导语 当所有人还在争论“哪个模型最强”时，硅谷的AI创业已经悄然进入下半场。野蛮生长的阶段过去了，取而代之的是对效率、组织结构和人才价值的重新思考。本文基于一位身处硅谷AI创业一线的工程师兼投资猎头的深度观察，拆解人工智能行业正在发生的十个关键变化，揭示那些一个月内就可能被推翻的“共识”背后，真正的生存法则。
硅谷人才新标准：通才碾压专才，AI原生技能成硬通货
在人工智能创业最活跃的硅谷，人才的定义正在被彻底重写。过去那种“钻得越深越好”的专才模式，正在被一种叫做“polyglot talent”的通才所取代。简单来说，就是“每一项都过得去、没有明显短板”的六边形战士。
一位在Cognition等明星AI公司任职的工程师马培元，其职业轨迹恰好印证了这一趋势。他不是传统计算机竞赛金牌得主，也没有顶尖名校光环，但凭借“既做过AI，也做过全栈开发和iOS”的复合能力，在Poe内部启动了一个当时没人说得清定义的“agent”项目时脱颖而出。原因很简单：团队里其他人大多只懂传统机器学习或搜广推，没人能写前端界面，而agent恰好需要前端能力。
更关键的是，AI原生技能正在以惊人的速度碾压传统资历。这位工程师从Quora广告组转去iOS组时，对iOS一窍不通，是彻头彻尾的“0年经验”。但他没有选择慢慢补课，而是把GPT-4当成搭档，疯狂用AI写代码。结果，一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不可能，但在AI时代，AI工具导航里那些高效工具，正让“学得快”成为比“经验多”更值钱的能力。
招聘革命：没有统一模板，Work Trial成新宠
如果说人才标准变了，那招聘方式更是翻天覆地。硅谷AI公司的面试已经抛弃了传统的LeetCode刷题模式，甚至没有一个统一的面试模板。一位面试了近20家AI公司的工程师发现，算法题的重要性在下降，而关于AI系统设计的最佳答案每个月都在改变。
最显著的变化是“在线笔试+work trial”成为新组合。Work trial是一种非常短的“试用期面试”——有的3小时，有的5小时，最长一两天。比如直接给一个代码库，让候选人用任何工具（包括AI）去解决实际问题，做完后展示思路和成果。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，测试的是在没有AI辅助的情况下，你能不能找出错误。这本质上是在评估个人实际的软件工程水平和品味。
行为面试也变了，不再是“个人最大的缺点是什么”这种老套问题，而是拉长时间线，从高中到大学，从实习到工作，一路往下追，看一个人的“人生斜率”——判断你是不是一个能够指数型增长的人。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。这种变化，让科技公司不得不重新思考自己的招聘策略，而AI融资热潮中，那些能精准识别“潜力股”的机构，往往投得更准。
组织重构：People Manager消亡，管理者必须懂代码
当AI能快速完成过去需要多人协作的任务时，组织架构必然要跟着变。硅谷AI创业公司里，一个明显的趋势是“People manager”正在消亡——那些只负责管人、不写代码的工程经理，正在被淘汰。
在Cognition，60多人的工程团队里，真正的people manager只有一个人，其他的包括CPO（首席产品官）在内，都是“既管人、也写代码的”。这种极致的扁平化，和传统科技公司一个manager管五六个工程师的模式截然不同。原因很简单：AI把修复一个Bug的时间从三五天压缩到了两三个小时，但传统组织架构中的需求评估、工程排期、开发、测试、上线等环节依然需要一个月。流程的价值在于协调，但AI已经让协调变得多余。
实际上，AI Agent技术正在倒逼组织转型。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，中间很多协调和流转环节都可以省掉。这不仅是工程问题，更是组织架构上的转型问题。国内大厂腾讯、字节先后宣布取消中层，也印证了这一判断——在AI时代，管理者如果不懂技术，无法直接参与生产，就失去了存在的价值。
Token狂热退潮：从“用得多”到“用得值”
去年硅谷一度流行“Token-Maxxing”，Meta等公司甚至做过Token使用排行榜，谁用得最多谁就是“AI原生”的代表。但很快，这种狂热就退潮了。原因很简单：AI token的使用量跟工程师的效率不能画等号。
当Token使用量变成公开排名，人的行为就被扭曲了。工程师会为了“用得多”而用，出现让AI每晚定时乱跑、空跑一些没有意义任务的荒诞场景。更致命的是，公司高层被账单吓到了——Uber 2026年全年的AI专项预算，前四个月基本就烧完了。董事会开始追问：这一个亿美金花下去，真的带来了一个亿的产出吗？
于是，科技公司开始重新限制Token用量，并从“用得多”转向“用得值”。Cognition甚至发布了一份“AI生产力保证”——如果企业客户使用Devin后效率提升没有达到承诺水平，最高赔偿1000万美金。他们通过调研233个真实客户案例，训练出一套预测系统，把每一次Devin对话直接转化成“等效工程师小时数”，用工程师的时薪反推产品到底省下了多少。这种精细化评估，才是企业数字化转型的真正方向。
模型崇拜终结：融合调度与AI基础设施崛起
仅仅两周前，硅谷还在谈论哪个模型是当下最前沿的。但两周后，这个共识就被推翻了。Cognition内部刚刚发布了一个代号为“fusion mode”的功能——把多个便宜模型和顶尖模型融合调度使用，而不是无脑调用最贵的那一个。
这个思路很形象：你不会天天开你的保时捷去买菜吧，你应该开你的本田或者便宜的车去买菜。模型迭代的速度超出了想象，连“谁是number one”这件事都不敢说得太满。一位工程师直言：“我不能说所有的，但可能大于60%的判断，一个月之后就可能反着来。”
当模型崇拜退潮，新的AI基础设施开始崛起。围绕“Token-Maxxing”，已经出现了一批专门观测、监控团队AI使用情况的创业公司，分析哪里在浪费token。更深层的是，AI agent本身是脆弱的，一个prompt的微小变化就可能导致表现变差。于是，沙盒环境（sandbox）等新的AI infra开始出现，用来隔离agent运行，避免它直接接触敏感系统。这些基础设施的完善，正为下一波AI融资热潮奠定基础。
非共识中的机遇：AI创业下半场的破局点
任何技术浪潮演进的规律都是如此：旧共识破灭，新范式建立。当市场告别了对单模型和算力烧钱的盲目崇拜，围绕“如何让AI稳定可控地落地”以及“如何啃下大模型啃不动的硬骨头”的需求便爆发出来。
兼具工程师与投资猎头双重视角的观察者注意到，一批不依赖“大模型神话”、专注于解决真实世界复杂痛点的新生意，正在硅谷的非共识中悄然萌芽。比如，有公司专门做AI agent的监控和治理，有公司做模型融合调度平台，还有公司做AI安全测试框架。这些项目不需要追逐最贵的模型，但恰恰是科技公司真正需要的。
对于创业者来说，这意味着机会不再藏在“下一个ChatGPT”里，而是藏在那些细小但真实的痛点里。比如，如何让AI图片生成工具在保持创意的同时不产生版权风险？如何让抠图功能在企业级场景下做到99.9%的准确率？这些看似“不够性感”的问题，恰恰是AI创业下半场最肥沃的土壤。
当野蛮生长结束，真正的价值创造才刚刚开始。