哎，最近看到个挺让人揪心的事儿，一周内四个核心AI人才跳槽了，听说公司给的高薪根本留不住人。这就意味着什么？AI大战的规则变了，现在真正的竞争不是在技术上，而是看谁的制度更好、执行效率更高。我记得在实验室那会，搞模型训练调参真的是一个累死人的过程。 很多看似没什么技术含量的细节，其实就是团队的秘密武器。比如说调模型参数，要试错几千次才能搞定。这些经验通常是只记在脑袋里，文档里根本不写。这些人一走，带走的不仅是代码，更是积累了几年的经验和习惯。 我刚翻了翻记录发现，那些看似微不足道的参数调整逻辑，实际上能决定模型能不能成功。同行也跟我说过，我们很多细节都藏在大脑里，没有备份。 昨天跟朋友聊天的时候也提到了这个问题：最大的风险就是那些“隐形的知识”走了。你想想看调一次模型耗费的GPU小时能达到几万呢。错一次可能就白干一整月。更别说梯度爆炸和数据清洗时那些必须核对的技巧了。 国内现在很多团队试图用高薪留人，但这解决不了问题。美国AI博士平均一年三百多万都不一定愿意留下来呢。我觉得这不全是钱的问题，更多是制度和信任的问题。 最近我也关注了几个国内的试点项目。比如深圳鹏城的新经费包干制2.0，原来科研经费老是卡流程平均要87天才能走完。有了这套新系统后模型迭代快了四成，效率一下子提高了不少。其实不光国内国外也是一样，很多核心技术经验都通过制度标准化了。 听说华为欧洲研究院外籍科学家占一半以上就是为了打破地域限制。他们会主动找欧洲、美国的博士或者超算中心合伙做项目享受制度和合作网络的红利。 这个套路比花大笔钱留人管用多了。而且大家都知道硬件还能补缺但经验这块确实挺难复制的。 最近2025年回国的AI人才有将近一万两千七百人带着海外专利甚至开源项目回来。这些人不一定非要留在原来的公司或地方代码方案接续能力才是真正核心。 浙大还有斯坦福建议合建实验室互相授权共享资源这种方式才是未来创新走向吧？任泓宇在介绍阈值设定的时候强调每个参数都要手动调——问题在于没人告诉后来人这些微调套路是怎么总结出来的。 我觉得最大难题就是团队传承这一隐形资产容易随着核心成员离开而散失了。有时候我会觉得行业内核心竞争力已经从硬科技转向组织和制度了信息共享网络、激励机制信任感其实比模型算力更难学更难复制。 昨天我在模拟被换掉人之后发现剩下阿里巴巴反而更高效了大家都知道重量级人物离开没那么简单那种人走了但留下规则和习惯才是真正牢靠基础建设去年偶遇一位技术负责人他说我们现在目标不是搞出比别人更好模型而是建立一套让人才愿意留下来制度这句话让我有点惊讶也开始反思未来战场不在于技术巅峰跑而在于人心和流程稳定。