图片 | 来自网络
原创整理 | TOP创新区研究院，FTA Group
转载引用请注明出处。内容仅供交流学习，不做任何商业用途，不代表任何投资建议，如有侵权请联系后台删除。
最近看到英文互联网上疯传一张月之暗面的办公室照片——
照片里是北京一间普通写字楼的普通一层。深夜，四五个人围在两张拼起来的桌子前，穿着很随意，有人的头发像很久没洗过了，椅子是随手拖过来的。屏幕上好像也不是代码。
说实话，如果你不知道背景，第一眼的感觉大概是：
这几个人在摸鱼，尤其是后面这几个。
但几天后，这间办公室的人发布了Kimi K3。
2.8 万亿参数，全球最大的开源权重模型。在前端代码竞技榜上以1679分登顶，把 Claude Fable 5 和 GPT-5.6 Sol 都压在了下面。
然后，发布之后72小时内，美股AI板块合计蒸发了大约4700亿美元。
于是，很多人就开始说了，WOW，这好像硅谷车库里的极客啊。
不过，这不是车库创业，车库创业的本质是穷；而月之暗面在拍下这张照片的时候，是穷的反面。
它不是买不起装修，它是主动把装修删掉了。
当然，这不是我们的重点。
我们看的到是那面墙，所有人都在看那六个人，没有一个人看那面墙。
照片左上角，有一块深蓝色的板子。上面印着一段被打字机字体断开的英文，落款是Richard Sutton的《苦涩的教训》，板子最下面是四个字母：Moonshot AI。
咱们今天就从这块板子说起。
墙上的那句话
与组织架构图
Sutton 那篇文章其实我们之前也聊过，它很短，只有两页纸，是2019 年写的，标题是The Bitter Lesson，中文一般译作《苦涩的教训》。
它的核心论断就是一句话：回顾七十年人工智能研究史，能够随算力扩展的通用方法（学习和搜索），长期一定战胜人类精心设计的领域知识。
国际象棋、围棋、语音识别、计算机视觉，剧本一遍遍重演：研究者把自己苦心积累的专业知识精巧地编码进系统，短期内看到渐进的收益，然后被暴力计算碾过去。
之所以叫"苦涩"，是因为被碾过去的，恰恰是研究者本人最引以为傲的那部分东西。
你二十年的领域直觉，敌不过一堆显卡跑三个月。
这搁谁身上都可以说是非常“苦涩”了。
挂在月之暗面墙上的，就是这篇文章的结尾。
翻译过来大意是说：
我们想要的是能像我们一样"去发现"的智能体，而不是装满了我们已有发现的智能体；把既有知识硬塞进去，只会让我们更难看清"发现"这件事本身是怎么发生的。
好，现在做一个替换。
把这段话里的"AI 系统"换成"组织"，把"人类的既有知识"换成"管理学"。
你会得到一句在传统管理语境里近乎异端的话：
随人才密度扩展的通用协议（直接沟通、自主认领、无条件共享），长期来看，总能战胜人类精心设计的管理结构（部门、职级、OKR、汇报线、评审门）。
跟AI技术一样，月之暗面把这个异端当成第一性原理，真的执行了。
执行到什么程度呢？
这家300人的公司没有部门。
注意，不是"部门墙比较薄"，是根本没有部门这个东西。没有职级，没有 Title，没有 OKR，没有 KPI，甚至没有打卡考勤。你要找人配合干一件事，标准流程是：直接问。不用经过领导，不用批示，不用拉一个协调会。
创始人杨植麟的微信个性签名，一共四个字：
直接沟通。
那么"苦涩"苦在哪儿呢？
苦在管理者身上。
据《人物》杂志那篇深度报道，有一位清华本硕、在硅谷巨头和中国大厂都做过管理层、带过将近一千人团队、参与打造过十亿美金公司的资深老铁，想加入月之暗面。
联合创始人告诉他，公司能给他带的团队规模是——
两个人左右。
但这个人也真是个人才，得知他只有2个人的Scope之后，他没走，他说，哪怕让我扫厕所我也来，而且我要扫到最好。
不过，不是每个人都能扛住这一关。
一位00后员工说，她至少见过三位大厂中高层入职适应失败，其中一位最后决定彻底转行，理由是，身边的人极度年轻、极度聪明，被反复碾压之后彻底破防，觉得这不是属于自己的时代了。
而这位自称"什么都不懂的黄毛丫头"的00后，说：在这个行业，丰富的经验和深厚的履历，可能是负担。
咱们把这个道理再往下推一层。
管理制度，和算法里的"人工特征工程"，本质上是同一样东西。
它们都是在系统本身还不够强的时候，用人类的先验知识去打补丁。你的模型学不会识别猫，那就手工设计一个"胡须检测器"塞进去；你的员工判断不了优先级，那就设计一套KPI/OKR 塞进去。
补丁在系统弱的时候是助力。
系统一旦强了，补丁就变成了阻力。
Sutton 说的苦涩，苦在研究者最珍视的专业积累被删掉了。
组织版的苦涩更进一步——
被删掉的是"管理者"这个职业本身。
取消KPI不是福利
外界最爱把月之暗面"没有 KPI"读成人文关怀：这家公司对员工好，让人放松，不搞高压，多好啊。
但其实这并不准确。
先看一个事实——
支撑 K3 的核心技术之一叫Attention Residuals，注意力残差，它重构了深度学习沿用了将近十年的残差连接机制，效果是：
用不到 2% 的额外成本，换来大约 25% 的训练效率提升。
这篇论文有三位同等贡献(equal contributions)的共同第一作者：
一位是RoPE位置编码的提出者苏剑林；一位是Kimi Linear架构的一作张宇；还有一位叫陈广宇，深圳某国际学校高三在读，17岁，真正深入AI研究不到一年。
他短暂的职业路径大概是这样：
2025 年夏天跑去旧金山一家与OpenAI、Anthropic有深度关联的初创公司实习了七周，同年 11 月回国加入月之暗面实习，然后在公司内部一场48小时黑客马拉松里拿了冠军，就这么从实习生里杀进了研究团队的核心圈。
KIMI 3出来之后马斯克在下面留言，说Kimi这个工作令人印象深刻。
而陈广宇自己的回应是：不要造神，希望外界少写个人、多写技术和团队。
一个 17 岁的孩子，在人生最容易飘的时刻，选择把叙事权还给团队。
这个taste是很多四十多岁了还在大厂争不属于自己的exposure的人没有的。
好，现在做一道算术题。
AttnRes这一个想法带来的回报，需要多少次失败的实验才能覆盖？
答案是：
几乎无限次。
这就是所谓的凸性收益——少数极端正向的事件，贡献了绝大部分回报。塔勒布管这叫"正向黑天鹅"，风险投资管这叫"幂律分布"，说的都是一件事。
好，那KPI是什么？
KPI本质上是一种方差压缩技术。它把产出的分布收窄，用上限换下限，让结果变得可预测。
在收益结构是线性的业务里——零售、物流、标准化交付、外卖配送——这是完全正确的做法。可预测本身就是价值。你不需要一个天才骑手，你需要三万个准时的骑手。
但在凸性收益结构里，压缩方差就等于摧毁价值。
你把那个17岁的孩子塞进一个 KPI 体系里，给他定一个"本季度提交 3 篇技术方案、通过率不低于 60%"的指标，他大概率会去写三篇稳妥的、可通过的、毫无价值的方案。
月之暗面内部有一位员工被问过一道假设题：100%的 60 分，和 1% 的 100 分，你选哪个？
他毫不犹豫选了后者。
理由不是他受不了 60 分——
是他讨厌那个"100%"。
这句话听起来像文艺青年的倔强，但它其实是正确的组合数学。
而更有意思的是，同一个逻辑，在另一家公司里被表述得更直白。
七月下旬，DeepSeek 的创始人在一份网传的实录里面说，公司不是靠KPI和各种考核来推动做事的，把团队组织起来的只有愿景；员工有一半时间用于自由探索；而公司唯一的、不可退让的核心利益，是保持团队稳定。
他还说了一句：不是一群天才做出了不平凡的事情，而是一群平凡的人做出了不平凡的事情。
你看，两家中国最好的AI Labs，在组织哲学上给出了几乎一模一样的答案。
这不是巧合，这是同一道数学题的同一个解。
当然，KPI不是故事里的反派。
当业务的收益结构从凸性变成线性的那一刻，KPI就是王者了，因为企业级交付是线性的。SLA 是线性的。上市之后要给市场的业绩指引，线性到极致。
KPI是线性世界的正确答案。
泛化
说回月之暗面的管理。
《人月神话》里有一条几乎从来没被推翻过的定律：向一个已经延期的项目增加人手，只会让它更延期。
原因是沟通路径按 n(n−1)/2 增长。
300个人的组织，
理论沟通路径是44,850条。
那么问题来了，一家允许任何人直接找任何人、不需要经过任何领导的 300 人公司，在数学上应该在一周之内被信息淹死。
它没有被淹死，所以唯一的解释是：
绝大多数路径永远不需要被使用。
那是怎么做到？
《人物》报道里有一位刚毕业入职的年轻工程师，他的自述大意是这样的：过去在学校最多摆弄过7B的"玩具模型"，32张显卡跑几天就完事；现在要驾驭的是几百亿参数的MoE巨兽，面对的是数万亿token的数据海洋，相当于从小池塘直接跳进太平洋。
但是真正难的不是工作量，是他必须同时干三份工：
既要做算法架构师，在模型迷宫里设计方案；又要做系统工程师，在分布式计算的泥潭里排查故障；还要做数据策展人，在海量数据里"炼金"。
他的结论是：如果你说只会写算法、只会搭系统、或者只会洗数据的单点专家，你做不出顶级模型。
请注意，这里没有"我只管这块"这个选项，你什么都要会一些。
顺便说个细节，这个细节我特别喜欢：他们内部管训练模型叫"炼丹"。旗舰训练一启动，团队每天睁眼第一件事是刷新十几万个内部监控指标。还有人会从训练语料里筛出梯度异常剧烈的 token，一个一个打印出来，逐字审问——你为什么跳动得这么厉害？
这已经不是工程师了，这是刑侦。
在这家公司的语言体系里，这种能力叫泛化。
这个词直接取自机器学习：模型在训练数据之外的新场景下依然有效的能力，移到人身上就是，你通了底层逻辑之后，什么都能，也需要，懂一些。
30 位受访者里，超过一半的人工作职责发生过多次变化；如果和上一份工作比，变化比例大约是 80%。
几乎每个人都在这里做着和从前完全不同的事。
而对大厂来的专家，公司内部有一个不太留情面的判断：
他们在特定的 KPI 体系、汇报话术、资源博弈规则里训练得太久了，算法已经过拟合到局部最优解。当环境变量彻底改变，他们的能力在适应新分布的过程中就失效了。
传统大厂员工像专用模型，
这里追求的个体像基础模型。
但是——
泛化是有代价的，代价是确定性的消失。
一位最终选择回流大厂的前员工说得非常清楚：这里没有自上而下的 OKR 和 KPI，有时候早上走进办公室，会不知道自己该干什么，也没有人主动告诉你干得怎么样。这种得不到反馈的不安全感，反而让人开始怀念大厂里清晰的汇报线、明确的评审节点和可量化的产出物。
她的结论是：
那些看似繁琐的程式，其实为个体提供了确定性的底线保障——目标在哪里、做到什么程度算完成、绩效怎么被评估，一切都清晰可见。
《人物》记者给了一个很好的比喻收尾：
如果说阿里像精密校准的晋升流水线，字节像目标感极强的作战集团军，腾讯像容错率更高的专业学院，那么月之暗面是一片原始森林——天才或许能找到狩猎路径，但普通人可能困在迷雾里打转。
这句话得记住。
因为一片原始森林最大的问题，不是天才活不下去。
是它只能容纳天才。
招聘吃掉了管理
也吃掉了多元性
这一节咱们先说一个组织学的基本原理。
任何组织都必须支付一笔"对齐成本"。你可以事前支付——通过筛选，只招和你目标一致的人；也可以事后支付——通过制度、考核、监督。
月之暗面把这笔钱几乎全部前置了。
具体机制是这样的：
首先他们用Taste（品味）来判断一个人是否合适，这是绝对标准，但它无法量化，也拒绝被量化。
过去一年，超过 100 名新人来自内推，要么是朋友，要么是朋友的朋友，内部戏称"人传人"招聘；公司里至少有50人创办或加入过创业公司——他们喜欢雇CEO；月之暗面的校招计划叫"穿越计划"，直接给16名2027届毕业生授予期权。
但这种招聘方式其实牺牲了“多元性”，大家的背景都很相似：
- 80%的员工来自985/211
- 约80%是 I 人——即使大家并排坐着，却更习惯打字而不是说话
- 会乐器的人员比例，据说在AI公司里可能排第一
- 5 位联合创始人，全部来自清华
搞农业的朋友对这个词最熟悉——单一栽培（monoculture）。
单一栽培的特征极其稳定：在主航道上产量极高，抗性极低。
十九世纪的爱尔兰马铃薯是这样，今天全球的香蕉也是这样，
单一栽培在自己擅长的方向上跑得比谁都快，然后在某一个特定方向上完全失明。
那么问题来了：月之暗面失明在哪个方向？
咱们看它的一个往事：
2024 年 12 月 24 日，平安夜。
一位刚毕业两年、却已经是入职最早的员工之一的年轻女孩，坐在以 Radiohead 命名的会议室长桌边，面对三十多位同事哭了。她始终交不出符合联合创始人标准的春节营销方案——而那份方案已经改到第七版。
那场会上，二十位同样没有经验的年轻同事轮流汇报社媒投放、用户运营、公关、海外营销，事无巨细，集体讨论，由联创决策。
会议在凌晨四点结束。
一个月后，DeepSeek 发布了 R1，那份方案再也不重要了。
这是单一栽培的必然结果。
一群由极其聪明的技术天才组成的高度同质化组织，它的盲区精确地位于三个地方：
人性、市场、治理。
而这三样东西，
恰好是一家公司从实验室走向公开市场时最需要的三样东西。
不过我们得说句公道话——这家公司对这件事的复盘异常坦诚。
据报道，一位算法团队的同事说，DeepSeek 时刻带给他的唯一强烈情绪是兴奋。因为他看到了另一种可能：
成本更低的策略，开源的路径，以及一个此前无人相信的事实——只要技术足够领先，一家默默无名的中国创业公司也能得到全世界的尊重。
他后来说：
其实，是 DeepSeek 救了我们。
一家公司能在内部把竞争对手说成救命恩人，这个组织的健康度，比它的估值更值得关注。
组织在降维
到这里，可能有读者会问：
这不就是一家中国公司的独特性格吗？
不是。
大洋彼岸的公司，在完全不同的文化里，收敛到了几乎一模一样的形态。
看一组数字（口径来自 Epoch AI 等机构的估算，不同来源对员工数的统计差异较大，请当作数量级看）：
公司
大致人数
人均创收
Anthropic
约 2,300–5,000
约 900 万美元/人
OpenAI
约 4,500–7,850
约 550 万美元/人
Cursor（Anysphere）
约 50
约 4,000 万美元/人
英伟达
—
约 510 万美元/人
传统科技行业平均
—
约 45 万美元/人
作为对照，
谷歌跨过300 亿美元年收入门槛的时候，用了32,000人。
Salesforce 用了79,000 人。
Anthropic跨过同一道门槛，用了至多5,000 人。
而月之暗面：300 多人，扛起 2200 亿人民币量级的估值，人均将近 4 亿。
为什么会这样？
因为AI公司的成本结构，和它之前所有的科技公司都不一样。
它最大的成本输入是算力，而算力成本是固定成本的。
在传统软件公司，多雇一个工程师意味着多一份产能，边际收益为正，所以公司天然有扩张冲动。
在前沿AI公司，多雇一个人，意味着在一个巨大的固定算力成本上再压一笔可变成本。这个人的边际产出必须高得离谱，才能在这个分母面前显得划算。
所以这就解释了那个现象：中美 AI 公司的文化差异极大，价值观差异更大，但组织形态高度趋同——都是几百到几千人，极高的人才密度，极薄的管理层，极高的人均产出。
因为它们被同一张算力账单约束着。
咱们再往下推一层，会发现，"AI 会不会取代工作"这个问题，在这些公司内部已经不是预测，是既成事实。
据《人物》报道，一位产品同事的日常是这样的：
上午十点睡醒走进办公室（这家公司允许员工睡到自然醒，也不必加班到凌晨）。他今天的任务是整理过去 24 小时全球五个市场的用户反馈，并确定本周迭代优先级——这件事在过去需要 3 个人花 2 天。
他设置了三个每日定点跑的Agent：
策略Agent从三千条反馈里筛出高优需求，
翻译Agent实时解析日语方言和韩语敬语并标记真实情绪强度，
竞品Agent再抓取竞品当日更新生成技术对比。
他本人只做了三件事：否决一条被误判的讽刺性评论，标记一张含未发布 UI 的截图，确认 Agent 推荐的前三需求。
上午十一点半，PRD完成。而他的代码 Agent 已经根据需求自动生成了70%的基础框架。
他们内部把整个团队称为Genius Swarm（天才集群）——对应他们做的产品 Agent Swarm（智能体集群）：
每个个体并行独立工作，彼此无缝协同。
我觉得这个词的出现不是偶然。
人类组织的形态，正在向它所构建的智能体系统的形态收敛。
两种叙事
DeepSeek 和月之暗面，
是中国 AI 圈里性格最镜像的两家公司。
一个创始人从小安静，父母是镇上的老师，童年爱拆收音机，装了拆拆了装；一个是校园乐队的鼓手，习惯舞台、灯光和噪音，打鼓写歌，表达欲直逼胸口。
一个坚持不见媒体不融资，一个曾经砸下七个亿投流。
而到了 2026 年，他们走向了彼此。
杨植麟砍掉投放、抠每一张 H800 的性能、按自己的节奏走，越来越像梁文锋；梁文锋开始见 VC、操心留人、第一次为"组织"这种世俗问题分神，不得不走出实验室。
把两个人的路径叠在一起，你会看到真正的共同变量：
1, 算力受限
2, 开源作为分发策略
（在品牌和生态都不占优的时候，权重本身就是最强的市场进入手段）
3, 极高的人才密度 + 极薄的管理层
这三条跟国籍无关，跟约束条件有关，
任何在同样约束下的组织，都会收敛到相似的形态。
不过——有一件事，确实只可能发生在这里。
一位17岁的高中在读生，接触 AI 研究不到一年，在一家估值三百多亿美元的公司里做核心架构论文的共同第一作者，被马斯克公开点赞，然后对着媒体说"不要造神"。
这件事在美国的合规体系、签证制度、劳动法框架和大学录取逻辑里，几乎不可能发生。
这是一个被严重低估的制度性优势。
它意味着中国 AI 组织的人才漏斗，比任何地方都更宽、更早、更不看资历。
先进连接技术
写了7000字之后，现在我们回到办公室那张图：
这就是一栋普通写字楼里的普通一层，
一家投前估值 315 亿美元、正在冲刺 500 亿美元的公司，对物理载体的全部要求，就是一层普通的办公面积。
不需要地标。不需要独栋。不需要 LOGO 墙。不需要一个由普利兹克奖得主设计的、可以出现在招商手册第 3 页的中庭。
AI-native公司的稀缺要素排序，大致是这样的：
1, 算力——稳定的电力、冷却、机柜，或者到主要云区域的低延迟接入
2, 人才流动性——一个"人传人"的推荐网络。请注意：这个网络活在城市里，不活在楼里，它的半径是通勤圈和校友圈。
3, 带宽、数据合规通道、跨境结算与人员往来的便利
4, 好吃的某家外卖⋯⋯
5，⋯⋯
6，
7, 载体本身
而且对这个载体真没有多大的要求。
在月之暗面办公室的门口，有一架白色钢琴，上面放着一张黑胶，但员工请记者不要写它。
这是一个我们最喜欢的细节。
月之暗面的公司名来自 Pink Floyd 1973 年那张《The Dark Side of the Moon》，成立于该专辑发行 50 周年，会议室以乐队命名（哭人的那间叫 Radiohead）。
内部一个框架叫YAMAHA，其实是Yet Another Moonshot Agent的缩写。最核心的底层叫Kosong，马来语的"空"，取"空即是色"的禅意。2025 年 9 月几位工程师随手起的项目叫Ensoul，赋予灵魂，因为他们想让沉睡的代码文件活过来。
据说如果按会乐器的员工比例排，这家公司在 AI 圈可能是第一。
——然后员工请记者不要写这些。
理由是：懂的自然懂，不懂无需懂；
一家公司如果过分强调自己和摇滚艺术的羁绊，就未免矫揉造作了。
人们更享受"美而不自知"的状态。
这是我见过的最高级的凡尔赛，但它同时也是一条严肃的组织学观察：
一个组织的品味到了某个程度之后，会主动拒绝解释自己的品味。
而我们在园区、在产业社区、在企业总部里做的事情恰恰相反：
花大价钱做一个装置，然后花更大的价钱做一块牌子来解释这个装置。
如果一个空间需要配一块说明牌才能被理解，它多半没有真的被理解。
兜兜转转这么久，最后我们回到那面墙。
Sutton 在 2019 年写下那段话的时候，说的是算法：
不要把我们的既有发现硬塞进智能体里，因为那只会让我们更难看清"发现"这个过程本身是怎么发生的。
七年之后，一家中国公司把这段话挂在了自己墙上——
然后，无意之间，按照它，重构了整个组织。
删掉了部门。删掉了职级。删掉了 Title。删掉了 OKR 和 KPI。删掉了打卡。删掉了绝大部分会议。
删掉了那些我们花了一百年时间，从泰勒到德鲁克，从事业部制到矩阵式，从 KPI 到 OKR 到 360 度评估，辛辛苦苦积累起来的、关于"如何组织人"的全部知识。
然后它做出了一个 2.8 万亿参数的模型，
震惊了世界。
苦涩的教训里最苦涩的那一层，可能是这个：
那些我们花了很久才学会的、关于如何组织人的知识，也许正是现在需要被删掉的东西。
而更苦涩的是——
我们还不知道，把它们删掉之后，
一个超过五百人的组织，要怎么存在。
月之暗面也不知道。
它还没走到那儿。
创新区研究，就在TOP研究院。
TOP Lab（TOP创新区研究院）是 FTA 的创新研究引擎，围绕 Talent（人才）、Organization（组织）、Place（区域）三大维度，探索全球创新区的发展规律，为城市、企业和园区提供前瞻洞察与战略建议。
FTA Group 专注产业创新区综合解决方案，整合设计、运营与产业服务。作为国内产业地产设计经验最丰富的机构之一，已完成逾 1200 个项目，助力张江、临港、漕河泾、G60、杨浦科创等重点片区，以及 BioBAY、张江药谷等顶级园区。