硅谷AI工程師馬培元基於四年多的行業觀察，提出當下十個顯著變化：人才招聘從專才轉向通才，AI工具使用能力可跨越資歷年限；組織架構趨向扁平化，管理者需兼具技術能力，people manager角色正在消亡；Token使用從盲目追求数量轉向關注效率，大公司開始重新算賬；模型崇拜被推翻，硅谷正流行融合調度多個便宜與頂尖模型；AI infra新基礎設施正在出現，垂直AI agent因能解決「不可訓練」的真實痛點仍具投資價值。馬培元強調，在AI領域一年是很長的週期，大多數判斷可能在一個月內就被推翻。文章作者、來源：36kr
所有共識都在迅速過期
所有人都在試圖建立關於 AI 的判斷，但所有共識都在迅速過時。
訪談 | 巴芮 海風
文｜海風 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過去了。
這是身處矽谷AI創業一線的馬培元最近最深的感受。
2021年12月，本科畢業後，他進入被稱為「美版知乎」的 Quora，後來轉至 AI 聊天機器人聚合平台 Poe，擔任資深 AI 工程師。2個月前，他又加入矽谷最熱門的 AI Agent 創業公司 Cognition。
在 2026 年 5 月，這家成立不滿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 個月前，它的估值為 102 億美元。
除了工程師之外，馬培元還有另一個身份——投資獵頭（Venture Scout）。他為投資機構尋找值得押注的AI創業項目，每年擁有50萬美元的投資額度。
在畢業後的這四年多時間裡，他似乎總比AI行業的共識行動得更早，在「agent」這個詞還未被任何人清晰定義之前，他所屬的團隊已悄悄啟動項目。當Anthropic還是無名之輩時，他們已成為Claude最早的深度用戶。他是團隊中第一位AI認證工程師、第一位AI agent工程師，後來更將整個工程團隊「洗腦」成使用AI編程的AI Native團隊。
這種認知與行動的超前，最有趣的印證發生在兩週前，他在與「未來人類實驗室」對談時隨口提到「people manager 正在消亡」，沒過多久便被騰訊、字節跳動宣布取消中層的新聞所證實。
變化發生得太快，在矽谷，要時刻與變化共處。
在這篇稿子兩次訪談的兩週間隔裡，馬培元發現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。當下硅谷流行的做法是把多個便宜模型和頂尖模型「融合調度」使用。
我和馬培元聊了近5個小時，我們發現，他幾乎一直在推翻昨天的自己，矽谷也一樣。「我不能說所有的，但你可能說大於60%，一個月之後就可能又反著來了。」
過去幾年，AI 幾乎改寫了矽谷的所有預設規則：什麼樣的人更容易脫穎而出，什麼樣的組織更有競爭力，什麼樣的錢花得值。
當然，這些所謂「正確答案」的判斷，也在迅速失效。在 AI 領域，一年已經是很長的週期，很多判斷可能在一個月內就被推翻。
以下是馬培元眼中十分當下的10個矽谷AI觀察：
馬培元
硅谷需要什麼樣的人才？
馬培元的職業畫像，高度契合了矽谷AI公司最喜愛的人才樣貌。他並非傳統的電腦背景，沒有贏得競賽金牌，沒有頂尖名校光環，甚至一度對電腦毫無興趣，但過去四年，他從Quora的廣告組一路晉升為Cognition的AI工程師，履歷完美契合了矽谷AI公司目前最想要的人才畫像中的每一個關鍵詞。他的經歷，既是一部個人成長史，也是一份行業招聘標準變化的樣本。
觀察1：通才碾壓專才
矽谷目前最搶手的人才畫像，並非某個領域鑽得最深的專家，而是「每一項都過得去、沒有明顯短板」的人——業內稱之為 polyglot talent，更通俗地說，就是「六邊形戰士」。
在2024年，Poe 內部啟動了一個當時尚無明確定義的「agent」項目，團隊選擇我這個新人的理由很直接：「既做過 AI，也做過全棧開發和 iOS」。當時團隊裡其他人多數來自傳統機器學習、搜尋與廣告推薦背景，他們不懂前端代碼，而 agent 恰好需要能撰寫前端介面的人。公司原本負責 AI 提示詞工程的人離職後，團隊中再也無人能填補這個缺口，而我正好學得快，於是我就同時負責這個 agent 的提示詞工程與前端代碼撰寫等工作。
這套「什麼都會一點」的能力組合，後來變成了我找工作時最值錢的資本。只要你給我一個新的領域，我可以在兩週內學得差不多。而這正是早期創業公司所需要的人才。
觀察 2：AI 原生技能可在短時間內碾壓資歷年限
The ability to use AI tools can directly overshadow qualifications accumulated through years of experience.
當我從 Quora 廣告組轉到 iOS 組時，理由是「想走出舒適圈」，但當時我對 iOS 完全不懂，是徹頭徹尾的「0 年經驗」。我沒有選擇慢慢補課，而是把 GPT-4 當成自己的搭檔。當時我周圍的人都是非常資深的 iOS 工程師，他們可能不相信 AI。我不會寫 iOS，也不會寫 Swift 程式碼，於是我就瘋狂地讓 AI 幫我寫程式碼。
結果是，我這個剛入行三四個月的新人，產出速度追平甚至超過了身邊浸淫多年的資深工程師，兩年內就做到了資深職位。這在傳統晉升體系裡，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升級到資深工程師。
我在 Cognition 曾遇到一位 19 歲的面試官。一開始我還有些沮喪，一個 26 歲的人被 19 歲的人「拷問」，很多問題我都答不上來。後來我意識到，這恰恰是一個跡象，說明這家公司確實能不拘一格降人才，且年齡不再是矽谷評判人才的標準。
觀察 3：招聘標準被徹底重寫，AI 公司不用同一套模板面試
在離開 Quora 之前，我認真面試了近 20 家公司，加上打過電話的，共有 30 到 40 家。最多的時候，我一週被 30 多位獵頭聯繫。
面試了這麼多家公司，我發現，當下 AI 公司招人沒有一個統一的面試模板。
但有幾個很明顯的變化，LeetCode 式算法題的重要性正在下降，關於 AI 系統設計的最佳答案每個月都在改變。
面試結構也在變化。線上筆試＋work trial 成為一種新的組合。work trial 是一種非常短的「試用期面試」，有的長度為 3 小時，有的為 5 小時，最長也不過一兩天。我曾遇到一次面試，面試官直接給我一個程式碼庫，讓我使用任何工具（包括 AI）解決一個實際問題。完成後，還需展示我的思路與成果。整個過程已非常接近真實工作。
更有趣的是，對 AI 使用的考察本身也被分為兩種模式。有些輪次要求必須使用 AI，考察你如何「by code」；但也有輪次明確禁止使用 AI，例如 debug，考驗的是在沒有 AI 輔助的情況下，你能否找出錯誤，本質上是在測試個人實際的軟體工程水平與品味。
面試本身也有多種形式。例如，有的公司會讓我進行商業分析，判斷他們應該收購哪個行業。
行為面試（behavior round）也變了。它不再是「個人最大的缺點和優點」「跟同事有衝突怎麼解決」等傳統問題，而是拉長時間線，去看一個人的成長軌跡，從高中到大學，從實習到工作，一路追問，看你的「人生斜率」，判斷你是不是一個能夠指數型增長的人。
沒有標準答案帶來的一個意外好處是：沒有人能靠背題拿到錄用通知。連我在 Cognition 的內推人都直接告訴我：「你別準備了，我覺得沒什麼可準備的。」
AI 正在重構組織結構
在矽谷，最頂尖的一群人，從不屬於某一家公司，只屬於「那個時代最頂尖的公司」。二十年前是谷歌，十年前是 Uber 和 Robinhood，五年前是 Coinbase，現在是 AI 公司，矽谷是「流水的銀盤，鐵打的兵」。這些被新標準篩選出來的人才，更會因使命感，而非「待遇」而留下。這些匯聚最頂尖人才的組織，也正在 AI 的重塑下發生巨變。
觀察 4：過於渴求「AI 原生」
科技公司對AI原生（AI native）的渴望程度遠遠超乎我的想像。我面試的公司大多是A輪、B輪，也有一些種子輪。一個非常高頻的問題是：你使用什麼AI工具？我通常直接把自己寫的部落格丟過去，對方幾乎都會「目瞪口呆」。
他們會說，不僅希望我開發 AI 應用，更希望我推動公司內部的 AI 轉型，讓團隊變得更 AI 原生。許多公司其實已經在開發 AI 產品，但員工尚未建立自己的 AI 工作流程。而且，他們也非常需要每天花很長時間刷 Twitter、及時分享新奇 AI 發現或提效技巧的人。
這件事對我來說有點反直覺。我過去的一些「愛好」，例如每天嘗試 Claude Code 等新工具、在 Slack（一款辦公軟體）裡分享 AI 的用法，反而變成了一種新的組織角色。
在 Quora 時，我成功讓整個工程團隊都開始使用 Claude Code。每當在辦公室遇到一位工程師，我都會問：「你有沒有用 AI 來寫程式？」我記得有一位從事網路安全的工程師，一開始很抗拒，認為用 AI 寫程式風險太高。後來我讓他換個角度思考：不要寫程式，只用 AI 來閱讀程式碼、理解程式碼庫、進行資料分析。結果，他真的開始使用了。
觀察 5：「更好地使用 AI」，實質是個組織轉型問題
在 Cognition 做 AI 相關工作時，我越來越發現一個事實：更好地使用 AI，可能已經不是一個純工程問題，而是一個組織架構上的轉型問題。
舉個例子，傳統組織架構的互聯網公司，一個 Bug 從發現到修復，往往要經過需求評估、工程排期、開發、測試、上線等好幾個環節。真正用 AI 寫代碼可能只需要兩三個小時，但整個流程走下來，經常要一個月。
過去這樣的流程是合理的，因為修復一個錯誤，工程師可能需要花上三到五天，流程的價值在於協調不同團隊和分配資源。但AI將這個時間大幅縮短了。
現在，我們使用 Cognition 推出的 AI 軟體工程師產品 Devin，兩三個小時就能完成過去幾天的工作。在 Cognition，我們甚至可以讓 Devin 找出負責這個 Bug 的人，再由 Devin 協助其完成修復，中間許多協調與流轉環節都可以省去，毫無冗餘。其實是 AI 在倒逼整個組織架構的轉型。
觀察6：人員經理正在消亡，管理者必須自己會寫程式碼
所謂的 people manager 就是工程經理（engineering manager）。在美國，近年來流行的一種觀點是，作為管理者就應專注於管理，更多負責團隊協調、組織溝通、關懷員工情緒並提供成長支持，工程能力不必特別強。
但進入 Cognition 後，我發現整個組織架構非常扁平。例如，我的直接上級甚至是 CPO，也就是聯合創始人之一。他不會細緻關注你的個人成長，角色更像於確立大方向。甚至可以這麼說，Cognition 現在 60 多人的工程團隊中，真正的 people manager 只有一人，其他包括 CPO 在內，都是「既管人、也寫程式碼的」。這和我之前在 Quora 的體驗完全不同。當時，一個 manager 可能要管理五六名工程師。
Cognition 團隊全體穿上紅色衣服，為一位日常愛穿紅色衣服的同事慶生
我覺得這可能是 AI 帶來的組織架構變化。我觀察到，任何一家充滿活力的 AI 創業公司都是如此，幾乎沒有只負責管理人的經理——如果他管理人，他的技術一定也很強。
這種判斷不僅發生在矽谷，在相隔兩週的兩次訪談之間，國內大廠騰訊、字節也先後宣布取消中層。
在 AI 時代，任何判斷都會很快被推翻
馬培元觀察到的變化，不僅停留在組織層面。更宏觀的行業判斷：「在矽谷AI公司內部，什麼樣的Token支出算合理，什麼樣的模型才是好模型？」同樣以肉眼可見的速度被推翻。這次，連他在第一次採訪時說過的判斷，都沒能撐過兩週。
矽谷的 AI 行業本身也在以月甚至以日為單位自我推翻，沒有任何判斷能保鮮太久。
觀察7：Token Maxxing 出現了分化，大公司開始重新關注效率
今年初，矽谷曾流行「Token-Maxxing」。Meta 等公司甚至曾推出過 Token 使用排名榜，誰用得最多，誰就被視為「AI 原生」的代表。我覺得這首先就是一件很蠢的事——AI token 的使用量不能與工程師的效率畫上等號。
Google 和 Meta 的朋友還跟我說，他們當時都在搞「AI 大躍進」。公司會專門舉辦「AI Week」，所有人都要放下手頭的工作，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思路：先讓大家盡可能多地使用 AI，看看到底能用到什麼程度。
但一旦變成公開排名，人的行為就會被扭曲。工程師會為了「用得多」而用，甚至出現一些很荒誕的情況，比如讓 AI 每晚定時亂跑、空跑一些沒有意義的任務，只是为了增加使用量。這其實和用 GPA 去衡量學生能力一樣，單一指標很容易失真。
後來，許多高層也開始意識到這個問題。更具體地說，他們被帳單嚇到了。例如，Uber 在 2026 年全年的 AI 專項預算，前四個月就基本燒完了。許多大公司開始重新限制 Token 使用量。董事會和 CEO 會開始問：這個 Token 使用量真的值得嗎？它真的能讓我們提升這麼多效率嗎？一億美元花下去，真的帶來了一億的產出嗎？
這場焦慮很快被 Cognition 轉化為一份明碼標價的商業答卷。6 月 4 日，Cognition 發布了「AI 生產力保證」——如果企業客戶使用 Devin（Cognition 推出的 AI 軟體工程師產品）後，效率提升未達承諾水平，最高賠償 1000 萬美元。進行這項研究的是我一位曾獲得三枚國際資訊學奧林匹克金牌的同事，他調研了 233 個真實客戶案例，隨機抽取客戶與 Devin 的對話，詢問客戶「若不使用 Devin，這段工作純人工需耗時多久」，並利用這些數據訓練出一套預測系統，將每一次 Devin 對話直接轉化為「等效工程師小時數」，再以工程師的時薪反推這款產品究竟節省了多少成本。
但許多 YC 公司可能仍會繼續「token maxxing」的模式，因為它們享有大量政策優惠的免費代幣配額，再加上規模小，可能只有三人，幾乎沒有 AI 治理的問題，管理者能直接觀察每個人是否在用 AI 摸魚。
觀察 8：模型崇拜本身也正在被推翻
在這篇稿子兩次訪談的兩週間隔中，我發現自己上次所講的道理，已經開始不太對了。
兩週前，我還在討論哪個模型是當下最前沿的。現在，Cognition 內部剛剛發布了一個還沒有中文譯名的功能，代號叫 fusion mode——將多個便宜模型與頂尖模型融合調度使用，而不是無腦調用最貴的那一個。你不會天天開你的保時捷去買菜吧，你應該去開你的本田或者便宜的車去買菜。這兩週模型迭代的速度也超出了我的想像，連誰是 “number one” 這件事，都不敢說得太滿。
我不能說所有的，但你可能說大於 60%，很多可能一個月之後又會反過來。
在 AI 時代，「機會」藏在非共識裡
The pattern of evolution in any technological wave is such that the collapse of old consensus often marks the beginning of a new paradigm.
當市場告別了對單一模型和算力燒錢的盲目崇拜，圍繞「如何讓 AI 穩定可控地落地」以及「如何啃下大模型啃不動的硬骨頭」的需求便爆發出來。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」、專注於解決真實世界複雜痛點的新生意，正在硅谷的非共識中悄然萌芽。
觀察 9：新的 AI 基礎設施正在出現
圍繞「Token-Maxxing」，已出現一批新創公司，專門監測和追蹤團隊的 AI 使用情況，分析哪些地方浪費了 token。
更深層的問題在於，AI agent 本身是脆弱的。一個 prompt 的微小變化，就可能導致 agent 的表現變差。於是，新的 AI infra（沙盒環境）開始出現，例如 sandbox，用來隔離 agent 的運行，避免其直接接觸敏感系統，例如銀行帳戶或生產環境資料。
同時，「觀測」本身也變得更複雜。傳統系統只要報錯就能被監控，但 agent 不會「報錯」。它可以正常運行，卻可能在輸出層面出現嚴重問題，例如帶有偏見、歧視，或讓用戶產生明顯負面體驗。這就需要一套新的軟體，去監測 agent 什麼時候「腦子壞了」。
觀察10：「不可訓練的東西」正在成為新生意
投資圈裡有一種越來越流行的判斷：vertical agent（垂直領域AI代理）已經失去投資價值。但我並不完全同意。
硅谷投資者郭睿（Sarah Guo）曾提出一個概念——“the untrainable”，即“不可訓練的東西”。核心觀點是，在許多垂直行業中，語言模型永遠無法完全實現自動化。這是因為垂直行業中充滿了大量無法被抽象化的複雜流程，而這些流程通常需要人力逐一解決。
例如美國報稅，50個州有50種稅，需要逐一慢慢對接；法律領域也是如此，移民法、民法、商法，各自體系複雜，AI agent無法一步到位。
垂直 AI agent 公司的價值，在於不斷與客戶和 FDE（前沿部署工程師）互動中發現更多真實的痛點。這些東西會被烙印在公司的產品裡，這也是其他大公司無法訓練、無法被通用模型吸收的東西。
因此，我傾向於認為垂直型代理仍具有投資價值，只是它們帶來的回報可能不是 1000 倍，而是更穩健、較小的 20 倍、50 倍，甚至 100 倍回報。
