7 月 18 日，卡内基梅隆大学教授 Russ Salakhutdinov 在 X 上回应了一个问题：在 CMU 获得博士学位的 Kimi 创始人杨植麟，为什么没有留在美国？这条帖子在 24 小时内获得 134 万次浏览。Salakhutdinov 不仅是杨植麟的博士导师，也曾担任苹果 AI 总监，因此，这场讨论很快越过个人履历，指向一个更值得工程师关注的问题：顶尖 AI 人才究竟根据什么选择工作地点、创业市场与技术路线？
这不是一道“哪个公司更好”的单选题
把职业选择简化为“接受大厂职位”或“回国创业”，容易忽略 AI 创业的真实约束。对研究者和创业者而言，职位薪酬只是变量之一，产品决策权、算力获取、用户反馈速度、融资环境、团队密度和监管边界，往往同时参与决策。
尤其在大模型行业，人才不是脱离环境独立工作的零件。一个研究方向能否变成产品，至少依赖四条链路：
- 研究链路：能否持续训练、评测和迭代模型。
- 工程链路：能否把模型接入检索、推理、计费和监控系统。
- 产品链路：能否迅速接触真实用户，获得高质量反馈。
- 组织链路：创始团队是否拥有足够的技术与产品决策权。
因此，“为什么不留下”并不能只用工资、学校排名或公司品牌解释。更准确的问题是：哪个环境能够让当事人以更低的协调成本，完成他真正想做的产品？
AI 人才流动正在从单向迁移变成多中心配置
这场讨论受到关注，也说明旧有叙事正在失效。过去，人们经常把顶尖学生进入美国高校、再加入当地科技公司，视为一条近乎默认的路径。但当不同市场都具备模型研发、产品分发和资本支持能力时，选择开始分化。
这不意味着地域差异已经消失。先进芯片供应、云服务价格、人才签证、数据合规和资本周期仍会直接影响团队。但人才会比较的不再只是实验室条件，而是一个完整系统：在哪里更容易召集关键成员，在哪里更快接触目标用户，在哪里能够保留产品方向的控制权。
杨植麟和梁文锋之所以经常被放在同一类讨论中，不只是因为个人经历，而是因为他们所代表的路径具有组织意义：关键人才可能选择建设自己的技术系统，而不是只在成熟机构中寻找一个职位。
需要强调的是，来源摘要没有给出两人的完整决策过程，也不足以把他们的选择归结为某个单一原因。更稳妥的理解，是把个案当作观察 AI 人才、资本、算力和市场重新组合的窗口。
把职业判断写成可检查的模型
这类决定包含大量主观偏好，但仍然可以工程化拆解。下面是一个可直接运行的 Python 示例，用加权决策矩阵比较三种假设路径。
这只是一个实践模板，并非对杨植麟、梁文锋或任何公司的真实评分。运行前，应根据自己的情况修改 weights 和 options 中的分数。
from dataclasses import dataclass
@dataclass
class Option:
name: str
scores: dict[str, float]
weights = {
"research_freedom": 0.20,
"compute_access": 0.15,
"product_control": 0.20,
"user_feedback": 0.15,
"team_density": 0.10,
"financial_stability": 0.10,
"regulatory_fit": 0.10,
}
options = [
Option("海外大厂研究岗", {
"research_freedom": 7,
"compute_access": 9,
"product_control": 4,
"user_feedback": 6,
"team_density": 9,
"financial_stability": 9,
"regulatory_fit": 6,
}),
Option("国内大厂技术岗", {
"research_freedom": 6,
"compute_access": 8,
"product_control": 5,
"user_feedback": 9,
"team_density": 8,
"financial_stability": 8,
"regulatory_fit": 8,
}),
Option("组建 AI 创业公司", {
"research_freedom": 9,
"compute_access": 5,
"product_control": 10,
"user_feedback": 9,
"team_density": 6,
"financial_stability": 3,
"regulatory_fit": 7,
}),
]
def weighted_score(option: Option) -> float:
missing = set(weights) - set(option.scores)
if missing:
raise ValueError(f"{option.name} 缺少评分项: {sorted(missing)}")
return sum(option.scores[key] * weight for key, weight in weights.items())
for option in sorted(options, key=weighted_score, reverse=True):
print(f"{option.name}: {weighted_score(option):.2f}")
运行命令：
python3 decision_matrix.py
模型的价值不在于生成一个看似精确的答案，而在于暴露假设。例如，当“产品控制权”的权重从 0.20 提高到 0.35 时，创业路径可能明显上升；当“财务稳定性”和“算力获取”成为硬约束时，成熟机构通常更有优势。
还可以进一步做敏感性分析：分别调整一个权重，观察排序是否频繁变化。如果排序稍微改动就反转，说明决策并不稳健，需要补充信息，而不是急于下结论。
创业选择的代价不能从叙事中删除
回国创业或拒绝知名公司的机会，很容易被包装成英雄故事，但工程现实更冷静。大模型公司需要承担持续算力开支、模型效果波动、推理成本、数据治理、安全评测和商业化压力。创始人的自主权越大，对融资节奏、组织招聘和技术失败负责的程度也越高。
地域与政策环境也不是静态变量。芯片供应变化、跨境协作限制、模型备案要求以及不同市场的隐私规则，都可能改变原有判断。一次正确选择不代表同一路径对所有人都成立，更不意味着数年后仍然最优。
对普通工程师而言，真正可复用的不是某位创始人的答案，而是他的决策框架：
- 明确自己优化的是论文影响力、产品控制权，还是财富与稳定性。
- 区分可协商条件和硬约束，例如签证、家庭、算力与合规资格。
- 检查团队是否已经具备模型、基础设施、产品和商业化能力。
- 用最坏情形估算创业成本，而不是只看成功案例。
- 每隔一个融资周期或产品周期重新评估关键假设。
看见个人选择背后的基础设施
杨植麟为何没有沿着一条看似顺畅的留美路径继续前进，会引起如此大的讨论，正因为它挑战了关于 AI 人才流向的惯性判断。个人选择当然包含理想、身份认同和生活偏好，但技术创业还受到算力、市场、团队、资本与治理能力的共同约束。
与其争论哪一边“赢得了人才”，不如观察哪里正在形成更短的研发反馈回路、更完整的工程团队和更可持续的商业模式。顶尖人才最终流向哪里，往往是这些系统条件共同作用的结果，而不是一份录用通知能够单独决定的。