一个实习生带一个团队，一家创业公司的人才实验

“即便是天才，第一声啼哭也不会是美妙的歌声。” 文丨司雯雯 编辑丨赵磊 AI 竞争中，巨头和创业公司都前所未有地重视人才，也比过去都追求高效：薪水越高、耐心越少，这些聪明的年轻人最好不用培养、不必试错，来了就能解决问题。 一些年轻人不想做极致效率机器的一部分。他们更向往的环境是公司鼓励创新、有探索空间，个人的创新也能有助于公司。 面壁智能联合创始人刘知远相信，只要找到平衡点，这两者就能共存。他在清华大学任教十多年，2021 年参与智源研究院的大模型项目 “悟道”、训练千亿参数大模型，在一线研究 AI 的驱动中创业、成立面壁智能。一年后，和大多数公司对超大模型的追求不同，选择走差异化的端侧 AI 路线。最初不被看好，但等更多公司注意到端侧 AI 的应用和商业潜力时，面壁智能已经是走得最快的那个。 他说自己也不是小天才，面壁智能的发展得益于一个目标一致、互相鼓励、敢于信任的组织。做端侧 AI 的选择也让面壁智能避开最激烈的战场，在大厂拼数据、人力、算力时，把 “培养人” 当作一种组织能力。 面壁智能特意在公司保留 Frontier Lab 的气氛，从技术负责人到研究员、实习生以 “传帮带” 方式培养人，给实习生一定时间做前沿探索。这项人才计划命名为 “前进四”，在《三体》中意指 “全速前进”。 “我创业的一部分动力就是站在最前沿培养人。” 多年教职让刘知远有一种 “教师” 气质，总是笑得很随和，“优秀的人也要给足够多的机会，阳光充分了肯定可以灿烂”，他加重语气，“就算是天才，也不可能生下来第一声啼哭就是一首美妙的诗歌嘛。” 资源有限，更要培养人 面壁智能前沿探索方向 AI4AI 的核心骨干之一，是名实习生。李奇看起来很年轻，明年博士毕业，去年才加入面壁智能。他带领的团队几十人，是专门负责前沿方向的智能进化实验室里人数最多的一组。接近一半是正职研究员，比他在面壁智能更久、经验更多。 他当然符合一个优秀实习生的标准：拿过全国物理竞赛金牌，本科保送清华姚班，博士在清华念自动化专业。但大公司会认为这有些冒险：实习生毕竟青涩，也被认为不太稳定。他们更习惯用有些管理经验的人或在知名公司待过的人带团队。 “AI 就是要探索、要试错的领域。” 一位面壁智能的管理层反问，“谁一开始就是专家？” 加入面壁智能前半年，李奇在 AI Infra 团队尝试过几个方向，最感兴趣的是 AI4AI——用 AI 研究、训练、评估和改进 AI，让 AI 能自我迭代，这可能会打破人类数据、算力供给有限对 AI 能力的限制， AI 研发将以指数级速度加快。但当时觉得路线不够明确、时机还不成熟，直到 2026 年 2 月 Claude Opus 4.6 发布，展现了 AI 独立完成复杂研发任务的能力。 “这个故事好像能往前推了！” 智能进化实验室负责人李宇轩对李奇说，“试一试吧”。李宇轩也才 31 岁，明白年轻人的冲劲需要被鼓励。 他们先从 Infra 环节开始测试 ，几个人分头花了一个月，验证了 AI 可以在 Infra 环节辅助研发，比如编写代码、调试、清洗数据。面壁智能决定给李奇更多时间、队员和资源，李奇和几位研究员开始全力投入 AI4AI，两个多月后，在实习生主导下，他们做出了一套完全由 AI 编写、没有人类参与的大模型预训练框架 ForgeTrain。在英伟达 H100 上，训练速度比大多数大厂和创业公司应用的主流框架 Megatron 约快 10%。 项目发布后，AI Infra 部门升级成智能进化实验室，李奇自然成了 AI4AI 方向的负责人。刘知远预计，半年到一年，AI4AI 就会进入工程化阶段、实际影响模型生产，只有少数公司能抓住机会。 这项任命没什么讨论的过程，“能力强，大家都看得见”，也没定具体的 KPI。 “前进四” 人才计划的目标之一是将这种 “氛围” 变成更稳固、更可解释的培养制度。2025 年，DeepSeek 爆火让行业意识到少数人能创造巨大收益，大厂、创业公司都开始高薪抢人。韩旭发现，面壁智能几乎所有岗位招人都很难，来面试的不少，但拿到 offer 后，大厂也会加价。刚成立时，面壁智能和大厂拼薪水不现实，“钱没有别人多，还要硬碰硬？如果只靠高薪，招到的人也不见得对我们很认可”。 一些大公司习惯筛选而不培养，追求极致效率，来了就能干活、不需要时迅速裁掉冗余人力，为此愿意花更高薪水。这可能是面壁智能的机会，首席研究员韩旭总结为 “从培养人的角度，来解决人才紧缺的问题”。 他和刘知远等负责人讨论，决定从实习生入手，设立 “前进四” 人才计划。如果相信端侧 AI 是长坡厚雪，要做五年、十年、几十年，那该有耐心建立人才梯队，通过在实践中培养人，来提高团队能力。 “我们是中国最善于培养 AI 人才的团队之一，为什么不发挥这个优势呢？我们可以让实习生在面壁智能变得优秀。” 从做助理研究员时算，刘知远在清华任教 13 年，是中国最早一批 NLP 研究员，培养了大量学生，“我们不要求实习生有经验、立刻能做事，也不谋求未来一定留在面壁智能。说实话，如果能培养出特别优秀的人，那也是为国家做贡献。再说未来几十年，总有其他机会合作。” 他们明确，“前进四” 人才计划要让实习生感受到认可，一部分最优秀的实习生会在毕业前就获得期权等激励；让实习生在核心项目中参与核心工作、独立负责项目，而不只是做基础、重复性工作；给实习生更多的资源支持，让研发成果更快应用到公司产品中。 面试前，李奇没有做过 AI4AI 相关的研究，他和面试官讨论更多的是如何理解 AI、怎么用 AI 解决问题，以及解决问题的逻辑性和自主性。另一名 “前进四” 人才计划的实习生本科在一所双非院校，参加超算比赛时遇到面壁智能团队，课题相似，他就给刘知远写了一封邮件，讲自己对大模型有多感兴趣。 对方很快回复。一轮技术面试后，他在面壁智能只有 9 人时加入，开始做文本大模型的 Infra。 在文本大模型 Infra 业务工作了两年多后，这名 “前进四” 实习生感到成长空间变小了，很多工作变得重复。他做了一些调研，直接告诉韩旭，想从文本转向 Omni （全模态）。韩旭很快帮他联系了几位资深研究员，先聊聊看是否真的感兴趣，如果确定了，“没问题，直接开搞”。他转述韩旭的答案，说自己讲这话前没有多想，因为相信韩旭会接受他的想法、根据他的兴趣去匹配。他有时会觉得自己更像在面壁智能的学生，而不是员工。 “公司培养了人，人家也帮公司做了事，咱们都不亏。” 韩旭说。一些实习生想去大厂或者转做学术，他会帮忙推荐、对接资源，“如果实习生能在另一家公司做到很高位置，至少证明我们的培养很成功。” 这一方面和 “前进四” 人才计划的定位有关，实习生本身就是一家商业公司中最灵活的一群人，尚未毕业、选择空间大，相对正职研究员不必承担 KPI 压力、不用为商业化负责。能入选的也是少数极有潜力的实习生，公司也希望他们在被鼓励的环境中探索、创新。另一方面，DeepSeek 靠许多应届生和实习生做出了世界级的成果，让 AI 公司看到了优秀人才聚集产生的巨大效益，大家都想增强对人才的吸引力，塑造更好的雇主品牌。 5 月底，李奇主导的 ForgeTrain 项目发布并开源，参与项目的实习生接到了一些大厂头部人才计划的邀请，面壁智能也收到了许多封实习简历，其中大部分提到 ForgeTrain 项目——“如果愿意让实习生做一件不知道是否正确、何时能成功、但创新性的事，代表它一定有些理想”，李奇说，想要创新的人会被鼓励创新、愿意培养的组织吸引。 像 Frontier Lab 一样做创新 面壁智能要做成立来最艰难的一次决策时，刘知远带着公司 20 多人一起在办公室读《论持久战》。2022 年底，GPT-3.5 的发布让投资人和创业者看到大模型公司的潜力，AI 六小龙估值高涨，面壁智能团队虽然也做出了千亿参数的基础模型，市场热情却不高。 眼前有两条路，继续做更大参数比如 140B 的大模型，投入上亿、争取成为下一个 OpenAI？还是不再追求超大模型，转向端侧 AI？ 刘知远从《论持久战》中学到的是，越弱小、面对越强大的敌人，越要主动寻找战机，在局部战场形成绝对优势——那么创业公司和大厂拼谁更能烧出更大的模型，就是以弱对强。当时他判断，半年后，至少七八家厂商都能训出 GPT-4 水平的模型，接下来就是价格战。面壁智能的优势不在于拼资源。 “在大公司的射程内，必死无疑”，在那间办公室里，在场所有人讲了自己的看法，最终达成共识，做差异化的端侧 AI。2024 年下半年，他们提出 Densing Law of LLM（密度定律）：大模型达到特定智能水平所需的参数量每 3.5 个月下降一半，后发表在 《Nature》子刊。 面壁智能的核心产品 MiniCPM 端侧大模型等都基于这一技术判断。2024 年后，他们逐渐受到投资人和市场认可，“因为大家开始相信我们可以靠技术创新驱动”。 “组织密度是创新的基础。区别在于，结果不好时是一起想主意，还是互相甩锅？大家要集团化作战，数据、模型、 Infra 团队有共同目标，就会意识到每个人都对最终结果至关重要。” 刘知远举例，一家公司做大模型时，参与者超过 2000 人，但 DeepSeek 只有 100 多人就做出了效果更领先的 R1。刘知远和韩旭讨论过 DeepSeek 的组织特质，结论是组织高效、内耗少、有奔头、信念统一。 他解释，AI 公司的核心是成体系地训出领先模型，其中，模型架构、强化学习等单点需要深入研究、用创新方法加速，这都是很好的前沿课题。如果研究生不参与到具体生产中，只是闷在学校发论文，既缺少训练资源，也会离一线越来越远，一年几万篇论文，很少有人看、也没有实际作用。 而公司技术体系的单点如果没有持续创新，也会丧失竞争力，如果不实现产学研闭环，很难做最前沿的 AI ，“人培养得好、创新得好，面壁智能会发展得更好。反过来也是。” 他们把面壁智能定位成 Frontier Lab 和商业公司的混合体。比如，实习生大多在一间公司半年或一年，如果团队有大调整，研究课题可能很难继续。刘知远说，他们会尽量构建一个长期稳定的环境，让实习生安心研究。 在面壁智能几年后，一名 “前进四” 人才计划的实习生开始负责多模态模型的部分研发，有权限招人、带人。他说，公司并没有限制名额，但他和负责人讨论后，定了一条规则：先想明白新同事最近 3 到 6 个月明确能做什么、未来一到两年可能会做什么——核心是如何让每个人有足够发挥的空间。 模型厂商竞争激烈，版本更新时间不断压缩，很多公司无暇考虑这些。公司发展和个人成长之间并不总是匹配。但这名实习生在面壁智能初创时加入，做过多模态的预训练、后训练、模型发布、开源维护，能接触到的技术范围足够大，他形容团队氛围是做好 80% 确定性的事、有明确的回报，同时探索 20% 的不确定性，用非共识的解法找到优势。 “如果新同事进来只能做基础的、想象空间很窄的事情，对他不好，对团队氛围也不好。效率真的能高吗？” 他希望团队还是充分论证、克制招人。 一名实习生起初没想到，他自己的论文课题，研究如何将 1B 的稠密模型变稀疏，一开始没人知道成功概率有多大，公司还是给了许多算力支持。等在模型上验证后，他告诉刘知远这个好消息，一个月后，自己的实验项目就应用在了公司的产品上。 这也是他在面壁智能影响力最大的项目。“很快，非常快！” 公司有可能不支持实习生的实验，或者即便实验成功了，也要花几个月去验证。这可能才是常态。成果发布后，他入选了 “前进四” 人才计划，也在面壁智能参与了更核心的工作——当然，他的创新也让面壁智能受益。 AI 公司的特性是从前沿问题或还没有被完全验证的研究方向开始，不只是把已有技术产品化，而是把过去 “不可能” 的事推进到 “可能”，再把 “可能” 变成真实价值。这让创新和商业效益之间转换更快，产学研以更短周期闭环。但创新氛围能否维持，考验创始人的意志、团队价值观和长期的耐心与决心。 从 “千里马” 到培养 “伯乐” 韩旭不觉得在面壁智能和在清华带学生有什么不同。“都是希望培养一批人、一起战斗、把事做成。” 他想了一会儿，“区别可能是，一个锤子敲不了太多钉子，在公司是更多的锤子敲钉子”。 他一直想做老师，教书育人、桃李满天下。这有些受导师刘知远影响。创业四年多，从一家不到 10 人的公司发展到 400 多人、准备上市，刘知远认为面壁智能的使命是把前沿技术转换为商业成功，但他个人的第一使命还是培养人。 很多面壁智能员工习惯称呼刘知远 “刘导”，不仅因为他在清华大学任教十几年，也因为他还保留着辅导员对学生的待人习惯。实习生李奇有时在公司遇到刘知远，很少聊技术细节，会聊聊实习感受、未来规划。 他说自己就是 “被培养” 的受益者：从山东考进清华时，自己没科研论文、没竞赛经验、成绩也不突出，只是 “nobody”，起初觉得能顺利毕业就不错了。但在导师孙茂松帮助下，一步步走下来，拿到优秀博士论文、做科研，是被伯乐培养出的 “千里马”。读研时，他也看到一些本科生刚开始不太适应，但只要耐心教导，两三年后，焕然一新。 “所以千里马常有，而伯乐不常有。” 做导师、创业后，他有时看到一些年轻人最初表现不好，会想他们都比当年的自己牛，以后没道理不比他现在牛，“那我一定要努力让他们也很牛”。他希望自己和面壁智能的技术负责人们做 “伯乐”，把实习生培养为 “千里马”，然后 “千里马” 继续做下一代 “伯乐”。 这种善意在面壁智能逐渐向下传导，自然形成了一种氛围。 韩旭认可 Google DeepMind 研究科学家姚顺宇的观点，AI 个人英雄主义的时代已经过去，在集体中最重要的特质是靠谱、对做事负责任，“作为搞技术的，要是迷信小天才，那就有鬼了”。他更看重候选人是否对 AI 有长期思考、和团队是否契合。 实习生们有时会和韩旭请教租房经验，一些与公司关系不大的学术研究题目，对方也愿意给建议、介绍更相关的研究人员认识。他如今 2/3 的时间花在培养相关的事情上，“很多时候，一大早刚起床，一打开手机微信，全是 ‘坏消息’”。但他觉得也是好事，“大家真的有问题会来找我”。 “你看到别人怎么帮你，也就愿意怎么帮其他人。” 很多实习生说，他们很难解释为什么不需要制度约束，“也许只是将心比心”。 一位实习生接到了几家大厂的邀约，留在面壁智能的原因之一是在这里找到了职业生涯上的参照对象，技术牛、愿意带新人——“公司有资源是一回事，但资源不会自动转化为能力，关键是传帮带”。他最初来公司，看着那位技术负责人怎么做实验、实验失败时怎么分析归因、成功怎么归纳沉淀，“就像强化学习和监督学习一样”，从一个 bug 如何解决到一套实验方法论，有了经验后，现在新的实习生进来，他变成了传帮带的那个角色。 像他这样想的实习生不是少数。一位 “前进四” 人才计划的实习生希望，他带的一名新实习生可以自主负责一个 RL Infra 开源项目，他帮忙定好目标、流程，由对方实操。这个项目本身和面壁智能业务没有太直接的关系，但他面试时就承诺会支持对方探索，因为他也是被这样对待的。 前段时间，李奇发现一些新进实习生适应得不太好。他和业务负责人反思，既然过了面试，就代表有潜力。为什么潜力没有发挥出来？他们筛查后认为，新人指引做得不够好，目标是什么、看哪些文档、用什么代码工具等没有体系化。他和几位技术负责人花时间做了一份详细文档，既有技术理念等，也有工位分布图等细节。 这种帮助也会被体系认可。面壁智能实行员工互评，一些同事会在评价中明确信息沟通、帮助他人也是产出。每月办一次 TGIF 全员会，刘知远等会讲最近进展和未来规划，会上还有一个 “伙伴文化” 环节：谁帮助了你，可以公开感谢他。 这与刘知远的用人观有关。他不觉得从大厂挖几个知名研究员就能解决问题，相信从内部培养，由应届生、实习生留任，成长为技术骨干。他曾在社交平台上分享过一段话：如果你让他掌握了一些知识、建立了一些自信、找到了一个让他发自内心幸福的目标，那么人的潜力一旦迸发，力量会非常非常大。 如果培养好的实习生想离开呢？一名实习生不久前和刘知远聊过这个问题，他得到的建议是，在面壁智能先积累几年经验和物质条件，无论创业、去其他公司还是搞学术，然后选最适合的路、做到顶尖水平。 保持士气靠不断打胜仗 一位面壁智能的研究员渐渐觉得效率变低了。以前，他和技术负责人隔条过道，公司一共几十人，有什么事马上沟通。现在公司扩张到 400 多人，工位分了几层楼，开会时间变长，会议室有时约不上。有人也感觉到公司业务重心的变化。刘知远过去强调模型要 SOTA，今年更多讲下载量，也写进了一些研究员的 KPI 中。 当公司变大、规模扩张、商业化任务更重，组织效率和价值观都会逐渐在理解、传递上遇到挑战。刘知远听到过一些讨论，“我们还是要实事求是。模型公司都讲创新，怎么评估效果？那就看谁更能满足用户需求”。去年年中，团队一度因为文本模型效果不及预期而低落。顺着每个环节排查，发现数据、评测等基础设施不够扎实。他们花了大半年时间补短板，解决工程问题不如技术创新令人激动，但是商业组织无法回避。 面壁智能几个实验室的研发人员都有三四十人，这基本是刘知远认为一位技术负责人高效沟通的边界。他最近和韩旭等负责人讨论，如何用 AI Native 的方式保持组织的高效？ 他们不希望用传统写日报、周报的方式，这可能只增加负担、对效率无益，“解决的是领导的不安全感”。韩旭从一些非商业组织中学到用技术化的手段控制人员规模，降低管理成本，反而增强战斗力。最近，面壁智能开始推行用 AI 简化流程，鼓励研究员们开发各类 Agent，用于跑实验、基础分析。AI4AI 方向的研究成果 ForgeTrain 也已进入生产流程，开始优化模型训练、部署等环节，承担一部分重复性工作。 面壁智能每个业务板块内也在探索。多模态模型研发团队最近一年约翻了一倍，一位技术负责人发现，开会时间变长、人数也越来越多，许多同事参会只是为了同步信息。他尝试用 “树杈” 结构调整开会方式：关注相似问题的人开一个会，每个方向出一个代表去更大的范围交换信息。一些会议从几十人压缩到 10 人，一周只需要参加一个会。 另一条解决思路是，让各位技术负责人补强管理。当优秀年轻人逐渐增多后，公司开始遇到一些新问题：几位优秀实习生或研究员一个小组，人人都很好，但就是合不来，很难协作。 “那不能泛泛地喊口号 ‘大家要团结啊’，没人听得进去。” 他在公司管理中总结经验，“在一家产研结合的公司做模型，像发射火箭，要有准确的里程碑估算、稳定推进，做好工程，又要做充满不确定性的前沿探索。” 他对组织内的利他主义传统有信心，只是 “很复杂，需要学习”。 最近，他准备组织技术负责人们上领导力课程，学学管理，小到一个实习生怎么带动两三个人，大到一个组织如何进化，让每个方向的负责人有动力、有能力把团队带好。 创业四年多，他体会到每个阶段都有挑战：起初技术理念难被投资方认可，现在要想如何保持技术优势、并转化为可持续的规模化的收入。面壁智能的商业化落地目前主要在汽车、手机等行业，也是一部分大模型厂商从云端进入端侧的首选，这不只考验技术能力，也考验工程适配、合规经验、产业资源和合作方的意愿。 竞争正在变得激烈。他对面壁智能的规划是，未来三年，实现通用 AI 端侧模型的完全态，具备感知、计算和行动能力，实现软硬协同。 这个过程中，团队也会随之扩张。刘知远和韩旭认为，从根本上讲，保持组织战斗力最好的方式是不断地打胜仗。 一些公司可以沿 Scaling Law 扩大算力、数据量，用工程化方式解决问题，一些公司在产业生态、资源上有优势，但面壁智能这类创业公司最重要的发展就来自创新。2023 年、2024 年 Densing Law 的发现和应用让投资人看到，除了做超大模型，通过优化算法、数据和架构的端侧模型可以降低推理成本并保证效果，就可以在手机、汽车等终端大规模应用；提前探索 AI4AI 的 ForgeTrain 项目证明了 AI 在模型生产上的能力，也许用户可以根据模型、芯片和训练任务的不同，采用更有效率的训练框架，在英伟达 CUDA 的软件生态外做尝试。 最近一年，一位 “前进四” 人才计划的实习生和团队一起研发 Omni-Flow 流式全模态框架，把用户和 AI 的交流模式从半双工（一问一答）改进为全双工（并行交流、可随时响应或插话）。“去一家大公司用几千张、几万张卡训超大模型，听起来很厉害，但如果训练方式和目标都是参照另一家大公司，那也并不令人激动。” 他享受于探索少有人验证的技术路线。 这也是刘知远对创业最初的预期，“大家一起在 AI 时代把不可能的事做成，又能站在最前线培养人，这不是最美妙的事情吗？”