AI人才回流大厂后，模型竞争开始进入系统战

罗福莉加入小米负责 MiMo、孙天祥入职百度、姚顺雨出任腾讯首席 AI 科学家，几位曾经在创业潮里被视为“外溢人才”的年轻研究者重新进入大厂体系，让 AI 竞争的方向变得更清晰：模型能力越往前推，越离不开算力、数据、工程平台和长期组织投入。2023 年那波“离开大厂去创业”的故事仍然成立，但到了前沿模型、物理 AI、医疗应用和企业智能体真正落地时，单个天才和小团队很难独自承担数万张卡、长期研发节奏和复杂产品交付。

这并不意味着创业公司没有机会，而是 AI 产业开始进入分工更明确的阶段。大厂更适合做底座、平台、算力和高密度工程化，小团队更适合在细分场景里快速试错。与此同时，OpenAI 新模型传闻、微信医疗 AI 分身、Pinecone 直连企业数据、实时视频与可编辑语音模型等消息一起出现，说明竞争焦点已经从“谁先发一个惊艳模型”转向“谁能把模型、数据、应用和成本连成稳定系统”。

人才回到大厂

AI 人才回流最直接的原因，是基础模型研发的门槛被继续抬高。训练、推理、评测、安全、数据治理、工程部署和商业化不是几个模块简单相加，而是一整套长周期系统工程。前沿模型要在不同任务上保持稳定，要支撑大规模用户调用，要让开发者愿意接入，还要控制推理成本，这些都需要组织能力和资源密度。

创业潮早期，很多团队可以靠一个新模型、一套新范式或一个亮眼 Demo 获得关注。但当模型竞争进入下一阶段，算力采购、数据闭环、产品分发、企业客户信任和合规能力会越来越重要。罗福莉负责小米 MiMo，孙天祥加入百度，姚顺雨进入腾讯，这些变化背后不是简单的个人职业选择，而是大厂重新把关键人才、长期项目和核心业务绑定起来。对产业来说，这意味着基础模型会更深地嵌入手机、搜索、社交、内容、办公和云服务，而不是停留在独立聊天框里。

模型矩阵加速

OpenAI 计划推出 GPT-5.6 三个子模型的消息，也与这条主线相互呼应。Sol、Terra、Luna 这样的分层设计如果最终落地，意味着前沿模型不再只用一个“旗舰版本”覆盖所有需求，而是通过速度、成本、能力和使用场景做更细的拆分。新增速度拨盘功能也指向同一个方向：用户不只想要最强答案，还想在不同任务里选择更快、更省或更稳的模式。

模型矩阵化的好处，是让企业和开发者更容易把 AI 放进真实流程。客服、代码、内容生产、数据分析、内部知识检索、自动化运营，对延迟、成本和准确率的要求并不相同。如果所有任务都调用最高成本模型，预算会很快失控；如果只用低成本模型，又很容易在复杂任务上翻车。分层模型和可调速度，本质上是在给产品经理、开发者和企业 CIO 更多调度空间。

数据入口变重

Pinecone 推出 Nexus 知识引擎与 Microsoft OneLake 的集成方案，显示企业 AI 的另一条关键战线正在变重：模型要真正帮企业干活，不能只依赖公开知识和一次性上传文档，而要接入企业已有数据湖、权限体系、业务指标和历史流程。它宣称可让智能体直接查询企业数据，绕过传统检索管道，并降低大量词元消耗，核心价值不只是“搜得更快”，而是减少 AI 系统在数据接入上的摩擦。

这也是很多企业 AI 项目卡住的地方。模型演示时看起来很聪明，但一到真实公司，就会遇到权限分层、数据格式混乱、业务口径不一致、文档过期、系统割裂等问题。一个 Agent 如果不知道哪个表可信、哪个指标是最新口径、哪些数据不能跨部门读取，就很难承担真正的业务任务。企业 AI 的竞争会越来越像数据基础设施竞争：谁能把模型、向量检索、数据湖、权限、审计和成本控制整合好，谁就更可能进入核心流程。

医疗分身落地

微信向医院开放 AI 分身功能，是应用侧很值得观察的变化。港大深圳医院上线后日均回复超过 130 次，累计解答 2 万人次；中山三院 AI 分身日咨询量从月均 100 例提升到日均 200 余例，有效率达到 70%。这些数字说明，医疗 AI 不一定一开始就要做高风险诊断，它也可以先从咨询分流、常见问题回复、就诊指引、复诊提醒和科室导航等低风险高频环节切入。

医疗场景对 AI 的要求非常特殊：既要足够快，也要足够克制。患者的问题往往带着焦虑，医院的人力又有限，如果 AI 能把重复问题先接住，把明确需要人工介入的情况及时转给医生或客服，就能缓解前台和线上咨询压力。但医疗 AI 不能把“会回答”误认为“能负责”，平台必须建立清晰边界，包括回答范围、免责声明、人工兜底、敏感症状提醒和数据保护。真正成熟的医疗 AI 产品，拼的不是话术有多像真人，而是能否在效率和责任之间找到稳定平衡。

内容工具变实时

生数科技发布 Vidu S1，支持语音实时控制视频、无限时长生成、540P 与 25FPS 实时交互，并可在消费级显卡上运行，这让视频生成的想象力从“生成一段成片”进一步走向“边说边改、边互动边生成”。如果实时交互体验足够稳定，视频工具就不再只是后期制作软件，而可能进入直播、视频通话、虚拟陪伴、课程演示和互动内容生产。

与此同时，云上曲率推出的 ViiTorVoice 在 Seed-TTS 榜单登顶，支持局部编辑、跨语种克隆和情感控制，首帧延迟低于 60 毫秒，还开源了 1B 参数版本。视频和语音两条线放在一起看，AI 内容生产正在补齐“可控性”。过去生成式工具最常见的问题，是一次生成不满意就得重来；局部编辑、实时控制和低延迟交互出现后，创作者可以像操作传统软件一样修改 AI 输出，而不是被随机结果牵着走。

创业仍有空隙

虽然人才回流和模型矩阵都在强化大厂优势，但创业公司的机会并没有消失。相反，当大厂把基础模型、云、数据湖、操作系统和入口铺好之后，细分行业会出现更多可被重新设计的流程。医疗咨询、企业知识管理、视频剪辑、语音输入、代码分析、实验室自动化、机器人训练，每一个场景都有不同的数据、责任和交付要求，通用模型很难直接包打天下。

真正的分界线在于：创业公司不能只靠包装模型能力，也不能只做一层薄薄的聊天界面。它们需要找到具体流程里的阻塞点，比如医院咨询高峰、企业数据检索成本、内容团队多工具切换、开发者在大型代码库里找数据困难，再用 AI 把流程重新串起来。大厂拥有底座优势，小团队拥有场景敏捷度，AI 产业接下来更可能呈现“底座集中、应用分散”的格局。

竞争进入系统战

从人才回流到模型分层，从企业数据入口到医疗 AI 分身，再到实时视频和可编辑语音，这些消息共同指向一个现实：AI 竞争不再只是模型参数和榜单分数的竞赛，而是系统能力的竞赛。算力决定上限，数据决定可用性，组织决定迭代速度，产品决定留存，合规和成本决定能不能长期运行。

对普通企业和开发者来说，这也带来一个更务实的判断标准。选择 AI 工具时，不要只看模型名字有多新，也要看它能否接入自己的数据，能否稳定控制成本，能否提供权限和审计，能否在具体流程里减少人工摩擦。前沿模型仍然重要，但模型只是系统的一部分。真正能改变生产效率的，是把模型放进业务现场之后，仍然跑得稳、算得清、用得起、有人负责。