中层消失，Token狂热退潮，硅谷工程师眼里的“AI创业下半场”

封面图源 | 受访者拍摄

“野蛮生长的阶段已经过去了。”

这是身处硅谷AI创业一线的马培元最近最深的感受。

2021年12月, 在他本科毕业以后, 他进到了被称作“美版知乎”的Quora, 之后又转到AI聊天机器人聚合平台Poe，去担任资深AI工程师。2个月以前, 他还加入了硅谷最热门的以AI Agent作为核心业务的创新型企业其中之一。

2026年5月, 有一家成立时间不足三年的公司, 宣布完成了超过10亿美元的融资, 其估值一下子升至260亿美元。而在8个月之前, 它的估值仅仅才102亿美元。

不是工程师的马培元, 有着投资猎头这样的另一身份, 也就是Scout。他为投资机构寻觅值得进行投资的AI创业项目, 并且每年有着50万美元的投资额度。

毕业后过去的这四年多时间当中, 他好像一直行动得比AI行业共识更早 , 在“agent”这个词还没被任何人表述清楚定义之际 , 他所在的团队已然悄悄立项。在尚且是无名之辈的时候 , 他们就成了最初的深度用户。他是团队里首个AI认证工程师 、首个AI agent工程师 , 后来又把整支工程团队 “洗脑” 成了运用AI编程的AI团队。

两周前发生了最有意思的印证, 这种认知与行动的超前, 是他在和“未来人类实验室”对谈之际随口说出“正在消亡”, 紧接着没过多久就被腾讯与字节宣布取消中层的新闻所坐实。

变化发生得太快，在硅谷，要时刻与变化共处。

在前述稿子的两次访谈之间, 存在着两周的间隔时段, 在此期间, 马培元察觉到, 自己上一回所阐述的关于硅谷依照“追逐最为昂贵、处在最前沿位阶的模型”这样的逻辑, 竟然就渐渐显得难以立足了。当下在硅谷, 颇为盛行的一种做法是, 将多个价格较为低廉的模型以及顶尖的模型, 按照一种“融合调度”的方式加以运用。

同马培元交谈了将近5个小时, 我们察觉到, 他差不多始终在否定昨日的自身, 硅谷也同样如此。“我没办法讲全部情况, 不过你或许可以说超过60%, 一个月之后说不定又反过来了。”。

过去数年间, AI差不多改写了硅谷的全部默认规则, 什么样的人更易于崭露头角, 什么样的组织更具竞争力, 什么样的钱花得有价值。

诚然, 那些被称作“正确答案”的判断, 也正急速失去效力。于AI范畴而论, 一年都算是颇为漫长的周期了, 好多判断说不定在一个月内便会被颠覆了。

以下，是马培元眼中十分当下的10个硅谷AI观察：

马培元

硅谷需要什么样的人才？

马培元有着自身职业画像, 这职业画像与硅谷的AI公司最为青睐的人才模样高度契合。他并非传统的计算机背景出身, 未曾荣获竞赛金牌, 也没有顶尖名校的光环加持, 甚至曾经一度对计算机毫无兴趣。然而, 在过去的四年时间里, 他从Quora的广告组起步, 一路发展成为AI工程师, 其履历精准踩中了当下硅谷AI公司最渴望的人才画像的每一个关键词。因此, 他的经历, 既是一部属于个人的成长历程纪实, 也是一份能够呈现行业招聘标准变迁的样本。

观察1：通才碾压专才

在硅谷当下, 最为紧俏的人才描画形态, 并非是于某一个领域钻研得最为深入的专家这一类型, 而是那种“每一项表现都能够达到尚可的程度、不存在显著不足”的人, 在业内将其称作 , 用更为通俗的表述来讲就是“六边形战士”。

在2024年的时候, Poe内部开展了一个项目, 对于这个项目当时没人能够说得清楚它的定义, 那便是“agent”项目 , 组里挑选了我这个新人 , 挑选我的理由十分直接 , 是这么说的: “既做过AI , 也做过全栈开发 , 还做过iOS”。当时组里其他的人大多是有着传统机器学习 , 还有搜广推背景出身的 , 他们那些人并不懂前端代码 , 然而agent恰好是需要能够编写前端界面的。公司里, 原本承担AI提示词工程工作的人员离职以后, 团队之中, 再也没有其他人能够将这个空缺填补上, 恰好, 不管怎么样, 我学习速度快, 既从事这个agent提示词工程方面的工作, 又去做这个它的前端编写代码类似的事情。

这套拥有“什么都会一点”这种特征的能力组合套装, 后续成为了在我寻觅工作之际最为值钱的资本。你只要给予我一个全新的领域, 我就能够在自开始起的两周时间范围之内学到大致一样的程度。而这类资质条件的人恰是早期创业公司所需要渴求的。

观察2：AI原生技能，可以在短时间内碾压资历年限

在使用AI工具这件事上所具备的能力,能够直接实现对传统意义上凭借年限堆叠而产生的资历进行碾压。

我当初从Quora广告组转到iOS组之际, 所说的理由为“想迈出舒适圈”, 在那个时候, 我对于iOS完全是一无所知, 实实在在的“0年经验”。那时, 针对iOS和Swift代码我都不会编写情况而言, 我作出的选择并非慢慢去补课, 而是把GPT - 4当作自己的搭档。那时环绕在我周遭之人全都是极为资深的iOS工程师, 处在这种大环境下, 或许他们是不信AI的。所以, 我借助疯狂使用AI来帮我撰写代码的这个方式, 来应对自己无法编写iOS代码以及Swift代码的尴尬局面。

其结果呈现出这样的情况, 即身为刚踏入行业仅仅三四个月的新人的我, 所产出的速度, 赶上甚至超越了周边那些长时间深入钻研此行业多年的资深工程师水平, 在短短两年时间就攀升至资深的职位, 而这在传统的晋升体系范围之内的话, 几乎堪称是不可能达到的这般速度, 先前时候, 在依照常理推测可能至少需要4到6年的时间状态下去发展, 你才能够转变成为资深工程师, 像谷歌公司当中存在着一些人, 有可能用尽一生的时间都不会进阶到达资深工程师的级别当中。

遇过一位19岁面试官, 我曾有过, 起初我稍显沮丧，26岁之人被19岁之人“拷问”, 诸多问题我无法答出后来呢? 我意识到这是迹象, 表明这家公司能不拘常规选拔人才, 年龄已不是硅谷评判人才的标杆。

观察3：招聘标准被彻底重写，AI公司不用同一套模板面试

在离开Quora之前, 我仔细地面试了将近20家企业, 若算上打过电话的那部分则有30到40家。而最多的时候，一周之内有三十多个猎头主动找到我。

这么多家公司接受了面试, 当中, 我察觉到, 当前AI公司在招聘人员这件事上不存在一个整齐划一到处都一样的面试所采用的样式。

但是, 存在几个十分明显的变化。其中, 式算法题的重要程度在呈下降趋势。并且, 对于AI系统设计而言, 最佳答案月月改换、不断变化。

结构于面试之中也在发生着变化, 在线笔试予以连接work trial构成了一种全新的组合方式, work trial乃是一种极为短暂的“试用期面试”形式, 其时长有的为3小时, 有的是5小时, 而最长的情况也不过是一两天而已, 于我所遭遇的一回面试里, 直接给予我一个代码库, 要求我运用任何工具, 其中涵盖AI, 去处理一个实际存在的问题, 在完成相关操作之后, 还需要展示出思路以及成果, 由此整个过程已然与真实工作极为相近了。

更有意思的是, 对AI使用的考察本身被拆成了两种模式, 有的轮次要求必须使用AI, 看你如何“by code”, 但也有轮次明确禁止使用AI, 比如debug, 考的是在没有AI辅助加成时, 你能不能找出错误, 本质上是在测试个人实际的软件工程水平和品味怎么样。

面试自身也是丰富多样的, 举例来说, 存在一些公司, 会使我去开展商业分析, 进而判定他们理应收购哪一个行业。

行为面试（round）有所变更, 它已不是诸如“个人最大的缺点与优点”“跟同事起冲突怎样处理”这类传统问题 , 而是将时间线予以拉长 , 进而查看一个人的成长轨迹 , 历经从高中起直至大学 , 从实习阶段再到工作时期 , 持续一路向下追溯 , 探究你的“人生斜率” , 借此判断你是不是一个可实现指数型增长的人。

不会有人因背题获得录用名额作为没有确定答案所产生的出人意料的优势体现, 就连我所在的提供内部推荐机会的这个渠道成员都直言, 你不需要准备其他事物, 鉴于我认为是不存在可供准备之内容的。

AI正在重构组织结构

设于硅谷之地, 属于最具强大能力之人并非一家公司, 而是属于那个时代最为强大的公司。二十年前这代表谷歌, 十年前为Uber等, 五年前是某个公司, 当前又是AI相关公司, 在那里有着铁一般坚守群体, 变换着如流水般的接纳组织类型。通过相应标准筛选出的人才依靠使命感有所留存而非待遇。那些聚合最强人才的组织凭借AI重塑产生巨大变化。

观察4：对“AI原生”太过渴求

位于硅谷的公司, 对于 AI 原生（AI）那种渴求的程度, 远远超出了我原本的想象。在我去面试的那些公司当中, 大部分都是处于 A 轮、B 轮阶段的, 除此之外, 还有一些属于种子轮的。有一个出现频次非常高的问题存在, 此问题是: 你使用的是什么 AI 工具? 在面对这个问题时, 我一般会直接把自己所撰写的博客扔过去, 而对方差不多每一次都会露出“目瞪口呆”的神情。

他们会讲, 并非仅仅是想叫我搞AI应用开发, 而是更期望我去促使公司内部的AI进行转型, 使得团队变得更为AI原生。好多公司实际上已然在做AI产品了, 然而员工却尚未构建起自身的AI工作流。并且, 他们极为需要那种天天要刷上好长一段时间推特、能够及时分享一些新奇AI发现或者提效技巧的人。

这样一件事情, 于我而言, 存在着些许呈现出与直觉相反态势的情况。我往昔经历之中所拥有的一些带有“爱好”性质的行为, 像每日针对Code等全新工具的不断折腾, 又如同在Slack这款办公软件之内对AI用法予以分享, 然而没想到, 它们却转而成为了一种全新的具备组织特性的角色。

曾经于Quora之际, 我顺利促使整个工程团队皆采用了Code, 于办公室每当碰到一名工程师, 我都予以询问, 你是不是运用AI开展编程, 有所记得办公室中有一位从事网络安全之人初始颇为抵触、揣测依循AI撰写代码风险极大故而不肯接纳? 我随后令其进行思路转换, 并非编写代码, 而是仅仅采用AI去读取代码、谙悉代码库、开展数据分析, 后来, 他确实开始运用了。

观察5：“更好地去使⽤AI”，实质是个组织转型问题

我在从事与AI相关的工作之时, 越发察觉到这样一个事实: 要更优地运用AI, 或许已然并非单纯的工程方面的问题, 而是涉及到组织架构层面的转型问题啦。

拿个例子来说。那种有着传统组织架构的互联网公司, 一个Bug从被发现开始, 到实现修复, 通常都要历经需求评估、工程排期、开发、测试、上线等好些个环节。实际上运用AI去撰写代码, 也许仅仅只需两三个小时, 然而整个流程全部过一遍, 通常得耗费一个月。

以往, 这般的流程是合乎情理的, 由于修复一个Bug, 一位工程师有可能耗费三五天, 流程的意义所在是在协调相互不同的团队, 以及分配各类资源, 但是人工智能把这个所耗时间给大为压缩了。

当下, 我们在使用所推出的像Devin那般的AI软件工程师产品时, 只需寥寥两三个小时, 便能够达成往昔耗时几天的工作。并且, 我们甚至还能够借助Devin去寻觅到承担此Bug责任的人员。随后, 再让Devin协助其开展修复工作。如此一来, 中间诸多的协调以及流转的环节全都能够省略不再进行。其间根本不含任何多余之处。实际上便是AI正在迫使整个组织架构发生转型。

观察6： 正在消亡，管理者必须自己会写代码

所谓, 那便是工程项目经理（）的意思。在美国, 最近这些年流行起来的一个观点是, 你身为管理者, 也就是要做好管理工作这边的事情, 更侧重于负责达成团队协调方面的任务、达成组织沟通这类的事情, 关怀员工的自身情绪如何、供应成长所需要的支持, 不管工程开展能力是不是特别算得上强这回事。

然而, 当进入之后, 我察觉到整个组织架构呈现出极为扁平化的状态。举例来说, 我直接进行汇报的对象乃CPO, 此即联合创始人之一。他并不会对个人成长展开细致关怀，角色定位更趋于确定大方向。甚至能够如此表述, 在当下这支六十多人的工程团队里, 真正具独特性的仅有一个人, 其余之人, 包含CPO在内, 均属“兼顾管理他人、同时兼备编写代码能力的”。此情形与我往昔于Quora的体验全无相同之处。彼时, 一个人便极有可能带领并管理五六个工程师。

团队集体穿上红衣服为一位日常爱穿红色衣服的同事庆生

我感觉这兴许是由AI引发的组织架构变化, 我留意到, 任何⼀家充满⽣机与活⼒的AI创业公司, 实则皆是如此, 存在极少仅负责管理⼈⼒的经理, 倘若他肩负管⼈职责, 那他必定技术⽅⾯也⼗分出⾊。

这个判断并非仅仅出现于硅谷, 隔着两周的两次访谈之间隔, 国内那些大型企业中的腾讯、字节, 也接二连三地宣告取消了中层职位。

AI时代，任何判断都会很快被推翻

马培元所观测到的那种变化, 并非仅仅局限于组织这一层次而已。更为宏观的行业方面的判断是, 在硅谷的人工智能公司里头, 诸如什么样的代币支出才算得上是合理的, 以及什么样的模型才能够称得上是好模型这样的问题。同样是以能够用肉眼就清晰看见的速度, 被予以推翻了。这一回, 就连他在首次采访期间所说过的判断, 都没能经受住两周时间的考验。

处在硅谷的AI行业, 其自身是以月为单位, 甚至是以日为单位, 进行自我推翻的, 不存在任何判断能够保持长久新鲜的情况。

观察7：Token 出现了分化，大公司开始重新关心效率

今年年初的时候, 硅谷曾经有一段时间流行“Token-”, Meta等公司在那段时期甚至还做过Token使用的排行榜, 依据是谁使用的数量最多, 那么谁就是“AI原生”的代表形式, 在我看来这首先明显就是一件超级愚蠢的事情——AI token使用量和工程人员的效率之间根本无法划上等号。

Meta的友人还跟我讲, 那时他们都在搞“AI大跃进”, 公司会专门举办“AI Week” , 所有人都得停下手边工作, 去撰写AI , 将自身技能吹得神乎其神。

最开始的时候, 基本上所有的公司都是秉持着这样的一种思路, 那就是先促使大家尽可能繁多地去运用AI, 进而查看究竟能够运用到什么样的一种程度。

但一旦转变为公开排名, 人的行为便会被扭曲, 工程师会为了达到“用得多”的目的而去使用, 甚至出现一些颇为荒诞怪异的情况, 像让AI每晚定时胡乱奔跑、耗费空能量去参与一些毫无意义价值的任务, 这般仅仅是为了能够增加使用量, 这事实上和运用GPA去衡量学生能力是一致的, 单一的标准极易与真实产生偏差。

此后, 诸多高层也渐渐察觉到了这个问题, 更为详尽具体的情形是, 他们被账单给惊到了, 譬如Uber这家公司, 就其2026年全年那专门用于AI的预算而言, 不过才过去4个⽉, 基本便已消耗殆尽, 而后, 众多大公司相继着手重新严控Token的使用总量, 董事会以及CEO会开启询问模式, 这个token用量当真具备相称的价值? 它切实确实着实能够使我们将效率如此显著地提升起来吗? 花费了整整一个亿美⾦, 它真真切切地催生出了价值一亿的产出成果吗?

很快, 这场存在着的焦虑被制作成了一份能够明码标价的商业答卷结果。在6月4日的时候, 发布了叫“AI生产力保证”这一内容, 也就是要是企业客户使用了Devin也就是推出的AI软件工程师产品之后, 效率提升并没有达到所承诺的水平, 那么最高将会赔偿1000万美金。做这份研究的, 是我的一位同事, 这位同事取得过三块国际信息学奥赛金牌, 他调研了233个真实客户案例, 随机抽取客户与Devin的对话, 询问客户“若不使用Devin, 完成这段工作纯靠人工需要花费多久”, 并运用上述这些数据, 训练出一袭预测系统, 将每一次Devin对话, 径直转化为“等效工程师小时数”, 继而用时薪状况反推这套产品究竟省下多少钱数。

但存在诸多 YC 公司, 或许会持续实行“token ”模式, 缘由在于它们拥有诸多具备政策优惠的免费 token 额度, 并且因规模较小, 或许仅有三人, 不存在什么 AI 治理方面的问题, 管理者能够直接知晓每个人究竟有无利用 AI 来摸鱼。

观察8：模型崇拜本身也在被推翻

在这篇稿子两次进行访谈的那段两周光景的间隙阶段之后, 我察觉自身上回阐述、讲到所述道理表述讲述说明已经不怎么在理适宜恰当了。

两周以前, 我仍在探讨哪一个模型属于当下最为前沿的。此刻 , 内部方才发布了一项尚且没有中文译名的功能, 其代号称作mode, 此功能是将多个性价比低廉之模型与顶尖模型进行融合调度开展应用行为, 而非毫无思考地处之以最昂贵者进行召唤性运用情形。你莫必会每日都驾驶自身的那辆保时捷而去从事买菜之行为吗, 你应当着手选取驾驶你所拥有的本田抑或价钱更廉价汽车施行买菜之行动才是适宜之做法了。这两周时间其模型迭代的速率已然超出了我原本事先预估范畴想象之层级。就连涉及判断谁是“one”此种具体事实之一切阐述, 都断断不敢表述于一种满满自夸之情实态情形状态中已矣。

我没法讲全部的, 然而你或许会讲超过百分之六十, 好多说不定是一个月往后又可能变成相反情形了。

AI时代，“机会”藏在非共识里

任何技术浪潮, 其演进均存在那般规律, 那就是旧的共识破碎瓦解之时, 恰恰常常是全新范式得以建立的起始状况了。

市场告别了对单模型以及算力烧钱的盲目崇拜后, 围绕“怎样让AI稳定可控地落地” 与 “如何啃下大模型啃不动的硬骨头” 的需求就爆发出来, 兼具工程师与投资猎头双重视角的马培元注意到, 一批不依赖 “大模型神话”、专注于解决真实世界复杂痛点的新生意, 正在硅谷的非共识里悄然萌芽。

观察9：新的AI infra正在出现

已经是以与“Token -”相关为界限, 有一批新的创业公司出现。这些公司专门针对团队的AI使用情形展开观测, 对团队AI使用状况进行监控, 进而针对何处存在token浪费现象而作分析。

在这背后那更深层次的问题所在之处而言, AI agent本身就是脆弱的。哪怕只是一个极为微小程度的变化, 便都有可能致使agent的表现变得不如之前那般好了。于是乎新的AI infra（基础设施）就开始现身出现了，比如（沙盒环境）这种情形, 其存在目的是用于隔离agent的运行过程状态, 是以此来避免它直接去接触那些敏感系统部件的情况发生, 像是银行账号或生产环境数据之类也包括在内的部分等。

与之同时, “观测”自己也变得愈发复杂起来, 传统系统只要出现报错情况便能够被监控上, 然而agent却不会“报错”, 它能够正常地运行着, 可是在输出层面兴许会引出严重问题, 像带有偏见啦, 存有歧视之类的, 又或者是让用户引发出明显负面体验。这样一来就需求有一套新颖的软件, 去监测agent何时大脑运转失灵了。

观察10：“不可训练的东西”，正在成为新生意

在投资圈当中, 有一种见解正变得越发流行起来, 那就是: agent（垂直领域 AI 代理）已然丧失了投资价值。然而, 我却并非全然予以认同。

住在硅谷的投资者郭睿, 也就是那个叫Sarah Guo的⼈, 提出过⼀个概念, 这个概念是“the ”, 其实那指的就是“不可训练的东西”。其核心观点乃是, 处于很多垂直行业当中, 语言模型根本永远都没办法彻底完全地实现自动化。这是因为设在垂直行业里, 到处充斥、满满都是大量诸多没办法被直接抽象掉的复杂无比的流程。不止如此, 而且这些流程通常都往往需要依靠人力, 来每次不断地⼀个⼀个地去解决掉。

比如说在美国进行报税, 五十个州存在着五十种不同的税, 针对这些要逐一渐渐地去做对接；在法律这个范畴也是这样的情形, 像移民法、民法以及商法它们各个自有的体系繁杂错乱, 人工智能代理不能一下子就达成目标。

对垂直AI agent公司来讲, 其价值体现在持续经由和客户以及FDE（前沿部署工程师）的互动里, 寻觅到更多真切的痛点。那些东西会被铭刻于公司产品中, 而这亦是其他大公司无可实施训练, 无法被通用模型吸纳的内容。

因此, 我更趋向于觉得 agent 依旧具备投资价值, 只不过它们所带来的或许并非是 10 - 1000 倍的超高回报, 而更有概率是诸如 100 倍、50 倍、20 倍这类相对稳定、却较为有限的回报。

身处AI浪潮中，你感受到的最大变化是？