49. 谁在制造Anthropic、OpenAI？两万份简历读后感

先把这张地图的比例尺说清楚

这不是三家公司的官方花名册。LinkedIn 显示的关联人数有两万六千多，但节目实际取得约一万九千份档案，其中约一万七千份保留了可用字段。有人没有填写教育经历或前雇主，有人的城市尚未更新，也有人把一次接触产品的经历写成公司身份。DeepMind 又和 Google 共用一部分组织与履历背景，尤其不适合与两家独立创业公司做机械比较。

“窥一斑，它很难做到知全貌。”

Raymond，谈公开档案的局限

因此，这期节目的价值不在于给出精确人数，而在于展示一张近似的人才地图。图上那些反复出现的地点、学校、前雇主和岗位，能帮助读者理解前沿 AI 实验室从什么样的人才池中吸收成员；图上空白的地方，也同样值得保留。

人才先聚到湾区，再向几个城市伸展

在带地点信息的档案中，旧金山湾区占 Anthropic 的 47%、OpenAI 的 60%。这很符合两家公司在当地起步的历史。纽约、西雅图、华盛顿、洛杉矶和波士顿也出现了人员，但节目把重点放在美国之外的几个节点：伦敦的 Anthropic 与 OpenAI 分别有 145 人和 175 人；都柏林分别有 76 人和 88 人，主持人将其视为欧洲的销售或运营中心。

亚洲部分的差异更明显。Anthropic 在东京的样本为 32 人，OpenAI 为 93 人；OpenAI 在新加坡的样本达到 104 人，是其节目所列的亚洲最大城市。这里的数字描述的是档案中的地点，不该当作办公室的实时在岗人数。它们至少说明，模型实验室的组织已经不只围绕一座城市运转。

名校存在，但教育来源是一条长尾

以 Anthropic 为例，前十所学校合计占 20.9%，Stanford、Berkeley、MIT、CMU 和 Harvard 位于前五。这组名字不意外，但它们没有构成全部答案：前 60 所学校覆盖 47.9% 的员工，另一半员工却来自 1,308 所学校。大量学校在名单里只出现一两次。

“学校分布是很长尾的，很多学校都只有一两个人。”

Raymond，谈 Anthropic 的教育经历字段

OpenAI 的列表也提醒人们不要把名单理解成招聘排名。滑铁卢大学在 OpenAI 的样本中排第六，在 Anthropic 中却不突出；主持人只猜测这可能与附近的机构或公司有关，并没有把猜测写成原因。清华大学在 OpenAI 样本中有 23 人、占 0.3%，但主持人说，许多人在 LinkedIn 上只填写海外的硕士或博士学历，因此国内本科会在统计中消失。所谓学校分布，既反映人才路径，也反映人们如何填写简历。

Google 是反复出现的前一站

前雇主字段把视线从学校移到职业网络。Anthropic 的四千多份简历中，有两千七百多份带有前雇主信息；在可查样本里，超过一半来自前 40 家雇主。单一前雇主的前三名是 Google、Meta 和 AWS。Stripe 则是创业公司中最显著的来源，有 106 人、占该样本的 3.8%。

OpenAI 的五千份相关档案中，前三名为 Meta、Google 和 Apple，随后是 Microsoft 与 AWS。Statsig 的 129 人尤其醒目，但原因不是常规跳槽：OpenAI 收购了这家公司，团队随之进入。把收购整合和个人流动并列在一张表中，正好说明前雇主图只能提供线索，不能直接变成一张完整的流动网络。

两个数字合在一起，让 Google 成为节目里最清晰的人才输出地。DeepMind 的情形又不同：样本中 44.6% 的上一份工作来自 Google，这更多反映它与母公司的组织边界。主持人也看到 Scale AI、xAI、Character AI、Cohere、Perplexity、Hugging Face、Mistral、Runway 和 Together 的人才进入三家实验室，但没有用小样本去判断实验室之间的胜负。

研究只是岗位结构的一部分

公众往往把前沿实验室想成研究员集中的地方。节目先把个人档案标题、简介和职位拼在一起，再用关键词作互斥分类。四千多人的职能分析样本里，约七成有可分析信息，约两千人可以明确归类。这个方法本身带有判断：资料只写 Member of Technical Staff、没有额外说明时，主持人将其归入研究。

在这套规则下，Anthropic 的工程人员占 30%、研究占 20%、销售和商务拓展占 18%、运营与人力占 12%、政策法务安全占 6%。OpenAI 的工程占 38%、研究占 21%；与 Anthropic 相比，工程占比更高，而销售和商务拓展的比例较低。DeepMind 的研究人员占 39.8%，主持人推测销售、产品和法务等岗位可能由 Google 的共享体系承担。这里的比较是分类结果的比较，不是每家公司对研究重要性的排名。

从语言与姓名看华人，需要承认口径不同

LinkedIn 上标注会中文的比例分别是 Anthropic 19.6%、OpenAI 27.7%、DeepMind 24.8%。在主持人的语言排序中，西班牙语第一、中文第二、法语第三、德语第四。这个结论只关于主动填写语言的用户，不代表所有员工的母语或国籍。

为了进一步看中国背景，节目给出了三个不会相互等价的数字。严格口径要求在中国读过书或在明确的中国公司工作过，经过剔除后为 343 人，其中 OpenAI 170 人、DeepMind 134 人、Anthropic 39 人。姓名口径则把 1,520 个明确拼音姓名和 1,432 个常见拼音姓氏相加，得到 2,952 人，占一万九千份记录的 15%。前者会漏掉没写国内经历的人，后者会纳入海外成长的华裔，也会遗漏改用英文姓氏的人。

主持人把语言、姓名和教育工作背景做交叉参照后，谨慎估计华人比例可能在 20% 上下。更重要的是先明确统计对象：会中文、使用拼音姓名、在中国受过教育或工作过，分别回答不同问题。把它们混成一个身份比例，会制造比数据更多的确定性。

相似的人才池，让竞争显得更同质

节目最后把学校、地点、前雇主、职能、语言和华人相关口径放回同一张图上。三家实验室在多数维度上都很像：同样以湾区为重心，同样从大型科技公司和相近的教育网络吸收人才，也都有工程和研究之外的商业、运营或共享职能。差异仍然存在，例如 Anthropic 的销售与安全相关比例、OpenAI 的工程比例，以及 DeepMind 与 Google 的关系，但它们发生在相似的底盘之上。

“他们就是高度同质化。”

Raymond，对三家人才结构的总结

这也解释了为什么下一步更难。主持人最想追踪员工离开这些实验室后创办公司或加入新方向的去向；那会显示资深从业者愿意把职业选择押在哪些问题上。但公开履历不擅长捕捉内部晋升、离职去向和每个人加入下一站的原因。两万份简历把金矿表层翻开了一些，底下仍有大量数据问题等待更好的收集方法。