
AI时代,硅谷判断迅速过期
所有人都在尝试建立关于AI的判断,但所有共识都在迅速过期。身处硅谷AI创业一线的马培元深有感触,他说“野蛮生长的阶段已经过去了”。
2021年12月本科毕业后,马培元进入号称“美版知乎”的Quora,后转到AI聊天机器人聚合平台Poe,担任资深AI工程师,2个月前加入硅谷热门AI Agent创业公司之一Cognition。2026年5月,成立不到三年的Cognition宣布完成超10亿美元融资,估值升至260亿美元,8个月前其估值还是102亿美元。
马培元还有投资猎头身份,替投资机构找AI创业项目,年投资额度50万美元。毕业后四年多,他行动总比AI行业共识早,“agent”定义不明时团队已立项,Anthropic无名时成了Claude最早深度用户,他还是团队首个AI认证工程师、AI agent工程师,还把工程团队变成AI Native团队。
两周前,他和“未来人类实验室”对谈时说“people manager正在消亡”,很快被腾讯、字节取消中层新闻坐实。在硅谷,变化太快,要时刻与之共处。这篇稿子两次访谈间隙,马培元发现上次讲的硅谷“追逐最贵最前沿模型”逻辑站不住了,当下流行“融合调度”使用模型。和他聊近5小时发现,他和硅谷都在不断推翻昨天的自己,AI领域很多判断一个月内就被推翻。
马培元眼中的10个硅谷AI观察
观察1:通才碾压专才
硅谷最抢手的是“每一项都过得去、没有明显短板”的“六边形战士”,业内叫polyglot talent。2024年,Poe的“agent”项目挑中马培元,因他既做过AI,也做全栈开发和iOS,而组里其他人多是传统背景,不懂前端代码,agent需要前端界面能力,公司AI提示词工程人员离职后,他也能补上。这种能力组合成了他找工作的资本,他能在两周内学会新领域知识,这正是早期创业公司需要的人。
观察2:AI原生技能,短时间碾压资历年限
AI工具使用能力能碾压传统资历。马培元从Quora广告组转去iOS组时对iOS一窍不通,他把GPT - 4当搭档写代码。结果,入行三四个月的他产出速度追平或超过资深工程师,两年内做到资深职位,这在传统晋升体系里几乎不可能,在Facebook至少要4到6年,谷歌有些人一辈子都升不到资深。他在Cognition遇到19岁面试官,这表明年龄不再是硅谷评判人才的标准。
观察3:招聘标准被彻底重写,AI公司不用同一套模板面试
马培元在Quora离职前面试近20家公司,算上电话沟通有30到40家,最多一周被30多个猎头找。当下AI公司招人无统一面试模板,LeetCode式算法题重要性下降,AI系统设计最佳答案每月都变。面试结构也变了,在线笔试 + work trial成新组合,work trial是短“试用期面试”,有的3小时,有的5小时,最长一两天,比如直接给代码库让用工具包括AI解决实际问题,做完展示思路和成果,接近真实工作。对AI使用考察分两种模式,有些轮次要必须用AI,有些轮次禁止用AI,如debug,测试个人软件工程水平和品味。面试形式多样,有的让做商业分析,行为面试也变了,看成长轨迹判断是否能指数型增长。没有标准答案,没人能靠背题拿offer。
观察4:对“AI原生”太过渴求
硅谷公司对AI原生的渴求远超想象。马培元面试的多是A轮、B轮和种子轮公司,高频问题是用什么AI工具,他把自己博客给对方,对方常“目瞪口呆”。公司希望他推动内部AI转型,让团队更AI原生。很多公司做AI产品,但员工没建立AI工作流,也需要及时分享AI发现和提效技巧的人。他过去折腾新工具、分享AI用法的“爱好”成了新组织角色,在Quora他让整个工程团队用上Claude Code。
观察5:“更好地去使用AI”,实质是个组织转型问题
在Cognition做AI工作,马培元发现更好使用AI是组织架构转型问题。传统互联网公司修复Bug流程长,用AI写代码只需两三个小时,但整个流程要一个月。以前流程合理,因修Bug工程师要花三五天,流程用于协调团队和分配资源,但AI压缩了时间。现在用Cognition的Devin产品,两三个小时能完成过去几天工作,还能找到负责Bug的人并协助修复,省掉很多协调和流转环节,是AI在倒逼组织架构转型。
观察6:People manager正在消亡,管理者必须自己会写代码
所谓people manager就是工程经理。在美国,流行管理者做好管理,工程能力不用强。但在Cognition,组织架构扁平化,马培元直接汇报对象是CPO,即联合创始人之一,只定大方向。Cognition 60多人工程团队里,真正的people manager只有一个人,其他人包括CPO都“既管人、也写代码”,这和他在Quora体验不同,当时一个manager管五六个工程师。他觉得这是AI带来的组织架构变化,朝气蓬勃的AI创业公司几乎没有只管人、技术不强的经理。这个判断不只在硅谷,国内大厂腾讯、字节也先后宣布取消中层。
观察7:Token Maxxing出现了分化,大公司开始重新关心效率
今年初,硅谷流行“Token - Maxxing”,Meta等公司做Token使用排行榜,谁用得多就是“AI原生”代表。但AI token使用量和工程师效率不能画等号,Google、Meta的朋友说当时在搞“AI大跃进”,公司办“AI Week”,让所有人写AI Skills。公开排名后,人的行为被扭曲,工程师为用而用,出现荒诞情况,如让AI空跑任务增加使用量,这和用GPA衡量学生能力一样,单一指标易失真。后来高层意识到问题,被账单吓到,如Uber 2026年全年AI专项预算前四个月基本烧完,很多大公司开始限制Token用量,董事会和CEO会问使用值不值。Cognition发布“AI生产力保证”,若企业客户用Devin后效率提升未达承诺,最高赔偿1000万美金。做研究的同事调研233个真实客户案例,训练出预测系统,把Devin对话转化成“等效工程师小时数”,反推产品节省成本。但很多YC公司可能继续“token maxxing”模式,因有免费token额度,规模小,无AI治理问题,管理者能看到员工是否摸鱼。
观察8:模型崇拜本身也在被推翻
两次访谈间隙,马培元发现上次观点不对了。两周前还在谈最前沿模型,现在Cognition内部发布代号fusion mode功能,把多个便宜模型和顶尖模型融合调度使用,而非用最贵的。模型迭代速度超出想象,谁是“number one”都不敢确定,很多情况一个月后就可能反转。
观察9:新的AI infra正在出现
围绕“Token - Maxxing”出现新创业公司,观测、监控团队AI使用情况,分析token浪费处。AI agent脆弱,prompt微小变化可能让其表现变差。于是新的AI infra(基础设施)出现,如sandbox(沙盒环境),隔离agent运行,避免接触敏感系统。“观测”也更复杂,传统系统报错能被监控,agent不“报错”,输出可能有严重问题,需要新软件监测其何时“脑子坏了”。
观察10:“不可训练的东西”,正在成为新生意
投资圈认为vertical agent(垂直领域AI代理)失去投资价值,但马培元不完全同意。硅谷投资者郭睿提出“the untrainable”(不可训练的东西)概念,核心观点是很多垂直行业,语言模型无法完全自动化,因行业有大量复杂流程,需人力解决。如美国报税,50个州有50个税要对接;法律领域,移民法、民法、商法体系复杂,AI agent无法一步到位。垂直AI agent公司价值在于和客户、FDE互动中发现痛点,这些痛点会烙印在产品里,是大公司和通用模型无法训练和替代的。所以他认为vertical agent有投资价值,可能带来20倍、50倍甚至100倍较稳回报。
互动话题
身处AI浪潮中,你感受到的最大变化是?欢迎在评论区分享你的看法~
508



被折叠的 条评论
为什么被折叠?



