【#北京提前蒸桑拿了#】#北京闷闷#经历了昨晚的一场全市性雷阵雨过后，今天京城开启晴晒模式，暂别雨水，但体感较闷热。

前两天的京城，由于频繁迎接雷阵雨，气温虽然没有超过30℃，但天空总感觉“憋着”水汽，能见度不佳，湿度较大，与前半月冷涡影响下干爽舒适的天气形成鲜明对比。

今天，这种湿润感会更加明显。13时实况显示，代表“北京温度”的南郊观象台气温已经接近30℃，湿度达到50%。午后随着气温继续升高，体感会更觉闷热。“衣服晒了半天还感觉潮乎乎的！”“北京怎么有点像南方‘入梅’了的感觉？”“这是提前体验‘桑拿天’了？”……网友们纷纷分享自己的感受。

北京市气象局气象服务首席王华告诉记者，相比6月上半月，从这周开始北京的天气确实变化比较大。前段时间，尤其是高考期间的北京，在东北冷涡的影响下，冷空气频繁，虽然时不时也有雷阵雨，但降雨过后地面多北风，空气凉爽，体感舒适。

而近几天，随着天气形势变化，北京主要受高空短波槽影响，高空有冷空气，但伴随低层偏南暖湿气流输送水汽，使得空气湿度加大，但降雨过后地面没有冷空气下来，风力较小，蒸发作用又导致近地面湿度更大，加剧闷热感。

就比如6月15日的北京，虽然最高气温只有27℃，但最小相对湿度都达到了60%，日平均湿度更是高达84%，体感就会觉得比较闷热。相比之下，6月11日的北京，虽然最高气温达到了31.1℃，但那天的最小相对湿度只有23%，日平均湿度仅48%，即便在太阳底下感觉晴晒，但在阴凉通风处体感还是非常舒服，人体就算出了汗散热也比较快。王华表示，从体感角度来说，除了受气温因素影响，还有湿度、辐射、风力等多个方面的影响。…

一般来说，夏天在同样的气温下，湿度每增大10%，体感温度会上升1℃左右，而湿度越大，体感会越闷热，“当湿度已经高达70%甚至更高时，那伴随着湿度加大，体感温度上升可能就超过1℃，闷热感肯定会更强。”王华说。

今明两天的北京，最高气温将达到31℃，预计白天最小湿度达50%，夜间最大湿度有90%，日平均湿度在70%左右，而且风力只有二三级，“湿度大，气温较高，风速又小，人的体感就会觉得更热。”王华说，当达到日最高气温时，可能人的体感温度就会超过35℃高温线的标准，高温高湿下的“桑拿天”体感，还是跟干热有较大区别，所以务必要多注意防暑降温，谨防中暑。（@北京日报记者骆倩雯） 来源：北京日报更多戳↓http://t.cn/AXqOUUfJ

我从2021年开始观察“仅退款”这件事，到现在已经五年多了。

一开始我以为这只是少部分人钻平台规则空子，后来深入到一些所谓的群里潜伏，才发现事情比想象中恶劣得多。

里面不是单纯的“维权”，而是大量教程：教你怎么在网上买东西不用钱，怎么话术包装，怎么截图，怎么投诉，怎么把商家逼到没办法。说白了，就是把白吃白拿包装成“消费者权益”。

我观察下来，真正的穷人，反而很少会去做这种事。

这里说的穷人，不是贬义，而是暂时没什么存款、生活压力比较大的人。他们很多人其实很要脸，也很忙，根本没时间天天研究这种歪门邪道。真正热衷搞这些的，反而是另外几类人。

第一类，是一部分学生。

不是说所有学生，而是我看到的样本里，从高中到大学都有。很多人还没真正进入社会，对规则、权利、平等有很多想象。看到别人这样做能占到便宜，自己也想试一下。争取权益本身不是坏事，但问题是，他们把“权益”理解成了“我可以白拿”。

第二类，是网上看起来很精致的人。

这类人特别有意思。朋友圈、小红书、微博上看起来光鲜亮丽，生活很会晒，很会摆拍，很会营造人设。但你点进这些群，再点进他们的主页，会发现一种很割裂的东西：表面精致，背后却在研究怎么白嫖、怎么薅商家、怎么维持自己的体面。

这种精致，不一定是真的生活质量，而是给别人看的。等收入撑不住人设的时候，他们就会用这种方式继续维持表面的光鲜。

第三类，是一部分体制内单位相关的人。

这部分我也看到过不少。收货地址直接写着单位，商家一看到这种地址，天然会有一点顾虑，怕麻烦，怕投诉，怕被扣帽子。于是有人就利用这种身份感，形成一种莫须有的威慑。

他们很会合理找茬，很会连吃带拿，也很会把自己包装成“我只是正常维权”。下班之后，可能还是别人眼里的好丈夫、好妻子、好爸爸、好妈妈。…

所以我不想把这个问题简单归结成“某个人坏”，也不想说这是某一个固定群体的问题。

这更像是平台打开潘多拉魔盒之后，造成的整体社会问题。

当一个规则长期告诉用户：你只要足够会闹、足够会包装、足够会利用流程，就可以把成本转嫁给商家，那一定会有人开始系统性学习这套东西。

久而久之，正常消费者也被污染，正常商家也被消耗，真正需要帮助的人反而被怀疑。

2021年到2025年，这件事几乎没人认真报道，也很少有人真正关心。商家说了也没人听，甚至还会被骂“你们商家活该”。

现在媒体开始逐步报道，说明这个问题终于被看见了，也意味着可能要开始整顿了。

但最讽刺的是，之前已经被白吃、白拿、白喝掉的那些成本，基本上无解了。

规则可以修，信任可以慢慢重建。

但这几年被消耗掉的人心，很难原样补回来。

http://t.cn/AX6D7cbW我的评分：⭐⭐⭐☆现在我们知道，诺曼底登陆原定于6月5日发动。

但因天气变化，海上狂风大作，巨浪滔天，盟军只能在颠簸的海浪中苦等。

而战机稍纵即逝，盟军无法再欺骗敌人许久，士气也是一鼓作气，再而衰，三而竭，艾森豪威尔后来评价这是最漫长的一天。

他们做不了任何事只能等天气变好。

直到气象学家送来天气会变晴的消息，登陆才于6月6日重新发起，没有让这场人类历史上最大规模的跨海登陆作战沦为滑铁卢。

对面的隆美尔正是提前判断这两天天气很差。

所以才放心回家给老婆过生日并顺道拜访元首，一个是隆不在，一个是时刻在，天气成了那个胜负手。

《诺曼底72小时》正是以此为切入点。

与以往我们看的讲战场厮杀，拍狂轰滥炸，说战术分析与情报对拼、个人英雄的战争片不同。

该片带着我们从另一个我们可能不曾注意过的视角看已知历史，有取巧之嫌，但不敷衍。

整部影片拍得极为工整。

但工整在这个审美降级、作品堪忧的时代，并不是贬义词，全靠同行衬托。

文本严格遵循三一律，时间集中在同一天，地点固定在两三个空间，全片一条核心主线，一个主要矛盾。

没有过多支线分散注意力，让焦点集中在天气这个变量上，以天气带出对抗、高潮、结局，观众省了很多精力。

再加时长100分钟，掐头去尾也就90分钟左右，无废话，不拖沓。

主角进场、退场干净利落，没有多余的感情戏水时长，也没有惯用的滚床单夺眼球。

有的是不喧宾夺主的点缀，主角身负重任，妻子与孩子在轰炸中下落不明，他强忍情绪，专心气象，剧情点到为止，继续推进主线，直至片尾才交代，恰到好处。

我们似乎很久没见过能在90分钟内把故事讲好的电影了，这是本片的加分项。

人物矛盾也充满设计，冲突是预制的。…

克里克是守旧派，有些玩闹，依照经验和功绩判断，斯塔格是革新派，很是严谨，相信当下数据，不吃老本。

当这个人设一出来，意见不合的对立按部就班，结果可想而知，所有气象学家都不服执拗倔强的斯塔格，最后他凭借实力让所有人信服，大家握手言和、并肩作战，取得胜利。

丰富角色的情节也是套路。

片中加入了西片很喜欢的浪漫主义色彩，如唱歌跳舞之类。

加好了就是锦上添花，张弛有度，让角色更立体，加错了就是画蛇添足，破坏节奏，戏化人物，不尊重历史，该片显然是前者。

主角第一次看见办公室其他人在弹钢琴时怒不可遏，认为他们不务正业，冲突一下子就立了起来。

第二次在室外看见士兵们载歌载舞不再生气，反而坚定了内心，要为他们的生命负责，不能带着结果找证据。

两次不同的心境反映了他的变化，也为后续因他的坚持而扭转乾坤埋下了伏笔，铺垫了细节，妥妥的锦上添花。

这就属于招不再多，管用就行，有时候套路用好了也能得人心。

《诺曼底72小时》的每一步都踩在公式上，循规蹈矩是古典，但不会出错，将人定胜天演绎的井然有序，什么时候该干什么，每个点都进入的刚刚好。

虽然那些专业气象术语，我们听不懂，但争分夺秒的故事，我们看得爽。

何况导演还特别讨巧的用了时间魔术，打破现实时间的线性枷锁，用镜头、剪辑、叙事手法重构流逝节奏，让72小时在银幕里快速流转。

哪怕我们已经知道诺曼底登陆的结果，依然会被时间魔术所带来的紧张节奏，情绪张力、悬念迭起所吸引，进而叫人有看下去的动力。

然而成于此也败于此。

全文戏，零大场面，与我们印象中的战争片大相径庭，注定了本片的小众。

票房上也表现了出来，内地仅900来万，全球才一千多万刀，着实有些可惜，但无能为力，大家的观影习惯早已被屠戮殆尽了。

#电影诺曼底72小时##我在微博聊电影#

# Perplexity CEO：Micron可能超过Meta，模型不是产品，出口管制帮到了中国

我可能有半年没有发过Aravind Srinivas的推文了，上一波还是DeepSeek R1发布后。作为Perplexity的联合创始人，他最早在自家产品用上了DeepSeek R1，而且在接受CNBC采访时说出了一句名言：稀缺是创新之源。

后来，大家谈Perplexity越来越少，甚至认为可能不再需要这个套壳产品。但是根据Aravind的说法，公司业绩相当不错，"年初以来收入翻了三倍"，对照多个来源的数据，2025年底ARR约2亿美元，2026年3月已突破4.5亿美元。我也是没有想到的。

时隔多日，Aravind依然是DeepSeek的粉丝，而且和黄仁勋一样，站在了Anthropic对面。

## 一、模型不是产品，编排才是生意

1、**OpenAI联合创始人Greg Brockman那条推文说对了一半**

Greg Brockman最近发推说"模型不再是产品"。Aravind认为这话从一个前沿实验室的领导人嘴里说出来格外有意思，因为他本该有一切动机说反话。Google内部也有人一直在喊模型就是产品。但现实是，Codex也好、Claude Code也好、Perplexity Computer也好，本质都是编排系统：拿一个模型，配上一个agent harness，也就是一套定义agent循环如何运行的规则，再接上技能、子智能体、连接器和工具。没有这层harness，模型内在的智能转化不成有价值的输出token。

2、**AI行业唯一重要的指标：token value per watt per user**…

Aravind给出了一个衡量AI商业价值的核心公式：每用户每瓦特的token价值。假设美元价格的根基是电力，那么谁能用最少的电力产出最有价值的输出token，谁就拥有最大的定价权。这不是一个技术指标，是一个商业指标。

它的含义是：纯粹转售模型token没有生意，因为模型会被商品化。基础设施层靠服务这些token有一些生意。但真正有生意的，是能把模型接入有价值的上下文、用优秀的harness编排、连接正确的工具和数据源、在统一系统里交付体验的人。

3、**花100万雇一个Jeff Dean，还是花同样的钱雇五个普通工程师？**

有人会问：既然开源模型12个月后就能追上前沿，为什么还有人愿意为前沿模型付高价？Aravind用了一个招聘类比：如果你有100万美元预算，你可以雇五个20万年薪的中等工程师，也可以只雇一个Jeff Dean付他100万。你会选哪个？答案是Jeff Dean。同理，企业会为前沿能力付溢价，但什么算"前沿"一直在变。今天的前沿是全自主软件工程agent；再往后可能是AI设计芯片、AI设计药物、AI搞清楚怎么造机器人。用户不会有1000万，但单个用户产生的价值可以极高。

4、**Perplexity的差异化在于跨模型编排**

Anthropic和OpenAI都做不到的一件事是：你不会在Claude Code的harness里看到GPT-5i，也不会在Codex的harness里看到Claude Opus 4.8。它们在互相竞争。但Perplexity Computer里两个模型都有。这让Perplexity能在不同任务的不同阶段选择最合适的模型，从而提升每瓦特每用户的token价值。

年初至今，Anthropic的模型进步巨大，Perplexity的收入也翻了三倍以上。OpenAI的竞争又把同等能力的成本压了下来。开源和本地模型的进步则能让一部分推理回到本地设备上。AI栈的任何一层进步，Perplexity都受益。

5、**少数power user撑起的token经济**

Aravind的判断是：前沿AI产品不会被1亿人使用，但它们产生的收入会超过Google或Meta的广告收入。现在推动token经济的是少数power user。Perplexity Computer有用户每月花费超过1万美元，不是浪费，是他们的业务在agent loop上运行。Meta内部有工程师每年在编程工具上花费千万美元级别。据Salesforce CEO Mark Benioff透露，Salesforce在Anthropic上的年度支出约3亿美元，折合开发者薪资的3.8%。

区分重度用户和普通用户的关键指标：是否设置了持续运行的定时任务，也就是让AI以cron job的方式自动监控、触发、执行，而不只是偶尔委派一个一次性任务。

## 二、AI的钱不在广告里

1、**Chat界面天然不适合广告**

Google上花钱最多的广告主是Amazon，第二是Booking.com（Aravind估算其年度支出约160亿美元）。但今天没有人在ChatGPT上订酒店或机票，原因很直接：酒店选择是一个主观的、基于感觉的决策，你需要探索和浏览的界面，不需要一个给你客观答案的引擎。同样的逻辑适用于时尚和消费品广告，那些预算大头去了Instagram，因为用户在刷内容时被触达，这种行为chat界面抓不住。

2、**广告和信任是直接矛盾的**

一个用户来问"最好的蛋白粉是哪个"，如果系统回答之后插一句"顺便看看这几款也不错"，会直接伤害用户对平台的信任。Meta和其他公司试过在消息应用和邮件里塞广告，在美国从来没成功过。WeChat的广告能跑通是因为中国整个经济生态和用户行为都围绕它做了优化，美国不是这样。

3、**主观决策走广告，客观判断走agent**

Aravind给出了一个清晰的切分标准：凡是判断基于客观信息的交易，会被agent拿走；凡是判断偏主观、基于审美和感觉的决策，广告模式会持续。买麦克风是客观决策，选播客桌上的家具是主观决策。这个世界会沿着这条线分裂，而不是AI全面吞掉广告。

## 三、电力是最大的瓶颈，而且阻力只会更大

从产品逻辑转到物理世界。无论编排层做得多好，底下的算力供应跟不上，一切都是空谈。Aravind对AI基础设施泡沫论的态度只有三个词："funny, stupid and moronic"。

1、**数据中心的真正瓶颈不在芯片，在电力和许可**

建数据中心不是买一堆GPU装好就完事。要买地或租物业，采购涡轮机发电或对接电网供应商，解决冷却方案，每一步都要拿许可证。这些物理环节的前置时间远长于芯片供货。当前在用的模型大多是在Nvidia Hopper代GPU上训练的，下一代Blackwell芯片上训练出的模型已经开始出现。明年Vera Rubin代的数据中心全面投入使用后，模型会更强大。物理建设时间始终是前沿能力的卡点。

2、**Micron可能在6到12个月内市值超过Meta**

访谈录制时，Micron市值约1万亿美元，Meta约1.3至1.4万亿美元。截至2026年6月中旬的公开数据显示，Micron约1.1至1.2万亿美元，Meta约1.4至1.5万亿美元。Aravind的逻辑是：HBM高性能内存是当前的瓶颈，价格已经涨了5倍，但市场仍然没有充分定价，因为瓶颈还在。

同样的逻辑适用于CPU。agent loop和harness运行在CPU上，token由GPU上的模型生产，但下载文件、处理数据、生成可视化、部署网站这些工作都是CPU在干。AMD和Intel因此重新变得重要。谁是瓶颈，谁就拥有定价权。

3、**公众对数据中心的抵制会持续且加剧**

Aravind估计目前有40%的数据中心项目因公众抵制而无法推进。很多抵制源于误解。人们以为数据中心大量消耗水资源和电力，微软CEO Satya Nadella说过实际用水量大约是"一罐水"的量级。但Aravind认为深层原因更复杂：对AI抢工作的恐惧、对财富不平等的愤怒、对电网价格上涨的担忧、对RAM涨价的不满，这些情绪以不同方式在释放。有些国家可能会抓住这个机会，欢迎模型公司去建数据中心。Elon要去太空做这件事，因为太阳能充裕。但美国国内的建设阻力短期内看不到缓解。

4、**产能过剩的风险大约20%到30%**

如果再出现一个DeepSeek级别的效率突破，用完全不同的垂直整合架构在本地设备上跑出接近前沿的能力，已经投入的大规模数据中心产能就会过剩。这不是零概率事件。

## 四、24/7 AI需要混合推理，不能全跑在服务器上

1、**四个目标互相打架：准确性、智能、隐私、成本**

全部跑在服务器上可以拉满智能和准确性，但隐私和成本扛不住。全部跑在本地可以保隐私降成本，但达不到前沿水平。解决方案是混合编排：该用本地模型时用本地，该用服务器端时用服务器，由一个总调度路由器来做分配。Perplexity在Computex 2026上演示的正是这个架构，系统自己决定每个任务的每个部分在哪里执行，敏感任务发到云端前会征求用户许可。

2、**24/7 AI的真正制约不是安全风险，是费用**

大多数人担心always-on AI会做出疯狂的事情，但Aravind认为真正的问题是成本。没有人负担得起一个以秒级频率运行的前沿AI定时任务永远开着。瓶颈在编排和本地算力。

他设想的方案是：一个持续学习的本地模型，能做上下文压缩，尽可能在本地完成计算，只在必要时调用服务器端前沿模型。这个模型加上harness加上本地芯片加上它控制的设备生态，合在一起就是你自己的智能体。数据中心搬到了你的设备上，你拥有它、控制它，不用担心有人窥探你的token。

3、**想做这件事的公司，角色是编排者，不是模型构建者**

Aravind把Perplexity Computer比作乐团指挥：子智能体是演奏者，模型和工具是乐器，完成的工作是交响曲，整个系统是管弦乐团。指挥调度的对象会变，从模型到文件到工具到芯片到设备都有可能，但只要编排得当，最大化每瓦特每用户的token价值，就能在长期捕获AI中最大的经济价值。

## 五、出口管制短期有效，长期可能帮了中国

1、**12个月差距的唯一原因就是出口管制**

Aravind认为开源模型和前沿之间之所以还有大约12个月的差距，全靠出口管制限制了中国获取先进GPU和高性能内存的能力。Anthropic在这件事上做了很多游说。短期来看效果明显。

2、**但DeepSeek被迫走了一条完全不同的路**

因为拿不到Nvidia GPU和高性能内存，DeepSeek只能在华为栈上构建，结果逼出了全栈垂直整合。

在存储层，DeepSeek在KV cache上做了极致的内存效率创新。KV cache是模型推理时用来存储上下文信息的缓存，DeepSeek把它压缩到可以放进SSD，不再需要高带宽内存来做推理。在计算层，注意力层和训练算法都做了改造以减少互连带宽消耗。在硬件层，因为不能用3D NAND这类主流闪存芯片，存储架构也完全不同。不只是模型架构不一样，整个栈从模型、推理、存储到芯片和制造，都在对齐自有硬件。这是跟美国完全不同的路径。

3、**中国在物理层的优势比美国大**

如果AI不只是数字世界的事，还涉及制造晶圆厂、机器人、芯片，以及高效利用能源并封装到本地设备里，那中国拥有更多优势。建数据中心的速度更快，电力不是问题，许可不是问题，劳动力不是问题。美国方面，TSMC在亚利桑那的投资已达600亿美元级别，Intel有美国政府10%的持股加上Nvidia和软银各5%，Elon也在建超级晶圆厂。人们确实已经意识到建设晶圆厂的重要性，但中国在执行层面的速度优势不容低估。

## 六、400人做200亿估值，未来独角兽只需要20人

1、**Perplexity被投票为"最可能倒闭"的公司，之后收入翻了3倍**

2025年11月的Cerebral Valley峰会上，300多位AI创始人和投资人投票选出Perplexity是"最可能倒闭的十亿美元级创业公司"，Cursor排第二，OpenAI排第三。Aravind的反应："我觉得投票的那些人大多不做什么有用的东西。"峰会之后，Perplexity收入翻了三倍，烧钱率降低超过50%。Cursor据说在谈出售，OpenAI即将IPO。

2、**公司形态正在发生根本变化**

400人做到200亿美元估值，意味着40人做10亿美元完全可能。反过来推：如果4000人能做2000亿，1万人能做2万亿，那传统2万亿公司需要的10万人去哪了？Aravind希望那10万人分成10万个小团队，每个团队千人以下，各自值几十亿美元。他不认为这是失业问题，而是创业机会的重新分配。

他讲了一个真实的例子。一位旧金山的Uber司机看了Aravind的YouTube访谈，学着用AI从零开发了一个web app，加上计费功能，现在这个app带来的被动收入已经超过开Uber的收入，他因此减少了开车时间。Perplexity自己也在做一个叫"Billion Dollar Build"的计划，给任何有可靠路径通向10亿美元公司的创业团队提供100万美元算力额度，目标是孵化1000家这样的公司。

3、**前沿模型提供者的生存条件只有一个：持续保持在前沿**

如果6个月不出新能力，对前沿实验室来说就是坏消息。大型企业一定会在开源模型上做微调来降低成本。开源模型持续强大是Nebius和CoreWeave这类AI基础设施公司的商业模式前提；如果开源和前沿的差距拉大到15到18个月，这些公司就只剩下给OpenAI和Anthropic出租算力的生意。Anthropic如果觉得Claude Code已经赢了，12个月后可能就不在了。这个领域没人能松口气。

Jensen Huang就是这种心态的极端体现。Nvidia市值5万亿美元，未来两年几乎确定能做5000亿营收，拥有全球最先进的芯片。但Jensen每天醒来告诉自己表现不够好，告诉团队他们离倒闭只有30天。Aravind说这就是成为Jensen Huang所需要付出的代价。

4、**降成本的路径：自研模型替代外部前沿token**

被问到"你们哪里成本效率低"时，Aravind给出了明确答案：Perplexity正在优秀的开源模型基础上做post-training，用自研模型承担当前产品中已有能力的推理需求。前沿模型token只用于设计新体验和开发新能力。这是提升毛利率最直接的手段。

5、**十年持有只能买一只的话，选SpaceX**

理由是SpaceX是独一无二的公司，Anthropic和OpenAI可以互相声称做对方做的事，但没有第二家在建太空连接基础设施。Aravind自己坐过Starlink航班后再也不想坐没有的了。未来30分钟从澳洲飞到旧金山，听着像科幻，但他对这些可能性感到兴奋。Samsung曾经是杂货店，SK集团从纺织厂起步，今天都是万亿美元公司。谁能走到哪一步，没有数学公式能给出上限。

海外有人做了一件挺有意思的事。他把 LinkedIn上所有当前雇主写的是 Anthropic的主页全爬了下来，一共 5306个人。然后从中筛出了 1680个真正做工程的，再去翻这些人进 Anthropic之前的 7986段过往岗位描述。做这件事的人本身就是搞招聘的，文章写得很有看头。

先说几个让我觉得最反常识的发现。

第一个，招的几乎全是搞 infra的人，不是我们以为的那种 researcher。第二个，几乎不招初级员工，团队里中位数工作经验 12.2年，只有 13% 的人有博士学位。第三个，最大的人才来源不是 OpenAI，不是 DeepMind，而是 Google和 Meta。第四个，如果偶尔出现一个 junior，简历画像是这样的：MIT出身，IOI银牌，Codeforces 2900分往上。干净得让人无话可说。

顺着这几点，我们来看看 Anthropic的人才结构到底长什么样。

先说规模节奏。Anthropic几乎是一夜之间把团队搭起来的。现在还在职的工程师里，2021年之前就进来的只有 15个人。真正的爆发在 2025到 2026年。2025年一年，工程团队扩了大概三倍，招了 686个人。2026年到 6月的数据，已经招了 455个，照这个节奏全年也差不多。现在这个团队里，一半人入职还不到一年。过去 12个月进来的占了 53%，在职时间中位数 10个月。换句话说，这是一个在大概 18个月内被疯狂搭起来的巨型团队。

再说资历。这条是我觉得最让人意外的。进 Anthropic之前，这些人的中位工作经验是 12.2年。中间半数的人，经验在 8.8到 16.5年之间。1680个人里，工作经验不到三年的只有 50个；44% 的人干了 13年以上。应届生基本等于没有。…

所以一个典型的 Anthropic新人是这样的：已经工作了 12年，但进公司才 10个月。

技能方向上，他们把筹码几乎全押在了工程上。40% 的人背景里出现过 infrastructure。backend、distributed systems、databases、security这几个方向，各自都在 20% 左右。而 reinforcement learning这个大家想象中 AI公司该拼命招的方向，只占了 3.3%。一个典型 Anthropic工程师在过去十年做的事情，更像是待在 hyperscaler或者 infra极重的创业公司里，搭大规模生产系统。

来源上有个很有意思的错觉。大家总觉得 Anthropic肯定从 OpenAI和 DeepMind挖了很多人过来。实际上，它最大的人才管道是 Google，领先幅度还很大。除了 Google，它明显偏好的还有那些以工程严谨出名的地方：Stripe、Databricks、Snowflake、Palantir、Airbnb。

说到底，Anthropic的用人逻辑非常清晰。他们要的不是满脑子新 idea的研究员，是一群见过世面、踩过坑、知道怎么把系统真正跑起来的资深工程师。然后用一年半的时间，把这些人攒在一起，组成了一个巨大的工程军团。

#科技先锋官##How I AI#