在过去的两周里，AI领域的焦点并非某个具体产品，而是人物。频繁地，当我们从睡梦中醒来，社交媒体上充斥着类似的消息：又有一位AI领域的顶尖人才被其他公司挖角。

顶尖人工智能领域的专家，正逐渐演变为AI竞赛中最匮乏且拥有显著品牌影响力的宝贵资源。

在这场人才流动的浪潮中，我们注意到一个引人注目的现象：在主导了GPT、Gemini、Claude等大型模型研发的核心团队里，华裔科学家的占比异常突出。

这种转变并非一蹴而就，近年来，随着人工智能热潮的兴起，美国顶尖AI人才的构成中，华人所占的比例持续增长。据MacroPolo发布的《全球人工智能人才追踪调查报告2.0》显示，2019年至2022年期间，中国籍顶尖AI研究人员的比例从29%上升至47%。

在智谱研究之前发布的《GPT团队背景研究报告》中，进一步揭示了一个令人瞩目的现象，即在GPT项目的核心团队中，共有87名成员，其中竟然有9位是华人，这一比例超过了10%。

于是，我们对近期在硅谷知名企业中备受瞩目的华人人工智能研究员的形象进行了重新整理，并努力归纳出其中的若干特点：

1️⃣ 顶尖名校出身，学术能力极强

他们中的大多数人在本科时期选择了清华大学、北京大学、中国科学技术大学、浙江大学等一流学府，专业背景以计算机科学或数学为主；进入研究生阶段后，他们纷纷前往麻省理工学院、斯坦福大学、加州大学伯克利分校、普林斯顿大学、伊利诺伊大学香槟分校等世界知名学府继续深造，而且几乎每个人都拥有在国际顶级会议如NeurIPS、ICLR、SIGGRAPH等上发表的高引用率论文。

2️⃣ 年轻高产，爆发周期集中于 2020 年之后

年龄普遍介于三十至三十五岁之间；在硕士和博士学习阶段，恰逢全球深度学习的迅猛发展时期，学术功底深厚，对工程架构和团队协作有深入了解。许多人的职业生涯起点便是接触大型企业或面向广大用户群体的AI产品与平台，从而拥有更高的起点和更快的节奏。

3️⃣ 强多模态背景，攻坚模型后训练

他们的研究重点普遍放在了构建一个能够处理多种模态（如文本、语音、图像、视频、动作）的综合性推理系统上，涵盖了诸如强化学习与人类反馈、模型压缩、数据对齐、人类偏好模拟以及语音语调评价等多个方面的具体技术细节。

4️⃣ 即便频繁流动，但基本不会脱离生态

谷歌、脸书、微软、英伟达，Anthropic、OpenAI等公司，它们的业务领域涵盖了从AI初创企业到大型科技巨头，尽管如此，它们的研究方向和技术沉淀通常保持一致，鲜少有转换跑道的情况。

OpenAI→Meta

Shuchao Bi

舒朝毕于浙江大学数学系完成了本科学习，随后前往加州大学伯克利分校继续深造，成功取得了统计学硕士学位，并在此期间致力于数学博士学位的攻读。

2013至2019年间，他在谷歌任职技术主管，期间的主要成就有：成功搭建了多阶段深度学习推荐系统，这一系统极大地增强了谷歌的广告收入，其效果达到了数十亿美元的规模。

2019至2024年间，他担任了YouTube Shorts的探索部门负责人，在此期间，他共同创立并领导了Shorts视频的推荐与发现系统，同时，他还组建并扩大了一支覆盖推荐系统、评分模型、互动发现、信任与安全等多个领域的庞大机器学习团队。

自2024年加盟OpenAI以来，他主要负责指导多模态后训练团队，并且作为GPT-4o语音功能以及o4-mini的共同开发者，贡献显著。

在此期间，他致力于推动RLHF技术、图像、语音、视频和文本的推理能力、多模态智能体的研发、多模态语音到语音的转换（VS2S）、VLA技术以及跨模态评估系统的构建。同时，他还参与了多模态链式推理、语音语调及自然度评分、多模态蒸馏以及自监督优化等领域的研究。他的核心目标是，通过后训练技术打造出更加通用的多模态AI Agent。

Huiwen Chang

2013年，毕业于清华大学计算机系的姚班，Huiwen Chang完成了本科学业。随后，他前往美国普林斯顿大学深造，专攻计算机科学博士学位。其研究兴趣主要集中在图像风格转换、生成模型以及图像处理领域。在此期间，他还荣获了微软研究院颁发的奖学金。

在加盟OpenAI之前，她曾在Google供职，担任高级研究科学家一职，累积的工作年限超过了六年。她长期专注于生成模型以及计算机视觉领域的研究工作，并在Google Research部门成功发明了MaskGIT以及Muse文本生成图像的架构。

在早期，文本生成图像技术主要依靠扩散模型，诸如DALL·E 2和Imagen等，尽管这些模型在生成图像质量上表现优异，但它们在推理速度上较为缓慢，且训练成本较高。相比之下，MaskGIT和Muse采用了“离散化加并行生成”的策略，显著提高了工作效率。

MaskGIT标志着非自回归图像生成领域的全新开端，而Muse则是将此技术推向文本图像生成领域的典范之作。尽管它们不如Stable Diffusion那样广为人知，但在学术界和工程领域，它们却构成了至关重要的技术基础。

她不仅是，而且还是该领域内备受推崇的论文《Palette: 图像到图像的扩散模型》的联合作者之一。

该论文在SIGGRAPH 2022会议上发表，介绍了一种综合性的图像到图像转换模型。该模型在图像修复、上色、补缺等众多任务中均超越了基于GAN和回归的基准方法。截至目前，该研究已被引用超过1700次，已成为该领域内的重要成果之一。

自 2023 年 6 月开始，她正式成为 OpenAI 多模态团队的一员，共同研发了 GPT-4o 图像生成技术，并持续在这一领域推进图像生成以及多模态建模等先进技术的研究与应用。

Ji Lin

吉林主要致力于多模态学习、推理系统以及合成数据的研究领域。他作为多个关键模型的共同开发者，参与了GPT-4o、GPT-4.1、GPT-4.5、o3/o4-mini、Operator等模型的构建，还贡献于4o图像生成模型等多个项目。

他在2014年至2018年间，成功完成了清华大学电子工程专业的本科学业，随后在麻省理工学院深造，取得了电子工程与计算机科学领域的博士学位，其导师是享有盛誉的学者Song Han教授。

在博士学习期间，他的研究兴趣主要集中在模型压缩、量化处理、视觉语言模型的构建以及稀疏推理等核心领域。

在踏入 OpenAI 的行列之前于 2023 年，他曾在英伟达、Adobe 以及 Google 等知名企业担任实习研究员的职务，并且于麻省理工学院（MIT）进行了长达数年的神经网络压缩与推理加速方面的深入研究，这一过程中，他不仅积累了丰富的理论知识，还获得了宝贵的工程实践经验。

在学术领域，他发表了多篇在模型压缩、量化处理以及多模态预训练等前沿领域具有高影响力的论文。Google 学术上的总引用次数已超过17800次。其中，他的代表性成果涵盖了视频理解模型TSM、硬件感知量化技术AWQ、SmoothQuant以及视觉语言模型VILA。

他同样是 GPT-4o 系统技术文档的关键撰写者之一，尤其是负责了系统卡部分的编写，并且因其在 AWQ 论文上的杰出贡献，荣获了 MLSys 2024 年度最佳论文奖项。

Hongyu Ren

任红宇在北京大学完成了计算机科学与技术专业的本科学业，并取得了学士学位，学习期间为2014年至2018年；之后，他继续在斯坦福大学深造，成功获得了计算机科学领域的博士学位，学习时间为2018年至2023年。

他荣获了苹果公司、百度以及软银Masason基金会提供的多项博士研究生奖学金，其研究兴趣主要集中在大型语言模型、知识图谱的推理技术、多模态智能系统以及基础模型的评估方法等方面。

在加入OpenAI之前，他曾在Google、微软和英伟达等多家公司实习，积累了丰富的实践经验。例如，在2021年，他在苹果公司担任实习研究员，期间参与了Siri问答系统的构建工作。

自2023年7月加入OpenAI以来，Hongyu Ren参与了GPT-4o、4o-mini、o1-mini、o3-mini、o3以及o4-mini等多个关键模型的构建工作，同时他还担任了后续训练团队的负责人。

他说：「我指导模型进行更迅速、更勤奋以及更锐利的思考。」

在学术界，他的Google学术总引用量已突破17742次，其中高引用率的论文有：《关于基础模型的机会与风险》（被引用6127次）；《开放图基准》（OGB）数据集（被引用3524次）等等。

Jiahui Yu

余佳慧在中国科学技术大学少年班完成了本科学习，取得了计算机科学专业的学士学位，之后又前往伊利诺伊大学香槟分校（UIUC）深造，成功获得了计算机科学领域的博士学位。

他的研究焦点涵盖了深度学习技术、图像的自动生成、大型模型的结构设计、多模态信息的推理分析以及高性能计算领域。

在 OpenAI 工作期间，Jiahui Yu 扮演了感知团队领导者的角色，他领导了 GPT-4o 图像生成模块、GPT-4.1、o3/o4-mini 等关键项目的开发，同时他还提出了「Thinking with Images」感知体系，并成功将其付诸实践。

在此阶段，他于Google DeepMind供职长达四年，期间作为PaLM-2架构与建模的关键参与者之一，同时他还主导了Gemini多模态模型的研发工作，成为谷歌多模态战略中不可或缺的技术支柱之一。

他在英伟达、Adobe、百度、Snap、旷视以及微软亚洲研究院等知名机构均有实习经验，其研究领域广泛，包括但不限于生成对抗网络（GAN）、目标检测技术、自动驾驶技术、模型压缩技术、图像修复技术以及大规模深度学习训练系统等多个前沿方向。

Jiahui 在 Google 学术平台上的总引用量已突破三万四千五百次，其h指数高达49。他所取得的代表性成果涵盖了多个领域，例如图文对齐的基础模型CoCa、能够生成图像的文本模型Parti、适用于神经网络的可伸缩设计BigNAS，以及被广泛运用于Adobe Photoshop中的图像修复技术DeepFill v1和v2等。

Shengjia Zhao

赵胜家本科阶段就读于清华大学计算机科学与技术系，其学业生涯中曾在莱斯大学进行交流学习，随后在斯坦福大学取得了计算机科学领域的博士学位，目前他的研究重点集中在大型模型架构、多模态推理以及模型对齐技术等方面。

2022年，他正式加盟OpenAI，成为其核心研发团队的一员，深度参与了GPT-4与GPT-4o的系统设计。在此期间，他主导了GPT、GPT-4、所有mini模型、4.1以及o3的研发进程，并且还曾领导OpenAI的合成数据团队。

他作为《GPT-4 技术报告》（引用量超过1.5万次）及《GPT-4o 系统卡片》（引用量超过1300次）的共同作者，还参与了诸如OpenAI o1等系统卡的编写工作，是促进OpenAI基础模型标准化和透明度的重要推动者之一。

在学术领域，他的研究成果深受认可，Google 学术引用次数突破两万一千次，h 指标高达二十五，并且荣获了 ICLR 2022 最佳论文奖、JP Morgan 博士奖学金、Qualcomm 创新奖（QinF）以及 Google 优秀奖学金等多项荣誉。

Google→Meta

Pei Sun

2009年，Pei Sun于清华大学取得了本科学位，继而又赴卡内基梅隆大学深造，致力于攻读硕士及博士学位。他在硕士学业完成后，继续在博士阶段深造，但最终选择了退学。

他曾在Google DeepMind任职为首席研究员，在这期间，他专注于Gemini模型的后续训练、编程及推理任务。他是Gemini系列模型（涵盖Gemini 1、1.5、2以及2.5版本）在后续训练、思维机制构建以及代码实现方面的主要贡献者之一。

在DeepMind公司任职之前，Pei曾在Waymo公司工作了将近七年，期间担任高级研究科学家一职，主导并推动了Waymo公司两代核心感知模型的研发工作，成为自动驾驶感知系统技术进步的重要支柱。

早年，他在谷歌公司担任了五年多的软件工程师职务，随后又转至分布式存储企业Alluxio，在那里担任工程师职位并持续了一年有余，期间参与了系统架构的研发工作。

Nexusflow→英伟达

Banghua Zhu

张华竹在清华大学电子工程系完成了本科学业，随后前往美国加州大学伯克利分校深造，专攻电气工程与计算机科学领域，期间有幸成为知名学者迈克尔·乔丹（Michael I. Jordan）和焦建涛（Jiantao Jiao）的弟子。

他的研究主要集中在提升基础模型的效能和保障其安全性，将统计学方法和机器学习原理相结合，致力于打造开放的数据集和可供公众使用的工具。此外，他的研究兴趣还涵盖博弈论、强化学习、人机交互以及机器学习系统的设计。

他的代表性论文《Chatbot Arena》介绍了由人类偏好驱动的巨型模型评估平台，这一平台在大型语言模型领域构成了关键性的参考标准之一。

除此之外，他在人类反馈学习（RLHF）、针对人类反馈的模型对齐、以及开源模型对齐等领域做出了重要贡献。根据 Google 学术的统计数据，他的引用量已超过3100次，h指数达到了23，同时，他还是大型模型竞赛平台「Chatbot Arena」、「Benchbuilder」、「Starling」等多个知名开源项目的核心开发者之一。

他曾在微软担任研究实习生的职务，在谷歌担任学生研究员，并且共同创立了AI初创企业Nexusflow。今年6月份，他宣布自己将加入英伟达的Star Nemotron团队，担任首席研究科学家的职位。此外，他还将从今年秋季开始，担任华盛顿大学的助理教授。

依据其发布的信息，他将在英伟达公司从事模型后续训练、评估、AI基础设施建设以及智能代理开发等工作，着重强调与开发者和学术界的紧密合作，并打算将研究成果公开分享。

Jiantao Jiao

焦剑涛教授在加州大学伯克利分校担任电气工程、计算机科学以及统计学三个系的助理教职。

2018年，他成功取得了斯坦福大学电气工程领域的博士学位。如今，他担任多个研究中心的联合负责人或成员，这些中心包括伯克利理论学习中心（CLIMB）、人工智能研究中心（BAIR Lab）、信息与系统科学实验室（BLISS）以及去中心化智能研究中心（RDI）。

他的研究主要聚焦于生成式人工智能和基础模型领域，同时，他对统计机器学习、强化学习系统的隐私保护与安全性、经济机制的设计、自然语言处理技术、代码自动生成、计算机视觉技术、自动驾驶技术以及机器人技术等多个方向都表现出了浓厚的兴趣。

与 Banghua Zhu 相同，他同样是 Nexusflow 的联合创始人，而且现已正式加盟英伟达，担任研究总监一职，并被誉为杰出科学家。

Jiao 的论文被引用总次数高达7259次，h指数为34，其中具有代表性的作品包括发表于NeurIPS等顶级会议的《Theoretically principled trade-off between robustness and accuracy》，以及与Banghua Zhu等人共同撰写的《Bridging Offline Reinforcement Learning and Imitation Learning: A Tale of Pessimism》。

Claude→Cursor

Catherine Wu

Catherine Wu 在 Anthropic 任职期间，负责 Claude Code 的产品管理，致力于打造出既可靠又易于解释和控制的AI系统。根据《The Information》的报道，Catherine Wu 已被AI编程领域的初创企业Cursor吸引，并受聘担任产品主管。

在加盟Anthropic之前，她担任了Index Ventures这家知名风险投资公司的合伙人，这一职位她坚守了近三年时间。在这期间，她深度介入了多家顶尖创业公司的早期投资工作，并为其提供了战略上的支持。

她在Dagster Labs任职工程经理期间，领导了公司首个商业化产品的研发工作；此外，她还曾在Scale AI担任早期产品工程师，并参与了多个关键产品的构建以及运营规模的扩大。

在此之前，她曾在摩根大通实习，并在普林斯顿大学取得了计算机科学专业的学士学位。此外，她还曾前往苏黎世联邦理工学院进行过交流学习。

特斯拉 | Phil Duan

段鹏飞，即Phil Duan，担任特斯拉AI部门的首席软件工程师一职，目前主要负责Autopilot项目下的Fleet Learning团队，该团队专注于加强特斯拉自动驾驶系统（FSD）中“数据与感知”这一核心模块的构建与发展。

他领导特斯拉团队致力于打造一款高效率、快速迭代的数据引擎，该引擎能够从数百万辆汽车中搜集、加工并自动标记驾驶信息，他特别注重数据质量、数量以及多样性的综合优化。

在感知领域，他负责搭建了众多核心神经网络，这些网络涵盖了视觉基础模型、目标检测技术、行为预测算法、占据空间网络、交通控制系统以及高精度泊车辅助系统等多个方面，因此，他成为了Autopilot感知系统构建团队中的关键人物之一。

他在武汉理工大学完成了本科学业，专业是光信息科学与技术。接着，他前往俄亥俄大学深造，获得了电气工程领域的博士学位和硕士学位。他的研究聚焦于航空电子领域。凭借其博士论文，他荣获了2019年的RTCA William E. Jackson Award，这是美国航空电子与电信领域授予研究生的顶级奖项之一。