§ 一 地震之后
2026年3月4日，林俊阳在 X 上发了一条简短的消息。这位通义千问的技术负责人宣布离职，没有解释，只有感谢。消息在开源社区引发涟漪——这是千问团队今年第三位出走的高管。
三周前，xAI 的联合创始人 Tony Wu 做了同样的事。再往前数：Igor Babuschkin（Grok 的主要开发者）2025年8月离开，Christian Szegedy 2025年2月离开，Greg Yang 2026年1月离开……TechCrunch 的标题很直白：《Okay, now exactly half of xAI's founding team has left the company》。
两场地震，看似孤立，实则押韵。如果你熟悉技术史，这种"关键节点后核心出走"的模式并不陌生。它不是失败的前兆，恰恰相反——它是范式成熟的标志。当脚手架搭好、大厦封顶，工匠自然散去。留下的，是铁打的基座。
§ 二 历史的脚手架
十八世纪的欧洲，行会手艺人守护着制造秘密。一个钟表师傅需要七年学徒生涯才能独立完成作品，知识在师徒间口耳相传，技艺是门第的象征。
然后《百科全书》来了。d'Alembert 和他的同伴们做了一件当时看来离经叛道的事：他们把制造业的工艺流程写成条目，公之于众。科学的理性光芒照进行会的阴暗作坊，"那些被视为行会秘传的知识，如今成了人人可学的技术"。手艺人愤怒了，但他们的愤怒没能阻止历史。
后来的故事我们都知道：工业革命来了，工匠变成了工厂工人，手艺变成了标准操作流程（SOP）。不是 craftsmanship 消失了，而是它被嵌入到机器和流程里，不再需要每个从业者都掌握全部奥秘。
软件行业走过同样的路。2008年，一群程序员发起"Software Craftsmanship"运动，抗议编程的工业化。他们的抗议点出了本质：软件正在从手工业走向制造业，而真正的工匠对此感到不安。
"Software went from a cottage industry of craftsman to effectively an industrial scale manufacturing operation."
这是历史的脚手架模式：先由少数天才搭建框架，然后将框架固化、标准化，最后框架本身成为基础设施，而搭建者转向下一个边疆。
§ 三 范式已死，范式万岁
让我们诚实一点：大模型训练的"秘密"还有多神秘？
GPT-3（2020）到 ChatGPT（2022）的跃迁，确实需要一群顶尖头脑去摸索——怎么预训练？怎么对齐？RLHF 怎么调？涌现能力从哪来？那段时间，Ian Goodfellow、Ilya Sutskever 这样的人是不可替代的，他们脑子里装的不是知识，是直觉。
但到了 2025年，情况变了。Pre-training + SFT + RLHF 这条路径已经被验证、被标准化、被开源社区复制了无数次。你可以用 Hugging Face 的脚本在几周内复现一个不错的模型，不需要从头推导数学。数据清洗有现成的 pipeline，分布式训练有成熟的 infra，甚至对齐阶段的 reward modeling 也有大量公开研究。
这不是说没有创新空间了——新的范式（比如 test-time compute scaling、reasoning agent 架构）肯定会出现。但旧范式已经被"解决"了。一旦范式被解决，研究员的价值曲线会发生微妙变化：
| 阶段 | 研究员价值 | 核心工作 | 人员特征 |
|---|---|---|---|
| 探索期 | 极高 | 定义问题、试错 | 天才密度极高 |
| 突破期 | 极高 | 验证可行性 | 关键几个人 |
| 工程期 | 递减 | 调参、数据、infra | 可被替代 |
| 工业化 | 低 | 运维、迭代 | 工程团队 |
阿里千问和 xAI 的地震，发生在工程期向工业化过渡的节点。林俊阳们完成了他们的历史使命：搭建起千问的技术框架，验证了中国团队可以做出世界级大模型。框架确定后，剩下的工作是数据工程、算力调度、分布式训练的优化——这些是昂贵的体力活，但不是探索性的研究工作。研究员追求的是下一个突破，不是重复性调参。双方自然分手：公司要效率，研究员要探索。
§ 四 OpenAI 的"稳定"是例外还是常态？
你可能会问：为什么 OpenAI 没有这种地震？答案是：他们早就经历过了。
GPT-2 → GPT-3 → GPT-4 的核心作者团队（Alec Radford、Jeff Wu 等人）在 2020—2022 年间完成了框架搭建。之后 OpenAI 的扩张主要是工程化团队——数据标注、infra、产品。核心研究层保持小规模和高度稳定，因为他们掌握着尚未被标准化的秘密（比如 GPT-4 的架构细节至今未公开）。
但即便是 OpenAI，也在经历人员流动。2025年11月，WIRED 报道了一位负责 ChatGPT 心理健康响应的研究负责人离职。只是这些离开发生在产品层而非研究核心，所以外界感知不明显。
| 公司 | 核心层状态 | 原因 |
|---|---|---|
| OpenAI | 核心研究层稳定 | 还在守护"最后的秘密"，脚手架期在聚光灯之前已完成 |
| xAI / 千问 | 核心出走 | 已完成"可复制框架"的搭建，在聚光灯下经历脚手架期 |
这不是能力差异，是时间窗口差异。OpenAI 先走了一步，他们的脚手架期发生在 2018—2022 年，那时外界关注度不高。xAI 和千问是在聚光灯下完成脚手架搭建的，所以每一个出走都被放大。
§ 五 Scaling Law 的用人逻辑
这里有一个更深层的逻辑，关于 Scaling Law。
Scaling Law 告诉我们：模型性能 = f(数据量, 模型大小, 计算量)。这个公式的残酷之处在于——它是可预测的。你不需要天才的灵光一现，只需要堆资源、跑实验、调参数。
在"只争朝夕"的竞争格局下，公司的心态是：买断范式突破的地图，然后速战速决。重金挖角不是为了"留住人才"，而是为了买断他们脑中那个"怎么做"的路径。一旦路径被验证、被记录、被内化为组织知识，研究员就成了"昂贵的冗余"。
这就是为什么我们看到"球星转会"模式在大模型行业反复上演：
- 1高薪短约——signing bonus 惊人，但合同期有限
- 2里程碑后离职——完成任务即走，双方心照不宣
- 3知识内化——公司知道你不会久留，你知道自己会被替代，但框架留了下来
这不是冷酷，这是工业化的理性。
§ 六 铁打的基座，流水的研究
让我们回到文章的开头。林俊阳离开千问，Igor Babuschkin 离开 xAI，这些人不是失败者。恰恰相反，他们是完成了历史使命的建设者。他们搭好了脚手架，让后来的工程师可以站在上面浇筑混凝土。
脚手架不会永远存在，也不该永远存在。
大模型行业正在经历从"研究驱动"到"工程驱动"的转型。这不是坏事——这意味着技术成熟了，意味着更多的应用场景可以被解锁，意味着 AI 正在从实验室走向基础设施。
对于圈内人来说，这意味着几个清晰的信号：
- 1基础模型层的创新将放缓，直到下一个范式突破到来
- 2真正的机会上移：应用层、Agent 架构、垂直领域、边缘部署
- 3人才流向将分化：一部分人留在工业化流水线，一部分人去寻找下一个脚手架
结语：历史，将继续押韵
十八世纪的手艺人不会想到，他们的行会秘密会被印在百科全书里；二十世纪的程序员不会想到，他们的 craft 会变成 DevOps pipeline；今天的 AI 研究员，也许正在经历同样的时刻。
铁打的基座，流水的研究。地震不是终点，是行业成熟的标志。下一次范式突破来临时，新的脚手架会搭起，新的工匠会聚集，新的地震也会到来。而历史，将继续押韵。
专注于 AI Agent、具身智能与技术文化的深度思考。在硅谷与中国之间观察技术浪潮，试图用批判性视角穿透表象，寻找那些被忽视的结构性规律。
