第二十八章　下一代“人才母体”：能力将从哪里扩散？

下一家重要技术公司，可能尚未成立。

但它未来需要的工程经验，或许已经在某些组织中形成。

有人正在处理大规模集群的通信瓶颈，有人正在让模型适应有限的内存与能源，有人正在改进编译器，还有人反复解决产品从实验环境进入真实部署之后出现的问题。

这些工作未必以创业为目的。

工程师首先是在完成当前任务。只有当他们离开、重新组队，或者原有业务进入另一种组织时，过去形成的经验才可能显现出新的用途。

这也是“人才母体”最难预测的地方。

一家组织今天拥有大量优秀人才，不代表它明天一定产生重要创业公司；一项技术受到关注，也不代表参与者已经掌握将其产品化的能力。

真正值得观察的，不是哪里聚集了最多名人，而是：

哪些组织正在持续培养可迁移的工程判断，哪些共同经验能够脱离原有环境，以及新的接收者能否为它们补齐条件？

本章不预测下一轮赢家，而是建立观察这些变化的方法。

一、NVIDIA：GPU、系统与软件平台经验的可能外溢

NVIDIA已经不只是培养GPU核心设计者的地方。

围绕其产品，工程师需要处理编译器、软件库、模型优化、网络通信、集群部署与客户支持。这使人才可能携带的经验，分布在多个层次。

其中一些经验具有较强的跨组织价值。

例如，怎样发现实际性能与理论吞吐之间的差距，怎样让软件适应不同硬件，怎样处理大规模系统中的通信与故障，以及怎样把客户遇到的问题转化为产品改进。

这些能力不必只用于重新制造GPU。

它们也可能进入推理服务、系统软件、网络设备、性能工具或其他计算平台。

但外溢不能被理解为完整平台的拆分复制。

工程师熟悉CUDA，不等于能够带走专有实现；理解客户需求，也不等于自动拥有客户关系。离开之后，原来可以调用的测试资源、硬件规模和跨团队支持，可能不再存在。

因此，观察NVIDIA的人才外溢，需要区分两种情况：

一种是继续解决与原工作相近的问题；另一种是把平台内部形成的方法，用于不同的产品与商业环境。

后者可能产生更明显的新能力，也承担更大的学习成本。

真正有意义的证据，不只是创业者曾在NVIDIA任职，而是他们在新组织中解决了什么此前难以解决的问题。

二、Google：模型、TPU与大规模基础设施的交叉积累

Google提供了另一种人才培养环境。

它同时拥有模型研究、专用加速器、分布式软件与大规模服务实践。某些工程师因此能够接触计算需求从研究到部署的多个环节。

这类经历的重要性，在于它可能打通两种通常分离的知识。

一端是算法和模型需要什么，另一端是系统实际上能够稳定、经济地提供什么。

TPU相关工作就是其中一个具体例子。

设计加速器不仅需要理解运算结构，还需要软件映射、编译器、通信和部署配合。模型变化又会反过来影响下一代硬件。

Groq与部分早期TPU参与者之间的联系，已经说明某些经验能够进入独立创业。但一个案例不足以证明Google的所有相关团队都具有相同外溢能力。

还需要警惕大型内部平台带来的特殊依赖。

在Google内部有效的方法，可能依赖成熟工具、大规模资源和长期积累的数据。离开之后，工程师必须判断哪些可以重建，哪些需要简化，哪些根本不适合新公司的成本条件。

因此，Google作为潜在人才母体的价值，不只是培养了理解大系统的人。

更值得关注的是，这些人能否把大系统中的认识，转化为其他组织也能够承担的产品。

可迁移能力并不总是把规模做得更大，也可能是知道哪些复杂度可以被省去。

三、AMD、Apple与Intel：成熟芯片组织的持续作用

AI计算受到关注，并不意味着成熟CPU与系统芯片组织不再重要。

AMD、Apple和Intel仍然提供许多创业公司难以独立建立的训练条件：完整芯片项目、复杂验证、先进实现、多代产品和真实客户反馈。

这些公司的培养方式又有所不同。

AMD的产品经验覆盖CPU、GPU及相关系统集成，能够让部分团队接触异构计算、先进封装和不同市场需求。

Apple把芯片与终端、操作系统和产品周期紧密结合，训练工程师从整机结果评价设计取舍。

Intel则长期积累了处理器、制造、封装、工具与系统能力。即使某些业务面临困难，也不能据此否定其仍然具有工程训练价值。

人才母体不是只在公司处于商业高峰时才存在。

组织受挫时期，工程师同样可能形成重要经验：哪些计划为什么失效，哪些接口需要重建，以及技术目标怎样受到资源和决策影响。

不过，失败经历不会自动成为有用知识。

只有当问题得到理解，而不是仅被归咎于外部环境或少数个人时，它才更可能改善后来的判断。

因此，对成熟公司的观察应当越过简单的兴衰标签。

要看具体团队是否仍然能够完成项目，资深成员是否培养后继者，以及新一代工程师能否接触完整问题，而不只是承担越来越狭窄的任务。

公司处在什么位置，影响人才形成的条件；但不能单独决定它还能培养什么能力。

四、OpenAI、Anthropic与Meta：模型组织是否正在培养基础设施创业者？

模型组织是否会成为下一轮基础设施人才母体，是一个值得提出、但尚不能预设答案的问题。

OpenAI、Anthropic与Meta的组织结构、业务目标和基础设施安排并不相同，不能合并为一种统一模式。

但在各自参与的模型训练、评估、推理与部署工作中，都可能形成与计算基础设施密切相关的经验。

模型规模与使用量增加之后，工程问题会延伸到资源调度、数据处理、故障恢复、推理效率和服务成本。

这些工作可能培养出新的创业能力。

例如，参与者可能发现某类部署工具长期不足，某种资源管理方式难以适应新负载，或者现有软硬件之间存在可以改善的接口。

但接触大规模计算，不等于已经具备自主芯片设计能力。

理解模型瓶颈，与完成架构、验证、物理实现和量产，是不同层次的工作。未来创业如果跨入芯片领域，仍然需要吸收其他来源的人才与资源。

同样，模型组织中的部分经验高度依赖非公开资产。

数据、模型权重、内部代码和系统信息，不能因人员离职而自动转移。创业者需要证明新产品具有合法、独立的实现基础。

因此，更稳妥的观察对象，不是“模型公司会不会取代芯片公司”，而是：

它们是否培养了一批能够把模型需求转化为基础设施产品的人？

这样的外溢可能首先出现在软件、系统与服务层，而未必立即表现为一颗新芯片。

五、大学、开源社区与公共工具链：公司之外的人才母体

如果只研究公司，人才迁移史会漏掉重要来源。

大学、实验室和开源社区，也能够形成共同训练与知识传承。

大学提供理论、方法和探索空间。研究人员可以尝试尚未证明商业价值的方案，也可能通过公开论文、原型和工具影响更广泛的工程实践。

但研究成果与可持续产品之间仍然存在距离。

原型证明一种方法可能成立，不等于已经解决可靠性、维护、制造和客户采用问题。进入企业之后，研究者需要学习新的责任边界。

开源社区则提供另一种实践环境。

代码公开，使不同组织的参与者能够共同检查、修改和维护。评审、版本管理、兼容性和长期维护，也会培养真实的工程能力。

LLVM、Linux及不同领域的开放工具项目，都说明技术积累可以跨越雇主边界存在。

RISC-V相关生态同样展示了开放规范的作用，但开放指令集并不等于完整设计、工具和产品条件已经齐备。

这些组织的连续性还需要资源。

维护者时间有限，公共工具可能依赖少数个人或企业支持。使用者很多，不代表维护工作自动获得足够投入。

因此，公司之外的人才母体并不是无需资本和制度的自由空间。

它们只是以不同方式组织这些条件。

公共知识能够扩大技术接续的机会，但它的维护同样是一项需要持续承担的工程责任。

六、全球制造与设计网络：创新中心不只有一种形态

下一轮能力扩散，也不会只来自处理器设计公司。

晶圆制造、设备、材料、封装、测试和存储领域，同样积累了大量难以复制的经验。

这些能力经常不以个人明星的形式出现。

提高良率可能来自长期实验与统计判断；处理封装可靠性，需要材料、热、机械和电气知识共同作用；制造设备的稳定运行，则依赖工程师与客户现场之间持续反馈。

人员离开这些组织时，能够携带的经验同样重要。

但它们往往更加依赖资本密集型设施、工艺资料和供应商网络。熟悉某个过程，不意味着新公司可以立即重建相同能力。

这使不同地区和组织具有不同的人才母体形态。

有的擅长培养架构与软件人才，有的围绕制造和设备形成知识集群，还有的连接设计服务、封装与系统集成。

评价时不应把所有地方都放进“能否产生下一个硅谷”的单一标准。

更重要的是，它们能够持续训练什么人，支持哪类团队形成，以及在全球网络中承担什么不可轻易替代的任务。

这种连接也受到现实边界影响。

许可、商业秘密、出口管制、产能和地缘政治，都会改变知识与资源能够怎样流动。技术网络跨越国界，并不意味着每条连接始终开放。

因此，人才迁移必须与基础设施迁移、制度条件一起研究。

人能够移动，完整生产条件却未必能够随之到达。

七、如何识别新母体：培养能力、团队裂变与实际产品

一家公司成为人才母体，不能只靠优秀员工数量证明。

至少需要观察三个阶段。

1. 能力是否在原组织中形成？

工程师是否经历完整项目？是否能够理解设计、软件和实际使用之间的关系？资深成员是否训练新人，团队是否能从失败中形成可复用的方法？

如果组织只是高薪聚集已有专家，却缺少培养与学习，很难说它已经成为能力来源。

2. 经验是否在离开之后继续工作？

离开者进入了什么岗位，是否与原有能力相关？熟悉的成员是否形成新团队？他们是否补齐了过去依赖原公司的资源？

创业数量可以提供线索，但不是决定性证据。

人才也可以通过加入其他成熟企业、参与开源项目或建立工具，产生重要影响。

3. 是否形成了可以持续的结果？

原型、首颗芯片和首个客户都是重要节点，但不能相互替代，更不能等同于长期能力。

需要继续观察软件支持、重复交付、客户使用和后续迭代。

还要区分原组织的贡献与后来的学习。

如果新产品主要依赖迁移之后补充的人才和方法，就不能把全部成果归功于人才母体。母体提供的是一段关键训练，不是对后续创新的永久署名权。

同时，应记录没有成功的路径。

被取消的项目、解散的团队和未能获得客户的产品，同样帮助我们理解哪些条件不可缺少。

八、不预测赢家：建立持续观察人才迁移的指标体系

本书不建议用一张排名表评选“最强人才母体”。

不同组织培养的能力不同，信息公开程度也不同。把融资、离职人数和产品数量合并成总分，容易制造无法解释的精确性。

更可行的方法，是建立持续更新的观察档案。

观察维度	需要追踪的问题
训练环境	是否提供完整项目、真实反馈与后继培养？
迁移方式	是个人招聘、团队重组，还是业务整体转移？
携带经验	哪些能力能够通过职责与项目记录确认？
缺失条件	工具、制造、软件、客户与资本中缺少什么？
接收机制	新组织怎样安排任务、责任与资源？
产品验证	原型、上市、部署与持续交付分别达到什么阶段？
能力再生产	是否能够培养新人并完成后续迭代？
失败与断裂	哪些经验没有被使用，哪些项目无法继续？
证据边界	哪些关系已确认，哪些只是当事人判断或推测？

档案还需要保留时间。

后来成功，不能抹去当时的不确定性；后来失败，也不意味着早期选择没有合理依据。

预测与解释也应分开。

某种人才聚集可能值得关注，却未必足以预测企业成功。它可以提示进一步研究的方向，而不能替代对市场、制造和组织的判断。

真正有价值的指标体系，不是更早宣布赢家，而是更早识别关键条件是否正在形成。

结语　下一代人才母体，首先是一种持续学习的组织

下一轮人才母体可能来自领先芯片公司，也可能来自云平台、模型组织、制造网络、大学和开源社区。

它们共同的重要性，不在于拥有相同的商业模式，而在于能够让人参与真实问题，形成经验，并把经验传递给后来者。

但能力外溢不是一种自动发生的善果。

人员离开之后，知识可能失去条件，团队可能无法重组，产品也可能没有市场。原组织中的优秀表现，并不能保证下一段经历获得同样结果。

因此，本书始终没有把“人才不会消失”当作最终答案。

人会离开行业，经验会被遗忘，协作关系也可能断裂。即使人员仍然存在，原有能力仍然可能失去使用场景。

真正值得保存的，不只是某些人的职业位置，而是让他们能够继续学习、合作和验证的条件。

到这里，全书的观察也需要从企业进一步转向社会。

我们已经看到公司怎样培养人才，迁移怎样改变知识分布，接收组织又怎样决定经验能否成为新能力。

最后需要回答的是：一个技术社会，究竟应该怎样理解自己的长期资产？

下一代人才母体的意义，不只是为未来产生更多公司，而是让今天付出巨大代价形成的工程经验，不必在明天重新从零开始。

第二十八章 下一代“人才母体”：能力将从哪里扩散？