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都在加速竞争人才。

虎嗅获悉，5月12日，月之暗面（以下简称“月暗”或Kimi）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。

据虎嗅独家获悉，在这场校园宣讲的交流之外，现场还设置了小范围面签与沟通环节，部分学生在活动结束后直接进入进一步交流流程。有接近现场人士告诉虎嗅，Kimi对于人才的定义是“不被定义”。

当然，这已经不是月暗第一次高调接触高校顶尖人才。过去几个月里，随着Kimi模型持续迭代、公司融资推进，以及组织规模扩张，月暗明显加快了对核心人才的争夺节奏。

而另一边，DeepSeek近期因新一轮融资传闻持续引发市场关注。外界更多讨论的是估值、资本和股东结构，但融资的另一面，其实同样是为了吸引和留住人才。

在今天的大模型竞争中，资金、算力和数据固然重要，但决定模型上限的，依然是最核心的AI研究者。这也是为什么近几年大模型行业正在持续进行人才密度竞争。

而目前，月之暗面与DeepSeek，几乎已经成为中国大模型人才最重要的两块高地。

有意思的是，从吸引人才的方式来看，这两家公司又存在着大量相似之处。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；都相信研究驱动而非传统KPI导向；都甚至在组织风格上，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，还是月暗的扁平化组织，其目的都是为了让那些最核心的研究员拥有最大的自由度。

与此同时，我们也注意到，月暗和DeepSeek在近期又频繁“撞车”。

5月7日，月之暗面刚完成了一笔20亿美元的融资，估值较上一轮翻了一倍，最新估值已达到200亿美元。与此同时，DeepSeek被曝即将完成一轮规模超过500亿元的融资。

在模型风格上，Kimi也开始越来越像DeepSeek，两者都更强调Agent和代码能力，其中代码能力正是决定月暗商业化能力的重要指标。

在模型节奏上，就在DeepSeek V4发布前两天，Kimi率先推出具备Agent能力的K2.6版本；另有知情人士向虎嗅透露，Kimi新一代K3模型已经进入pre-train阶段，预计将在今年7月正式推出。

而在模型竞赛之外，更重要的变化是，这些公司正在重新定义，它们想要什么样的人。

在这场与北大光华学生的对谈中，张予彤提到Kimi喜欢两类人：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，而更看重一个人是否真正长期关注AI以及是否愿意为一个想法迭代上百次、上千次。

而一批能够与AI共同工作、共同进化的人，某种程度上也代表了今天中国头部大模型公司的人才观。

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完整对话：

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。每一次生产力的提升，我们只是从原有的工作换到了新的工作。比如说农业革命的时候，种地的农民去到了城市，然后城市出现了服务业等新的行业。所以我觉得现在，从我们企业自身来看，就出现了许多新的工作。比如我们有的同学是给模型做训练，创造了核心的数据，他们每个人都自称为“模型的爸妈”，因为他们觉得自己是在持续喂养一个持续生长的智能。

对更广泛的人群来说，可能很多人会成为超级个体，也就是今天说的“ 一人公司”。我觉得工作本身是在做我们热爱的事情，提高生产力和产出更高的价值。那现在就可以是一个人全栈地去做很多事情，无需依赖一个庞大的团队。我觉得这是生产方式的一种变化，也能影响大家去追求自己想做的事情。

所以我觉得AI一定会带来非常多的新工作。

田轩：AI会创造很多新工作，同时也会需要很多新技能。那作为我们商学院的教育者，我现在最关心的、也是我们一直在思考的就是，我们怎么才能跟上时代，我们光华管理学院应该怎么培养我们的学生？

你是用工方，我是供给方。那么你能给我一些什么建议，比如商学院应该怎么设计课程，甚至根据当下体系——其实学生是我们的产品，你是我们的用户——我们怎样才能更好地训练或者educate我们的学生，最终能够满足AI时代雇主的要求？

张予彤：非常好啊，感觉有一个可以用户访谈的机会。

我觉得现在大学生比我们上学的时候都要幸福，我们要花很多时间查资料和查文献，去完成复杂的项目，但是今天，学习和研究的效率都被大大增强了。

我觉得要成为AI的深度用户，成为power user，能够感知到每一个、每一代模型的区别，它的能力边界到底在哪儿，有什么事情它今天还不能做，有什么事情它今天可能已经做得比我们好了，有哪些事情是需要我们和模型共创的。我觉得接下来会进入一个agent-human collaboration的时期。我已经无法想象自己在工作中不去用AI了。

比如我们之前没有手机，没有电脑，也没有平常用的这些软件， 但我们今天已经无法想象没有这些工具了。这些工具都是为了延伸我们的能力，而不是替代关系。工具替代的是它可以替代的那一部分。我们工作中可替代的部分有很多，比如重复的执行和大量信息的处理，比如计算、编程，以及一部分设计的执行。是这一部分的工作会被替代，但不代表我们的工作会被替代，所以其实是我们有了更多的时间去工作。

现在真正的瓶颈是去验证AI产生的结果。比如今天要产生几百万行的代码，对于AI来说是很容易的事情，但对于人类来说，去消化、理解，去看逻辑关系是不是有问题，是一个更大的工作量。所以我们今天还是在定义我们的工作，以及我们在评估、验证AI的工作质量。这些也会成为重要的能力。

田轩：所以予彤你的建议就是我们商学院在课程设计，在培养学生的知识体系里面，要让他们知道怎么去运用AI、驾驭AI。

张予彤：是的，我觉得“驾驭”这个词很好，也是我们和AI形成的一种合作关系。硅谷经常讲“harness”，也是这种“驾驭”的感觉。不管是工程和模型的关系，还是人和agent的关系，未来都是相互协作。我们要用更开放的心态去探索，对吧？我相信AI在长期上对我们一定是有益的。我知道短期大家肯定会有各种各样的担心，比如说它的安全性或是其他一些性能问题，但是我觉得长期来说它一定是好的，所以我觉得这是用一种开放的心态去探索它，看看它到底是什么样子的，然后深度地去理解它，亲自上手，多动手。有很多深刻认知和理解是在动手中形成的，不要仅仅知道一些观点，或者自己观察时有一些感受。

田轩：刚才我是从商学院教育者的角度来问这个问题，现在我换一个角度。在座很多是我们光华的学生，比如说，我现在刚进入大学，我知道未来的时代跟我的父辈已经完全不一样了，对吧？我们那个时候就是把题做好了，把试考好了，有个好的GPA，毕业之后出国或者找工作都没问题，但是现在AI给我们带来了很多变化。假如说我现在是一个一年级本科生，未来在北大光华的四年我要怎么做，才能够让我更好地面对AI带来的挑战和未来的不确定？

张予彤：可以从大一就到我们这儿实习。（笑）

我觉得在大学期间，很多个人的收获还是来自跟同学相处吧。与人交流、产生深度链接，这是非常宝贵的。

第二点，是在做任何事情的时候，都可以想一下，如果今天是AI来做，它会怎么做？除了人和人的共情，还有人和agent的共情。因为从模型的视角去看一些事情就会很不一样。比如说，我们从人的视角去看，今天在电脑或者互联网上已经有非常好的基础设施了，我们要聊天、开会议、支付、验证身份、授权一些数据等等，这些事都有非常成熟的基础设施。但如果今天是从模型的角度去看，你会发现这些不一定是它需要的。我们为人构建了基础设施，还没有完全为agent去构建，那么在这个时候，人和agent的分工能够让我们重新思考这个事情我会怎么去做。如果带着这个视角去做所有的事情，可能也会有一些突破。

田轩：了解。今天来的除了本科生，还有很多MBA、EMBA的学生，他们其实也是企业的管理者。那在AI时代，他们需要做什么才能成为不被AI替代的管理者？

张予彤：我觉得替代在座的各位企业家是一个很难很难的事情。

田轩：不用客气，我觉得这个好像也不是那么难。（笑）

张予彤：有一个非常实用的tip，就是给公司里面每个人增加Token的预算，让每个人都能Token自由，做这些事情的时候可以充分探索如何把AI用起来。如果担心AI会替代我们的工作，其中有一些对抗的阻力，这是不利于事情发展的。当大家都有更多的Token预算，一部分可以用于扩张，一部分可以用来增强生产力。AI“10倍程序员”，生产效率可以以一当十，因为它是非常强的程序员。今天AI的代码生成能力让更多人有可能变成“10倍程序员”，但是在编程过程中的架构能力、思考能力、不断验证和不断纠错的能力，这些方面今天的AI做得还不够好。当企业给大家充足的Token，大家也会思考自己的工作会有怎样的变化，是一些积极向上的推动。

田轩：我做了一些research，了解到“Kimi穿越计划”。听说你们招人的时候不看学历，不看专业，这对我们的认知产生了很大的变化。咱们那时候高考是要选热门专业，学经济学、营销、会计是热门的，但现在不看学历、不看专业，那看什么呢？

张予彤：人是很难“标签化”的，我认为学校或者专业就是一种标签。在座的都是北大光华最优秀的学生，但我相信你们每个人的特质、你们的热情、你们想做的事情、你们的长板、你们不喜欢做的事情，都有非常大的区别。并不是我已经想好了，现在有个工作，应该去找什么样的人来做——也有这样的情景，但更多情景是，这个人的特质最适合做什么事情。这时候我们会看一些抽象的能力，比如这个人是不是能够提出真正好的原创的、创新的想法，这种创新能力是很难被评估的，但是我们在交流的过程中会看他最近关注哪些话题，对问题是不是有本质的思考，会不会提出一些新的想法，并且这些新的想法是好的想法。其实这是很难很难的。我们公司当中，每年能够提出的好想法都是非常有限的。

第二点，有一些偏执的人，他们会疯狂地做一些事情。光有好的想法是不够的，有了好想法之后——因为AI引入了很多不确定性，包括科研的不确定性，在这种因素存在的情况下，想要做出更好的产品，就是一个很长的、充满不确定的、需要大量实验的迭代过程。在这个迭代过程中，这个人就会疯狂地想各种各样的办法去解决这些问题。这其实需要非常强的resilience，因为人在探索和研究的过程中会感到frustrated，是吧？比如，你会不会为了一个很好的想法尝试1000次？大部分人可能尝试10次就觉得没法做了，当然很多情况下这可能是对的，但有极少数的人更相信这个想法，同时也巧妙地在尝试中形成了自己的认知。现在很多设计是在制造中完成的，而不是在制造之前就已经想好这件事应该怎么设计怎么做。现在的生产过程充满了不确定性。所以除了提出好想法的人以外，还有疯狂实验和探索的人。这两类人在我们的业务当中都占了很重要的位置。

田轩：怎么把这两类人识别出来？人不能“标签化”，但是“标签”可以帮助我们快速筛选人，经济学当中是“信号理论”。

但是您刚刚提到的几个：能提出好的问题，偏执——研究也发现很多超级创业者是偏执的甚至是孤僻冷漠、不好相处的，但是偏执的人不一定能够成为创新者。那么您在招聘或者选择员工的时候怎么把拥有这两个特质的人筛选出来？

张予彤：更多的是交流，看他平时关注什么信息、想什么问题，包括关注什么样AI的产品，或是最近行业什么变化是超乎意料的。在这些问题中你会看到一个人的注意力放在哪儿，以及他在思考什么问题。如果他说出来的是“2025年的认知”——有时候我们也开玩笑说“AI一天、人间一年”，那么他吸收的信息量可能没有那么大，他的兴趣也不在这里。“执行”这方面是更容易验证的。我们也有AI的面试系统，这些题需要大家不断尝试，我们会看候选人是怎么迭代的、是不是有不同迭代的思路、迭代多少次，以及什么时间仍然在迭代，有非常非常多的信号；有时候也可以通过一些自动化的系统做筛选。

田轩：还有一个问题，企业是我们研究的对象，很多学生也是企业家，很多学生未来也会去企业工作。现在有个概念“AI原生企业”，比如Kimi。那这种企业的特质是什么样的？传统的企业如何向“AI原生企业”靠近或者转型？最大的障碍是什么？企业家应该怎么做？

张予彤：这个问题挺有意思的。在中国我见到非常多的企业家都特别努力，他们有非常多使用AI、拥抱AI的想法。我在企业里看到的是大家非常关注AI，以及有很大的动力把AI应用到企业的各个方向，但我关注到的阻力还是来自于组织的阻力，因为有许多的事情，大家已经定义了边界、合作方式，以及如何在这个合作的过程中进行激励。但在所谓的“AI原生企业”中，一个最大的好处是，它是新的企业，可以重新按照现在全新的生产模式来定义组织结构。这种企业有几个特点，比如，我们公司里是没有title的。

我们统一的title就是“staff”，整个组织层级结构很扁平。我们公司一共300人，员工之间只有一到两层的关系，人员比较少、相对扁平，彼此之间没有定义得很清晰的边界。比如我们组织当中做预训练的同学也可以做后训练，做算法的同学也可以做数据，做营销的同学也会转到模型评估，这些事情表明人的底层能力可以触类旁通的，并非一味给他们贴标签，因为一个人其实可以解决更多的问题。这就是“AI原生组织”的特征，因为人的很多能力是被赋能的，比如编程能力原来是三千万人的特权，但今天随着AI的编程能力越来越强——当然今天还不够强——但是随着它越来越强，这个边界会不断扩张，未来我们每个人都会拥有编程能力。这也是之前从未发生过的事。