Google 的 Mechanize 人才交易：不收购创业公司也能获得团队

Google 已完成与 Mechanize 的人才交易：联合创始人 Tamay Besiroglu 和十多名员工加入公司，但 Google 并未收购这家创业公司。该安排让 Google 获得了经验丰富的 AI 编程研究人员，而 Mechanize 则在新领导层带领下继续运营。这也让监管机构面临一个更尖锐的问题：许可加雇佣协议在什么情况下会成为有名无实的收购？

公开的任职资料提供了该交易已完成的最明确证据。根据交易报道，Besiroglu 现将自己列为 Google DeepMind 的研究科学家。许多前同事也已加入 Google，主要从事与模型中期训练相关的工作。

中期训练处于广泛预训练与面向最终产品的专项微调之间。它可以教会模型如何推理复杂任务、遵循详细指令并从错误中恢复。对于编程智能体而言，这些能力往往决定了它只是令人印象深刻的演示，还是能够完成真实工程工作的系统。

最终商业条款仍未披露。此前报道为涉及 Mechanize 技术和员工的谈判附上了较高估值，但两家公司均未公开确认最终金额。Google 和 Besiroglu 也拒绝向 Business Insider 置评。

这一核实缺口很重要。员工流动是可见的，但技术许可、付款结构和知识产权权利并不透明。较为稳妥的结论是，Google 完成了一项以人才为核心的安排，而不是收购了 Mechanize。

Google 与 Mechanize 的人才交易遵循了一个熟悉的模式。Google 此前曾在聘用 Character.AI 创始人的同时获得其技术许可。之后，它又通过另一项许可安排，将 Windsurf 的负责人和研究人员纳入 DeepMind。Amazon、Microsoft 和 Meta 也在探索这一策略的不同变体。

这些协议帮助大型 AI 公司迅速获得专业团队。但它们也让投资者、留任员工、客户和监管机构不得不判断：当核心成员离开后，一家独立创业公司究竟还意味着什么。

Google 与 Mechanize 的人才交易实际改变了什么

Google 获得了一支构建高能力编程智能体训练环境的团队，而 Mechanize 仍是独立的法人实体。

Mechanize 以异常广泛的目标进入市场。其创始人表示，希望创建虚拟工作环境、基准测试和训练数据，以支持普通劳动的自动化。该公司的发布声明描述了涵盖计算机使用、长期任务、协作、中断和优先级变化的模拟环境。

其近期工作则更为具体。Mechanize 为软件工程构建了强化学习环境。强化学习让模型通过自身行动得到的反馈不断改进，而不只是依赖既有文本中的示例。

一个有用的环境必须向模型提供任务，让它与软件交互，并判断结果是否有效。对于编程而言，这可能意味着浏览陌生的代码库、编辑多个文件、运行测试、调试失败问题，以及交付可正常运行的应用程序。

这项工作之所以困难，是因为许多软件任务没有唯一且显而易见的答案。代码可以编译通过，却仍未满足用户的实际需求。补丁可以通过某项狭窄测试，却在其他地方引入安全问题。应用程序在演示期间看似正确，却可能在更长时间的使用后失效。

Mechanize 专注于让这些失败可被衡量。其环境为智能体提供了更贴近现实的任务，并给出可指导后续训练的反馈。因此，Google 获得的是用于打造更强模型的系统专长，而不只是另一个编程界面。

可见的人事变动意义重大。Besiroglu 从 Mechanize 的首席执行官职位转任 DeepMind 的研究岗位。据 Business Insider 审阅的公开资料显示，十多名前 Mechanize 员工也将 Google 列为雇主。

据报道，其中大多数人加入了中期训练工作。这一安排表明，Google 希望让该团队贴近 Gemini 模型开发；在这一阶段，更优质的任务和评估系统能够塑造底层能力。这看起来并不像一项旨在将 Mechanize 应用纳入 Google 产品目录的传统产品收购。

与此同时，Mechanize 并未消失。前幕僚长 Guive Assadi 目前将自己标注为该公司首席执行官。其网站仍在运营，公司的法人身份也仍独立于 Google 存续。

不过，公司的存续并不能证明运营的延续性。关于留任员工、Mechanize 仍可开发的技术，以及它能继续服务的客户，仍存在重要疑问。两家公司均未公布详细的过渡计划。

公司与其团队之间的区别正是这一事件的核心。在传统收购中，买方获得公司实体，通常会承接其合同、负债、知识产权和员工队伍。这类交易为监管机构和客户提供了可见的控制权变更。

人才加许可协议则将这些组成部分拆开。员工接受大公司的职位，买方获得明确的技术权利，而创业公司至少在形式上仍在新管理层领导下保持独立。

因此，Google 在不买下 Mechanize 全部业务的情况下获得了两种稀缺资源。它得到了了解如何构建高难度软件环境的研究人员，也据报道协商获得了与这项工作相关技术的访问权。

因此，应将 Google 与 Mechanize 的人才交易理解为选择性吸收。Google 获取了最契合其模型竞赛的能力，同时避免整合整家创业公司的复杂性。Mechanize 是否仍是一名有意义的竞争者，尚不得而知。

为什么 AI 编程依赖更好的训练环境

竞争正从能够生成看似合理代码的模型，转向能够完成长期、可验证工程任务的智能体。

早期编程助手主要充当高级自动补全系统。它们预测下一行代码、解释函数，或根据提示生成简短代码块。这些功能仍然有用，但无法覆盖完整的软件开发流程。

编程智能体试图完成更难的工作。它们检查代码库、制定计划、编辑多个文件、执行命令、评估输出，并修订自身工作。开发者可以委派一个范围明确的问题，而不必一次只请求一条建议。

这种转变带来了训练问题。公共代码提供了大量成品软件示例，却很少记录产生正确解决方案的完整过程。真正有价值的数据包括失败尝试、测试结果、评审反馈、环境约束，以及数小时工作中作出的决策。

Mechanize 正是围绕这一缺口建立的。该公司认为，现实环境而非更多静态代码，已成为核心瓶颈。其工程师设计了让智能体能够行动并获得行动是否成功证据的任务。

这种方法更像飞行模拟器，而不是教科书。阅读源代码能够教会人们模式，就像阅读手册能够传授航空概念。模拟器则检验学习者能否在条件变化、早先决策带来后续影响时作出应对。

软件环境还必须具备可复现性。如果智能体收到的反馈不一致，研究人员就无法判断模型改进是否真的带来了更好的结果。任务需要受控的初始状态、可靠的基础设施，以及奖励可正常运行软件而非表面输出的评分规则。

这类基础设施很有价值，因为最强的模型未必是最实用的编程智能体。产品必须将推理与工具使用、记忆、错误恢复，以及对开发环境的准确理解结合起来。任一组件薄弱，都可能让一项长期任务偏离轨道。

一个现实的例子是，为既有 Web 应用添加身份验证功能。智能体必须定位相关文件、理解框架、修改数据库行为、保护路由、更新测试，并避免影响现有用户。生成一个登录组件只是工作的一部分。

更长的任务会暴露短基准测试掩盖的失败。智能体可能遗忘先前需求，反复尝试同一种失败方法，或为了通过测试而优化，却未满足根本要求。它们也可能在得到一个看似完整的输出后就停止。

评估环境将这些弱点转化为训练信号。研究人员可以记录智能体在哪一步出错、改进反馈循环，并用相同任务测试修订后的模型。经过多轮迭代，系统能够学习那些难以从静态示例中提取的行为。

这解释了为什么 Google 会重视 Mechanize 团队，尽管它已经雇佣了数千名 AI 研究人员和软件工程师。构建可靠环境本身就是一门专业领域。它结合了模型研究、分布式基础设施、产品知识、安全测试和细致的任务设计。

这次招聘也表明，Google 将编程视为一种模型能力，而不只是独立应用。通过软件任务获得的改进可以增强规划、计算机使用和结构化问题解决能力。这些能力随后能够支持处理文档、电子表格、研究工具和业务系统的智能体。

Mechanize 最初的使命出于同样原因，远不止编程。软件工程能提供异常清晰的反馈，因为测试和运行中的应用程序可以显示工作是否成功。其他知识型工作通常缺乏同样精确的评分机制。

可以要求编程智能体修复一个失败的测试套件。办公智能体则可能被要求准备一份有用的战略备忘录，其质量取决于不完整的背景信息和人的判断。在处理更具主观性的工作之前，编程环境提供了改善长期行为的务实场所。

对开发者而言，重要结果并不是即时产品功能。转入的团队将在规模大得多的研究机构内工作，而整合需要时间。短期信号是，Google 认为训练环境足够重要，值得从外部引入专业人才。

评估编程智能体的团队应关注它们在自身代码库中的可靠性，而非孤立的基准排名。有用的证据包括成功执行测试、通过代码评审、较低的回归率，以及智能体解释自身修改的能力。可搜索的工程知识库同样重要，因为当需求和技术决策保持可访问时，智能体的表现会更好。

Google 正与 Anthropic 和 OpenAI 争夺开发者工作流

Mechanize 团队将加强 Google 的模型开发管线，而 Anthropic 和 OpenAI 已在智能体编程领域占据强势位置。

Anthropic 的 Claude Code 与 OpenAI 的 Codex 已经明确了竞争目标。这两款产品都让开发者能够通过终端或连接的开发环境分派工作。它们可以检查项目、提出修改建议、运行命令，并根据测试结果作出响应。

Google 拥有 Gemini 模型、开发者工具，以及 Antigravity 智能体编程项目。然而，该公司仍在持续招揽与编程系统相关的外部团队。这一模式表明，仅靠内部模型改进尚未满足其既定时间表。

最直接的先例是 Windsurf。Google 在谈判达成一项非独家技术许可后，聘用了联合创始人 Varun Mohan、联合创始人 Douglas Chen 以及多名研究人员。Mohan 后来在 Google 的智能体编程工作中担任领导职务。

随后，Windsurf 的剩余业务被 Devin 的开发商 Cognition 收购。Axios 将这一事件描述为 Google、OpenAI、Cognition 与一家管理层快速更迭的创业公司之间一场动荡的角力。其 关于 Windsurf 的报道也展现了一笔交易分裂团队时所付出的人力代价。

Mechanize 提供的是不同的能力。Windsurf 构建了面向开发者的编程环境，而 Mechanize 专注于训练和评估模型所使用的环境。前者帮助 Google 打磨产品体验，后者则能够深入能力栈的更底层。

这种组合之所以重要，是因为编程智能体在多个层面展开竞争。基础模型必须能够理解和推理代码；训练环境必须让其接触真实的任务分配；智能体软件必须选择工具并管理上下文；界面则必须让开发者能够审查并控制其操作。

Anthropic 通过将 Claude 的模型行为与基于终端的工作流紧密结合而获得关注。OpenAI 可以将 Codex 与其更广泛的模型平台及开发者关系结合。Cognition 则专注于能够承担更大规模任务的智能体。

Google 也拥有自身优势。它掌控大规模计算基础设施，开发 Gemini，运营被广泛使用的开发者服务，并维护庞大的内部代码库。它能够以大型科技公司内部接近生产工程的工作为基准，测试编程系统。

但规模并不会自动带来开发者首选工具。工程师通常会选择能够可靠适配其编程语言、代码仓库、安全要求和审查流程的系统。当团队围绕某一家供应商构建提示词、策略和自动化流程后，切换成本也会不断上升。

因此，Google 必须将 Mechanize 的专业能力转化为可衡量的改进。更好的内部评估流程固然有价值，但开发者会根据最终智能体完成任务的表现作出判断。他们会关注它是否生成可维护的代码、是否遵循项目约定，以及在第一个方案失败时能否恢复。

企业买家还会施加另一套测试标准。他们需要访问控制、审计记录、可预测的数据处理方式，以及对命令执行的边界约束。能够修改代码仓库的智能体，同样可能暴露凭据、删除数据，或引入存在漏洞的依赖项。

竞争压力已超出单个编程产品的范围。可靠的软件智能体可以提升对供应商模型、云服务和开发平台的需求。它还可能成为开发者选择基础设施和部署应用程序的交互入口。

这一位置使编程具有战略重要性。开发者会影响技术采购、创建集成方案，并确立在组织内扩散的技术默认选项。赢得他们的日常工作流，可能比暂时领先某项基准测试带来更长久的关系。

Google 与 Mechanize 的人才交易还为 DeepMind 带来了一支熟悉如何识别高级智能体仍会在哪些方面失效的团队。这种能力有助于确定模型研究的优先级。研究人员不必只针对广泛评分进行优化，而可以围绕阻碍实际采用的错误设计任务。

不过，这笔交易并未决定编程竞赛的胜负。Anthropic 和 OpenAI 可以改善各自的环境、收购专业团队，或与独立评估公司合作。创业公司也可以通过支持多个模型供应商而非依附于单一供应商，继续保持竞争力。

市场变化的速度也可能快于组织整合。转入的新团队需要获得内部基础设施的访问权限、与研究优先级达成一致，并拥有影响模型训练的权限。在这一过程展开期间，竞争对手仍会持续发布产品。

Google 的优势目前仍是潜力，而非证明。该公司已集齐更多智能体编程背后的技术要素。下一个问题是，这些要素能否产出一个在真实工作条件下更受开发者青睐的编程系统。

交易结构制造了监管盲点

许可加招聘协议可以在形式上保留一家创业公司，却抽走其大部分竞争能力。

竞争法传统上高度关注所有权与控制权。完整收购会形成一笔明确的交易，通常涉及可识别的资产、高管、合同和公司治理变化。规模较大的交易可能触发正式申报要求。

AI 人才安排的可见性则可能更低。一家大型公司聘用部分员工，并谈判达成一项非独家技术许可。创业公司保留其公司身份、剩余员工，以及理论上独立的产品权利。

这种描述听起来与收购不同。但如果离开的群体包括创始人、技术领导层，以及负责公司核心技术的大多数研究人员，其市场影响仍可能类似。

Mechanize 案例说明了这一问题。Besiroglu 离开了首席执行官职位，十多名同事也随他加入 Google。该创业公司如今已有新 CEO，但关于其保留的技术能力或独立路线图，公开信息仍然很少。

非独家许可又提供了另一层形式上的区别。理论上，Mechanize 可以将同一技术授权给其他方。但如果最有能力开发和支持该系统的人现在为某一家被许可方工作，这一选择的竞争价值就会受到限制。

监管机构已对类似安排表现出兴趣。美国联邦贸易委员会曾要求了解涉及主要云服务提供商与 AI 开发商的科技公司合作和投资情况。其合作关系研究聚焦这些关系如何影响竞争以及获得关键投入的机会。

监管机构还审查了 Microsoft 与 Inflection、Amazon 与 Adept，以及 Google 与 Character.AI 之间涉及人才收购的安排。核心担忧并不是每一笔人才交易都违反竞争法，而是交易标签可能掩盖控制权、激励机制和市场能力的实际变化。

许可结构具有正当的商业用途。创业公司可以补偿投资者、保留工作岗位，并在不经历漫长收购流程的情况下继续运营。大型公司则可以取得特定权利，而无需承担不相关的义务。

员工也保有自由更换工作的权利。阻止高技能研究人员接受更好的机会，本身会带来竞争与劳工问题。监管分析必须区分正常招聘与转移商业能力的协调性交易。

这种区分取决于目前尚未公开的事实。最终协议尚未发布。Google 获得了哪些技术许可、权利持续多久、协议是否包含限制，以及对价如何分配，都尚不清楚。

Mechanize 仍留有多少员工也不明确。十多人的离职，可能只占一家大型公司的很小部分，也可能占一家年轻研究型创业公司的绝大多数。公开报道尚未确定作出可靠结论所需的基数。

因此，将这种安排描述为规避监管的做法超出了已核实的证据。该结构可能比直接收购受到较少的即时审查，但尚无证据表明规避审查是 Google 的意图。

更好的问题在于竞争影响。Mechanize 是否仍能改善其环境、服务外部客户，并挑战 Google 的内部系统？竞争对手能否获得同等许可？尽管冠以非独家标签，Google 是否获得了改变市场的优先访问权？

投资者和创始人面临相关问题。许可加招聘交易可以带来财务回报，却不形成传统意义上的退出。但它们也可能留下一个规模缩减的公司，为没有加入收购方的员工和客户带来不确定性。

Windsurf 展示了一种可能的结果。在 Google 聘用其领导层后，Cognition 收购了剩余公司和产品。这一连串事件保留了业务的一部分，但员工和客户先经历了一段动荡时期。

Mechanize 的未来可能走向不同路径。Assadi 可能重建团队、将保留技术商业化，或将公司重新定位为独立评估服务提供商。目前没有公开公告提供足够细节来判断该计划。

风险不止于一家创业公司。如果领先的 AI 实验室在这些公司成熟前反复吸收专业团队，独立供应商可能难以成长为持久的竞争者。市场可能围绕少数模型供应商集中，即便没有发生一连串传统收购。

也存在反方观点。早期公司经常改变方向、失去创始人，或出售技术。幸存的创业公司可以招募新领导者，并利用许可所得为持续开发提供资金。形式上的独立仍可能具有经济意义。

Google 与 Mechanize 的人才交易介于这两种解释之间。可见的员工流动支持这样一个结论：Google 获得了重要专业能力。Mechanize 实体的持续存在，则使人无法自信地断言 Google 已将其作为竞争者消除。

监管机构需要交易层面的具体证据，而不是仅根据结构作出假设。他们可以审查雇佣协议、许可条款、治理权利、客户限制，以及创业公司独立运营的能力。

在这种分析成为常态之前，AI 公司有强烈动机将收购拆分为不同部分。人才、许可、投资和商业合作各自看起来都有限，但合在一起，可以转移传统收购本会获取的大部分价值。

Google 宣称赢得编程竞争前必须实现什么

只有当 Google 将 Mechanize 的评估专业能力转化为更可靠的智能体和更强的开发者产品时，这笔交易才具有战略意义。

第一个值得关注的信号，是前 Mechanize 团队在 Google 模型发布中出现的位置。公开资料显示其重点在中期训练，但 Google 尚未说明哪些 Gemini 系统会采用他们的工作。研究论文、技术报告或基准文档可能建立这种关联。

证据不应仅限于更高的综合评分。Google 需要展示涵盖规划、工具使用、测试和恢复的长周期任务结果。若这些改进能在陌生代码仓库中持续有效，将更有力地证明基于环境的训练正在发挥作用。

独立复现同样重要。由供应商创建的基准测试可能偏向围绕它们开发的系统，即使不存在刻意操纵。外部研究人员和开发者应当能够测试类似任务，并检查失败模式。

第二个信号是开发者采用情况。Google 必须证明，模型能力的提升能够转化为其编程工具的持续使用。代码库接受率、已完成任务、留存用户和企业部署，比发布当天的关注度更能提供有力证据。

开发者还应追踪所需监督的程度。一个能完成更多任务、却需要持续审查的代理，未必能节省有意义的时间。一个有用的系统应能识别不确定性、请求澄清，并以便于人工审计的形式呈现变更。

安全表现同样值得被赋予同等权重。更长的代理式任务会增加模型在接受审查前可执行的操作数量。Google 将需要围绕凭据、网络访问、不可信指令、软件包安装和破坏性命令建立强有力的控制措施。

第三个信号是 Mechanize 的独立未来。一项新产品发布、客户公告、招聘行动或研究基准，都将表明这家初创公司保留了实质性的运营能力。持续沉默和更多人员离开，则会支持相反的解读。

Mechanize 的发展方向也会影响监管讨论。一家向多家实验室授权技术、发展良好的公司，看起来像独立的基础设施供应商。一个技术活动有限、仅剩薄弱公司外壳的实体，则更接近一次收购后的残余。

竞争对手的反应将提供另一项有用测试。Anthropic、OpenAI 和 Cognition 无需复制 Google 的这笔交易。它们可以投资内部评估团队、委托建设独立环境，或收购其他专业机构。

如果这种回应带来更严格的测试和更透明的可靠性数据，开发者将从中受益。如果每家独立评估初创公司都与某一家大型实验室绑定，更广泛的市场则可能受到损害。

企业技术负责人不应将此次人员转移视为今天更换供应商的理由。这一事件改变了 Google 的研究能力，但并不能证明其当前产品具有优势。采购决策仍应基于在受控代码库中观察到的表现。

一项务实的评估应使用具有代表性的内部任务。团队可以比较代理如何处理漏洞修复、迁移、测试失败、文档和代码审查。他们应衡量被接受的工作成果、人工修正时间、回归问题和安全违规情况。

组织还需要保留技术决策背后的上下文。编程代理无法仅从源代码文件中推断出所有架构约束。设计记录、会议纪要、事故复盘和客户需求，往往解释了看似笨拙的代码为何存在。

这正是有纪律的知识融合变得重要的地方。开发者需要一种受控方式，将项目文档与当前工作关联起来，同时保持源材料的可追溯性。更好的模型无法弥补缺失的组织上下文。

Google 的收购策略也应以类似的严谨态度来评判。公开记录确认，Besiroglu 和十多名原 Mechanize 员工加入了 Google。这支持了有关该交易以人才和模型开发专长为核心的报道。

公开记录并未确认最终交易金额、完整许可条款，或这家剩余初创公司的竞争状况。这些空白应当保持可见，而不应被自信的假设填补。

对 Google 而言，下一项测试很具体：推出比此前 Gemini 系统更可靠地完成困难工作的编程代理。对 Mechanize 而言，则是证明公司仍拥有独特的技术和商业未来。

对监管机构而言，挑战在于决定竞争实质是否比公司形式更重要。即使创始人、研究人员和技术权利向主导性平台转移，一家公司仍可能在法律上保持独立。

开发者应关注这三种结果。更好的训练环境可能让编程代理变得显著更可靠。将构建这些环境的人才集中到少数实验室内部，也可能缩小孕育这些环境的市场。

因此，Google 与 Mechanize 的人才交易并非对 AI 编程竞赛的最终定论。它考验的是，选择性人才协议能否在维护真正竞争的同时带来更好的产品。接下来的模型发布、真实的开发者成果以及 Mechanize 自身的活动，将给出答案。