鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

美国AI,开始留不住中国“最强大脑”

编程导航
编程导航
2025-09-25 12:30
阅读 223
编程导航
2025-09-25 12:30
阅读 223

9月25日消息,据《The Information》报道,在美国人工智能领域,中国研究人员曾占据半壁江山,以至于有人戏称全球AI竞赛是“两群中国人之间的竞争”。然而,这个玩笑可能很快就会过时,因为一场深刻的人才流动逆转正在发生。

人才流动的风向转变

越来越多在美国的中国AI研究者和博士生,正因为担忧特朗普政府推行的限制性移民政策和潜在的歧视风险,而开始认真考虑回国发展。

与此同时,许多原本计划赴美深造和工作的中国顶尖学生,也因美国签证政策的收紧以及中国本土AI技术的迅猛进步,而选择留在国内。例如,美国政府上周宣布,计划对新的高技术人才H-1B签证申请者征收高达10万美元的费用,这无疑加剧了这一趋势。

中国的科技巨头们正敏锐地抓住这一情绪变化,积极从美国公司延揽人才。过去,凭借更高的薪酬和在全球知名企业工作的声望,美国公司在吸引顶尖海外人才方面一直占据优势。

但现在,一位在Meta工作的中国研究员表示,他频繁接到字节跳动、阿里巴巴和腾讯的招聘电话。他正在考虑接受这些邀约,因为中方公司提供的薪酬方案已超过他目前的收入,并且他们的AI团队中不乏他在顶级AI会议上结识的知名中国专家。

不过,猎头也指出,在招募最顶尖的人才时,中国公司目前还难以企及Meta等美国巨头为挖角开出的数千万美元甚至更高的天价薪酬。

今年2月,字节跳动成功聘请了在谷歌工作长达17年的资深专家吴永辉,他曾是谷歌Gemini AI模型的关键研究员之一。吴永辉在中国完成本科教育后赴美获得博士学位,如今他已开始负责字节跳动的AI模型研发工作。

这些变化标志着美国AI人才的结构正在发生根本性转变。长期以来,在中国出生的AI研究人员在美国的企业和学术实验室中都占据着举足轻重的地位。

乔治城大学安全与新兴技术中心负责追踪AI人才流动的雅各布·费尔德戈伊斯(Jacob Feldgoise)表示:“中美关系越紧张,中国学生就越会感到赴美留学的安全感降低,甚至担心连成行的可能性都在减小。”

去与留:一个艰难的抉择

当然,并非所有人都选择了离开。一些接到中国公司伸出的橄榄枝的研究人员表示,他们仍然倾向于为顶尖的美国公司工作。

例如,加州的一位研究员去年拒绝了几家中国头部AI初创公司的邀约,最终选择留在美国,因为他收到了英伟达的录用通知。他直言:“你总会追随世界上最优秀的公司,而目前,最优秀的公司仍然在这里。”

但也有越来越多人选择了回国。一位近期在美国常春藤盟校完成博士学位的中国研究员决定回到中国,加入字节跳动。他表示,部分原因是他希望能为祖国的AI进步贡献一份力量。同时,他也对中美之间日益加深的地缘政治裂痕感到忧虑。近年来,美国以国家安全为由对半导体行业出台的法规,使得非美国公民在中国芯片行业的工作变得更加困难,这加剧了他的担忧。

“我能看出这是一个趋势,”他说,“为什么要坐等下一个受影响的行业出现呢?”

字节跳动雄厚的财力使其在人才竞争中极具优势。据一位被猎头接洽过的研究人员透露,该公司曾为招募一名顶级AI研究员开出包含签约奖金在内的数百万美元的优厚条件。

一位已接受字节跳动邀约的博士毕业生还提到,该公司允许顶尖的中国研究人员在美国和中国的办公室之间灵活分配工作时间。今年4月,刚从普林斯顿大学获得博士学位的AI研究员蔡天乐也在社交媒体上宣布,他已加入字节跳动,专注于前沿AI研究项目。

除了经验丰富的行业顶尖人才,中国科技巨头也将目光投向了处于职业生涯早期的年轻研究人员。腾讯近期便从OpenAI挖走了姚顺雨,他本科毕业于清华大学,去年在普林斯顿大学获得博士学位,并在OpenAI工作了一年多。据腾讯内部员工透露,姚顺雨的新职位尚不明确,但他近期一直在与公司各个AI模型团队进行交流。

一生一次的选择

历史上,中国顶尖大学的计算机科学专业学生大多被美国世界级的研究水平和丰厚的职业前景所吸引,选择赴美攻读博士学位。传统上,他们中的大多数人毕业后会留在美国,进入硅谷的科技公司或顶尖学术机构工作。

而现在,年轻一代的中国AI研究者们感到,他们正面临一个艰难的抉择:在两个日益视彼此为竞争对手的强大科技生态系统中做出选择。而这个选择,很可能决定他们未来的人生轨迹。

“我认为这绝对是一个关乎一生的选择,”一位在卡内基梅隆大学攻读计算机科学博士的中国学生说道。他在国内顶尖大学完成本科学业后来到美国,虽然美国实验室的前沿研究和硅谷的高薪职位对他很有吸引力,但他同样担忧不断恶化的中美关系会影响中国研究人员在美国的未来发展机遇。这位学生至今仍未决定是否要长期留在美国。

一些国内顶尖大学的学生则表示,他们计划留在国内,不仅是因为地缘政治,也因为国内同样充满了AI发展的机遇。例如,开发出备受关注的DeepSeek R1模型的研究团队,其成员大多仅在中国接受过教育。总部位于北京的初创公司智谱AI,由一群清华大学的研究人员创立,也主要依靠本土人才(包括清华的在读博士生)来开发其AI模型。

美国乔治华盛顿大学政治学助理教授、《中国人工智能通讯》(ChinAI)创办人杰弗里·丁(Jeffrey Ding)分析称,中美两国都曾从中国AI人才的跨国流动中受益。中国学生和研究人员为美国的人才库做出了巨大贡献,同时他们中的许多人也扮演了连接中国与全球创新网络的桥梁角色。

人才流向决定AI竞赛胜负

中国AI专家的最终流向,对中美两国都至关重要,因为最顶尖的人才很可能决定谁将赢得这场全球AI竞赛的最终胜利。

根据保尔森研究所旗下已解散的智库MacroPolo在2022年的一项研究,在美国机构工作的顶级AI研究人员中,近40%来自中国。同一研究还发现,全球近一半的顶级AI研究人员拥有中国的本科学位,他们是在竞争异常激烈的教育体系中,从数百万学生中脱颖而出,进入清华、北大等顶尖学府的佼佼者。

特朗普政府收紧移民政策的举措,以及限制外国学生的意图,促使中国AI研究人员的态度发生了转变。今年5月,美国国务卿鲁比奥(Marco Rubio)曾宣称,美国将“积极撤销部分‘关键领域’中国学生的签证”,并修订签证标准,以加强对所有来自中国大陆和香港的未来申请者的审查。

本月早些时候,美国宇航局(NASA)也以国家安全为由,禁止包括持美国签证者在内的中国公民访问其数据、设施和项目。此外,越来越多华裔学者成为被审查甚至起诉的对象。

一些在美国的中国计算机科学专业学生表示,他们被迫每年都要更新签证或接受审查。一位博士生说,他在今年3月参加签证面试时,被告知续签需要接受进一步调查。但六个月过去了,他仍在等待中,而他的研究项目也因此陷入停滞。这位学生无奈地问道:“如果他们最终拒绝我的签证,我该怎么办?”

那位卡内基梅隆大学的博士生表示,他为了避免在后续签证申请时遭到美国当局的额外审查,刻意回避了所有在中国的暑期实习机会。同样,另一位在美的中国博士生也透露,他曾拒绝了华为的实习邀请,因为担心这段经历会在他返回美国时被签证官视为一个“危险信号”。

与此同时,特朗普总统本人却在释放令人困惑的信号。上个月,他表示将为来美的中国学生发放60万份签证,并说:“我很荣幸能有来自中国的学生来到这里。”(小小)

原文链接: 美国AI,开始留不住中国“最强大脑”
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手