人才密度的三种打法：Meta、Anthropic 与 OpenAI

我在 X 上看到一则谈 Meta 重启 AI 团队的讨论。接近一百人的研究核心，以及 Zuckerberg 亲自投入招聘的过程，让我对「人才密度」起了兴趣。X 上的讨论、访谈逐字稿

但要理解这个策略，还需要把其他实验室的管理者放进来看。

Dario Amodei 早在 2024 年的访谈中，就明确主张人才密度比人才总量重要。Sam Altman 也谈过集中资源，以及评估人才对整体组织的影响。Amodei 访谈、Altman 的管理心得

这让我想问：当大家都说需要优秀的人，差别究竟在哪里？各家公司又如何让这些人一起工作？

人才密度与规模，回答不同问题

规模回答的是有多少人。人才密度关心的，是团队对能力采取什么标准，以及成员的能力如何配合工作需求。

研究核心、公司总人数与支持职能，也要分开看。Meta 的百人研究核心背后仍有大型公司的资源。其他公司的总人数则可能包含产品、商务与运营。把不同范围的数字放在一起，容易把组织分工误读成策略胜负。

因此，我会先看领导者怎么选人，再看资源、决策权与协作如何安排。高选人标准是人才策略的主张，这些工作条件则影响能力能否发挥。

图一：依三家管理者的公开说法整理，各种做法可以互相搭配。

Meta：把资源集中到精简的研究核心

2026 年 10 月的 Cheeky Pint 访谈中，Wang 强调严格筛选人才，Zuckerberg 则谈到避免把算力分散到太多研究工作。两人希望让精简核心取得较多资源，并减少不参与技术细节的管理层。访谈逐字稿

招聘也影响了重启的方式。Zuckerberg 说，他们与外部人才交谈时，才逐渐确认需要重新组建团队。原 Llama 与 FAIR 的优秀成员也会纳入。他自己则腾出约一到两个月，大量与研究员见面。访谈逐字稿

我从这里读到的，是公司要回应研究人才对工作环境的要求。想邀请的人需要什么算力、希望能决定哪些研究问题，可能反过来改变原来的组织安排。

这个做法仍有一个考题：资源集中后，谁判断哪些方向值得继续？少数研究员取得更多算力，也代表方向选错时，代价可能集中在少数判断上。

Zuckerberg 在同一场访谈中说，希望成员为自己相信的事情争辩。我会继续看的是，这些分歧能否进入实验，让新的证据有机会改变资源配置。访谈逐字稿

Anthropic：用高标准与共同目的建立互信

Amodei 对人才密度的解释，把重点放在成员如何看待彼此。

2024 年接受 Lex Fridman 访问时，他认为能力强、投入且理解共同使命的人，能让同事彼此信任。选人标准松动后，组织就可能需要更多流程，处理低信任与内部政治。他也说，Anthropic 当时接近一千人，正放慢招聘，让成长更谨慎。这是当时的组织自述，访谈中的人数也只是他的概略回忆。Amodei 访谈，约 1:38:25 起

这段话直接修正了「Anthropic 只走规模路线」的印象。公司可以成长，也可以为了保留选人质量而放慢成长。

我理解他的侧重，是让成员相信同事有能力，也愿意为共同问题负责。如此一来，协作可以少花一些时间在猜测动机与反复确认上。

但共同目的也可能形成一致性压力。研究员不同意某条路线时，团队如何分辨技术上的质疑与目标上的分歧？

Amodei 在同一场访谈中，也把开放性列为研究与工程人才的重要特质：愿意用新眼光看数据，并把想法放进实验。这让我认为，共同目的需要与可被证据改变的判断放在一起。同场访谈，约 1:42:09 起

使命可以帮助团队决定要解决什么问题。如何解决，仍需要有人提出不同看法。

OpenAI：看人才对整体组织的影响，并把责任交出去

Altman 的公开管理观点，提供了第三个角度。

在 2023 年的〈What I Wish Someone Had Told Me〉中，他主张把资源集中到少数深信的方向，也提醒读者：评估明星人才，要看他们对整体组织表现带来的影响。他同时鼓励招聘成长快的高潜力人才，并看实际完成工作的证据。Altman 的管理心得

这是他的公开原则，不能直接当成 OpenAI 每项人事决策都如此执行的证明。但它提出一个很实际的标准：一个人很强，和他让整个团队变强，仍然需要分开评估。

在 2025 年发布的 Conversations with Tyler 访谈中，Altman 谈到 OpenAI 面对更多工作时，靠招聘、晋升优秀的人，再把责任交给他们。他把这视为自己知道的可持续做法。Altman 访谈

我的理解是，组织增加工作范围时，也需要增加能独立承担判断的人。这与 Meta 精简研究核心的做法，可以同时存在于不同职能。

授权之后，协作成本仍会出现。Altman 在同一场访谈中坦承，Slack 的大量消息占用他的时间，也可能制造没有实质价值的工作。同场访谈

这让 OpenAI 的说法多了一个值得追问的地方：公司把责任交出去之后，能否让重要信息顺利流动，而不让协调本身变成新的瓶颈？

观察留任率数据

SignalFire 在 2025 年报告中，整理了几家 AI 实验室的两年留任率估计。SignalFire 人才报告

两年留任率指至少两年前入职者，在第二年结束时仍留在公司的比例。

分析涵盖 2023 至 2024 年，依据公开、自填的 LinkedIn 职历，可能有日期误差或缺漏。Meta 的 64% 则是全公司，Meta AI 没有独立纳入，数据也早于 MSL 成立。

这份报告让 Anthropic 的留任值得关注，却没有证明使命造成高留任，也没有证明留任率较高就一定产出更好的模型。

共同工作需要累积经验。哪些实验失败过、当时受到什么限制，往往影响下一次如何判断。

我在〈知识管理不靠自律，靠管线〉谈过知识如何从收集走到取用。对研究团队还得多问一句：人离开之后，文件能否让接手的人理解当时为什么那样做？

比较的重点，是工作如何完成

三家管理者的侧重可以整理如下，这些做法能互相搭配。

手机阅读时，可左右滑动表格。

读完这些观点，我更想看的，是一个想法到有效实验之间，要经过多少等待。出现新证据时，团队能否修改方向。人员更替后，工作能否接着往下做。

人才密度要变成实际成果，必须让真正懂工作、也有权配置资源与调整分工的人，负责设计人才协作的流程。谁提出问题、谁做决定、资源如何分配、分歧如何验证，都需要明确安排，并能根据实际结果修正。

懂的人必须有权改变协作方式，有权的人也必须理解工作如何完成。缺少这个结合，再多顶尖人才也可能被卡在同一套流程里。人才密度、共同目的与授权，最后都会变成空口说白话。