集体贡献"更进一步。
不分预训练组/后训练组：数据直觉相通，硬分组"是在扼杀创造力"；做预训练的人天然在乎多样性、转做后训练反而有优势——人在训练阶段间自由流动（01:57:59–02:00:01）。
环境比经验更重要：团队大多没有大模型背景（应届生、做工程的），"这些能力最多一两个月、慢则三四个月都能被快速吸得"；招人看初始上限/好奇心/热爱/多样性，而非"被 supervise 之后的当前状态"，且越来越招大二大三本科生（"没被污染、想象力更高"）（03:01:39–03:27:00）。呼应姚顺宇/朱邦华"本科生摸够卡比 PhD 强"。
热爱驱动管理："让大家围绕自己信仰的事情自驱做事"是最有效方式；靠"体验"驱动热情（那句"第二天对话不超过一百轮就 quit"只是逼大家去用、并不真考核）（02:01:01–02:32:22）。
R1 的组织教训："R1 本质是预训练→后训练时团队如何重组的问题"——把"加大后训练投入=从外面挖个人/新建组"视为错误方式（02:54:36–02:57:39）。这与"OpenAI top-down vs bottom-up"的讨论构成中方补充：范式切换时，组织重构比堆算力/挖人更关键。

硅谷三家的组织画像（广密，全球大模型季报，2026-04）¶

来源：广密·全球大模型季报第 9 集

Anthropic = 战略/专注/文化的胜利：top-down、all-in coding、放弃 C 端与多模态、"模型即应用/数据即模型"、招 underdog、防泄密最严（00:22:24–00:28:27）。
OpenAI = bottom-up、可能出下个范式但不够聚焦：SAM（VC 出身）容易摊大饼/FOMO、文化 value 0→1 不 value 1→100"没人做脏活"、"ChatGPT 很成功但没有灵魂"（[00:41:37]–[00:43:37]）。
Google = 体系化的第三代职业经理人："像一台机器，换一两个人没影响"，但 PM 文化弱、误判 coding（00:49:42–00:50:42）。
这为姚顺宇/Mark Chen 的"top-down vs bottom-up"提供了投资侧的第三方交叉印证。

交叉观察¶

top-down 能 make bets 但依赖强技术 1 号位（姚论 Anthropic）与 OpenAI 珍视 bottom-up 冷硬证据推翻判断（Mark）并非矛盾：两者都指向"研究品味 + 公信力驱动资源集中"，区别在创业公司（集中赌）与大公司（广布局）的打法差异——姚明确将其归为"startup vs 大公司"之别（00:02:03–00:02:03）。
姚与 Mark 都认为个人贡献在当代 LLM 里难以量化、更像集体/系统产物（姚："都是集体的贡献"；Mark：失败 write-up 也计入集体知识）。

neo-lab 的工程文化：工厂化研究、agency、约束催生创新（Eiso Kant / Poolside，2026-07）¶

来源：Poolside 访谈

本页此前的样本多是大厂/头部实验室（Anthropic/OpenAI/Google）。Poolside 提供了一个从零起步、不脱胎于任何大厂的 neo-lab 组织样本，与罗福莉的"组织平权"中方版形成对照：

"从零起步"反成资历优势：没脱胎于已有实验室 → 没有湾区自由流动的信息 → 被迫从头写训练代码、自己解 optimizer bug（三周调 Adam epsilon）——"发现从头搞明白反而建立了更好的直觉，也养出了团队的韧性"。这与"英雄主义已过去"（姚顺宇）相反的一面：小团队的从零 build 仍能养出独特能力。
Model Factory 是组织设计：把"最强分布式系统工程师"从 day zero 编进研究流程（而非事后 retrofit），让工程师能低门槛跑实验——"一个原本做 agent 的工程师半年内成了正经 RL 研究员"。工程平权 → 研究平权，与罗福莉"环境比经验更重要"同构。
招人第一看 agency：AI 越强，能动性越是最重要品质，且一定在过去经历里被展示过；对齐高 agency 的人靠共同目标 + 明确边界（lanes）（"不设边界，每个人就变成探索算法、陷入抢资源的政治"——正是他对大公司研究文化的批评）。
约束催生创新：用相对少的算力/钱、买很少外部数据，反而逼出别人没有的能力。这与阳萌"约束是好事"、Lila"苦甜 scaling"同频。
"分阶段是组织现象"：mid-training 团队的存在制造了 mid-training 这个阶段——组织结构会固化本可连续的技术流程（详见 LLM 训练管线）。
对读 Travis Kalanick 的"let builders build"：两人都强调"高 agency 的人 + 共同目标/文化边界"，只是 Travis 从多行业管理容量、Eiso 从单一模型公司聚焦切入。

中美对照¶

见中美 AI 生态对照：姚顺宇认为 Anthropic 的 top-down 与 Google 的 bottom-up 是"startup vs 大公司"两套打法，各自成立。国内侧现由罗福莉（小米 MemoVR）补上一手样本——"无组、无层级、热爱驱动、环境比经验重要"的极致 flat-org，与硅谷三家均不同；广密则从投资视角给出 Anthropic(top-down)/OpenAI(bottom-up)/Google(体系化) 的三方画像。中方一线（罗福莉）与硅谷（Mark Chen）都强调范式切换期的组织重构比堆算力更关键。

neo lab 到底是 lab 还是公司：一条明确的阶段划分（刘子鸣，中，2026-07）¶

来源：刘子鸣期（[01:32:50]）

本页此前的 neo-lab 样本是 Poolside 的"工厂化研究"，讲的是已经在跑时怎么组织。刘子鸣补的是另一个问题：什么时候该从 lab 切换成公司。

"之所以我们起了一个新的名字给它，就是因为它既不是 lab 也不是公司。6 到 12 个月你去按照一个 lab 的形式、按照一个 research institute 的方式去运转；一旦 grok 了、一旦顿悟了，这个事情就应该按照公司的方式去运转。"

张小珺把它概括为"前 OpenAI 时代和后 OpenAI 时代"，他确认。面对"会不会给它做 lab 的时间不够长、现金流够不够"的追问，他答靠持续募资，并给出一处自我修正：

⚠️ "如果说你一年前问我这个事情，我可能觉得我们需要做三到五年的 research and development。" ——是意识到元模型的可行性之后才决定快速推进，"之前我确实也是挺犹豫的，因为我没有找到一条清晰的路线"。

⚠️ 这个 6–12 个月的窗口不是纯粹的技术判断：它同时受中方投资人耐心的约束（见 china-us-ai，美方对照样本被告知"三年不用考虑商业化"）。两者一并读，才能看出这条划分里有多少是主动选择、多少是被动适应。

⚠️ MIT vs 湾区：一段被 peer 触发的转向（刘子鸣，2026-07）¶

本库中关于学界 → 创业心态迁移最完整的一手记录（[00:27:32]–[00:36:41]）：

2024 年在 MIT："大家就还是比较学术、比较偏保守一点……我的同学都觉得湾区那些人搞的 agent 都是在骗钱。"
直到 2025 年 5 月拿到清华 offer，"我的 mindset 都还是说：我不要跟你们工业界那些人同流合污"。他现在的自评是"那个时候就太 naive 了……还没有脱下孔乙己的长衫"。
⚠️ 他概括的"MIT 的信仰"值得单记，因为它是一种可辨认的研究文化立场："我们比如说用 5 年的时间就能写出 AI 的物理学。有了它之后，我们会发现现在投入这么多资源完全就是在浪费，因为我们可以从第一性原理去推导出最优的架构是什么样子的。"——"所以你也可以理解我为什么那个时候特别看不上工业界，因为我觉得你们就是有钱。"
转折发生在 Stanford，只待了 6 个月但"像开智了一样"。⚠️ 触发机制他说得很具体，是本页少见的关于"立场如何改变"的机制性描述（[00:33:38]）：

"你特别相信你的 peer，尤其是你觉得跟你风格很像的 peer。当你看到和你风格很像的 peer 做出一些改变、做出一些你之前觉得很危险、你之前觉得你做不到的事情的时候，你就会去想：是不是我不够激进？是不是我太在舒适区里面了？"

具体的 peer 是一位同样从 MIT 去 Stanford 做博后的好友，"我们一开始的话风还挺相近的，都是瞧不起创业、瞧不起大厂"，到 Stanford 两周后就宣布要创业。 - ⚠️ 他拒绝了博后老板的入伙邀请，理由是"这个想法得是我原创的、得是我提出来的"；随即自我审视："这可能也是学术圈的人会有一种控制欲……或许我过段时间之后会发现这也是一种执念。"这与本页 Poolside 的 agency 论是同一变量的两面——agency 既是生产力来源，也可能是组织合并的阻力。

⚠️ 算力成本改写招聘决策：研究员的幂律（Elad Gil，2026-08）¶

来源：No Priors 双主播自谈（[00:22:12]）

本页此前的组织材料主要在文化与决策方式（top-down vs bottom-up、make bets、组织平权）。这一节补的是资源约束如何直接改写人事决策——本库此前只有中方一侧的表述。

幂律断言："任何一个地方大概有几十个研究员驱动了大约 80% 的成果——这是一个非常有意思的人类幂律。" 他把它推广到乳腺癌研究、数学与物理的子领域、创业生态里的创始人。
⚠️ 一条具体的人事后果（本节的核心）：

"我知道有些实验室已经放慢了研究员招聘，除非候选人高于一个非常非常高的门槛——因为成本不是研究员，是与这个人绑定的算力。真正的瓶颈在那儿。"
他把它收成一个开放问题："一个顶级 AI 实验室到底需要多少研究员？那个数字跟你现在有的数字是什么关系？"——是需要五倍的人，还是只需要一半但都得高于某个门槛（因为受算力约束、而且你想把算力对上最好的想法，而最好的想法平均来说来自一小部分人）。
⚠️ 他明确留了限定：这不是在说第 N+1 个人不优秀——"他们仍然在钟形曲线的顶端，只是某个时点人们会在自己的幂律上做一个切分"，而且"N+1 的人有非常非常多的去处"。

与中方表述的对照¶

⚠️ 这与罗福莉的"卡的分配与组织平权" 是同一机制的中美两侧表述，但落点不同：

	机制	落点
罗福莉（中，2026-04）	算力分配决定组织内部的话语权	组织平权——环境比经验更重要，卡该怎么分
Elad Gil（美，2026-08）	算力成本决定该不该招这个人	招聘门槛抬高，边际研究员的净成本为负

它同时与本页姚顺宇"英雄主义已过去" 形成张力：姚顺宇描述的是个人英雄让位于集体工程，Elad 描述的是幂律在算力约束下反而加强。⚠️ 两者并不直接矛盾（可以同时是"少数人主导 + 但他们做的是集体工程"），但对"该不该扩招研究员"给出的实践指导相反。本库两条并存。

Sarah Guo 的方法论提醒¶

同一期里她讲了一个 ex-Googler 老笑话：Google 约五万人时问"运行 Google 需要多少人？"——搜索与广告部门内部的人会说"大概是搜索与广告里 20% 的人"；部门之外的人会说"五万人"。"所以关于贡献集中度，大概存在多种不同视角。"

⚠️ 这对本页所有"少数人驱动大部分产出"的论证都是一个校准：贡献集中度的估计强烈依赖估计者在组织里的位置，而本库这类断言的来源大多来自核心侧。

⚠️ Google 的人才外流：同一事实的四种读法（All-In，2026-08）¶

来源：All-In / Google 人才外流、SpaceX 财报、Airtable（[00:02:00]–[00:12:04]）

本页此前的组织材料多为实验室内部视角（姚顺宇的三大实验室对照、Mark Chen 的 OpenAI 研究文化、罗福莉的组织平权）。这一节是从外部看一次大规模流出，而且四位观察者从同一事实推出了四个不相容的结论——本库并列，不裁决。

事件¶

Demis Hassabis 转任 DeepMind 主席 + Google 首席科学家。"报道形容为退位或者被踢上楼；Google 把它包装成晋升。"
⚠️ Axios 引述："Google 的 Gemini 3.5 Pro 落后了几个月，公司内部人士说这部分是因为士气低落。"多位顶尖研究员（含 Gemini 的联合负责人）已去竞争实验室。
Jeff Dean 加三位 AI 明星离职，创办 Discovery Loop，主攻"AI 里的深层科学突破"。⚠️ 称 Dean 是员工编号 30、1999 年加入、连续工作 27 年。
Google 股价当日跌 4%。

四种读法¶

读法	提出者	核心机制
A. 资本配置的必然结果	Friedberg	capex 是高 alpha 低 beta，模型研发是高 beta；Google 把资本配给基建而非模型，做模型的人因此没有位置
B. 渠道冲突	Brad Gerstner	"Google Cloud 想要全部算力去租给 Anthropic，而内部造前沿模型的人想要那些算力去跟 Anthropic 竞争"
C. 前沿已成双寡头	Sacks	"然后就剩两家了"——一年前五家在争，现在只剩 Anthropic 与 OpenAI
D. 分发才是护城河，Google 仍会第一	Jason	5 个产品月活超 30 亿、Gemini 月活 9.5 亿同比三倍、Google Cloud 同比 +82%

⚠️ 本页最该记的一条：研究员为什么走¶

（Friedberg，[00:06:02]）本页此前记录的离职动因多是研究自由与组织形态（刘子鸣的 MIT vs 湾区、Eiso Kant 的 neo-lab 工程文化）。这里给的是一条纯资源分配的解释：

"你在 Google 内部，而他们把资本配给了基础设施和数据中心、配给了支持广泛的模型生态，而不是配给你的模型……那你就会开始想：既然我可以走到街那头，拿一份 PPT 就以数十亿美元投前估值融到几十亿美元，那可能是更好的路。"

⚠️ 这与本页 Elad Gil 的"算力成本改写招聘决策" 是同一枚硬币的两面：Elad 讲的是实验室内部因为算力成本而把研究员当幂律资产；这里讲的是一体化大厂内部因为算力被云业务优先占用，研究员反而失去资源——同一个稀缺品，在两种组织结构里产生了相反的人才后果。

⚠️ 一条历史锚点¶

（Friedberg，[00:05:01]）Jeff Dean 几年前的早期访谈提到，Google 在 ChatGPT 出来前一年内部就有等效的东西，选择不发布是怕蚕食搜索；"那就是 Sergey 介入、整个复兴开始的时候"。本库把它记为组织激励压过技术领先的一个具体样本，与 Pat Gelsinger 复盘 Intel 属于同一类。

⚠️ 一条反向的保留意见¶

（Friedberg，[00:17:08]）他明确不接受"Google 在模型上已经出局"的读法："现在就把 Gemini 从'造出色的专门模型'这件事上划掉，还太早了。他们有最好的视频数据、最好的生命科学数据，在生命科学侧做得比 Anthropic 或 OpenAI 都久得多。而 Demis 仍然会继续管 Isomorphic Labs。" 这条与读法 C 直接冲突，同期并存。

⚠️ NVIDIA 的组织模式：不裁员、不赛马、mission is the boss（刘洺堉，2026-08）¶

来源：张小珺 / 刘洺堉

来自刘洺堉（NVIDIA 研究副总裁，在职十年）在张小珺第 150 期的一手叙述。本页此前收录的都是 AI 实验室（OpenAI / Anthropic / GDM / neo labs）与中方模型团队的文化，NVIDIA 作为算力供给方的研究组织是个空缺——而它的模式与前面几家几乎全部相反。

四条制度特征¶

特征	具体做法	他给的理由
不裁员	疫情期经济不好时，会上决定砍的是差旅，并讨论是不是可以不用 Slack（"反正我们有 email"）、两三个 cloud 是不是取消一个（[02:50:27]–[02:51:31]）	"照顾员工，一起度过困难的时期"
无末位淘汰	有 performance review，但不会因为产品方向变了或某段时间表现不好就让你走（[02:52:32]）	见下
不赛马	"你去 take 这个 mission，我们就相信你，但我们一起是给你很高的 bar"（[02:55:42]）	配套的是 Jensen 的 torture you to greatness
mission is the boss + top-5 email	每人写自己最重要的五件事；公司要走某个方向时，各组有相关技能的人自动 align（[02:59:48]–[03:00:49]）	"像一个活的组织，不是一个固定框架"

⚠️ 他给出的因果解释，是本节最该被引用的部分¶

不裁员/无末位淘汰的收益，他讲的不是士气而是信息（[02:52:32]）：有安全感的员工愿意讲出"担心被淘汰时不愿意讲的事情"；而且没有末位淘汰，大家就不必抢着强出头——"在一个全部都强出头的地方，反而不容易促成团结合作。"

⚠️ 而且他主动说出了代价（[02:53:37]）：技术换代时员工需要时间学新东西，"经由转型做起来是会比较慢一点"，而直接 lay off 再 hire 可以直接招到已经会的人。 本库认为这条自陈的权衡比制度描述本身更有价值——它把"不裁员"从价值观陈述变成了一个有明确成本项的组织选择。

top-5 email 的功能也被他说成信息问题：它让公司各处的微小讯号扩散出去，"可以看到很多两个团队在做一模一样的东西"。⚠️ 他点名苹果可能是资讯不透明的反例。

与本页其它组织的对照¶

与硅谷三家的组织画像（广密）、三大实验室对照（姚顺宇）：前沿实验室普遍高流动、高薪抢人、赛马式并行；NVIDIA 研究这一侧明确反向。⚠️ 一个可能的解释是问题结构不同：芯片与电脑架构的规划周期很长（[00:21:40]："你不能说我现在马上改"），而模型迭代周期短。本库不裁决，但认为这条对照该被并列。
⚠️ 对"OpenAI 自下而上 / Anthropic 自上而下"这个二分的直接回应（[02:36:01]）："我们是都有……天下分久必合，合久必分，物极必反。" 他拒绝把组织模式当成固定选择，认为要看那个时间点什么对团队最正确。
与 neo lab 的工程文化（Eiso Kant）：Eiso Kant 讲约束催生创新，刘洺堉讲信任降低沟通成本——他用复杂度做类比：N 个人点对点沟通是 N²，"N² 在那个复杂度来讲是一个不好的复杂度"（[00:45:12]）。两条在处理规模化研究组织的同一个瓶颈。

跑一个 290 人模型项目的组织难题¶

这是本页目前最具体的一份大规模模型团队运作描述（[02:31:01]–[02:35:01]）。核心矛盾被他讲成一句话："你希望所有人目标一致，但你又希望所有人可以自主做决定。"

两侧的失败模式他都点了：只有他能决定 data 比例和架构 → "这个模型就不会成功，因为我的知识有限、我的时间有限"；大家都能决定但目标不一致 → 发散，甚至出现赛马行为。
手段一：资讯透明 + 容错空间——"当一个人害怕他决定错误的时候，他是不会做决定的"，但错了要能快速修正。
手段二：先把成品的样子讲给所有 leader。Cosmos 3 论文出来前他已跟主要 leader 和各团队讲过模型会长什么样，"可能 90% 相似，10% 不相似"。比喻是：罚球之前先想象这个球空心落网。
会议密度：一周超过十次。他自己的定性很诚实——都不开会各做各的不见得成功，一直开会什么都不做也不会成功，要在不同时间点选不同的均衡，"没有说一定的公式"。

⚠️ 一条关于"研究能不能与公司利益对齐"的历史教训¶

他把自己在英伟达争取资源的方法论追溯到三菱电机研究院（MERL）的衰落（[01:10:44]–[01:12:44]）：MERL 在 90 年代能与微软研究院一争高下，后来公司开始怀疑 blue sky research 的价值，大批学者陆续被裁，留下的是研究方向与公司业务（工业相机、机械手臂）相关的人。

他的结论不是"研究该自由"，而是两条：

blue sky research 跟公司的兴趣是可以 align 的；
⚠️ 这个周期普遍存在——"不管是 Google、不管是 Meta，都是有这样一个过程"：上行期给自由度，下沉期就收缩，一定要你回答"你跟我有什么关系"。

由此他在英伟达一直做的事是"更加花心思去理解怎么跟公司的决策层解释为什么我做的东西重要"（[01:12:44]），并把这称作自己职业生涯的第二个关键转变（[00:44:09]："我自己做了 100 分，但是我的解释只有 10 分，所以别人看到只有 10 分"）。⚠️ 本页应把这条与 Google 的人才外流并列：那里记录的是研究员为什么离开大公司，这里记录的是一个选择留下的人如何解决同一个结构性问题。

他自己保留研究员身份的方式¶

（[01:25:57]）"我可能是少数还继续在看 code 的 VP"——会 review 代码、读论文、challenge 每个人的 idea。理由不是要亲自实现，而是怕跟底层脱钩、不理解问题的核心所在。

⚠️ "科层制管理的这种公司制度会衰亡"：一条制度史论证（曾鸣，2026-09-03）¶

来源：张小珺 / 曾鸣

曾鸣在张小珺第 153 期。⚠️ 他在书与访谈里刻意通篇不用"公司"这个词（[01:07:06]）。

本页此前的组织材料几乎都是"某家实验室怎么运作"的经验描述（Anthropic 的聚焦、NVIDIA 的反向模式、Google 人才外流）。这一条是第一次有人从制度史给出"为什么组织形态必须换"的论证，而不是比较哪家做得好。

论证¶

公司是工业时代的产物（[01:06:06]–[01:08:08]）：工业时代之前没有公司，只有手工作坊；公司是"工业时代最大的制度创新"，让现代化管理与规模化扩张成为可能。所以工业时代的基本前提被挑战，组织形态必然被挑战。
他同时限定："人类的分工协作会继续，组织永远会存在"——变的是形态，而"肯定不叫公司"。
⚠️ 基本单元从"岗位"变成"任务"（[01:10:08]–[01:11:09]）：岗位带出汇报线、层级、报酬；AI 时代"硅基员工和碳基员工都是围绕着任务的流转在协同"。⚠️ "AI 嵌入工作流"被他判为阶段性产品——"因为那个工作流是为人设计的"；AI 原生组织从第一天就定义任务、拆解任务、分配任务。
⚠️ 职级消失的机制（[01:12:10]–[01:13:10]）：职级存在是因为"不知道谁说了算，那就先定个职级"——"它不是以判断力为标准的"；未来是"谁的能力强，谁被调用"。命令线打破 → "传统意义上的忠诚肯定是消亡"。
激励靠自驱，他把 high agency 接在这里（[01:13:10]）。⚠️ 顶尖研究员转会费高的解释是"贡献很透明"——"现在打 title 都叫顶尖研究员，连 VP 都不写了"，"这两家公司都有前 30 个人、前 300 个人、前 1000 个人，你在不在那里头，大家都知道"（[01:14:11]）。

⚠️ New Lab vs New New Lab（本页新增的一个区分）¶

（[01:06:06]–[01:07:06]、[01:17:12]–[01:18:14]）叫 Lab 是"因为不满意公司"，也因为员工是研究员——"他们不喜欢公司，也不喜欢大学，但是他们喜欢 Lab"。

⚠️ 他做了一个本页此前没有的区分：真正的第一个 New Lab 是 OpenAI（加 Anthropic），所以 2026 年这批应该叫 New New Lab——借用了这种组织形式，但开始做不同的事。定性是"新的组织形态的早期雏形"，五年后大概会有新词，"大概率也不会叫 Lab"。

New Lab 的泡沫："大概率有吧。但是泡沫是好事，早期的泡沫肯定是好事，因为重赏之下才有勇夫"——市场的价值在于"你事先没有上帝视角知道谁对谁错，所以只能让大家去试错"（[01:18:14]）。
New Lab 涌现的三类成因（[01:04:06]–[01:06:06]）：① 看到现有范式天花板或认为原理上有偏差；② 认为 scaling law 存在边际递减；③ ⚠️ 反过来是因为大模型基础能力到了一定程度，才能尝试"跟现有路径不一样但也非常底层"的创新——他点名 AI for Science。

⚠️ 未来组织像合伙人企业¶

（[01:29:32]–[01:30:32]）他指出与公司制平行存在的另一种制度一直都在：律所、大型咨询、早期投行都是合伙人企业，特点是"少了谁都不行"。推论："全员都是合伙人的这种情况会越来越普遍——要不然我就不招你。" 配套现象是联合创始人变多（"因为每个人都必不可缺，要不然就用 agent 上了"）。

⚠️ 他明确否定"一人公司"是方向（[01:16:12]）："一个人能干的活永远是有限的"；正确说法是"将来的每个人就是一个一人公司"（六边形战士），再去跟其他六边形战士合作。

⚠️ 一条可操作的分水岭判据¶

（[01:21:18]–[01:23:20]）他碰到的走得足够远的创业者"基本上都自己重写了自己公司内部的运行体系"（引李志飞"把自己关在家里三天写出框架"）。

"那个就是未来的组织的神经网络——它的神经网络是怎么连接在一起的。"

对照面是满足于"飞速的 AI 升级"、迁移成本又高、也没能力判断别人做的东西靠不靠谱——"这个中间大概就成了一个分水岭"。他把旧工作流称作"固化的道路"："不可能是一个实时反应的网络。"

文化（[01:47:49]–[01:48:49]、[01:50:51]–[01:52:51]）：核心是创造；开放、透明、共享 + "共创"；context not control 重新火起来——"给够了 context，它就有那么牛"，且人和 AI 都要共享完整上下文。⚠️ 对旧组织为何让人不快乐，他的诊断是大部分知识工作"简单枯燥重复繁琐、没有成长性"，落点是"开心就成了必需品""情绪价值是必需品"。
⚠️ "战略生成"而非"战略规划"（[01:45:47]–[01:47:49]）：组织设计要做的是搭一套让战略洞察涌现的体系与环境——"最后战略就是一个自然而然的决定：在合适的时间，有合适的人，做了一个合适的决定"。他把这件事类比成训模型："实际上是人跟 AI 一起在训练一个组织的小模型"，核心是涌现。

⚠️ 对 xAI 与 Meta 的组织诊断（含无法核实的部分）¶

xAI（[02:10:01]–[02:12:06]）：战略上"没有特别明确的方向，不像 Anthropic 那么聚焦"；组织上他给了亲身观察——"我在硅谷只要是碰到有一群工程师的场合，xAI 的那个人永远是最疲惫的那个人"，机制是"人太累的时候是没有创新的，你一定是在一个相对开放放松的状态才会有新的东西出来"。并转述研究员评价称一号位"没真正懂大模型"，那套偏硬件、自上而下的方法论在 AI 时代"他自己给不出那个答案，又不给底下的人那么大的空间去给出答案"。
Meta（[02:12:06]–[02:13:06]）："不是小扎不年轻，是他出道早、消耗也早"；公司大到内部调度资源非常困难；⚠️ 同样转述"大部分研究员也不觉得小扎懂模型"。
OpenAI 与 Anthropic（[02:13:06]）：OpenAI 被他读成"一号研究者 + 好 CEO"的搭配（⚠️ 他点的那个研究者名字在转录里存疑，见视频页页首，本库不认定）；Anthropic 是组织能力强 + Dario 给 mission/vision 把握得准 → "非常聚焦的、vision driven 的公司的爆发力"。
⚠️ 本页必须标注：以上包含一条个人观感与若干条转述的第三方评价，全部无法核实。本库记录为曾鸣的判断，不作为事实。与本页既有的"Anthropic 组织优势"材料并读时，应注意两者证据类型不同。

⚠️ "模型内科"与一条关于"不科学"的定义（孙宇涛谈 Kimi，2026-08-26）¶

来源：张小珺 / 孙宇涛

孙宇涛在张小珺第 152 期（[01:56:25]–[02:00:26]）。⚠️ 他是外部研究者而非 Kimi 员工，本页记为同行观察。

他对"Kimi 研究方式比较科学"的解释¶

Kimi 是"公开里大家认可的最强调模型内科的团队"——具体指两件事：让不同行为的 trace 能用更可靠的方式获取到；让模型的不稳定性或 collapse 现象能被更明确地归因。

⚠️ 本页标注：本页此前的组织材料多讲决策方式与人才流动（top-down vs bottom-up、make bets、Google 人才外流）。"模型内科"是一个不同类别的东西——它是把"训练过程本身是否可观测、可归因"当作组织能力来建设，而不是当作工具问题。

⚠️ 他对"不科学"的定义，本页认为值得单独保留¶

科学的标准他说得很常规：明确的 ablation、足够的变量控制。而不科学是：

"不科学就是基于某些利益需求，然后把科学的方式都干掉了。"

⚠️ 他特意补了一句"不特指任何技术"。本页把这条记为一个可用于自查的判据——它指向的不是能力，而是结论与动机之间的因果方向。

组织观察¶

"Kimi 这个团队非常团结，然后非常的能把劲往一处使。"
⚠️ 张小珺提到"所有人好像都不怕杨植麟"，他的回应是：

"对啊，为什么要怕呢？谁有道理谁说了算。"——"还是一个非常集体的工作，它不依赖于个人英雄主义。"
本页标注：这与本页记录的 xAI 与 Meta 的组织诊断（曾鸣：一号位给不出答案、又不给下面空间）构成方向相反的一组。⚠️ 两者都是外部观察，证据类型相同，本库并列。
K2 到 K3 的战略差异是组织性的（[01:10:01]）：K2 的重心是先把结果跑出来、把 base model pipeline 做稳；架构团队内部一直在做创新，"只不过看你什么时候亮出来——研究工作是一个更长期的工作，它可能要看放在哪个模型里跟它一起结合"。
⚠️ 同一逻辑的另一面（[00:38:41]）：K3 继续沿用 MLA 的理由不是技术而是组织——"从工程或者从组织管理上，能跑的东西就不要动。"

⚠️ "好的人其实已经进去了"：一条对新团队窗口的判断¶

（[02:00:26]）被问"新团队现在再去重做一个模型，还有时间窗口或机会吗"：

"如果这个团队足够好、这个团队的氛围足够好、单兵作战能力足够强，是有机会的。但这个条件我觉得大概率是不存在的。"

"因为好的人其实已经进去了。"——"好的人和好的组织文化想达成，是有历史的局限的，不是你想达成就能达成的。"

⚠️ 本页标注：这条与本页既有的人才流动材料互补——它讨论的不是人往哪流，而是"组织文化能否被重新组装"。他把决定性因素归给 leader 的 taste 与性格："绝大多数影响到整个团队的氛围。"

一条个人选择，可当作领域信号读¶

（[02:03:27]）他自陈正在转向世界模型，理由是：

"大模型不存在太大的改进空间；没有大的突破，就没有大的 credit。所以对个人职业来讲，不是一个能做出太大贡献的领域。"

他同时承认世界模型"问题更大"，但"至少是一个新的东西"。⚠️ 本库把它记为一位架构方向博士生的用脚投票，而不是对世界模型前景的背书。

⚠️ "pacing the frontier" 这场争论本身（2026-09 下旬，两个频道同周）¶

来源：a16z：为什么下一批突破可能来自实验室之外、All-In 第 290 期

⚠️ 本页此前的实验室文化材料多来自实验室内部人的自述。这是本库第一次并列记录两个外部频道在同一周里对同一组事件（Dario 的 "pacing the frontier" 一文、"10% 灭绝概率"的公开表态）的拆解，而两边方法论完全相反：a16z 谈"要监管什么得先有具体失败模式"，All-In 谈政治与估值。

Casado 的三条反驳（a16z 那期 [00:04:02]–[00:08:04]）¶

⚠️ pacing 与安全正交："你可以很慢地造一颗核弹，这不会让任何人更安心。"
⚠️ 无从定义："要说某件事变慢了，你得先知道它原本的速率。"没有发布过时间表，"所以这全是胡话，你逃不掉这一点"。他还指出没有任何迹象表明在 pacing——"他们一直在全速跑，融的钱比以往多，长得比以往快"。
⚠️ 两头不讨好：它试图在"内部一小撮 doomer/pause 派"和"监管派"之间劈中间——"pause 派说这不是 pause，监管派说你还在做那件事"。

⚠️ 他要求的是一个明确的 x-risk 立场（[00:13:06]–[00:16:09]）："我不理解为什么实验室不对 x-risk 表态。缺了这一步，我不觉得这件事会走向除了重手监管以外的任何方向。"他的二分法很硬：如果实验室里最有知识的一群人真信有生存性风险，答案就是国有化；而他的观察是私下交流里最清醒的人并不这么认为，这是个 HR 问题——"HR 问题是公司问题"。

⚠️ 他也明确说了正面的一半（[00:17:09]–[00:18:10]）："我其实认为实验室在往正确方向走，那份声明本身很好。"问题归因于成长速度——"长得太快，还在搞明白这套机器怎么运转。"

⚠️ Levie 的对照立场：内容没问题，气氛全错¶

（[00:01:00]–[00:03:01]、[00:05:02]）他读那篇文章"几乎没有不同意的地方"，因为全是沙箱、更好的测试、安全性——"没有极高质量、能被企业信任的产品，就不会有 AI 扩散"。他提出的重命名是"也许这根本不是 pacing，只是良好的卫生习惯和工程"。

⚠️ 他是三人里唯一替"又害怕又在推进"的研究员说话的人：那种"我们必须在 AI 最前沿，我也非常害怕它，所以我才在做这个"的人是真实存在的——这条直接顶住了 Casado 的"这是 HR 问题"。本库把这组分歧记为未解。

Sacks 的版本：四条自相矛盾¶

（All-In 那期 [00:30:32]–[00:31:34]、[00:51:45]–[00:52:46]）管理层公开说灭绝概率大于 10%；发"pace the frontier"几天后就发布推进前沿的模型；发生物风险文章同时开旧金山湿实验室；业务依赖领先商品化却在游说设立会拖慢自己的联邦机构。

⚠️ 他对"监管俘获"这一常见解释给了一个修正（[00:52:46]）："监管俘获是政府事务团队在为这种精神分裂找合理化说辞，并试图把它转成优势。我不确定它真的自洽。"

⚠️ Anthropic 的"聚焦"叙事：来自早期投资人的一手陈述（2026-09-25）¶

来源：Latent Space：OpenRouter × Stripe

（Anjney Midha，[00:53:44]–[00:55:46]）⚠️ 这是本库目前关于 Anthropic 早期战略最具体的一份一手陈述。

起点比通常叙述的更难："人们以为 Anthropic 早期很轻松，因为他们是离开的 GPT-3 那批人。其实非常竞争。公司起步时落后 OpenAI 一百亿美元。"
⚠️ 使命从第一天起就是一句话："负责任地商业化一个 AI 结对程序员（responsibly commercialize an AI pair programmer）"——他说这是 seed memo 的原话，也是他投资时看到的东西。
⚠️ 代价是主动排除当时最有势头的方向：图像模型、视频模型"在当时有大量 momentum"，团队的选择是"我们就得聚焦在 coding 上，那是我们专注的核心能力"。
⚠️ 他承认有过支线：ChatGPT 起飞时试过通用聊天机器人（Claude.ai）这类"小绕路"，但主 eval 从第一天起都是 coding eval、长时程 agentic programming。
他的结论："今天你看到结果了——五年内的万亿美元公司。"

⚠️ 本页标注利益相关：陈述者是 Anthropic 的早期投资人，"聚焦导致成功"是一条事后叙事，本库记录为"他的说法"而非因果结论。同期 Chamath 从竞争一侧给的旁证是（All-In 那期 [00:36:36]）："我试过从 Anthropic 挖人，挖不动……我一场 bake-off 都没赢过。"

⚠️ 一条与本页"实验室不懂分发"相关的补充¶

（[00:19:16]–[00:21:16]）Midha 说跨实验室的默认路径都是"checkpoint 好了，发个 API，完事"，最硬的例子是：第一版 Claude 的 checkpoint 比发布早一年就在内部做好了，直到 ChatGPT 出来才决定外发，而且完全没有让开发者试用的计划——Claude 1 博客里那三个开发者案例全是团队的朋友。详见 AI 商业化与价值捕获。

⚠️ "大多数 neolab 是垃圾"：一位刚发布产品的创始人对这个品类的判断（Diogo Almeida，2026-09-21）¶

来源：Latent Space / TypeSafe

本页此前的 neolab 材料多是自我叙述（为什么离开大实验室、我们这条路更好）。这条少见之处在于：说话的人刚做出该品类 2026 年最受关注的发布之一，却否认这个品类，并给出了一把尺。

判断（[02:03:32]–[02:05:34]）：⚠️ "大多数 neolab 是垃圾……我不想把自己看成他们的同行。"他给的两条理由：
⚠️ 他不看重纯研究血统——"人们看重纯研究资历其实是反过来的，因为那通常不创造价值"；他要的是有多在乎选对任务。
⚠️ 多数 neolab "像在从零重做工作，推动前沿的概率很低"，而他谈过的大多数没有方向，只是想要钱去玩实验——"如果他们有方向，我极其支持。"
给想出来创业的实验室研究者的建议是分情况的（[02:05:34]）：只是想玩研究，实验室大概就是最好的地方；想做对的任务，那就请去打破这种单一心智。
他对自己的定位（[00:40:25]）："我在乎的是成为一个可靠的开发者平台"；并说公司有一堆拿 neolab 开玩笑的周边。
⚠️ 与 Eiso Kant（Poolside）的对照：两人都强调"行为/可靠性胜过纸面智能"，但 Kant 的论证落在模型工厂与开源商品化（即 neolab 的经济学），Almeida 落在接口与"谁来消费模型"，并明确拒绝这个标签。

他的来路：一条可被检验的"为什么离职"¶

InstructGPT（[01:57:27]–[02:00:27]）：他自述极力推动部署，早期版本甚至用了他自己写、未发表的算法（"清洗 PPO 数据太慢"）；⚠️ 上线后"基本立刻拿到当时 LLM 市场份额的一半"。他当时真的在想"这是 AGI 吗"——⚠️ "显然不是。但每个人都该能回答：为什么那不是 AGI，尽管它看起来很聪明。"他的答案来自结果：它主要被用来写营销文案（即现在说的 slop），"我们担心自己把互联网变得更糟了"。
北极星怎么来的（[02:00:27]）：⚠️ "从'AI 带来的经济革命'往回倒推——那件事发生时，如果 AI 是个 API，调用它的会是人还是代码？"他判断"代码会占好多个 9"，而"所有优化却都投在人那一侧"。写了文档后 Sam 的回应是"这太好了，你该去做这个"，他当时说"我有工作"；他还以为"这么显然，Anthropic 肯定在做了"。
离职动因（[02:01:27]）：⚠️ "如果 AI 冬天发生、而我没尽一切努力阻止，我会认为自己负有个人责任——既为 RLHF 这个方向（我认为它大大拉开了过度承诺与交付不足的差距），也为没有全力押上这个方向。"
⚠️ 自述"零创业者属性"（[02:15:48]–[02:16:49]）："我不喜欢创业公司，从没想当 CEO，想不出谁会干两次。"融资时被问崇拜哪些 CEO，回答是"呃，我为什么要崇拜那些人"。他说在 OpenAI 感到被剥夺能动性——"像在一个所有人都只会说 ChatGPT 的疯人院里"。
⚠️ 两段关于 OpenAI 的转述（未核实、且字幕归属不完全清楚，本库只照录）（[01:57:27]、[02:00:27]）：他提到"政变"期间自己正在做一次感恩节的 hero run，并把那件事概括为"安全派接管了公司"；以及"OpenAI 更擅长追赶而不是真正创新"（他举 ChatGPT 对 Claude、Claude 先做 coding agent 等例，并说推理方向算 OpenAI 领先、"是很好的研究，但不确定是不是产品需求"）。
组织偏好（[02:19:50]）：他说最自豪的一点是团队并不怎么把他当权威（"他们就是开我玩笑、有时还对我挺差"），并想把数据人放在最高地位（内部称 model capabilities，因为"data 在这行业几乎是个贬义词"）。

⚠️ "每家公司都有一个被歌颂的角色"：一条可借用的组织判据（Michael Lee，2026-09-24）¶

来源：No Priors / Michael Lee

Michael Lee（Sequence Holdings CEO，前 Apollo / Lone Pine）在论证"为什么一家在位企业没法自己完成 AI 转型"时，给了本页一条不依赖 AI 的组织机制（[00:08:06]–[00:09:06]）：

⚠️ "地球上每一家公司都有一个被歌颂的角色（celebrated persona）。"

他的例证：Blackstone 被歌颂的角色是投资人——"那就是为什么他们能聚起世界上最好的投资人。"
他的推论：⚠️ "在一个你相信 alpha 来自工程与 AI 的世界里，你必须创造一种文化，让被歌颂的角色是工程师。那才是必需的。"
⚠️ 他用同一条解释 Palantir 为什么存在（先自嘲"我相信 Alex Karp 会讨厌我这么描述"）：

"它从根本上是一个聚起了世界级工程师、歌颂工程师的组织；而它从根本上做的事，是一层包装，把这个能力卖给那些拿不到这种人才的组织。"
⚠️ 本页标注：这是本库收到的对服务/部署型公司存在理由最结构化的一条解释——它们的产品是"别人招不到的人"。
⚠️ 他把这条应用到自己的同行身上，而这是最可检验的部分（[00:25:11]）："你典型的 PE 公司把自己设计成歌颂投资人的。而当我看我那些优秀的工程师，他们想在决策发生的那个房间里，想对'这是个好生意还是坏生意'有发言权。"

⚠️ "我猜如果你去一家典型的大型并购基金，要找到一个 25 岁的工程师对那个投资判断有任何发言权，会非常不寻常。"

⚠️ 本页为什么记它：本页此前关于"谁在组织里说话最响"的材料多来自实验室内部（三大实验室对照、NVIDIA 的反向模式、研究员的幂律）。这条给的是一个跨行业、可直接套用的判别法——看一家组织把谁当明星，就知道它能招到谁。它与本页科层制管理的公司制度会衰亡那条线互补：那条讲结构，这条讲地位。

⚠️ 一处张力本页不裁决：他把"被歌颂的角色必须是工程师"当作转型的必要条件，但他自己的公司同时有"很有才华的投资团队"，而他本人是投资人出身。他给的调和是"我没有经营一家经纪公司的专长，我没有经营一家银行的专长——我们高度依赖管理层"（[00:28:12]），即把行业专长外包给被投公司的管理层。本页记下这个三方结构（投资人 + 工程师 + 行业管理层），它是否稳定要看后续。

⚠️ "模型是长出来的，不是设计出来的"：一位产品工程师侧的实验室自述（Thariq Shihipar / Anthropic，2026-09-29）¶

来源：Latent Space / Anthropic

⚠️ 本页此前的实验室内部材料来自研究者、总裁或离职创业者。这是第一份来自"产品工程师"一侧的——他做 Claude Code、写技术文章，而不是做研究或政策。

⚠️ 他对"为什么最佳实践一直在变"给的解释，本页认为该照录（[01:12:49]）："我们喜欢说，模型是长出来的，不是设计出来的。所以不是我们立意要一直改变一切，而是模型能力进展的事实就是这样。" 以及他对自己角色的定位：⚠️ "我其实只是在做报道（I'm really just reporting）。" 这句出现在他为"你们一会儿要 Fable 的 CLAUDE.md、一会儿要 Opus 的"而道歉的语境里。
⚠️ 他补的第二重 pacing（本页认为是这一节最被低估的一条）（[01:12:49]–[01:14:49]）：不是前沿能力的速度，而是软件工程本身变化的速度。他讲了自己的经历：一年前他在求创业的朋友们用 AI，对方说工程师觉得不够好；现在同一批人说"当然在用，你什么意思"，而且不记得自己说过那话。 落点是 ⚠️ "我认识的每个工程师都有点精疲力竭，因为你在同时干两份工作：工作本身在变容易，但你还得干'跟上 AI'这份工作。" 以及 ⚠️ "我不确定我们准备好让速度再加快。"
⚠️ 他还把这接到经济冲击上："我觉得那一块没有 Hugging Face 那件事那么显眼，但我们也可以用上一点（pacing）。"
⚠️ 他反复给自己设职权边界，本页认为这本身是一条文化证据（[01:17:51]、[01:30:00]）：谈到协调机制时他说 "非常超出我的薪资级别和专业范围"；谈 mech interp 时说 "我在这块不再是技术专家了"；整体立场是 "我真的只是——嘿，我是个开发者，我觉得我是这么理解这个问题的，而我们该做点什么。"
⚠️ 他的 p(doom) 很低，而且主动声明内部不一致（[01:31:00]）："我的 p-doom 相当低，我只能代表自己。我确实想说 Anthropic 内部意见是多元的。" 心智模型是 核不扩散作为"一起协作解决难问题"的先例；而对概率这件事本身他说 ⚠️ "我不知道你怎么给事情分配概率。我觉得那很难做。" ⚠️ 本页记：这是本页里"同一家公司内部立场谱系"的一条有用证据——Dario 的 pacing 主张与一位执行该主张的工程师的低 p(doom) 并不冲突，而他的论证完全不经过 x-risk 推理。
⚠️ 他对"外部评估方"的理由与保留（[01:15:51]–[01:17:51]）：第一步是宣告意图并把外部评估方嵌进 Anthropic 内部，他说这"极不寻常，因为我们有很多专有技术"，而理由是要有"一个不受财务动机驱动的人"，⚠️ "或者至少是一个能向公众报告这些实践到底是什么样的人"。⚠️ 主持人当场点出这个生态很小（METR、Redwood——"一个很小的社区，他们互相都认识"），他的回应是"我相信这件事的一部分会是扩大那群人。我不认为我们是想造一个单一栽培。"
一条内部工具的来路，本页记为文化细节（[00:32:20]）：⚠️ ELI5 skill 的来源是"Anthropic 的人在过非常复杂的事故时想知道到底在发生什么"——而那个 prompt 里根本没写"像对五岁小孩解释"，关键词是"big picture in few words"。
他自述的加入动因与岗位演化（[00:02:00]–[00:05:01]）：他是因为 Claude Code 才加入的；初衷是"教人怎么用 Claude Code"，而他说 ⚠️ "随着 harness 越来越好，现在主导性的问题就是怎么用这些 agent——这是一件技能表达非常强的事"。他把工程与写作描述成一个闭环：先做工作，再讲这份工作。
⚠️ 一条关于公司内部用量的自述（[00:52:35]）：主持人说"Claude Tag 大概是你 Claude 用量的 80%"，他确认那就是他们的用法；而主持人同时给了反面观察：⚠️ "我有几类人：有些组在用，觉得很棒；也有很多人说我不懂、我看不出区别。"

⚠️ "bleederboard" 与 "Viceroy of Variance"：一家把测量当主要成本项的公司（MakerMaker.AI，2026-10-12）¶

来源：a16z / MakerMaker.AI（Dhaval Adjodah、Owen He × Martin Casado）

⚠️ 本页此前的材料都来自前沿实验室或大型企业。这是第一份来自"一家小公司主动设计反向激励"的——而且它的两条机制都是为了让成本和错误变得可见，而不是让成绩变得可见。

⚠️ bleederboard（本页认为是本库目前最可直接搬用的一条公司机制）（[00:11:05]）："人们都在谈 leaderboard，就是分数。我们有一个东西叫 bleederboard"——⚠️ 把所有人跑实验的成本记下来，任何人任何一天都可以去看谁在 bleederboard 上排在高位。✅ 本页记：它把被奖励的对象从"拿到好结果"换成了"知道自己花了多少"，而动机是他们在意"分母"（成本），见 AI 做 AI 与自动化研究。
⚠️ Viceroy of Variance（方差总督）（[00:25:15]）："我们有一位工程师，我们把他命名为 viceroy of variance。这是真事。他的工作就是去摧毁我们拿到的结果、找出哪里不对。" ⚠️ 他们甚至做了 Slack emoji——"他发现某处有坏方差时，眼里射出红色激光那种。" ✅ 本页记：这是一个被正式命名、带内部图腾的"证伪岗"。
⚠️ 发布纪律，以及它的代价（[00:24:15]）："因为我们如此周密，我们在完全确定正确之前不会把东西放出来。" ⚠️ 而他们明确说了这条纪律的成本：每隔几个月有人发 RSI 相关成果，"我们看一眼，心想'我们早该把我们的结果发出来了'。然后我们去看它、试着复现它，然后意识到：哦，这是噪声，这是 cherry picking。" ⚠️ 本页标注：这是从一家公司内部对"同行发布质量"的直接评价，本库记为观感而非测量。
⚠️ 人类在组织图里的位置被写进了技术框架（[00:08:01]、[00:21:13]）："从一开始我们就把整个公司看作一个多智能体系统，人类是一种与其他 AI agent 共栖的 agent。" 理由明确反对替代路线：⚠️ "很多 AI 公司的想法是：让我们用 AI 去替换人。但我们发现，如果你有好的研究者和好的工程师，他们能带来的东西太多了，而那将非常难被 agent 替代。" ✅ 本页记：这与 Kavak 的"把公司围绕 AI 重建" 是同一类动作的不同方向——一边是改组织去适配 agent，一边是把人直接定义成系统里的一类 agent。
⚠️ "方法论优先"被当成人员筛选标准（[00:14:08]）："我们总是从一个非常扎实的数学框架出发……而我看到的是这件事缺失、很难做，而且需要一群非常不寻常的人才能真的做成。" ⚠️ 本页标注：这是自我评价，本库不作为事实。

⚠️⚠️ "实验室在信息上的安全性没有他们以为的那么高"：把护城河从秘密挪到服务经济学（Nathan Lambert，2026-10-14）¶

来源：a16z / Nathan Lambert（人物页：Nathan Lambert）

⚠️ 主持人先给了一条"前沿实验室内部传闻"（[00:43:17]）：实验室在用的方法并不是未知的，⚠️ "只是说哪些比例配出来是成功的——而这部分是因为他们有资本去把它规模化、去做实验"，于是 "资本才是那个唯一真正的壁垒"。
⚠️⚠️ 而 Nathan 的回应更强（[00:52:22]）："而我也认为这些实验室在信息方面的安全性，并没有他们以为的那么高。硅谷以'想法靠一杯啤酒就能传播'闻名——下班之后大家都在聊。" ⚠️ 他给的唯一例外是 SSI："除了——这就是为什么 SSI 那么令人印象深刻。"
⚠️ 机制解释是职业身份而不是制度："大家都是科学家。如果他们做出了突破，他们会想告诉朋友。他们可能会压几个月，但……你需要的那种信息安全程度实在太高了，知识会扩散。"
⚠️⚠️ 而他认为真正能赢的是什么说得很明确，本页认为这是本期最该被引用的一句："他们能赢的地方是把更多推理放进自己的基础设施，这让他们能以更低的价格服务、拿到更高的毛利，然后把这件事持续更久。所以我对前沿实验室能提供每瓦最便宜的智能非常有信心。"
⚠️ 而限度是范围："问题是他们没法做所有事，而那就是经济里其余部分补进来的地方。" ✅ 落点是 "我认为会有很多赢家"。
⚠️ "他把护城河从秘密挪到了服务经济学"这个框架是本页的概括，事实部分是他的。
⚠️⚠️ 而他对两家前沿实验室的文化区分本页认为该与本页既有材料并读（[00:03:01]）：OpenAI 的标志是推理模型革命与那张 inference scaling law 的图——"那简直是 peak OpenAI，他们真的很擅长做出那种会改变所有人对一切的想法的图"；Anthropic "非常专注于模型将要能做什么类型的事情，而他们的回报就是 Claude Code 的爆发"。✅ 共同点他归为一条："最愿意花得离谱、去朝一个别人认为不可能的方向迈一步。"
⚠️ 他给想去前沿工作的人的建议："我基本上会告诉他们去 Anthropic 和 OpenAI，我觉得这是最容易的赌注"；Meta、Google 与另一家（⚠️ 字幕作 "SpaceX AI"，疑为 xAI，本库不替他改）"你可能还在那儿，但从外面更难看出来"。
⚠️⚠️ 而他把组织能力而不是资本存量当作分化来源，本页认为这条值得记（[00:02:01]）：三种资本是算力、数据、人才，而 "我们看到的是各个实验室组织这些形式的资本的不同能力，而让组织架构图为造模型而运转真的很难——这就是为什么有些公司必须从底往上完全重置，而那有时候居然真的管用"。⚠️ 他点名 Meta："像 Meta 这样的公司就是彻底重置了，而他们又回到了一条正向轨迹上。" ⚠️ 本页按他的判断记录，期内无任何依据。

⚠️⚠️ "Anthropic 没人在用 Opus"：一条解释实验室为何误判自家发布模型的机制（Latent Space，2026-10-16）¶

来源：High Taste Testers 第一期

⚠️ 归属声明：这期六人圆桌的自动字幕没有说话人名，本库未做说话人分离；本节内容归属不明，一律写作"某位嘉宾"（依据见六人组页）。⚠️ 全部为外部重度使用者的观察与推断，无任何实验室内部信源。

⚠️⚠️ 机制：内部用的是未发布模型，而且是无限量、超快的¶

（[00:34:22]）本页认为这是本节最该被引用的一条：

"我不觉得他们在用已发布的模型。他们在用未发布的模型。他们一直在试玩，而且是无限量、超快的——那和用户拿到的是完全不同的体验。"

前一句更尖锐：⚠️⚠️ "Anthropic 没人在用 Opus。他们一直在用 Fable。"（⚠️ 稿中同处还提到一个代号 Mythos，本库照录不展开。）
✅ 本页的归纳（不是他们的）：这给"实验室为什么会误判自己发布的模型"提供了一个不需要恶意或无能的解释——内部体验在三个维度上同时不同（模型版本、额度、延迟），而这三个维度恰好决定了用户的手感。
⚠️ 而席上并非一致：有人说退化 "我其实没那么感觉到"，对方的回应就是 "他们只是没在用高品味的东西"。✅ 本页照录这处分歧。

⚠️ 一次罕见的厂商自我否认：公开承认旧版本退化¶

（[00:33:22]–[00:34:22]）

事件描述："Claude 这次发布另一件有意思的事是，他们基本上出来把自己以前所有版本的 Claude 都喷了一遍" —— "他们做了那种梗图，说它慢慢变差、然后 5 是现在这个、我们修好了"，"而他们直到现在才承认"。
⚠️⚠️ 席上的定性："对 Anthropic 来说很不一样。我不觉得他们以前做过这种事。"
✅ 本页收录的理由：这是本页第一条厂商公开承认自家已发布模型发生过质量退化的记录。⚠️ 本库未核实该发布材料是否真的这么表述，按在席者的转述收录。
⚠️ 而用户侧确实有对应的记录：某产品的日常 AI 摘要在 4.6 → 4.8 升级后 "客户真的生气了，他们说'我读不下去'，还发截图过来"，于是默认模型被留在旧版（[00:33:22]）。✅ 即"退化"在这一期里不只是社群情绪，有一个带客户投诉形式的实例。

⚠️ 实验室的产品执行被集体批评，而批评者是目标用户¶

（[00:08:08]–[00:12:12]）✅ 本页此前关于实验室的材料几乎全在研究组织层面。这一条是产品组织层面的，而且全部出自付费重度用户。

核心判断：⚠️ "实验室在产品上真的很吃亏"——"Codex 桌面端刚发时是那么对，然后每更新一次就更不对一点。我认为 DevDay 的大部分更新是退步。"
✅⚠️ 而他们自己给出了一个结构性解释，本页认为比"产品能力差"更有说服力（[00:09:10]）："因为如果我们为那 800 万不吃 AI 药丸的用户把它弄坏了——所以我们必须把所有东西藏起来，信任 power user 自己找得到。" ⚠️ 即 power user 的功能被藏起来是分发规模的直接后果（具体例子：ChatGPT 里有个地图功能藏在第二条侧栏的三个点里；"fork chat" 因"非开发者不懂 fork"而改名）。
⚠️ 一条产品论断（[00:11:10]）："有这么一类中间地带的产品，想成为所有人的某样东西，结果成了没有人的东西。" ⚠️ 同处的担忧是 Dots 同时讲 enterprise 和 consumer——"那是两个不同的产品"。
⚠️⚠️ 以及一条归因，本页标明是观察不是证据（[00:10:10]）："我觉得这里头很多是用 AI 写代码、用 AI 做产品的症状……太多东西随时在无缘无故地变……几乎就像 AI 写出来的文字——你眯着眼一看，然后'等等，什么？'" ⚠️ 没有人给出"哪一处改动是 AI 写的"。 ✅ 本页记录它，是因为它与同日 a16z 那期关于"AI 能写代码但还不能让它持续运行" 指向同一件事的两侧。
✅ 他明确给了正面的那半（[00:11:10]）："Codex app 也真的很好，而且我觉得前 AI 时代要做出来会非常难。"

⚠️⚠️ "代码评审我们当成可选的"，以及 IC 回潮的一条分段归因（Erik Bernhardsson / Modal，2026-10-22）¶

来源：Latent Space 2026-10-22（嘉宾 Erik Bernhardsson / Modal 联创兼 CEO，约 200 人、150 名工程师） ⚠️ 全部为一方自述，无第三方视角，也无员工侧材料。

⚠️ IC 回潮：他把归因一分为二¶

（[01:01:35]–[01:02:35]）被问团队结构有没有因为编码 agent 变化：

⚠️ "funnily enough，是的，我确实认为团队结构变了很多，但我其实不认为是生成式 AI 在驱动它。"

他说的现象：一次明显的回摆——回到做 IC，而"这对整个行业是非常非常正面的"。对照是"十年、二十年前，所有人都想做管理，因为那是你拿更多钱、更多认可、更多声望的路"。
✅ Modal 的制度表述："我们对所有人讲得很清楚：管理者还是 IC，声望上没有区别。所有人都只是 member of technical staff。" ⚠️ 他说看到很多前管理者转回 IC 因为想回去写代码；包括他自己"在 Modal 还写很多代码"，技术团队几乎所有人都写，很多不在技术团队的人也写。
⚠️ 他对因果的说法：趋势"其实在生成式 AI 之前就开始了"，但 AI "大幅加速了它，因为写代码的成本更低了"。
✅ 本页标注：这条比本页既有的"科层制衰亡与岗位→任务"材料更克制，因为它把归因分成了趋势与加速器两段。⚠️ 而这使它更难被证伪——"趋势早就在"这半句本期没有给任何依据。

⚠️⚠️ "代码评审在很多情况下是人们试图逃避责任"¶

（[01:02:35]–[01:04:38]）主持人问非技术人员也提交代码时怎么做评审。他的回答是本节最有争议的一条：

⚠️⚠️ "我们做代码评审，但我们把它当成可选的。我的看法是，代码评审在很多情况下很大程度上是人们试图逃避把东西合进生产的那份责任。如果你有那种文化，那在我看来这是个信号：你该在 CI 和 CD 上投入得多得多。"

他自己的做法：写代码时"偶尔会问作者：这和你的想法一致吗？我希望我没有根本性地改动架构"。
⚠️ 内部规则："如果你只是改文档、只是做些基础的东西，别等人来看——尤其在 AI 时代。为什么每一段代码都需要人看？不需要。"
✅ 但他给了明确的前提条件，本页认为引用这条时必须一并带上："那确实要求你在内部有非常好的控制——围绕测试。" 他列的清单是：比平均创业公司多一个九的可用性要求、到处都要有限流、系统解耦、不能有单点故障、极好的测试覆盖。
⚠️⚠️ 本页标注：这不是"放松评审"，而是"把把关从人换到自动化上"，而他给的前提是一家基础设施公司已有的投入水平。 ⚠️ 本页因此认为这条不可直接外推到前提不成立的团队——而本期无人追问这一点。
✅ 他顺带给的一条能力变化观察（[01:03:37]–[01:04:38]）："agent 现在其实很擅长写测试了，这在几年前我以为是 agent 缺的主要东西之一。" ⚠️ 他给的解释是任务性质：写好测试"需要从你正在做的事里跳出来一秒，稍微当一下魔鬼代言人"。✅ 本页标注：这与他上一条互为支撑——如果把关要从人换到测试上，那么"agent 会写测试"正是这个换法成立的前提。

⚠️ 快速扩张的三条症状，以及他对 Dunbar 数的用法¶

（[01:11:41]–[01:13:41]）⚠️ 规模自述：约 200 人、年底约 250，过去 12 个月折年增长约 4 倍，预计明年 2.5–3 倍、"很可能明年底到 700 人左右"。

⚠️ 他明说 4 倍（折年）是不可持续的相对增速，并给了三条症状：文化漂移、出现不同工作风格的孤岛、⚠️⚠️ "人们开始做非常投机的事——你去问一个工程师在做什么，结果他在建某个挺边缘的东西，你会想：这真是你该花时间的事吗？" 他说这是他在工程团队里始终留意的事。
⚠️ 他对 Dunbar 数的说法："我觉得它比什么都更像是编的，至少它背后那个故事是；但它还是有点真实——在 150 到 200 这个量级上，打下文化的基础非常非常重要。"
他对自己角色变化的描述：10–30 人时"大家坐一个屋子里，一切都是隐性的，人们能读我——能看出我有点烦了还是我很开心"；⚠️ 250 人时"人们不一定看得见，而且有很多新人，他们可能有点紧张不敢跟 CEO 说话，所以我怎么保持可接近"。
⚠️ 招人口径：主要是系统工程师（Linux、文件系统、可扩展系统、网络、云）；以及 LLM infra 方向（CUDA、GPU、MFU）——✅ 但他加了一条判断："我认为那个领域很多工作结果仍然更偏系统驱动，因为 KV 缓存与路由其实还是非常系统性的问题。" 另在建研究团队（后训练、蒸馏、更好的量化方法）。