月之暗面张予彤：“Kimi喜欢不被标签化的人和偏执的人”｜独家

出品｜虎嗅科技组

作者｜宋思杭

编辑｜苗正卿

头图｜月之暗面X北京大学光华学院

月之暗面和DeepSeek，这两家中国大模型领域的明星公司，正在人才战场上悄然提速。

5月12日，月之暗面总裁张予彤现身北京大学光华管理学院，与院长田轩进行了一场闭门对谈。据虎嗅了解，这场校园宣讲不止于交流，现场还设置了小范围的面签与沟通环节，部分学生在活动结束后直接进入了更深入的交流流程。有接近现场的人士透露，Kimi对于人才的定义颇为独特——“不被定义”。

这当然不是月之暗面第一次高调接触高校顶尖人才。过去几个月，随着Kimi模型持续迭代、公司融资推进以及组织规模扩张，其对核心人才的争夺节奏明显加快。

视线转向另一边，DeepSeek近期因新一轮融资传闻持续搅动市场。外界讨论的焦点多在估值、资本与股东结构，但融资的另一重意义，同样在于吸引和留住顶尖大脑。

在今天的大模型竞争中，资金、算力和数据是入场券，但决定模型最终高度的，始终是那些最核心的AI研究者。这也解释了为何近几年，大模型行业实质上在进行一场激烈的人才密度竞赛。

而目前，月之暗面与DeepSeek，几乎已构成了中国大模型人才版图上最为重要的两块高地。

相似的理想主义，不同的组织表达

有趣的是，观察这两家公司吸引人才的方式，会发现大量相似之处。它们都高度强调技术理想主义，推崇小团队、高密度的人才结构；都信奉研究驱动，而非传统的KPI导向；甚至在组织风格上，也都呈现出某种“反大厂化”的特征。

无论是DeepSeek内部强调的极致工程效率，还是月之暗面推行的扁平化组织，其根本目的，都是为了让最核心的研究员拥有最大限度的自由与创造力。

近期，这两家公司的步调更是频繁“撞车”。

5月7日，月之暗面刚完成一笔20亿美元的融资，估值较上一轮翻倍，达到200亿美元。几乎同时，市场传出DeepSeek即将完成一轮规模超过500亿元融资的消息。

模型风格上，Kimi也开始显现出与DeepSeek相似的侧重，两者都更加强调Agent（智能体）能力和代码能力。而代码能力，正是决定月之暗面商业化潜力的关键指标之一。

模型发布节奏上，就在DeepSeek V4发布前两天，Kimi率先推出了具备Agent能力的K2.6版本。另有知情人士向虎嗅透露，Kimi的新一代K3模型已进入预训练阶段，预计将于今年7月正式推出。

然而，比模型竞赛更值得关注的，是这些头部公司正在重新定义它们究竟需要什么样的人。

“不被标签化”与“偏执”

在那场与北大光华学生的对谈中，张予彤提到了Kimi青睐的两类人：一类是“不被标签化”的人，另一类是“偏执”的人。

她谈到，公司并不迷信学历或专业背景，更看重的是候选人是否真正长期关注AI领域，以及是否愿意为一个想法迭代上百次、上千次。这种能与AI共同工作、共同进化的人才观，某种程度上也代表了当前中国头部大模型公司的共同取向。

以下是虎嗅独家获悉的，北京大学光华管理学院院长田轩与张予彤的对话实录：

田轩：AI可以创造什么新工作，让同学们在未来更好地拥抱它？

张予彤：这是一个非常好的问题。每一次生产力提升，本质上都是工作形态的转换，而非工作的消失。农业革命时期，种地的农民进入城市，催生了服务业等新行业。从我们企业自身来看，已经出现了许多全新的岗位。例如，我们有同学专门负责模型训练，创造核心数据，他们自称是“模型的爸妈”，因为他们觉得自己在持续喂养一个不断生长的智能体。

对更广泛的人群而言，未来可能会出现更多“超级个体”，也就是现在常说的“一人公司”。工作的本质是做热爱之事并创造更高价值。AI使得一个人能够全栈式地处理很多事情，无需依赖庞大团队。这是生产方式的变化，也能激励大家去追求真正想做的事。因此，AI必然会催生大量新工作。

田轩：AI创造新工作的同时，也需要新技能。作为商学院的教育者，我们最关心也一直在思考的是，如何跟上时代？光华管理学院应该如何培养学生？你是用工方，我是供给方。能否从用户角度给些建议，比如商学院该如何设计课程，才能更好地“训练”我们的学生，以满足AI时代雇主的要求？

张予彤：感觉获得了一次宝贵的用户访谈机会。

现在的大学生比我们当年幸福得多。过去我们需要花费大量时间查资料、翻文献来完成复杂项目，如今学习和研究的效率已被极大增强。

关键在于成为AI的深度用户，能够敏锐感知每一代模型的区别、能力边界在哪里、哪些事它还不能做、哪些事它已经做得比我们好、哪些事需要人与模型共创。接下来将进入一个“智能体-人类协作”的时期。我已经无法想象工作中离开AI会怎样。

这就像手机、电脑和各类软件，它们已成为我们能力的延伸，而非简单的替代关系。工具替代的是那些可被替代的部分，例如重复性执行、海量信息处理、计算、编程以及部分设计执行。是这部分工作被替代了，但并不意味着我们的工作被整体取代。相反，我们因此获得了更多时间去从事更具创造性的工作。

现在的真正瓶颈在于验证AI产生的结果。例如，生成几百万行代码对AI而言很容易，但对人类来说，消化、理解并检查其逻辑是否存在问题，反而是更大的工作量。因此，定义工作内容、评估和验证AI的工作质量，将成为未来重要的能力。

田轩：所以你的建议是，商学院在课程设计和学生知识体系构建中，要让他们学会如何运用和驾驭AI。

张予彤：是的，“驾驭”这个词很准确，描述的是一种合作关系。硅谷常说的“harness”也是类似感觉。无论是工程与模型，还是人与智能体，未来都是协作关系。我们需要以更开放的心态去探索。长期来看，AI必然是有益的。短期内的各种担忧，比如安全性或性能问题确实存在，但长远趋势是向好的。关键在于亲自上手，深度理解。许多深刻的认知是在动手实践中形成的，不能仅仅停留在观点或表面感受上。

田轩：换个角度，假如我是一名刚进入大学的本科生，深知未来时代已与父辈完全不同。过去可能只要做好题、考好试、拿到高GPA，毕业出路就不成问题。但现在AI带来了巨变。如果我想在北大光华的四年里更好地应对AI带来的挑战和未来的不确定性，应该怎么做？

张予彤：可以从大一开始就来我们这儿实习。（笑）

大学期间，很多个人收获其实来自与同学的相处。与人交流、建立深度链接，是非常宝贵的经历。

其次，在做任何事情时，都可以思考一下：如果让AI来做，它会怎么做？除了人与人的共情，还需要建立人与智能体的“共情”。从模型的视角看问题，往往会发现不同。例如，从人的视角看，电脑和互联网已具备非常完善的基础设施，聊天、开会、支付、身份验证、数据授权等都很成熟。但从模型的视角看，这些基础设施未必是它所需要的。我们为人类构建了基础设施，但尚未完全为智能体构建。带着这个视角去思考所有事情，或许能带来一些突破。

田轩：今天在场的还有不少MBA、EMBA学生，他们很多是企业管理者。在AI时代，管理者需要做什么才能避免被AI替代？

张予彤：替代在座的企业家，恐怕是件非常非常难的事。（笑）

有一个非常实用的建议：给公司里每个人增加使用AI的预算（Token预算），让大家实现“Token自由”，从而能充分探索如何将AI用起来。如果因为担心被替代而产生抵触情绪，反而不利于发展。当大家拥有充足的预算，一部分可用于业务扩张，一部分则用于提升生产力。AI能造就“10倍效率程序员”，正是因为其强大的编程能力。如今，AI的代码生成能力让更多人有可能成为“10倍程序员”，但在编程的架构能力、思考能力、持续验证和纠错能力方面，AI仍有不足。当企业提供充足的资源，员工也会更积极地思考自身工作的变革方向。

田轩：我做过一些研究，了解到你们的“Kimi穿越计划”。听说你们招人不看学历、不看专业，这确实碘伏了我们很多认知。我们那个年代，高考选热门专业，经济学、营销、会计是首选。现在不看这些，那到底看什么？

张予彤：人是很难被“标签化”的，学校和专业就是一种标签。在座的都是北大光华最优秀的学生，但我相信每个人的特质、热情、想做的事、长项乃至不喜欢的事，都有巨大差异。我们并非总是预设一个岗位需要什么样的人，更多时候是看这个人的特质最适合做什么。这时，我们会关注一些更抽象的能力。

比如，这个人是否能提出真正原创、创新的好想法？这种能力很难评估，但在交流中，我们可以观察他最近关注哪些话题，对问题是否有本质性思考，能否提出新的、并且是好的想法。实际上，每年公司内部能产生的好想法都非常有限。

第二类是那些有些“偏执”的人，他们会为某个目标疯狂投入。光有好想法不够，在AI引入大量不确定性的科研环境下，要做出好产品，需要一个漫长、充满未知、需要大量实验的迭代过程。在这个过程中，这些人会想尽一切办法解决问题。这需要极强的韧性，因为在探索中很容易感到挫败。比如，你会不会为一个好想法尝试1000次？大部分人可能试10次就觉得行不通了——很多时候这判断是对的——但总有极少数人更相信自己的想法，并在尝试中巧妙地形成新的认知。如今很多设计是在制造过程中完成的，而非事先完全规划好。因此，除了能提出好想法的人，那些能疯狂实验和探索的人，在我们的业务中也占据着至关重要的位置。

田轩：如何识别出这两类人？人不能“标签化”，但“标签”有助于快速筛选，经济学里有“信号理论”。你刚才提到的特质：能提出好问题、偏执——研究也发现，很多超级创业者是偏执的，甚至孤僻、不好相处。但偏执的人不一定都能成为创新者。你们在招聘时如何筛选出同时具备这两种特质的人？

张予彤：主要还是通过交流，看他平时关注什么信息、思考什么问题，包括关注哪些AI产品，认为行业最近有哪些超乎意料的变化。从这些问题中，你能看到一个人的注意力在哪里，他在思考什么。如果他的认知还停留在“2025年的水平”——我们有时开玩笑说“AI一天，人间一年”——那可能说明他吸收的信息量不够大，兴趣也不在此。

“执行”这方面相对容易验证。我们也有AI面试系统，题目需要候选人不断尝试。我们会观察候选人如何迭代、是否有不同的迭代思路、迭代了多少次、在什么时间点仍在坚持迭代，这里面有非常多的信号。有些筛选也可以通过自动化系统完成。

田轩：最后一个问题。企业是我们研究的对象，很多学生是或将是企业家。现在有个概念叫“AI原生企业”，比如Kimi。这类企业有什么特质？传统企业如何向“AI原生企业”转型？最大的障碍是什么？企业家该怎么做？

张予彤：这个问题很有意思。在中国，我看到非常多企业家都非常努力，有很强的意愿去使用和拥抱AI。我观察到的主要阻力往往来自组织本身。许多事情已经有了既定的边界、合作方式和激励模式。

而“AI原生企业”最大的优势在于，它是全新的，可以按照全新的生产模式来定义组织结构。这类企业有几个特点。比如，我们公司内部没有职级头衔，统一的称呼就是“员工”，组织层级非常扁平。公司大约300人，员工之间通常只有一到两层汇报关系，人员精干，边界模糊。例如，做预训练的同学也可以做后训练，做算法的同学也可以处理数据，做营销的同学也可能转到模型评估。这表明人的底层能力是可以触类旁通的，不应被标签限制，因为一个人往往能解决更多问题。

这就是“AI原生组织”的特征：人的多种能力被AI赋能。比如，编程能力曾经是少数人的特权，但随着AI编程能力越来越强——当然现在还不够强——这个边界会不断扩展，未来每个人都可能拥有编程能力。这是前所未有的变化。