中層消失，Token狂熱退潮，硅谷工程師眼里的「AI創(chuàng)業(yè)下半場」

所有人都在嘗試建立關(guān)于AI的判斷，但所有共識(shí)都在迅速過期。

訪談|巴芮 海風(fēng)

文|海風(fēng) 劉思潔

編輯|劉思潔

封面圖源|受訪者拍攝

“野蠻生長的階段已經(jīng)過去了。”

這是身處硅谷AI創(chuàng)業(yè)一線的馬培元最近最深的感受。

2021年12月，本科畢業(yè)后，他進(jìn)入號稱“美版知乎”的Quora，后來轉(zhuǎn)到AI聊天機(jī)器人聚合平臺(tái)Poe，擔(dān)任資深A(yù)I工程師。2個(gè)月前，他又加入硅谷最熱門的AI Agent創(chuàng)業(yè)公司之一Cognition。

2026年5月，這家成立不到三年的公司宣布完成超過10億美元融資，估值升至260億美元。8個(gè)月前，它的估值還是102億美元。

除了工程師，馬培元還有另一個(gè)身份——投資獵頭（Venture Scout）。他替投資機(jī)構(gòu)尋找值得下注的AI創(chuàng)業(yè)項(xiàng)目，每年擁有50萬美元的投資額度。

畢業(yè)后的這四年多的時(shí)間里，他似乎始終行動(dòng)得要比AI行業(yè)共識(shí)早，在“agent”這個(gè)詞還沒有被任何人講清楚定義之前，他所在的團(tuán)隊(duì)已經(jīng)悄悄立項(xiàng)。在Anthropic還是無名之輩時(shí)，他們就成了Claude最早的深度用戶。他是團(tuán)隊(duì)里第一個(gè)AI認(rèn)證工程師、第一個(gè)AI agent工程師，后來又把整個(gè)工程團(tuán)隊(duì)“洗腦”成了使用AI編程的AI Native團(tuán)隊(duì)。

這種認(rèn)知和行動(dòng)的超前，最有意思的印證發(fā)生在兩周前，他在和“未來人類實(shí)驗(yàn)室”對談時(shí)隨口說出“people manager正在消亡”，沒過多久就被騰訊、字節(jié)宣布取消中層的新聞坐實(shí)。

變化發(fā)生得太快，在硅谷，要時(shí)刻與變化共處。

在這篇稿子兩次訪談的兩周間隙里，馬培元發(fā)現(xiàn)自己上一次講的硅谷“追逐最貴最前沿模型”的邏輯，就開始站不住了。當(dāng)下硅谷流行的做法是把多個(gè)便宜模型和頂尖模型“融合調(diào)度”使用。

和馬培元聊了近5個(gè)小時(shí)，我們發(fā)現(xiàn)，他幾乎一直在推翻昨天的自己，硅谷也一樣。“我不能說所有的，但你可能說大于60%，一個(gè)月之后就可能又反著來了。”

過去幾年，AI幾乎改寫了硅谷的所有默認(rèn)規(guī)則：什么樣的人更容易脫穎而出，什么樣的組織更有競爭力，什么樣的錢花得值。

當(dāng)然，這些所謂“正確答案”的判斷，也在迅速失效。在AI領(lǐng)域，一年已經(jīng)是很長的周期，很多判斷可能在一個(gè)月內(nèi)就被推翻。

以下，是馬培元眼中十分當(dāng)下的10個(gè)硅谷AI觀察：

馬培元

硅谷需要什么樣的人才？

馬培元的職業(yè)畫像，高度契合了硅谷的AI公司最喜歡的人才樣貌。他不是傳統(tǒng)的計(jì)算機(jī)背景，沒有得競賽金牌，沒有頂尖名校光環(huán)，甚至一度對計(jì)算機(jī)毫無興趣，但過去四年，他從Quora的廣告組一路做到Cognition的AI工程師，履歷踩中了硅谷AI公司現(xiàn)在最想要的人才畫像的每一個(gè)關(guān)鍵詞。他的經(jīng)歷，既是一部個(gè)人成長史，也是一份行業(yè)招聘標(biāo)準(zhǔn)變化的樣本。

觀察1：通才碾壓專才

硅谷現(xiàn)在最搶手的人才畫像，不是某個(gè)領(lǐng)域鉆得最深的專家，而是“每一項(xiàng)都過得去、沒有明顯短板”的人——業(yè)內(nèi)管這個(gè)叫polyglot talent，更通俗的話說叫“六邊形戰(zhàn)士”。

2024年，Poe內(nèi)部啟動(dòng)了一個(gè)當(dāng)時(shí)還沒人說得清定義的“agent”項(xiàng)目，組里挑中我這個(gè)新人的理由很直接：“既做過AI，也做過全棧開發(fā)和iOS”。當(dāng)時(shí)組里其他人大多是傳統(tǒng)機(jī)器學(xué)習(xí)、搜廣推背景出身，他們的人不懂前端代碼，而agent恰好需要能寫前端界面。公司原本負(fù)責(zé)AI提示詞工程的人離職后，團(tuán)隊(duì)里再?zèng)]有人能補(bǔ)上這個(gè)缺口，那正好，反正我學(xué)得快，我既做這個(gè)agent提示詞工程，也做這個(gè)它的前端寫代碼之類的。

這套“什么都會(huì)一點(diǎn)”的能力組合，后來變成了我找工作時(shí)最值錢的資本。我是你給我一個(gè)什么新的領(lǐng)域，我可以從兩周之內(nèi)學(xué)得差不多。而這正是早期創(chuàng)業(yè)公司要的人。

觀察2：AI原生技能，可以在短時(shí)間內(nèi)碾壓資歷年限

AI工具的使用能力，可以直接碾壓傳統(tǒng)意義上靠年限堆出來的資歷。

我從Quora廣告組轉(zhuǎn)去iOS組的時(shí)候，理由是“想邁出舒適圈”，但此時(shí)我對iOS一竅不通，是徹頭徹尾的“0年經(jīng)驗(yàn)”。我當(dāng)時(shí)沒有選擇慢慢補(bǔ)課，而是把GPT-4當(dāng)成了自己的搭檔。當(dāng)時(shí)我周圍的人都是非常資深的iOS工程師，他們可能不信AI。我iOS不會(huì)寫，Swift代碼不會(huì)寫，于是我就瘋狂地用AI幫我寫代碼。

結(jié)果是，我這個(gè)剛?cè)胄腥膫€(gè)月的新人，產(chǎn)出速度追平甚至超過了身邊浸淫多年的資深工程師，兩年內(nèi)就做到了資深職位。這在傳統(tǒng)晉升體系里，幾乎是不可能的速度。此前，在Facebook可能至少要4到6年，你才能變成資深工程師。谷歌有些人可能一輩子都不會(huì)升級到資深工程師。

我在Cognition就遇到過一位19歲的面試官。一開始我還有點(diǎn)沮喪，一個(gè)26歲的人被19歲的人“拷問”，很多問題我都答不上來。后來我意識(shí)到，這恰恰是一個(gè)跡象，說明這家公司確實(shí)能不拘?格降?才，且年齡不再是硅谷評判人才的標(biāo)準(zhǔn)。

觀察3：招聘標(biāo)準(zhǔn)被徹底重寫，AI公司不用同一套模板面試

我在Quora離職前，認(rèn)真面了將近20家公司，算上打過電話的有30到40家。最多的時(shí)候，我一周被30多個(gè)獵頭找上門來。

面試了這么多家公司，我發(fā)現(xiàn)，當(dāng)下AI公司招人沒有一個(gè)統(tǒng)一的面試模板。

但有幾個(gè)很明顯的變化，LeetCode式算法題的重要性在下降，關(guān)于AI系統(tǒng)設(shè)計(jì)的最佳答案每個(gè)月都在改變。

面試結(jié)構(gòu)也在變化。在線筆試+work trial成了一種新的組合。work trial是一種非常短的“試用期面試”。有的3小時(shí)，有的5小時(shí)，最長也就一兩天。我遇到的一次面試，就是直接給我一個(gè)代碼庫，讓我用任何工具，包括AI，去解決一個(gè)實(shí)際問題。做完之后，還要展示思路和成果。整個(gè)過程已經(jīng)非常接近真實(shí)工作。

更有意思的是，對AI使用的考察本身也被拆成兩種模式。有些輪次要求必須用AI，看你怎么“by code”；但也有輪次明確禁止使用AI，比如debug，考的是在沒有AI輔助加成下，你能不能找出錯(cuò)誤，本質(zhì)上是在測試個(gè)人實(shí)際的軟件?程?平和品味如何。

面試本身也多種多樣。比如，有的公司會(huì)讓我做商業(yè)分析，判斷他們應(yīng)該收購哪個(gè)行業(yè)。

行為面試（behavior round）也變了。它不再是“個(gè)人最?的缺點(diǎn)和優(yōu)點(diǎn)”“跟同事有沖突怎么解決”等傳統(tǒng)問題，而是拉長時(shí)間線，去看一個(gè)人的成長軌跡，從高中到大學(xué)，從實(shí)習(xí)到工作，一路往下追，看你的“人生斜率”，判斷你是不是?個(gè)能夠指數(shù)型增?的?。

沒有標(biāo)準(zhǔn)答案帶來的一個(gè)意外好處是：沒人能靠背題拿到offer。連我在Cognition的內(nèi)推人都直接告訴我：“你別準(zhǔn)備了，我覺得沒什么可準(zhǔn)備的。”

AI正在重構(gòu)組織結(jié)構(gòu)

在硅谷，最厲害的那批人，從來不屬于某一家公司，只屬于“那個(gè)時(shí)代最厲害的公司”。二十年前是谷歌，十年前是Uber和Robinhood，五年前是Coinbase，現(xiàn)在是AI公司，硅谷是“流水的銀盤，鐵打的兵”。這批被新標(biāo)準(zhǔn)篩出來的人才，更會(huì)因使命感，而不是“待遇”留下。這些匯聚最厲害人的組織，也在AI的重塑下，發(fā)生著巨變。

觀察4：對“AI原生”太過渴求

硅谷公司對AI原生（AI native）的渴求程度遠(yuǎn)遠(yuǎn)?于我的想象。我面試的公司大多是A輪、B輪，也有一些種子輪。一個(gè)很高頻的問題是：你用什么AI工具？我通常直接把自己寫的博客丟過去，對方基本上都會(huì)“目瞪口呆”。

他們會(huì)說，不只是想讓我做AI應(yīng)用開發(fā)，更希望我去推動(dòng)公司內(nèi)部的AI轉(zhuǎn)型，讓團(tuán)隊(duì)變得更AI原生。很多公司其實(shí)已經(jīng)在做AI產(chǎn)品，但員工還沒有建立自己的AI工作流。而且，他們也很需要每天都刷很久推特、及時(shí)分享?些新奇AI發(fā)現(xiàn)或提效技巧的?。

這件事對我來說有點(diǎn)反直覺。我過去的一些“愛好”，比如每天折騰Claude Code等新工具、在Slack（一款辦公軟件）里分享AI用法，反而變成了一種新的組織角色。

之前在Quora時(shí)，我成功地讓整個(gè)?程團(tuán)隊(duì)都?上了Claude Code。辦公室每遇到?個(gè)?程師，我都會(huì)問，你有沒有?AI來編程？我記得辦公室?有一個(gè)做網(wǎng)絡(luò)安全的工程師，一開始很抗拒，覺得用AI寫代碼風(fēng)險(xiǎn)太高。我后來讓他換個(gè)思路，不寫代碼，只用AI讀代碼、理解代碼庫、做數(shù)據(jù)分析。后來，他也真的用起來了。

觀察5：“更好地去使?AI”，實(shí)質(zhì)是個(gè)組織轉(zhuǎn)型問題

在Cognition做AI相關(guān)工作時(shí)，我越來越發(fā)現(xiàn)一個(gè)事實(shí)：更好地去使?AI，可能已經(jīng)不是?個(gè)純?程問題，而是?個(gè)組織架構(gòu)上的轉(zhuǎn)型問題。

舉個(gè)例子。傳統(tǒng)組織架構(gòu)的互聯(lián)網(wǎng)公司，一個(gè)Bug從發(fā)現(xiàn)到修復(fù)，往往要經(jīng)過需求評估、工程排期、開發(fā)、測試、上線等好幾個(gè)環(huán)節(jié)。真正用AI寫代碼可能只需要兩三個(gè)小時(shí)，但整個(gè)流程走下來，經(jīng)常要一個(gè)月。

以前這樣的流程是合理的。因?yàn)樾抟粋€(gè)Bug，一個(gè)工程師可能要花三五天，流程的價(jià)值在于協(xié)調(diào)不同團(tuán)隊(duì)、分配資源。但AI把這個(gè)時(shí)間壓縮了。

現(xiàn)在，我們用Cognition推出的Devin這樣的AI軟件工程師產(chǎn)品，兩三個(gè)小時(shí)就能完成過去幾天的工作。在Cognition，我們甚至可以用Devin找到負(fù)責(zé)這個(gè)Bug的人，再讓Devin協(xié)助他完成修復(fù)，中間很多協(xié)調(diào)和流轉(zhuǎn)環(huán)節(jié)都可以省掉，沒有任何冗余。其實(shí)是AI在倒逼整個(gè)組織架構(gòu)的轉(zhuǎn)型。

觀察6：People manager正在消亡，管理者必須自己會(huì)寫代碼

所謂people manager就是?程經(jīng)理（engineering manager）。在美國，近?年來流?的?個(gè)觀點(diǎn)是，你作為管理者就要做好管理，更多負(fù)責(zé)團(tuán)隊(duì)協(xié)調(diào)、組織溝通，照顧員工情緒、提供成長支持，工程能?不用特別強(qiáng)。

但進(jìn)到Cognition，我發(fā)現(xiàn)整個(gè)組織架構(gòu)?常扁平化。比如，我直接匯報(bào)的對象甚至是CPO，也就是聯(lián)合創(chuàng)始人之一。他不會(huì)細(xì)致關(guān)心你的個(gè)人成長，角色更像是確定大方向。甚?可以這么說，Cognition現(xiàn)在60多人的工程團(tuán)隊(duì)里，真正的people manager只有一個(gè)人，其他的包括CPO在內(nèi)，都是“既管人、也寫代碼的”。這和我之前在Quora的體驗(yàn)完全不同。當(dāng)時(shí)，一個(gè)manager可能要管五六個(gè)工程師。

Cognition團(tuán)隊(duì)集體穿上紅衣服為一位日常愛穿紅色衣服的同事慶生

我覺得這可能是AI帶來的組織架構(gòu)變化。我觀察到，任何?個(gè)朝?蓬勃的AI創(chuàng)業(yè)公司，其實(shí)都是這樣，?乎沒有只負(fù)責(zé)管?的經(jīng)理——如果他管?，他?定技術(shù)也很強(qiáng)。

這個(gè)判斷不僅僅發(fā)生在硅谷，在間隔兩周的兩次訪談之間，國內(nèi)大廠騰訊、字節(jié)也先后宣布取消中層。

AI時(shí)代，任何判斷都會(huì)很快被推翻

馬培元觀察到的變化，不只停留在組織層面。更宏觀的行業(yè)判斷：“在硅谷AI公司內(nèi)部，什么樣的Token支出算合理，什么樣的模型才是好模型？”同樣在以肉眼可見的速度被推翻。這一次，連他在第一次采訪時(shí)說過的判斷，都沒能扛過兩周。

硅谷的AI行業(yè)本身也在以月甚至以日為單位自我推翻，沒有什么判斷能保鮮太久。

觀察7：Token Maxxing出現(xiàn)了分化，大公司開始重新關(guān)心效率

今年初，硅谷一度流行“Token-Maxxing”。Meta等公司一度甚至做過Token使用排行榜。誰用得最多，誰就是“AI原生”的代表。我覺得這?先就是一件很蠢的事情——AI token的使?量跟?程師的效率不能畫等號。

Google、Meta的朋友還跟我說，他們當(dāng)時(shí)都在搞“AI大躍進(jìn)”。公司會(huì)專門辦“AI Week”，所有人都要停下手里的工作，去寫AI Skills，把自己的Skill包裝得天花亂墜。

一開始，幾乎所有公司都是這個(gè)思路：先讓大家盡可能多地用AI，看看到底能用到什么程度。

但一旦變成公開排名，人的行為就會(huì)被扭曲。工程師會(huì)為了“用得多”而用，甚至出現(xiàn)一些很荒誕的情況，比如讓AI每晚定時(shí)亂跑、空跑一些沒有意義的任務(wù)，只是為了增加使用量。這其實(shí)和用GPA去衡量學(xué)生能力一樣，單一指標(biāo)很容易失真。

后來很多高層也開始意識(shí)到這個(gè)問題。更具體的是，他們被賬單嚇到了。比如Uber，2026年全年的AI專項(xiàng)預(yù)算，前四個(gè)月基本就燒完了。很多大公司開始重新限制Token用量。董事會(huì)和CEO會(huì)開始問，這個(gè)token?量真的值嗎？它真的能讓我們提升這么多效率嗎？?個(gè)億美?花下去，它真的帶來了?個(gè)億的產(chǎn)出嗎？

這場焦慮很快被Cognition做成了一份可以明碼標(biāo)價(jià)的商業(yè)答卷。6月4日，Cognition發(fā)布了“AI生產(chǎn)力保證”——如果企業(yè)客戶使用Devin（Cognition推出的AI軟件工程師產(chǎn)品）后，效率提升沒有達(dá)到承諾水平，最高賠償1000萬美金。做這份研究的，是我一位拿過三塊國際信息學(xué)奧賽金牌的同事，他調(diào)研了233個(gè)真實(shí)客戶案例，隨機(jī)抽取客戶和Devin的對話，問客戶“如果不用Devin，這段工作純?nèi)斯ひǘ嗑谩保儆眠@些數(shù)據(jù)訓(xùn)練出一套預(yù)測系統(tǒng)，把每一次Devin對話，直接轉(zhuǎn)化成“等效工程師小時(shí)數(shù)”，用工程師的時(shí)薪反推這套產(chǎn)品到底省下了多少。

但很多YC公司，可能還會(huì)繼續(xù)“token maxxing”的模式，因?yàn)樗麄冇泻芏嗾邇?yōu)惠的免費(fèi)token額度，再加上規(guī)模小，可能只有三個(gè)人，沒有什么AI治理的問題，管理者能直接看到每個(gè)人到底是不是在用AI摸魚。

觀察8：模型崇拜本身也在被推翻

就在這篇稿子兩次訪談的兩周間隙里，我發(fā)現(xiàn)自己上一次講的道理，已經(jīng)開始不太對了。

兩周前，我還在談?wù)撃膫€(gè)模型是當(dāng)下最前沿的。現(xiàn)在，Cognition內(nèi)部剛剛發(fā)布了一個(gè)還沒有中文譯名的功能，代號叫fusion mode——把多個(gè)便宜模型和頂尖模型融合調(diào)度使用，而不是無腦調(diào)用最貴的那一個(gè)。你不會(huì)天天開你的保時(shí)捷去買菜吧，你應(yīng)該去開你的本田或者便宜的車去買菜。這兩周模型迭代的速度也超出了我的想象，連誰是“number one”這件事，都不敢說得太滿。

我不能說所有的，但你可能說大于60%，很多可能是一個(gè)月之后就可能又是反著來的。

AI時(shí)代，“機(jī)會(huì)”藏在非共識(shí)里

任何技術(shù)浪潮演進(jìn)的規(guī)律都是如此，舊共識(shí)破滅，往往正是新范式建立的開始。

當(dāng)市場告別了對單模型和算力燒錢的盲目崇拜，圍繞“如何讓AI穩(wěn)定可控地落地”以及“如何啃下大模型啃不動(dòng)硬骨頭”的需求便爆發(fā)出來。兼具工程師與投資獵頭雙重視角的馬培元注意到，一批不依賴“大模型神話”、專注于解決真實(shí)世界復(fù)雜痛點(diǎn)的新生意，正在硅谷的非共識(shí)中悄然萌芽。

觀察9：新的AI infra正在出現(xiàn)

圍繞“Token-Maxxing”，其實(shí)已經(jīng)出現(xiàn)了一批新的創(chuàng)業(yè)公司。他們專門觀測、監(jiān)控團(tuán)隊(duì)的AI使用情況，分析哪里在浪費(fèi)token。

這背后更深一層的問題在于，AI agent本身是脆弱的。一個(gè)prompt的微小變化，就可能導(dǎo)致agent的表現(xiàn)變差了。于是新的AI infra（基礎(chǔ)設(shè)施）開始出現(xiàn)，比如sandbox（沙盒環(huán)境），用來隔離agent運(yùn)行，避免它直接接觸敏感系統(tǒng)，比如銀行賬號或生產(chǎn)環(huán)境數(shù)據(jù)。

與此同時(shí)，“觀測”本身也變得更復(fù)雜。傳統(tǒng)系統(tǒng)只要報(bào)錯(cuò)就能被監(jiān)控，但agent不會(huì)“報(bào)錯(cuò)”。它可以正常運(yùn)行，卻可能在輸出層面出現(xiàn)嚴(yán)重問題，比如帶有偏見、歧視，或者讓用戶產(chǎn)生明顯負(fù)面體驗(yàn)。這就需要?套新的軟件，去監(jiān)測agent什么時(shí)候“腦?壞了”。

觀察10：“不可訓(xùn)練的東西”，正在成為新生意

投資圈里有一種越來越流行的判斷：vertical agent（垂直領(lǐng)域AI代理）已經(jīng)失去投資價(jià)值。但我并不完全同意。

硅谷投資者郭睿（Sarah Guo）提出過一個(gè)概念——“the untrainable”，也就是“不可訓(xùn)練的東西”。核心觀點(diǎn)是在很多垂直行業(yè)，語言模型永遠(yuǎn)無法完全自動(dòng)化。因?yàn)榇怪毙袠I(yè)里充滿大量無法被抽象掉的復(fù)雜流程，而且這些流程往往需要??來不斷地?個(gè)個(gè)解決。

比如美國報(bào)稅，50個(gè)州有50個(gè)稅，要一一慢慢對接；法律領(lǐng)域也是如此，移民法、民法、商法，各自體系復(fù)雜，AI agent沒法一步到位。

垂直AI agent公司的價(jià)值，就在于不斷和客戶、FDE（前沿部署工程師）的互動(dòng)中發(fā)現(xiàn)更多真實(shí)的痛點(diǎn)。這些東西會(huì)被烙印在公司的產(chǎn)品?，這也是其他?公司沒有辦法訓(xùn)練、不能被通?模型吃掉的東西。

所以，我傾向于認(rèn)為vertical agent依然有投資價(jià)值。只是它們帶來的可能不是1000倍的回報(bào)，而更可能是20倍、50倍，甚至100倍這種比較穩(wěn)、比較小的回報(bào)。

身處AI浪潮中，你感受到的最大變化是？

歡迎在評論區(qū)分享你的看法~