新质观察｜打破壁垒：AI人才跨国流动中中国企业的机遇

近两年来，AI领域领军人物杨植麟回国创业的经历在技术圈与投资圈备受关注：他本科毕业于清华大学，博士就读于卡内基梅隆大学，曾在Facebook、Google等企业的顶尖AI团队从事研究工作，回国后创立了月之暗面（Moonshot AI），并迅速推出面向大众的大模型产品“Kimi”，成为国产大模型的代表之一。

杨植麟的故事常被简单概括为“顶尖AI人才开始回流”。这句话虽有一定道理，但略显笼统。近期发布的一项研究对此进行了更细致的分析。知名智库卡内基国际和平基金会发布的《中国顶尖AI研究者是否仍留在美国？》报告，聚焦的核心问题十分明确：顶尖的中国AI人才是否出现大规模离开美国回国的现象？

顶尖人才“留美率”依旧较高，新增流入呈减少趋势

该研究报告的核心数据来源于保尔森基金会旗下研究平台MacroPolo构建的全球AI人才追踪器数据集，选取的样本是顶级AI学术会议NeurIPS 2019的论文作者：原始样本包含675位“顶尖AI研究者”，从中筛选出100位“本科在中国完成、2019年在美国机构从事研究”的研究者。对这100人的去向跟踪显示，截至2025年，有87人仍在美国机构；10人前往中国的公司或高校；3人去往其他国家。这表明，已在美国站稳脚跟的华人AI人才整体保持稳定。对中国而言，AI人才“回流”现象确实存在，但尚未达到大规模的程度。

报告的另一重要发现是，对比NeurIPS 2019至NeurIPS 2022的样本，中国背景作者在该顶尖AI社群中的占比从29%提升至接近一半，而在中国机构任职的比例也从11%跃升至28%。这意味着，与过去相比，越来越多顶尖中国AI研究者选择直接留在中国开展研究或就业，而非将赴美作为必经之路。

在AI顶尖人才领域，美国虽未失去存量优势，却逐渐丧失吸引下一代新人的能力——更多中国顶尖研究者选择在国内产业与高校体系内发展。美国在维持存量优势，中国则在扩大本土吸纳能力。越来越多优秀人才在国内产业中找到发展空间，中国正不断增强“留住优秀毕业生在本土产业”的能力。

AI人才跨境流动背后的三股驱动力量

AI人才的跨境流动通常受到三股力量的相互作用。

一是国际形势：未必“驱逐存量”，但会“劝退增量”。卡内基基金会的报告指出，签证与安全审查、对华裔学者的怀疑氛围、疫情后的跨境出行障碍等因素，会显著降低中国研究者赴美及留美的确定性。这类因素的特点是：对已在美国的人员影响有限，但对正在做选择的年轻人（尤其是博士申请者）影响较大。

美国国家经济研究局（NBER）的论文《筑起科学围墙》对这种影响进行了量化分析。研究发现，中美关系紧张导致STEM（科学、技术、工程和数学）专业的中国学生进入美国读博的概率下降约15%，毕业后留美概率也下降约4%。同时，在美中国研究者的发表产出下降约8%—11%，退出科研的概率也有所提高。作者强调，上述变化不能仅用单一政策来解释，更多是由“被感知到的敌意/不确定性”引发的寒蝉效应。

二是产业机会：回流并非依赖“情怀”，而是要“能做成事”。过去很长一段时间，顶尖科技人才愿意留在美国，一个重要原因是美国的前沿资源与产业机会高度集中。如今，越来越多中国研究者无需出国就能开展前沿工作——国内头部企业与高校在算力、数据、工程体系以及可落地的应用场景等方面都更为完善，使得留在国内成为可行选择。对个人而言，这种变化将“回国”从情绪化叙事拉回到更理性的职业考量：在国内，可能更容易获得更大的团队、更高效的决策链条、更直接的产品反馈；在某些领域，甚至能更快形成真实世界的训练闭环。

三是信心与预期：人才在为“未来十年”评估价值。很多人认为人才流动主要取决于薪资，实际上更常见的触发点是“能否看清未来”。卡内基基金会的报告中提到，那些已在美国站稳脚跟的人大多会选择留下，但作者真正担忧的是“下一批人才是否还会来”——对于尚未落地的博士申请者、博士后和年轻研究员来说，签证、审查、往返成本、合作边界等变量会被放大为职业风险，一旦风险上升，他们更倾向于选择不来、少来，或转向第三地。

留住AI人才：给企业的五条建议

若将AI的发展比作一场长跑，那么AI人才的分布就如同运动员的集训地点、是否有队友以及能否安心跑完全程，对AI的竞争力起着至关重要的作用。过去几年，中国AI企业或许依靠“工程红利+场景红利+资本红利”就能将产品做大，但未来3—5年，更可能进入“人才红利决定上限”的阶段。精英人才的回流固然值得欣喜，但更能决定胜负的是：能否让不同背景的团队在高压、长周期、高不确定性的环境下持续迭代，避免因签证、合作边界、组织内耗或激励错配等问题而受阻。以下五条建议针对的正是这些最容易拖垮企业、却又常被忽视的“基础设施”。

1. 区分研究线与产品线，避免用单一逻辑管理。研究岗位最看重自由度、资源与长期声誉；产品岗位更关注工程体系、业务闭环与上升通道。若混合管理，可能出现“研究岗被KPI迫使做短期迭代、产品岗被论文指标束缚”的双输局面。

建议企业为研究线明确三件事：可支配的算力/数据边界、发表/开源策略以及三年内的研究路线图；为产品线明确三件事：业务目标、交付节奏、跨部门协调机制。两条线的交汇点应设置在“技术转移机制”上：每季度固定进行一次“研究—工程”评审，将论文/原型转化为可工程化的路线，避免临时决策。

2. 建立“多地协作”的备份机制：将组织构建成网络，而非单一总部。人才流动不仅取决于薪酬，还会受到签证、家庭、地缘风险、往返成本等因素的影响。单点布局意味着将研发连续性寄托于不可控变量。建议企业先将团队拆分为“必须同地”和“可以分布”两类模块：例如模型训练与核心数据治理可能需要更集中；应用层、评测、工具链则更适合分布。

建立统一的工程底座，代码规范、实验管理、评测基准、文档体系必须统一；设立“关键岗位双人制”：至少让每个关键模块有两地可接管的人选；将跨时区协作纳入流程设计：减少例会，增加异步文档与决策记录；通过清晰的“决策主体与决策内容”来避免推诿。

3. 将合规与安全团队前置到研发流程：合规不是成本，而是留人能力。在跨国背景下，研究者最担心的不是“不能做”，而是“做了之后才发现违规”。一旦出现这种情况，高端人才会迅速降低投入，甚至直接离开。

建议企业制定一份“研发红绿灯清单”：明确哪些数据可用、哪些合作需审批、哪些开源组件要审计，用简洁易懂的语言呈现，而非仅存在于法务文件中。在研发链路中设置“轻量关卡”：立项时明确边界，发布前进行合规审查，避免上线后补救。对高端研究岗保持公开透明：审批规则、时限、例外机制越清晰，研究者越愿意将职业声誉托付给企业。

4. 以“职业确定性”打造雇主品牌：让人才看到三年后的自己。对顶尖人才而言，跳槽并非为了多拿一点工资，而是为了降低不确定性：身份、资源、评价体系、团队方向、个人成长等方面的不确定性。

建议企业将资源承诺写入offer：算力额度、数据支持、会议差旅、发表/专利策略、导师/合作者支持等，避免仅用“有机会”等模糊表述。设计两条上升通道：研究路线与管理路线，并明确转轨条件。建议将绩效周期拉长：研究岗至少设置一到两年的评估窗口。

5. 关注“下一代入口”：博士、博士后、青年研究员的选择，决定企业未来梯队。顶尖人才的供给并非随时能在市场上获取。企业常见的错误是用高价挖角解决当下问题，却忽视三到五年后的梯队断层。

建议企业与高校、研究机构开展“项目式联合培养”：并非挂名合作，而是共同确定研究题目、共同提供算力与数据、共同产出成果，让年轻人提前融入企业的技术体系。建立“实习—全职”的稳定转化通道：让实习生参与真实项目，提供清晰的成长路径；否则实习只会成为短期劳动力。为青年研究者提供“可见舞台”：内部技术分享、对外投稿支持、开源项目署名机制等，这些比一次性签约奖金更能增强人才黏性。

[作者王翔为复旦大学数字与移动治理实验室研究员，本文写作受到香港中文大学（深圳）前海国际事务研究院刘嘉乐老师的启发，特此致谢！]

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com