中层消失，Token狂热退潮，硅谷工程师眼里的「AI创业下半场」

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。 访谈 | 巴芮 海风 文 | 海风 刘思洁 编辑 | 刘思洁 封面图源 | 受访者拍摄“野蛮生长的阶段已经过去了。” 这是身处硅谷AI创业一线的马培元最近最深的感受。 2021年12月，本科毕业后，他进入号称“美版知乎”的Quora，后来转到AI聊天机器人聚合平台Poe，担任资深AI工程师。2个月前，他又加入硅谷最热门的AI Agent创业公司之一Cognition。 2026年5月，这家成立不到三年的公司宣布完成超过10亿美元融资，估值升至260亿美元。8个月前，它的估值还是102亿美元。 除了工程师，马培元还有另一个身份——投资猎头（Venture Scout）。他替投资机构寻找值得下注的AI创业项目，每年拥有50万美元的投资额度。 毕业后的这四年多的时间里，他似乎始终行动得要比AI行业共识早，在“agent”这个词还没有被任何人讲清楚定义之前，他所在的团队已经悄悄立项。在Anthropic还是无名之辈时，他们就成了Claude最早的深度用户。他是团队里第一个AI认证工程师、第一个AI agent工程师，后来又把整个工程团队“洗脑”成了使用AI编程的AI Native团队。 这种认知和行动的超前，最有意思的印证发生在两周前，他在和“未来人类实验室”对谈时随口说出“people manager正在消亡”，没过多久就被腾讯、字节宣布取消中层的新闻坐实。 变化发生得太快，在硅谷，要时刻与变化共处。 在这篇稿子两次访谈的两周间隙里，马培元发现自己上一次讲的硅谷“追逐最贵最前沿模型”的逻辑，就开始站不住了。当下硅谷流行的做法是把多个便宜模型和顶尖模型“融合调度”使用。 和马培元聊了近5个小时，我们发现，他几乎一直在推翻昨天的自己，硅谷也一样。“我不能说所有的，但你可能说大于60%，一个月之后就可能又反着来了。” 过去几年，AI几乎改写了硅谷的所有默认规则：什么样的人更容易脱颖而出，什么样的组织更有竞争力，什么样的钱花得值。 当然，这些所谓“正确答案”的判断，也在迅速失效。在AI领域，一年已经是很长的周期，很多判断可能在一个月内就被推翻。 以下，是马培元眼中十分当下的10个硅谷AI观察： 马培元 硅谷需要什么样的人才？ 马培元的职业画像，高度契合了硅谷的AI公司最喜欢的人才样貌。他不是传统的计算机背景，没有得竞赛金牌，没有顶尖名校光环，甚至一度对计算机毫无兴趣，但过去四年，他从Quora的广告组一路做到Cognition的AI工程师，履历踩中了硅谷AI公司现在最想要的人才画像的每一个关键词。他的经历，既是一部个人成长史，也是一份行业招聘标准变化的样本。 观察1：通才碾压专才 硅谷现在最抢手的人才画像，不是某个领域钻得最深的专家，而是“每一项都过得去、没有明显短板”的人——业内管这个叫polyglot talent，更通俗的话说叫“六边形战士”。 2024年，Poe内部启动了一个当时还没人说得清定义的“agent”项目，组里挑中我这个新人的理由很直接：“既做过AI，也做过全栈开发和iOS”。当时组里其他人大多是传统机器学习、搜广推背景出身，他们的人不懂前端代码，而agent恰好需要能写前端界面。公司原本负责AI提示词工程的人离职后，团队里再没有人能补上这个缺口，那正好，反正我学得快，我既做这个agent提示词工程，也做这个它的前端写代码之类的。 这套“什么都会一点”的能力组合，后来变成了我找工作时最值钱的资本。我是你给我一个什么新的领域，我可以从两周之内学得差不多。而这正是早期创业公司要的人。 观察2：AI原生技能，可以在短时间内碾压资历年限 AI工具的使用能力，可以直接碾压传统意义上靠年限堆出来的资历。 我从Quora广告组转去iOS组的时候，理由是“想迈出舒适圈”，但此时我对iOS一窍不通，是彻头彻尾的“0年经验”。我当时没有选择慢慢补课，而是把GPT-4当成了自己的搭档。当时我周围的人都是非常资深的iOS工程师，他们可能不信AI。我iOS不会写，Swift代码不会写，于是我就疯狂地用AI帮我写代码。 结果是，我这个刚入行三四个月的新人，产出速度追平甚至超过了身边浸淫多年的资深工程师，两年内就做到了资深职位。这在传统晋升体系里，几乎是不可能的速度。此前，在Facebook可能至少要4到6年，你才能变成资深工程师。谷歌有些人可能一辈子都不会升级到资深工程师。 我在Cognition就遇到过一位19岁的面试官。一开始我还有点沮丧，一个26岁的人被19岁的人“拷问”，很多问题我都答不上来。后来我意识到，这恰恰是一个迹象，说明这家公司确实能不拘⼀格降⼈才，且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 我在Quora离职前，认真面了将近20家公司，算上打过电话的有30到40家。最多的时候，我一周被30多个猎头找上门来。 面试了这么多家公司，我发现，当下AI公司招人没有一个统一的面试模板。 但有几个很明显的变化，LeetCode式算法题的重要性在下降，关于AI系统设计的最佳答案每个月都在改变。 面试结构也在变化。在线笔试+work trial成了一种新的组合。work trial是一种非常短的“试用期面试”。有的3小时，有的5小时，最长也就一两天。我遇到的一次面试，就是直接给我一个代码库，让我用任何工具，包括AI，去解决一个实际问题。做完之后，还要展示思路和成果。整个过程已经非常接近真实工作。 更有意思的是，对AI使用的考察本身也被拆成两种模式。有些轮次要求必须用AI，看你怎么“by code”；但也有轮次明确禁止使用AI，比如debug，考的是在没有AI辅助加成下，你能不能找出错误，本质上是在测试个人实际的软件⼯程⽔平和品味如何。 面试本身也多种多样。比如，有的公司会让我做商业分析，判断他们应该收购哪个行业。 行为面试（behavior round）也变了。它不再是“个人最⼤的缺点和优点”“跟同事有冲突怎么解决”等传统问题，而是拉长时间线，去看一个人的成长轨迹，从高中到大学，从实习到工作，一路往下追，看你的“人生斜率”，判断你是不是⼀个能够指数型增⻓的⼈。 没有标准答案带来的一个意外好处是：没人能靠背题拿到offer。连我在Cognition的内推人都直接告诉我：“你别准备了，我觉得没什么可准备的。” AI正在重构组织结构 在硅谷，最厉害的那批人，从来不属于某一家公司，只属于“那个时代最厉害的公司”。二十年前是谷歌，十年前是Uber和Robinhood，五年前是Coinbase，现在是AI公司，硅谷是“流水的银盘，铁打的兵”。这批被新标准筛出来的人才，更会因使命感，而不是“待遇”留下。这些汇聚最厉害人的组织，也在AI的重塑下，发生着巨变。 观察4：对“AI原生”太过渴求 硅谷公司对AI原生（AI native）的渴求程度远远⼤于我的想象。我面试的公司大多是A轮、B轮，也有一些种子轮。一个很高频的问题是：你用什么AI工具？我通常直接把自己写的博客丢过去，对方基本上都会“目瞪口呆”。 他们会说，不只是想让我做AI应用开发，更希望我去推动公司内部的AI转型，让团队变得更AI原生。很多公司其实已经在做AI产品，但员工还没有建立自己的AI工作流。而且，他们也很需要每天都刷很久推特、及时分享⼀些新奇AI发现或提效技巧的⼈。 这件事对我来说有点反直觉。我过去的一些“爱好”，比如每天折腾Claude Code等新工具、在Slack（一款办公软件）里分享AI用法，反而变成了一种新的组织角色。 之前在Quora时，我成功地让整个⼯程团队都⽤上了Claude Code。办公室每遇到⼀个⼯程师，我都会问，你有没有⽤AI来编程？我记得办公室⾥有一个做网络安全的工程师，一开始很抗拒，觉得用AI写代码风险太高。我后来让他换个思路，不写代码，只用AI读代码、理解代码库、做数据分析。后来，他也真的用起来了。 观察5：“更好地去使⽤AI”，实质是个组织转型问题 在Cognition做AI相关工作时，我越来越发现一个事实：更好地去使⽤AI，可能已经不是⼀个纯⼯程问题，而是⼀个组织架构上的转型问题。 举个例子。传统组织架构的互联网公司，一个Bug从发现到修复，往往要经过需求评估、工程排期、开发、测试、上线等好几个环节。真正用AI写代码可能只需要两三个小时，但整个流程走下来，经常要一个月。 以前这样的流程是合理的。因为修一个Bug，一个工程师可能要花三五天，流程的价值在于协调不同团队、分配资源。但AI把这个时间压缩了。 现在，我们用Cognition推出的Devin这样的AI软件工程师产品，两三个小时就能完成过去几天的工作。在Cognition，我们甚至可以用Devin找到负责这个Bug的人，再让Devin协助他完成修复，中间很多协调和流转环节都可以省掉，没有任何冗余。其实是AI在倒逼整个组织架构的转型。 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（engineering manager）。在美国，近⼏年来流⾏的⼀个观点是，你作为管理者就要做好管理，更多负责团队协调、组织沟通，照顾员工情绪、提供成长支持，工程能⼒不用特别强。 但进到Cognition，我发现整个