他靠Databricks赚了几十亿，现在却劝年轻AI人才别去大厂……

本文来自微信公众号： TOP创新区研究院 ，作者：人才研究组

安迪·康温斯基（Andy Konwinski）是那种在硅谷已经彻底“上岸”的人，他联合创立了Databricks，又是Perplexity的联合创始人兼总裁，人家现在的身家有几十亿美元。

就是这样一个靠商业公司大红大紫的人，最近却做了一件反常的事：

他自掏腰包拿出1亿美元，办了一个叫Laude的研究所，到处劝那些最顶尖的年轻AI学者：

不要去大厂，把你们的工作留在学术界，或者直接开源。

他甚至拉来了一张堪称“和平协议”的董事会名单，里面有图灵奖得主、伯克利教授大卫·帕特森，有谷歌首席科学家杰夫·迪恩，还有Meta的前AI研究高管。

https://www.laude.org/

一位靠商业变现实现阶层跃升的富豪，反过来劝年轻人不要去商业公司。这个戏码听上去很温情、很理想主义，但背后的逻辑远比听上去要复杂、要残酷。

围猎公地

康温斯基为什么要砸这1亿美元？

因为在人工智能这个最关键的领域，传统的科学探索机制已经事实上瘫痪了。

前沿AI的知识，其本质是典型的“公共品”。

一个算法公式、一个微调技巧，写成论文发在arXiv上，你看一眼，我用一下，谁也不耽误谁。

但生产这种知识的“输入要素”——也就是算力和人才，

现在成了天价的“排他性商品”。

如今训练一个前沿大模型，动辄需要几千万甚至上亿美元的显卡和电费。

这笔钱，大学是无论如何也拿不出来的。

在美国，资助科学研究的“国家队”是国家科学基金会（NSF），可它一年的CISE（计算机与信息科学与工程学部）总预算也就10亿美元左右（2026还会更少），分到每个教授头上，连买几张高规格显卡的入场券都不够。

既然公共资金缺位，商业资本自然就顺理成章地接管了战场。

大厂掏钱买算力，给教授发百万美元年薪。

但这笔钱不是白给的。

因为商业公司的唯一目的，

是取悦股东、修筑护城河。

于是，一场安静的“圈地运动”发生了。

早期推崇“开放”的OpenAI，如今已经成了闭源的代表；

DeepMind以前频繁发顶刊论文，现在它的研究越来越深地融入到谷歌的Gemini产品线和云服务里。

大厂给科学家发高薪，代价就是把他们的智力成果锁进公司的高墙里。

康温斯基想用1亿美元把学术界赎买回来。但这笔钱在大厂动辄上百亿的研发费用面前，连个零头都算不上。

所以，学术界要想突围，就必须换一种活法。

后后训练时代

学术界跟大厂拼算力，就像是用小米加步枪去迎着重炮冲锋。

但技术演进的规律，往往会给弱者留下意想不到的后门。

最近，大模型的演进路线发生了一个微妙的偏移。

在AI领域，大体可以分为三个阶段：

1,预训练（Pre-training）：

这是盖大楼打地基，需要万卡集群和海量算力，这活儿学术界确实干不了。

2,后训练（Post-training）：

主要是RLHF（人类反馈强化学习）和微调，需要大量的工程标注和对齐，大厂依然占绝对优势。

3,“后-后训练”层（Post-Post-Training）：

这是大模型造好之后，怎么让它在实际应用里变得更聪明、更高效。

业内现在逐渐达成一个共识：

基础模型正在变得像上一代的CPU或操作系统。你不需要自己去造一个CPU，你只需要在CPU之上写出最精妙的程序。

真正决定AI系统好不好用的，是搭建在计算引擎之上的系统和架构层。

这恰恰是伯克利和斯坦福这些大学系统学家的“主场优势”。

比如斯坦福大学开发的DSPy。

它不训练任何新模型，也不需要万卡算力，它只是写了一套算法，像编译器一样去自动优化给模型的指令。

还有伯克利团队维护的LMArena（盲测竞技场），它是目前行业公认最中立的模型评测平台。

这些项目不需要烧几亿美元的电费，但它们是AI系统的“方向盘”和“变速箱”。

康温斯基的Laude研究所资助的第一批项目（被称为“弹弓”计划），几乎精准打击在这个层面上。他们资助了DSPy，资助了衡量AI Agent

编程能力的测试标准Terminal Bench。

学术界需要用轻量级、高杠杆的系统创新去撬动强大的AI能力，这是大学在巨头阴影下唯一能打的“不对称战争”。

双螺旋结构

但是，如果一个故事只有情怀，那它就不是硅谷的故事了。

专业读者在看康温斯基的宏大叙事时，最关注的往往不是那个非营利的Laude Institute，而是紧贴其后的、共用同一个名字的商业风投基金——Laude Ventures。

这就是硅谷最擅长玩的“双螺旋结构”：

非营利研究所在前面发Grant（无偿资助），在全球的高校里筛选、资助最前沿的开源研究和年轻天才。当这些开源项目在学校里逐渐成熟，表现出极高商业价值的时候，旁边的Laude Ventures风投基金早已占领了最好的观察位，可以优先跟进投资，捕获其商业化的超额溢价。

这种设计，

其实是康温斯基试图把“Databricks模式”给工业化。

遥想当年Databricks是怎么来的？

就是伯克利的几个教授和博士，在实验室里开发了开源项目Spark。因为彼此信任、磨合多年，他们一起出来办了公司，最后做成了千亿美元的巨头。

康温斯基自己就是当年那些co-founders之一。

所以，Laude的真实闭环是：

用慈善的钱在学校做前置孵化，用风投的钱在市场上收割果实。

这并非一定是坏事，在算力如此昂贵的今天，这可能是唯一能让开源研究持续运转下去的商业机制。

不过，这也引发了非常尖锐的质疑。

批评者认为，这和当年OpenAI走过的路何其相似？先用“非营利”、“拯救世界”、“对抗大厂垄断”的名义把最聪明的人聚起来，积累学术信用。等成果做出来，再通过商业基金将最肥美的果实套现。

研究人员的考核，无非是从迎合大厂股东，变成了迎合一位亿万富翁的个人审美和他的投资经理。

顶级实验室是否能被复制

很多人都认为，

科学的发展并不依赖于商业垄断，

但历史给出的证据让人沮丧。

上世纪人类计算史上最伟大的基础突破——晶体管、信息论、UNIX系统、激光、图形用户界面（GUI）、以太网——它们是在哪里诞生的？

它们不是诞生在大学，也不是诞生在独立的非营利机构里。它们诞生在AT&T的贝尔实验室，诞生在施乐公司的PARC研究中心。

这里面有一个反直觉的事实是：

最慷慨、最宽容、最能给全世界带来外溢效应的基础研究，往往需要依附在最庞大、利润最丰厚的垄断企业身上。

因为这些企业拥有垄断利润（AT&T当年靠电信垄断日进斗金），它们可以“豢养”一批天才几十年不干正事，不背产品线的KPI，只做纯粹的基础探索。

而康温斯基现在做的事情，是试图把“基础科研”和“垄断企业”做解耦。

他希望在没有企业垄断租金的土壤上，仅靠富豪的捐赠和创投的接力，凭空建一个贝尔实验室。

这听上去很美，

但它缺乏稳定的、来自产业底层的造血干细胞。

没有了垄断利润的供养，研究项目就不得不时刻在“无私的开源”与“急迫的商业化交账”之间反复拉扯。

这是一个尚未被历史证明过的高风险赌注。

所以，康温斯基的1亿美元，可能根本解决不了大厂对AI人才的黑洞级吸引力。在动辄几十万、上百万美元年薪起步，并配有天量显卡的大厂Offer面前，Laude的资助更像是一个微弱但高尚的姿态。

如果你是一个25岁、刚刚拿到谷歌或Meta几百万美元Offer的AI

博士，面对康温斯基“为了科学不要去大厂”的劝说，你真的敢重返历史现场，去赌一个九死一生的Databricks创始机会吗？

这大概就是现代AI研究者的“窘境”：道理大家其实都懂，但现实的重力实在太沉重了。