Thinking Machines Lab 的 50 万美元薪资仍不足以解决其人才瓶颈

尽管为部分技术员工提供高达 50 万美元的基本年薪，Thinking Machines Lab 仍面临人才瓶颈。如今在 Google News 上流传的这一报道揭示了一个更大的矛盾：前沿 AI 实验室可以筹集数十亿美元、预留庞大的算力，却依然难以留住那一小群被投资者视为不可或缺的研究人员。

对于 Mira Murati 创办的这家年轻公司而言，压力尤为突出。Thinking Machines 由备受瞩目的 OpenAI 前员工创立，并在尚未发布模型前就完成了一轮创纪录的种子融资。此后，该公司推出了 Tinker，宣布了与 Nvidia 的重大基础设施计划，并发布了开放权重模型 Inkling。然而，Business Insider 报道称，其最初的 42 人团队中已有 13 人离职，其中包括三名联合创始人。

这些离职使得极高的薪资成为衡量招聘实力时颇具误导性的指标。OpenAI、Meta、Anthropic、Google DeepMind 以及多家融资充足的初创公司都能在薪酬上展开竞争。研究人员还会权衡算力获取、可信赖的同事、科研自主权、产品触达范围，以及自身工作能否真正落地的信心。真正的竞争并不只是看谁支付得更多，而是哪家实验室最能令人信服地提供一个做出重要工作的环境。

Thinking Machines Lab 内部发生了什么变化

Thinking Machines 已从组建顶尖阵容，转向证明其组织有能力留住这支阵容。

Murati 在担任 OpenAI 首席技术官后，于 2025 年 2 月发布了 Thinking Machines。最初团队包括来自 OpenAI、Meta 和 Mistral 的研究人员与工程师。公司公布的联合创始人在预训练、后训练、安全，以及包括 ChatGPT 在内的产品领域均拥有经验。

这支阵容帮助公司吸引了投资者的强烈兴趣。2025 年 7 月，Thinking Machines 以据报道 120 亿美元的估值完成了 20 亿美元种子轮融资。该轮融资由 Andreessen Horowitz 领投，Nvidia、AMD、Cisco、Accel、Jane Street 及其他投资者参与。种子融资详情显示，资本如何迅速追随一批备受尊敬的研究人员。

Business Insider 此前获得的招聘记录提供了另一项信号。据报道，两名技术员工获得了 45 万美元基本年薪，另有一名员工获得 50 万美元。一名联合创始人兼机器学习专家的基本年薪也被列为 45 万美元。这些数字不包括初创公司股权和可能的签约激励，而后两者在总薪酬中可能占据更大比例。

最新的担忧并不在于 Thinking Machines 能否招到人，而在于该公司能否保留支撑其早期声誉的特定经验组合。Business Insider 发现，自公司成立以来，最初 42 人团队中近三分之一已离开。其调查确认了 13 起离职，其中包括已公布的六名联合创始人中的三人。

并非每次离职都具有同等分量。一家成长中的初创公司可以在失去早期员工的同时，在其他领域补充专家。Axios 在 2026 年 3 月报道称，该公司员工规模已从约 30 人增长至约 120 人。一名接近该公司的人士还表示，从领先实验室加入的人数多于前往竞争对手的人数。

因此，员工规模增长与创始团队人员更替可以同时为真。公司能够扩张，同时失去塑造其最初技术身份的人。投资者、求职者和客户都会关注这两个数字，因为在这一层级，人员可轻易互换的假设并不成立。

多名离职者还直接加入了主要竞争对手。联合创始人 Andrew Tulloch 于 2025 年末加入 Meta。联合创始人 Barret Zoph 和 Luke Metz 后来与其他 Thinking Machines 员工一同回归 OpenAI。联合创始人离职表明，该公司正处于研究人员在少数前沿组织之间流动的更大趋势之中。

因此，真正的变化是组织层面的，而不仅仅是数字层面的。Thinking Machines 进入市场时，是知名 OpenAI 前员工的理想去处。如今，它必须证明自身的使命、领导力和技术路线图能够维系这一定位。

为什么 Google News 正在凸显 AI 人才瓶颈

人才短缺涉及的是一小类研究人员，他们的判断力连接着科学构想、大规模计算系统与可部署产品。

“AI 人才短缺”这一说法可能会造成错误印象。大学和企业培养了许多机器学习专家。数千名工程师能够微调模型、构建检索系统、评估输出，或集成商业 API。这些技能依然很有价值，但并非推动最高报价的稀缺资源。

前沿实验室最激烈争夺的是那些已经参与训练领先模型的人。他们了解算法选择在超大规模计算集群上会如何表现，能够判断一次失败的训练究竟源于数据、基础设施、优化、评估还是模型设计问题。这类判断大多来自经验，无法仅通过已发表论文传递。

他们也通过人际网络进行招聘。一位受尊敬的技术负责人能够吸引曾经的合作者、有潜力的学生和基础设施专家。失去一个人，因而可能削弱多场招聘沟通；获得同一个人，则可能在其写出生产代码之前就增强一支新团队。

这正是为什么 Google News 上关于薪资的标题淡化了真正的人才瓶颈。薪酬可以促成一次沟通，但每家严肃的实验室都已经了解市场。一旦候选人预期各处都能获得高薪，真正具有区分度的问题就变得更难回答。

其中一个问题是算力。研究人员需要可靠地获得先进加速器、网络、数据系统，以及保障训练任务持续运行的工程师。如果候选人预计要在内部竞争数月才能获得集群资源，那么再优厚的雇佣邀约也会失去吸引力。

Thinking Machines 一直试图回应这一担忧。2026 年 3 月，该公司宣布与 Nvidia 达成多年期合作，涵盖至少 1 吉瓦的 Vera Rubin 系统。首批系统预计将于 2027 年初开始部署。这项 Nvidia 算力协议释放出其希望以行业前沿规模运营的信号。

第二个问题是研究自主权。顶尖研究人员往往希望对项目选择、模型方向、发表、招聘和部署拥有决策权。大型公司可以提供基础设施和分发能力，但战略重点可能发生变化。初创公司可以承诺自主性，但当一个小型领导团队掌控资本和算力时，内部治理就变得更加关键。

第三个问题是对团队的信心。训练先进模型需要研究、数据、系统、安全和产品开发之间协调决策。候选人不会把实验室视为一群独立明星的集合，而会评估这些明星能否协作足够长时间，以完成困难项目。

第四个问题是预期影响力。OpenAI 通过 ChatGPT 和其开发者平台提供全球产品分发能力。Meta 可以将研究成果部署到规模庞大的消费产品中。Google 将 DeepMind 的研究组织与广泛的基础设施和分发能力相结合。Anthropic 则提供以模型为核心、企业采用率不断增长的项目。

Thinking Machines 必须针对这些选择提出独特优势。其战略聚焦于人们能够定制和理解的系统，而非通过固定界面使用的单一封闭模型。这一主张有其实质基础，但能否留住人才取决于研究人员是否相信它能够形成持久的技术定位。

薪资依然重要，因为它传递紧迫感，并让员工分享财务价值。然而，它无法解决围绕领导力、技术方向或能否交付有影响力工作的分歧。瓶颈之所以持续存在，是因为稀缺资源并非普通劳动力，而是在可信组织中发挥作用的、值得信赖的判断力。

OpenAI 和 Meta 能提供的不只是金钱

Thinking Machines 正在与一些机构竞争，这些机构将薪酬与成熟基础设施、强大的研究网络和即时市场路径结合在一起。

主要对手并非某一家竞争对手的薪酬方案，而是成熟前沿实验室的制度性吸引力。这些组织能够为候选人提供合作者、计算资源，以及已经触达用户的产品。

OpenAI 既是 Thinking Machines 的人才来源，也是其离职者的去向。Murati 曾在那里工作超过六年，并在 ChatGPT 崛起期间领导技术工作。多位 Thinking Machines 创始人与 OpenAI 也有同样深厚的联系。回归可以让研究人员重新与熟悉的合作者共事，并回到一个更大规模的模型训练项目中。

Meta 提供了不同的价值主张。它一直通过高管参与和异常高额的薪酬方案来招募顶尖研究人员。据报道，2025 年，十多名 Thinking Machines 员工曾收到 Meta 超级智能组织的接触或邀约。

据 Wired 报道，当时没有任何 Thinking Machines 员工接受这些邀约。Meta 对所报道薪酬方案细节的部分内容提出异议。Tulloch 后来加入 Meta，表明一次未成功的初期招募并未终结这场人才争夺。

这一过程很重要。研究人员可能因时机、职位、汇报结构或团队不合适而拒绝一份邀约；数月后，当这些条件发生变化时，同一个人可能会离开。将每项决定视为对单一数字的简单反应，忽略了高级科研招聘实际的运作方式。

Google DeepMind 则提供了另一种竞争模式。它拥有长期积累的研究信誉、庞大的基础设施，以及接入 Google 产品的机会。但它同样失去过知名研究人员，流向其他实验室。这种人员流动表明，没有任何组织永久解决了留任问题。

Anthropic 以围绕可靠且可控 AI 系统的相对聚焦定位吸引了研究人员。由前 OpenAI 首席科学家 Ilya Sutskever 创立的 Safe Superintelligence 则作出了更为狭窄的承诺：它将自身研究描述为不受短期商业压力干扰。

这些例子揭示了为何薪资上涨不会让市场恢复平衡。候选人比较的是使命与组织，而不是接受标准化工作。这项工作可能涉及多年充满不确定性的实验，因此同事与领导力的预期质量可能比眼前的现金更重要。

这种不平衡还会自我强化。当受尊敬的研究人员离开时，留下的员工会接到更多猎头电话。竞争对手可以据此宣称技术重心正在转移。受影响的公司随后便需要在安抚现有团队的同时补充更多人才。

Thinking Machines 仍拥有强有力的平衡因素。Murati 依然是该行业最受认可的技术高管之一。公司拥有充足资本、不断壮大的员工队伍、重大的算力承诺，以及已经进入市场的产品。它不需要复制 OpenAI 的组织模式才能成功。

其最清晰的差异化在于定制化。Tinker 让用户能够微调开放权重模型，而 Thinking Machines 则负责管理分布式训练基础设施。用户无需运维底层集群，仍可掌控算法和数据。公司在其 Tinker 发布公告中，将模型训练的可及性定位为一项产品，而不只是研究理念。

2026 年 7 月，Thinking Machines 通过其首个开放权重基础模型 Inkling 延续了这一定位。完整模型权重通过 Hugging Face 发布，该模型也可通过 Tinker 进行定制。公司强调的是适应性，而非宣称拥有最高的通用基准测试分数。

这一战略为招募人才提供了明确的理由。研究人员可以在同一体系内从事模型训练、后训练基础设施和用户控制方面的工作。但它也带来了更严峻的考验：这些产品必须获得足够的采用，证明定制化代表一个持久的市场，而不是大型竞争对手后来补上的次要功能。

因此，这场竞争本质上是成熟机构的吸引力与差异化创业主张之间的较量。既有实验室拥有成熟的系统和覆盖面。Thinking Machines 提供的是对一个更年轻研究议程的影响力。50 万美元级别的薪酬可以让财务比较仍具说服力，但无法决定研究人员会相信哪一种主张。

薪酬头条掩盖了执行力考验

核心反转在于：Thinking Machines 已获得通常被视为创业公司失败原因的资金和算力，但其组织延续性仍未得到解决。

资本原本应当消除最明显的约束。20 亿美元的种子轮融资，让 Thinking Machines 有余裕在尚未产生实质收入前招聘、建设基础设施并维持运营。其与 Nvidia 的合作，为获得通常与规模更大实验室相关联的计算能力开辟了路径。

产品随后落地。Tinker 于 2025 年 10 月推出，并于当年 12 月正式全面可用。它支持对多种开放权重模型进行微调，包括大型混合专家系统。在这种架构中，只有被选定的子网络会处理每个输入，使模型能够在不激活全部参数的情况下扩展。

Tinker 还负责调度、资源分配和故障恢复。这些都是分布式模型训练中重要的运营负担。研究人员可以调整训练逻辑，而服务则管理底层集群。

Inkling 提供了一个为该平台设计的模型。Thinking Machines 在最终训练阶段使用了来自现有开放模型的合成数据，其中包括 Moonshot AI 的 Kimi K2.5。合成数据是由模型生成的示例，而非直接从人或文档中收集的内容。

这次发布使公司的方向更加清晰。Thinking Machines 起初并非试图在所有通用基准测试中战胜 OpenAI 或 Anthropic。它押注的是，组织希望获得能够围绕自身工作进行检查、调整和专业化的模型。

即使无法留住每一位创始人，这一战略仍有可能成功。公司从研究组建阶段迈向产品交付阶段时，领导层经常发生变化。新员工可以带来更适合基础设施、企业采用或模型分发的经验。

不过，由于早期价值在很大程度上建立于创始团队的集体声誉之上，人员流动值得审视。投资者在 Thinking Machines 尚未推出公开产品前便已下注。因此，最初的团队阵容是投资逻辑的一部分，而非无关紧要的人员配置。

仍有三项不确定性。

首先，公开的员工人数无法反映能力分布。从约 30 人增长到约 120 人，听起来很健康，但这并不能说明公司是否补充了预训练、后训练、模型架构或研究领导方面的专家。

其次，产品发布并不等于获得采用。Thinking Machines 强调了研究和教学资助、社区项目以及技术应用，但尚未公开提供完整的使用或营收数据，外界因此无法衡量 Tinker 的商业牵引力。

第三，大规模算力承诺提高了对组织纪律的要求。吉瓦级部署涉及硬件、网络、电力、调度以及长期财务义务。更多算力扩大了研究人员可尝试的范围，但也提高了优先级不明确的代价。

这正是 google news 的叙事框架变得有用、但并不完整的地方。“不够”不应意味着公司招聘失败。Thinking Machines 显然招募到了炙手可热的人才。它应意味着，薪酬本身无法消除人员流动，也无法决定公司的方向。

这种区分也避免了过度推断。离职并不能证明 Murati 的战略正在失败。员工离开创业公司可能出于个人、财务、技术和组织层面的原因。公开报道只能让人们部分看见这些决定。

同样，融资和基础设施并不能证明成功。高估值反映的是投资者在不确定条件下的预期，并不能验证产品需求、研究质量或内部团队的持久性。

最有力的解读介于这两个极端之间。Thinking Machines 仍是一家拥有可信产品和资源的严肃前沿实验室。人员离开暴露出一种资金无法化解的风险。公司必须将个人声誉转化为一种能经受人员变动的组织能力。

这一转变对每一家由创始人主导的研究型创业公司都很困难。早期工作往往依赖彼此熟识的人之间的非正式信任和快速决策。规模增长会带来管理层级、产品期限、安全要求，以及算力的竞争性用途。

实验室只有明确决策方式，才能保持科研自由。研究人员需要知道谁来设定优先级、如何解决争议，以及产品需求是否会压过周期更长的实验。没有这些答案，自主权就可能变成模糊性。

同样的问题也会影响企业客户。采用微调平台的公司期待持续的模型支持、稳定的基础设施、文档和可预测的服务。他们关心研究质量，但也需要运营连续性。

Thinking Machines 现在必须同时满足这两类群体。研究人员需要一间值得投入数年的实验室。客户需要一家即使高级员工流动也依然可靠的供应商。当领导力清晰时，这些需求会相互强化；反之则会发生冲突。

为什么这场人才争夺战不止关乎一家实验室

前沿 AI 劳动力市场将影响力集中在一个小型网络中，同时削弱了培养未来研究人员的机构。

极端报价之所以受到关注，是因为它们看起来像职业体育合同。但其更广泛的影响是结构性的：它们将经验丰富的研究人员吸引至拥有足够资本和计算能力、能够参与前沿竞争的组织。

学术机构面临最明显的劣势。一篇 2026 年工作论文研究了两万年来 42,000 名 AI 研究人员的就业、收入和研究产出。研究发现，转入工业界的顶尖研究人员获得的财务回报不断扩大，同时也对大学研究和人才培养带来了后果。

大学通常无法匹配前沿实验室的薪酬，也无法提供相当规模的加速器集群。它们仍是培养新研究人员、支持开放探究，以及探索不受即时产品压力影响工作的关键机构。资深教师的流失可能减少指导机会，并削弱企业日后依赖的人才管道。

创业公司面临另一种失衡。Thinking Machines 融得了足以进入顶级招聘行列的资本。大多数更年轻的公司无法提供相近的薪酬、算力或流动性预期。相反，它们必须围绕狭窄的技术主张、不同寻常的自主权，或被大型实验室忽视的问题来招聘。

结果是一个分化的市场。少数人获得非同寻常的关注，而许多有能力的工程师面对的则是更普通、且有时更艰难的科技就业市场。头条数字几乎无法说明前沿模型训练以外的机会。

这也令“AI 将很快自动化 AI 研究”的说法变得更复杂。实验室正在大力投资编程智能体、自动化评估、合成数据和提出实验方案的系统。然而，它们仍然赋予那些选择目标、判断不确定结果的人类极高价值。

这未必是矛盾。自动化往往会在取代稀缺决策者之前，先提升他们的杠杆作用。如果一位研究人员能够监督更多实验，其判断的价值反而可能上升。

这种动态类似于其他资本密集型科学领域。更好的仪器并不会消除对知道哪些测量最重要的科学家的需求。它们使更少的人能够指导更昂贵、影响更重大的工作。

对开发者而言，人才流动会影响产品路线图。一次离职可能拖慢模型发布、重定向研究计划，或改变实验室是否偏好开放权重。这些变化会影响哪些 API、模型和定制工具仍然可用。

企业买家也应出于相关原因关注此事。供应商评估通常聚焦于模型评分、价格和安全控制。当产品依赖专业研究和基础设施能力时，团队稳定性同样重要。

客户不需要每位创始人永远留下。他们需要证据表明，知识已经成为组织能力。文档、发布的一致性、支持质量以及可信的继任结构，可能比一份明星阵容更重要。

知识工作者则通过产品设计感受到下游影响。Thinking Machines 的押注倾向于让组织能够围绕具体任务调整的 AI。如果这一做法获得牵引，团队或将拥有更多对模型行为和数据的控制权。如果它停滞，访问权可能仍会集中在少数通用服务手中。

这就是为什么通过 google news 关注这个故事应该是分析的起点，而非终点。薪酬之所以成为有效的头条，是因为它将稀缺性转化为一个易于理解的数字。更重要的问题是谁控制着设计先进模型的机构。

少数研究人员在 OpenAI、Meta、Google DeepMind、Anthropic 和 Thinking Machines 之间流动，就能重塑这些机构。每一次流动都会转移实践经验、强化一个招聘网络并削弱另一个网络。累积效应可能影响整个行业的技术优先级。

Thinking Machines 希望成为新的引力中心。它足够快地吸引了资本和人才，因此获得了这种可能性。它的下一个挑战，是让这个中心持久存在。

Google News 头条之后该关注什么

三个信号将显示 Thinking Machines 是在建设一家持久的机构，还是只是在资助又一轮 AI 人才抢椅子游戏。

第一个信号是技术领导层的稳定性。关注 Thinking Machines 是否留住了其余资深研究人员，以及是否由获得明确授权的人填补关键领导空缺。若更多员工流向 OpenAI 或 Meta，将加深外界对内部凝聚力的担忧。持久的任命，以及对重大发布的明确责任归属，则会削弱这种担忧。

名字本身无法解决这个问题。更有力的证据将来自研究署名、技术演讲，以及跨多次发布的持续协作。这些痕迹能够显示，团队是否正在围绕一个稳定的计划形成。

第二个信号是 Tinker 和 Inkling 的采用情况。Thinking Machines 已围绕可定制模型建立起连贯的产品理念。它如今需要的是研究人员和企业的持续使用，而不只是发布时的关注度。

有价值的证据包括持续涌现的社区项目、独立评测、客户部署，以及更广泛的模型支持。公开的使用量或营收指标将使这一判断更加清晰。若采用情况疲软，公司将面临更大压力，需要与通用模型提供商展开更直接的竞争。

Inkling 尤其重要，因为它将该实验室的研究与其平台连接起来。这款开放权重模型为外部开发者提供了可供实际测试的具体对象。独立结果将比公司的自身定位更重要。

第三个信号是与 Nvidia 合作伙伴关系的执行情况。Thinking Machines 计划于 2027 年初开始部署 Vera Rubin 系统，并最终达到至少 1 吉瓦的规模。朝这一时间表取得的进展，将表明该公司能够协调前沿规模的基础设施。

延迟并不必然意味着失败，因为数据中心项目会受到硬件、电力和建设条件的制约。然而，反复延期或缩减承诺，将削弱 Thinking Machines 能在算力方面匹敌成熟实验室的论点。

成功部署还会带来另一个问题：公司必须证明这些产能能带来什么成果。模型、研究发现、平台改进以及可靠的客户访问，将验证这项投资的价值。没有可见产出的产能，只会加剧外界审视。

读者不应把任何一位人才的加入、离开或单项基准测试视为定论。研究机构是在一连串决策中逐步发展的。领导层、采用情况和基础设施之间呈现的整体模式，会提供更有价值的信息。

50 万美元的薪酬仍是一个有用的象征，因为它表明公司已经投入了相当的资源。它也排除了一个容易成立的借口：Thinking Machines 不能再简单将人才瓶颈归因于无力支付市场薪酬。

它的机会依然可观。公司拥有资金、一位广受认可的首席执行官、差异化的定制策略、一款开放权重模型，以及通向大规模算力的路径。很少有初创公司能同时获得这样的组合。

它的责任同样重大。它必须证明，这些资产构成的是一个组织，而非一群履历耀眼的人才的短暂聚集。这意味着持续交付产品、留住值得信赖的技术领导者，并让平台对实验室外的用户也具备价值。

对于通过 google news 追踪这一事件的人来说，下一步很实际：关注未来发布内容中署名的人员，通过独立评测测试 Inkling，并跟踪 Nvidia 的部署进展。这些信号将比又一份出色的邀约揭示更多信息。真正的问题是，即使部分人才离开，Thinking Machines 是否仍能将稀缺人才转化为持久能力。