Meta高薪招募AI人才，能否复制DeepSeek的成功路径？

最近AI领域最引人注目的动向，莫过于Meta扎克伯格亲自下场、重金招兵买马的消息。公开信息显示，在小扎的推动下，Meta已经组建起一支堪称豪华的AI战队。

核心领导层方面，阵容堪称星光熠熠：前Scale AI创始人Alexandr Wang（现任Meta首席AI官）、前GitHub CEO Nat Friedman，以及Safe Superintelligence联合创始人Daniel Gross，三人共同执掌Meta Superintelligence Labs的战略与节奏。

技术阵容同样令人瞩目。Meta从OpenAI挖来了多位重量级研究员，包括GPT-4o的语音与图像模块开发者Shuchao Bi和Huiwen Chang，“思维链”（Chain-of-Thought）技术代表人物Trapit Bansal，以及GPT系列模型的重要研发成员Ji Lin、Shengjia Zhao、Hongyu Ren和Jiahui Yu等人。

在OpenAI之外，Meta同样以高价吸引了Apple和DeepMind的核心人才：包括Apple Foundation Models负责人Ruoming Pang（据称签约价高达2亿美元），DeepMind前研究员Jack Rae与Pei Sun，以及来自Anthropic的Joel Pobar和Sesame AI的Johan Schalkwyk，也都陆续加盟。

而网传Meta的最新挖人动向，则是他们又成功挖走了OpenAI的两员大将——Jason Wei和Hyung Won Chung。

其中，Jason Wei曾在OpenAI主导参与了o1/o3系列模型及deep research项目，是强化学习的坚定拥护者，同时也是2022年“Emergent Abilities”（涌现能力）概念的开创者之一。他在思维链等前沿技术上的贡献广受认可。Hyung Won Chung同样是OpenAI的核心研究员，深度参与了o1系列与deep research项目，研究方向主要聚焦于推理能力与智能体。

据报道，目前两人的OpenAI内部Slack账号已被注销，基本坐实了离职消息。更惊人的是，据称Meta为吸引这两位AI顶尖科学家，直接开出了高达3亿美元的四年期薪酬包，可见其对“超级智能”战略的重视与投入之大。

不少人感慨“大厂要拼命了”“AI人才再次供不应求”，但也有人冷静指出：大家关注的焦点似乎并非Meta的产品愿景或人才密度，而是它开出的高薪。

这就引出了一个耐人寻味的问题：为什么我们对“只要聚集足够多聪明人就能做出伟大成果”这件事，似乎不再那么有信心了？

因为现实一次次证明：人多、人强，并不必然等于结果好。

世界大战中，团队比个人重要

OpenAI推出ChatGPT时，所有人的目光都聚焦于其技术突破与背后的组织能力。不过，由于当时OpenAI云集了众多世界知名的大神，组织力的归因占比还不算最突出。然而，当DeepSeek这样一个神秘、且主要凝聚中国本土C9高校学者的团队横空出世后，一个事实便再也无法被忽视：

在像AGI这样的大规模团队作战中，个人能力的拔尖，远不如组织能力的卓越来得重要。

回顾人工智能的发展史，曾像Meta一样集结众多杰出人才的团队不胜枚举：MSRA、DeepMind、谷歌、百度、智源……乃至大模型时代，近两年腾讯、字节也都曾组织过各个方向的杰出人才组成大团队。但最终，这些团队要么人才四散而去，要么组织目标由高降低，要么做出一两件大新闻后便泯然众人。

背后的原因众多，有企业的文化架构问题，也有行业变化的影响，但往往还伴随着一个普遍现象：优秀人才之间的离散与内耗。

最终，强人的集合非但没有产生加倍的效果，反而可能因为天才之间的互相抵消而削弱整体战力。

每个顶尖人才都有一套成熟的认知系统、经验路径和话语权构建逻辑，而伟大的突破往往源于对既有路径的反常识性挑战。如果组织缺乏有效的“容错机制”，那么牛人越多，分歧就可能越大，行动反而越慢。

一群彼此不服、各自为营的聪明人凑在一起，容易演变成一场永不散场的学术讨论会，而非一个能高效落地的工程团队。

DeepSeek是一个有意思的反例。它没有明星科学家，没有学术巨擘撑场，成员普遍年轻，团队规模小（基础研究员在150人左右）、结构扁平、没有打卡、没有层层KPI管理，创始人亲自下场写代码，整个文化氛围更像一个纯粹的研究小组。

即便在推出V3版本时，外界仍有人认为它只是在“巨人肩膀上摘果子”。但当R1发布、实现推理性能的超越时，它直接被推到了行业第一梯队。

DeepSeek的成功，并非源于“比别人更聪明”，而在于“比别人更敢干、更能协同”。从组织视角看，DeepSeek几乎反其道而行：

极致扁平：没有层层叠叠的汇报结构，没有KPI内卷，反而激发了团队最原始的探索欲。

投入纯粹：全员聚焦基础研究，无需分心于“交付”“商业”“报表”等事务。

执行高效：一群动手能力超强的人每天都在干正事，而不是在做汇报。

认知一致：没有“上下级权威差”，只有“想清楚再动手”的团队共识。

对比之下，过去两年，字节Seed团队曾一度多达1000人；许多大模型创业公司的基础模型团队虽控制在一百来人的规模，但同样要背负商业交付与产品支持的压力，因此难以构建起“高信任、低管理、强动机”的组织模型。最终，DeepSeek在第一轮的胜出，几乎是注定的。

组织力 ≠ 人力总和，而是效率乘积

我们很容易陷入“能力总和论”的陷阱：认为一个组织的战斗力等于每个人的能力总和乘以工作时间。但事实更接近于：组织战斗力 = 协同效率 × 方向一致性 × 持续稳定性。

换句话说：牛人越多，协同越难；任务越复杂，扁平化就越重要。

所有大厂与模型团队都在审视下一轮基础模型的竞争力。一种直觉的观点认为：大厂同样不缺人、不缺钱、不缺算力甚至不缺场景与数据，战斗力不应低于DeepSeek。但如果对比不同团队的研究日常，就不难发现，以纯AGI为研究目标的团队与结构复杂的大厂之间，存在着本质差距。

如果将人才的能力水平从0到100分划分，单人每天平均研究投入时间为0到14个小时，那么人才组织与产出的关系就可以清晰转化为效率的乘积。

假设在DeepSeek团队中，专注基础研究的年轻博士能力可以打70-80分，而像张正彦这样基础理论与实践能力兼具的顶级研究员是100分，那么DeepSeek的整体平均水平约为85分。同时，DeepSeek没有商业化压力，150人的团队可以每天平均集中投入12个小时做基础研究。

对比一个千人研究团队的大厂，基础研究人员与工程师的战斗力由高到低不等，加上大团队意味着管理压力大，算平均值可能只有60分。而且，由于需要花费时间做商业化交付与应用产品支持，1000人的团队平均每人每天可能最多只能投入6个小时做基础研究。

那么，从基础研究总投入来看，DeepSeek与大厂的对比实际是：150 * 85 * 12 VS 1000 * 60 * 6。

除了这些客观可量化的投入，组织效率、协同成本、执行张力这些更难量化的变量，才是决定最终战斗力的关键。

如果DeepSeek拥有近乎满分的执行效率，记作1.0，而大厂在目标分散、协作链条冗长等因素影响下，组织效率只有0.2，那最终真正释放出来的有效产出会是：

DeepSeek：153000 × 1 = 153000

大厂团队：360000 × 0.2 = 72000

如此来看，其实不难发现，DeepSeek在基础问题上的研究投入与产出预期，实际上比许多大厂团队要多得多。

这也解释了，为什么DeepSeek一个150人的小团队，反而能做出一鸣惊人的成果，而一些大厂的千人团队，却因为组织结构复杂、任务重心分散，反而削弱了在基础研究上的真实投入。

再次回到Meta花大钱挖人这件事上，其中有一个非常容易被忽视的变量：动机的成分到底是什么？

Meta的超高薪能买来聪明人，但未必买得来“持续愿意拼命干活”的内在动机。DeepSeek为什么能让人愿意每天拼上14个小时？不是因为钱给得最多，而是因为愿景真实、结构自由、成果看得见。

如果动机只建立在薪水上，个体容易进入“被动等待回报”的状态；但如果动机来自共创、掌控感和对问题的真实兴趣，反而会激发出强大的内驱力。

而Meta、Google等大型科技公司的问题在于——他们的组织系统已经高度僵化，即使有牛人加入，往往也只能发挥其一小部分潜力。

除了被忽视的动机成分，人们也经常误解“创新”是由最聪明的人做出来的。但其实，创新更多发生在边缘人群、结构松散的小团队中。

另一个容易被忽视的客观事实是：随着人工智能发展的时间拉长、各种开源技术的普及，AGI的知识门槛也在不断降低。这意味着，十年前只有AI技术大牛才能研究出来的算法，如今一个985高校的硕博生沉下心来也能钻研明白、探究清楚，并提出大胆的改进设想。

据了解，即使是Transformer这样的权威主流架构，国内的MiniMax、Rock AI等团队在敢于修改注意力机制后也能取得较大的创新，且在这些团队中主导架构修改的研究人员，都并非以往行业追捧的顶级技术明星。

这也是DeepSeek给整个行业带来的启示：与其追求明星团队，不如追求高效执行的团队；与其比拼大模型预算，不如比拼问题的沉淀深度和反馈机制；与其堆砌博士、挖角大牛，不如形成一个真正愿意彼此合作、共同思考的小集体。

Meta 很难复制 DeepSeek

回到问题本身，或许Meta很难复制DeepSeek的成功路径。不是说Meta没有足够的钱，而是Meta已经不是一个“可变”的组织。

DeepSeek是一个可以不断试错、快速转向的小机器；相比之下，Meta就是一个巨型飞轮，一旦启动，就很难偏航。组织的惯性，才是最难被打败的东西。

Meta的高薪策略背后，其实反映出一种焦虑：他们需要重建早期OpenAI那种充满活力的文化，但使用的却是“招聘+绩效+话语权”的老一套管理工具。这套系统能招来人，但无法召唤出真正的协作精神与创新火花。

归根结底，人工智能行业目前最迫切的，或许是打破“聪明人多就能赢”的迷信——聪明人当然重要，但关键是这些聪明人能不能真正协同起来，有没有共识，有没有足够多的自由去试错，甚至是有没有愿意亲自写代码的创始人……

在这轮AI创新浪潮中，组织的重构能力，可能比模型本身的进步还要重要。