当地时间8月5日，在谷歌工作约27年的Jeff Dean在社交平台宣布离职，将与数名谷歌AI研究人员共同创办AI公司Discovery Loop。此前，他担任谷歌Research和谷歌DeepMind首席科学家，直接向CEO Sundar Pichai汇报，参与确定谷歌人工智能研究方向，并负责重要的战略技术项目。
报道称，Jeff Dean的离职并非单一原因所致，而是个人追求与公司环境共同作用的结果。追求科研自由、摆脱大公司病；厌倦产品交付压力，渴望长期科研；基于固有方向的发展以及更具潜力的新方向……这些矛盾让问题变得更加具体。当大公司的职位已经无法完全容纳顶尖科研人员的个人目标时，企业究竟应该努力留住一个人，还是重新设计双方的关系。
Jeff Dean的离职并非个案。2025年，Meta首席人工智能科学家Yann LeCun宣布离开任职10余年的公司，创办AI公司AMI Labs。Yann LeCun曾长期质疑依靠扩大大语言模型的规模通向AGI的道路，他更看中理解物理世界的世界模型。如果说杨立昆的案例体现了技术路线与公司优先级之间的不同，那么OpenAI前超级对齐团队负责人Jan Leike的离职，则指向科研安全与产品速度、资源分配之间的冲突。
类似的故事也发生在中国公司。阿里千问大模型技术负责人林俊旸于2026年3月份离职后，创办语用科技，研究内容从基础大模型转换为世界模型和具身大脑。华为盘古大模型负责人、诺亚方舟实验室主任王云鹤离职后，创办基元律动，同样转向AI Agent领域。
这些离职很难用薪酬或者职位变化解释。顶尖科研人员可能拥有自己的北极星，如：获得学术影响力、验证一种尚未成为主流的技术路线，或者解决他们认为足以影响人类未来的问题。但是，企业也有自己的约束，产品需要按时推出，巨额投入需要得到解释，研究方向要与公司战略保持联系。当两套目标不能完全重合，冲突就可能从绩效评价延伸到技术路线、算力分配、组织权力乃至研究伦理。
AI时代加剧了这种冲突。过去，大公司吸引科研人员的重要条件，是稳定的资金、充足的算力、优秀的同事，以及允许长期探索的研究环境。如今，技术迭代变得越来越快，研究成果与产品竞争、资本投入和公司战略的联系也变得更加紧密。与此同时，少数关键科研人员对技术方向和团队能力的影响，可能远远超过其职级在组织架构中所显示的范围。
这对决策者提出了一系列新的挑战。招聘科研人员时，双方应该如何说明公司的目标和边界；入职以后，企业应当相信制度、管理者，还是专业人员的判断；如果传统KPI难以衡量前沿研究，公司又该如何配置资源、评价成果并控制风险；当科研人员的个人目标与企业战略出现偏差，企业应该纠正、容忍，还是允许一种新的组织关系出现。
带着这些问题，「明亮公司」对话曾在谷歌总部、Tesla总部和腾讯公司从事人力资源工作的硅谷资深人力资源专家Tom Zhang博士。横跨多家不同类型科技公司的经历，让他得以从招聘、用人、评价和人才流动等多个环节，观察公司如何与高专业度人才相处。
Tom Zhang认为，Google、Tesla和腾讯三家公司都非常重视人才，选拔标准也都很严格，但人才管理理念各有不同。Google追求“智力自由”与“心理安全感”的赋能型逻辑，其管理底层是“相信聪明的头脑不需要被过度管理”，管理者更倾向于通过数据和逻辑说服，强调管理者是“赋能者”而非“监工”。Tesla追求“极致第一性原理”与“使命狂热”的极限逻辑，组织架构极其扁平，遇到技术瓶颈时高层往往直接深入一线，用极致的高压和极度密集的迭代周期逼出突破，结果导向，只看谁能用最直接的物理规律在最短时间内解决问题。腾讯作为中国互联网的顶尖大厂，形成了一套非常成熟且具特色的研发人才管理体系，极早就建立了专业线（T通道）与管理线（M通道）并行的双轨制，技术管理风格带有鲜明的务实基因，既要求研发人员具备极强的业务交付能力，也形成了对技术试错、攻坚硬核难题的包容机制。
在用人逻辑上，Tom Zhang指出，Tesla的目标是马斯克确定的，大家深信不疑，执行力很强的专业团队寻找实现路径；Google的创新不少来自研发工程师自下而上的探索，人才管理制度的作用是为这种探索提供空间；腾讯和许多中美大公司一样，用人比较稳健，外部引进的人才多是经验丰富、被实践验证过的行业顶尖人才。任何公司都同时需要制度、管理者和专业人员，只是把决策权和信任放在了不同位置。
Tom Zhang还观察到，硅谷公司更愿意给尚未被充分证明的年轻人机会，他称之为“重仓年轻人”，因为年轻人虽然缺少既有经验，却也较少受到路径依赖的限制，可能提出更新的方法。而中国公司通常希望候选人已经在知名机构证明过自己。不过，用人大胆不等于长期容忍低绩效，不同公司的验证周期不同，Tesla可能较快验证一个人是否适合，Google对部分前沿研究则可能给予更长时间。
关于中国公司引进“大神”的问题，Tom Zhang认为，个人能力强不代表他一定能与团队协作，也不意味着他的能力能够在当前组织中落地。他还指出中美公司组织结构的差异：中国大公司的架构通常以部门和岗位为中心，结构稳定，组织能力和个人能力是分开的；美国公司的组织架构更围绕具体的人展开，以人为中心，更直接地承认人与人之间的差异，但缺点是组织可能更加依赖关键人物。AI出现以后，两种组织模式都在压缩一部分主要承担信息传递职能的中间层，组织可能进一步扁平化，未来高专业度人才在组织中的实际影响力，可能比其职位名称更加重要。
对于哪一管理方式更有利于创新，Tom Zhang认为很难脱离具体任务来判断，但从整体结果来看，美国公司的管理方式似乎更容易产生前沿性的、探索性的创新，而中国公司的谨慎也有自身优势，能把产品做得非常扎实。不同组织擅长解决的问题不同，有的更容易产生前沿突破，有的更擅长产品落地和持续执行。
前沿创新最直接的代价是烧钱。Tom Zhang提到，谷歌招聘了大量优秀研究人员，支付很高的薪资，但其中许多人在相当长时间内未必产生明显的短期效益。谷歌拥有数以千计的研究人员，最终写出Transformer论文的只是少数人，当然不能因此认为其他人的研究都没有意义。因为企业无法事先知道创新和突破会来自哪个人、哪个团队或者哪个方向，要获得少数重大创新，就必须承担大量研究暂时没有回报的成本。
DeepMind CEO Demis Hassabis在回顾2014年DeepMind决定被谷歌收购的历史时，曾多次坦诚地谈到资金与计算资源对实现通用人工智能（AGI）和科学攻坚的决定性作用。他认为独立的初创公司很难独自承担通往AGI所需的、天文数字般的算力和长期资金投入，谷歌能够提供他们研究所需的“耐心资本”、庞大的计算基础设施以及分发能力。也就是说，资金和算力是谷歌支撑其长期科学宏图（如AlphaGo、AlphaFold等项目）的重要后盾。与此同时，企业还要面对财务压力，科研需要持续投入，其中一部分短期内看不到回报，资本市场和投资者却会关注季度和年度业绩，因此即使企业有钱，也必须处理长期科研与阶段性财务评价之间的矛盾。
对于管理者如何管理专业人员，Tom Zhang强调，管理者首先要定义清楚目标。他举了肯尼迪的例子：肯尼迪不是航天科学家，也不懂火箭制造的具体技术，但他提出了一个明确目标，在20世纪60年代结束以前把美国人送上月球并使其安全返回地球。肯尼迪不需要亲自决定每一条技术路线，他的责任是明确组织要完成什么，科学家和工程师负责解决怎样制造火箭、完成登月和保障安全等问题。马斯克提出去火星的目标也是类似，领导者定义目标，专业人员寻找路径。
在AI公司中，Tom Zhang认为梁文锋算是一个例子。他把DeepSeek的目标说得很清楚，就是AGI。他偏爱“平凡的人做不平凡的事”这一叙事，强调靠日复一日的打磨、靠谱和责任感，而非依赖明星人才的灵光一现。他没有把目标局限在某个短期用户数字或者收入指标上，而是用一个足够大的共同使命凝聚团队。明确的使命可以帮助科研人员理解自己为什么工作，也能为资源配置和项目选择提供方向。
但目标本身也可能由外行制定，如果管理者定错了目标，专业团队执行力越强，是否反而可能离正确方向越远？Tom Zhang承认这种风险当然存在。企业经营的问题是非常复杂的，可能在产品、市场、战略组织和管理，人才不是灵丹妙药，不能指望招聘几个AI专家，一个差公司就会自动变成好公司。目标不能只是领导者单方面宣布，还要接受专业团队的讨论和检验，科研负责人也需要具备向上沟通和影响管理者的能力。不能把所有问题都归结为机制，有时确实是组织判断错误，有时也涉及科研负责人能否提出有说服力的替代方案。
管理者应该管理目标、资源和风险边界，不宜过多干预自己并不理解的技术细节、工作流程和实现路径。如果管理者不懂专业，却根据谁的PPT做得漂亮、谁的报告写得好，或者只看论文数量评价科研人员，就容易出现问题。在企业内部，直属领导如果不理解具体技术，也应该让同行和相关专家参与专业评价，而不是独自判断谁的科研能力更强，管理者可以判断项目是否符合公司战略、需要多少资源，以及风险是否可以接受。
Tom Zhang认为，管理者与科研人员的关系有相似于内部投资人与项目负责人的地方，但两者并不完全相同。企业管理者还要划定安全、伦理和合规底线，科研负责人也要承担战略对齐责任。比如，科研人员提出需要一万张GPU卡，管理者的责任不是在不了解技术的情况下机械地讨价还价，逼问五千张或者两千张能不能完成，但他也不能完全放弃自己的判断。科研中的许多问题往往无法被精确计算，“模糊的正确”比“精确的错误”更有价值，管理者不必决定每条技术路线，但必须判断什么时候说“是”、什么时候说“不”。如果管理者无法判断专业人员的方案，依据什么来分配资源？Tom Zhang的回答首先是信任，管理者既然选择了专业人员，就需要在一定程度上相信他。