2022年7月4日，美国国庆日，大多数人在烧烤，一个叫Winston Weinberg的24岁律所新人打开电脑，给Sam Altman发了一封邮件。
邮件内容很简单：他在测试GPT-3处理法律问题的能力，效果让他震惊，想谈谈。
那天早上，Altman回了他。
几周后，OpenAI Startup Fund打来第一笔投资支票。那家公司叫Harvey。
三年后，Harvey年收入突破3亿美元，142,000名律师在用它，估值110亿美元。Weinberg今年30岁。
这个故事值得在开头讲，不是因为它励志，而是因为它精准——它展示了在这场AI变革里，真正的钱和机会到底藏在哪里。
一、最聪明的那批人，正在押注什么
在讨论普通从业者的机会之前，我们需要先看一张更高层级的地图：这个领域最顶尖的人，把自己的职业生涯押在了什么上面。
这不是猎奇。这是信号。
Ilya Sutskever：50个人，320亿估值，零产品
2024年5月，Ilya Sutskever在推特上宣布离开OpenAI。
这个名字对AI圈外的人可能陌生，但在业内，他的地位相当于物理学界的费曼。他是OpenAI的联合创始人，深度学习时代最重要的推手之一，是他主导的技术路线让神经网络从学术小众话题变成了改变世界的基础技术。
出走之后，他做了一件在商业逻辑上让人费解的事：创立Safe Superintelligence Inc.（SSI），明确声明不做任何产品，不接受商业合同，只做一件事——研究如何安全地构建超级智能。
公司只有50名员工。融资高达60亿美元，估值320亿美元。没有发布时间表，没有路线图，没有任何可演示的东西。投资方是谷歌和英伟达。更罕见的是，SSI选择用谷歌的TPU（张量处理单元）训练模型，而不是业界标准的英伟达GPU——它现在是谷歌云最大的外部TPU客户。
在2025年底的NeurIPS大会演讲里，Ilya说了一句让整个会场安静的话："未来的超级智能系统，可能是不可预测的、自我意识的，甚至会要求为自身争取权利。"
他出走的原因，他选择方向的原因，指向同一个判断：AI的能力问题正在被解决，安全问题没有人在认真对待。
David Silver：绕开LLM，重建智能
AlphaGo的名字人人知晓，但David Silver不那么广为人知。他是那个项目的核心设计师，DeepMind强化学习团队负责人，学术引用量超过30万次，是整个AI领域被引用最多的研究者之一。
2025年底，他离开DeepMind，创立Ineffable Intelligence，并做了一个直接戳破LLM繁荣叙事的声明：他的公司不会使用大语言模型。
逻辑简单且有力：LLM从人类文本中蒸馏而来，天花板就是人类知识总量。真正的超级智能应该能在模拟环境里从零学习一切——从走路到发现数学定理，就像达尔文的进化论一样，从第一原理出发重新发现世界。他把这个愿景写进了与强化学习之父Richard Sutton共同撰写的论文《体验时代》（Era of Experience）。
2026年4月，公司融资11亿美元，估值51亿美元，创下欧洲史上最大种子轮纪录。Sequoia和Lightspeed领投，英伟达、谷歌、DST Global跟投。Silver随即宣布：将通过Founders Pledge把从这家公司赚到的全部股权收益捐出——这是该机构历史上金额最大的承诺，预计数十亿美元。
Liam Fedus：让AI发现高温超导体
2025年3月，另一个OpenAI的人悄然离开。
Liam Fedus是OpenAI研究副总裁，o1和o3推理模型的后训练负责人——用大白话说，他是"让ChatGPT真正会思考"这件事的主要操盘手。本科阶段研究暗物质，后来去了Google Brain，然后加入OpenAI。
他带着前DeepMind材料科学家Ekin Dogus Cubuk，创立了Periodic Labs，目标是发现高温超导体。
路径：AI提出实验假设→机器人执行实验→AI分析真实数据→修正假设→循环。把推理模型的能力和机器人的物理执行接在一起，构建一个能自主做科学的AI。团队里包括o1和o3的联合开发者Alexandre Passos、材料科学家Eric Toberer、以及微软GenAI材料工具的创造者Matt Horton。
2025年9月，3亿美元种子轮出现在公众视野，a16z领投，Bezos、Jeff Dean、Eric Schmidt都在投资方名单里。超导体一旦突破，能源传输、量子计算、磁悬浮的底层成本将被彻底重写——这是一场极长线但潜在回报极大的赌注。
Yann LeCun：图灵奖得主的世界模型赌注
在AI学术圈，Yann LeCun是少数几个真正敢公开吵架的人。他有这个资格：2018年图灵奖得主（与Hinton、Bengio共同获奖），卷积神经网络发明人，Meta首席AI科学家，在Meta任职整整12年。
但在这12年里，他不断公开说一件让OpenAI和谷歌都不舒服的话：Transformer和LLM是死路。他的论点：LLM预测"下一个词"，本质是"高级自动补全"，没有真正的物理世界理解能力，无法推理因果关系，永远达不到真正的人类智能水平。
2025年11月，他离开Meta，在巴黎建立AMI Labs。核心技术是JEPA架构（联合嵌入预测架构）——不预测下一个token，而是在潜空间里学习现实世界的抽象表征。早期基准测试显示，JEPA的GPU利用率比同等LLM高2-10倍。2026年3月发布的V-JEPA 2.1，在机器人执行杯子移动任务上成功率达80%。
AMI Labs完成10.3亿美元种子轮，估值35亿美元，英伟达、三星、丰田、Bezos Expeditions都在投资方名单。公司在巴黎、纽约、蒙特利尔和新加坡同时设有办公室。
LeCun曾说过一句话值得记住："LLM能预测我会说什么，但它不知道我为什么会说。"
Mira Murati：Zuckerberg花15亿也挖不走的团队
Mira Murati出生于阿尔巴尼亚，后来到美国读工程学，历经Goldman Sachs、Leap Motion、Tesla，最终成为OpenAI的CTO。在2023年Sam Altman被董事会短暂罢黜的那个混乱周末，她一度成为代理CEO。
2024年9月离开OpenAI后，她创立Thinking Machines Lab，公司在2025年2月正式公开，同年7月完成20亿美元种子轮，估值120亿美元。联合创始人包括OpenAI的强化学习核心John Schulman、研究主管Lilian Weng、技术负责人Barrett Zoph等人。
2025年10月推出第一款产品Tinker：让开发者用几行代码完成大模型微调，系统自动处理分布式训练的底层复杂性，目前支持Meta的Llama和阿里的Qwen模型。
公司成立后，Zuckerberg据报道向Thinking Machines Lab团队开出总价值高达15亿美元的挖人offer——没有一个人离开。Google随后签署了数十亿美元级别的算力战略合作协议。
这五个人的选择有一个共同点：他们都不在做"更好的聊天机器人"。他们在赌安全对齐、强化学习、材料发现、世界模型和模型定制化基础设施。
二、Palantir教会了商业世界一件事
研究者们赌的是十年后的世界。现在，我们来看今天就能赚到钱的那一层。
没有任何公司比Palantir把这件事做得更清楚。
2025年第四季度，Palantir美国商业收入同比增长137%；2026年第一季度，整体营收同比增长85%。这种增速出现在一家成立20年的公司身上，反常得让所有人想搞清楚原因。
答案藏在一个叫AIP Boot Camp（AI平台训练营）的产品里。
操作：企业报名参加一个5天的驻场训练营，Palantir把工程师带进客户的真实工作环境，用客户自己的数据，在5天内搭建出一个真实运行的AI工作流原型。不讲PPT，不做演示，直接上真实系统。
结果惊人：70%的训练营转化为付费合同，平均合同金额超过100万美元，截至2024年6月已完成超过1300场训练营。
具体案例真实存在：一家医疗公司训练营结束后签署了8800万美元合同；一家财富500强工业公司将初始合同扩大了5倍；一家财富100强零售商把5天的试点转化为1200万美元年度合同。
这个模式揭示了一个被反复低估的事实：企业不缺AI能力，缺的是能把AI接进真实业务系统的人。
Palantir把这种人叫做Forward Deployed Engineer（FDE，前置部署工程师）——不是传统软件工程师，更像是每个客户的"AI CTO"，嵌入客户内部，从问题识别到数据接入到架构设计到生产部署，全程负责。一个FDE的平均薪酬23.8万美元/年，高端可达48.6万美元。
这个模式现在被OpenAI和Anthropic明确写进了企业战略，两家公司都在大规模招募FDE。原因很简单：模型不缺，缺的是会在混乱的真实企业环境里把AI跑起来的人。
三、垂直行业的爆发：三个真实的故事
Harvey：一封国庆日的冷邮件
当Winston Weinberg把那100个法律问答答案打印出来给三个律师看，两个律师说：其中86个可以直接发给客户，一个字不改。
这个数字让Weinberg决定辞掉律所工作。
Harvey的生长曲线在商业史上属于罕见案例：
142,000名律师在用Harvey，覆盖全球60多个国家，美国Am Law 100（最顶级的100家律所）中的50%是付费客户，HSBC、Bridgewater、Carvana等大型企业法务团队也在名单里。2026年3月，Sequoia和新加坡GIC联合领投，估值确认110亿美元，总融资超12亿美元，同年收购竞争对手Hexus。
Weinberg在接受Fortune采访时说了一句话，我觉得比任何方法论都值钱："我不在乎完美，我只在乎改进的速度。"
他还要求公司所有人——包括他自己——每六个月重新证明自己值得坐在这个位置上。
他今年30岁。
Cursor：四个MIT辍业生和600亿的结局
Michael Truell 11岁开始写代码，那时候他想做自己的手机游戏。后来他进了MIT，读了一年，退学了，和三个同学——国际数学奥林匹克代表Sualeh Asif、Aman Sanger、Arvid Lunnemark——一起创立了Anysphere。
他们的第一个产品不是Cursor，而是一个机械工程工具，做了近一年，没有起色。
2023年3月，他们转向，发布了Cursor——一个AI代码编辑器。Truell说，他不想做"另一个自动补全工具"，他要做的是"真正理解你想实现什么的AI"。这个区别看起来细微，产品体验上是天壤之别：前者帮你打字，后者帮你思考。
增长曲线如下：
Fortune 500中超过一半有Cursor的付费团队，日活用户超过100万。2025年11月完成23亿美元 Series D，估值293亿美元。
2026年6月16日——就在四天前——SpaceX宣布以600亿美元正式收购Anysphere。
Truell今年25岁。他保持低调，不接采访，不在台上演讲，只做产品。
Abridge：把时间还给医生
医生每天大约有30%的时间，不是在救人，而是在填电子病历表格。
Abridge做的事情非常直接：一个小设备放在诊室，AI实时监听医生和患者的对话，自动生成结构化临床笔记，覆盖50多个专科，能生成完整笔记内容的91%，医生只需审阅确认。
UCHealth的试点从250名医生开始，现在扩展到其6,000名医护人员中的三分之一。Mayo Clinic成为第一家将Abridge用于护理文档的医院。2026年1月，与Availity合作实现了实时医保预授权。连续两年获得KLAS"最佳环境AI"第一名——这个评分来自医疗机构的真实反馈，不是营销数字。
已签约ARR：1.17亿美元。
这三个案例有一个共同结构：找到一个文字密集、决策密集、劳动力昂贵的行业，深入理解那里最痛的一个流程，用AI解决它，解决到用户无法放弃的程度。Harvey用法律，Cursor用写代码，Abridge用临床文档。
法律、医疗、编程——都做了。会计、建筑、政府合规、工程设计、教育评估，还有很多空白等着被填。
四、AI基础设施：最被低估的铲子
1848年的加州淘金热，真正稳定赚到钱的不是淘金者，而是卖铲子、帆布和Levi's牛仔裤的人。AI基础设施层现在有几个供需明显失衡的方向：
可观测性与评估（Observability & Eval）：传统软件有bug，你能找到那行代码修掉它。AI系统在生产环境出问题，你往往不知道为什么。幻觉检测、行为漂移监控、红队测试工具——这套东西是企业AI落地的刚需，但严重供不应求。
Agent记忆与个性化：几乎所有AI系统都有同一个缺陷——每次对话从零开始，不记得你是谁，不记得上次说了什么。在消费端是体验缺陷，在企业端是安全和效率的双重障碍。在架构层面真正解决"AI的记忆"，是极深的护城河。
数据管道：企业数据分散在几十个系统里，格式各异，权限复杂，大部分无法直接被AI读取。在数据进入模型之前，需要大量工程工作。这个管道类工具的需求庞大，但被注意到的程度远不及模型本身。
AI合规与审计：欧盟AI法案已经落地，美国各行业监管正在跟进。医疗、金融、法律行业的企业必须向监管机构证明AI系统可审计、公平、风险可控。这是"强制性采购"市场——不是用户想不想买，是法律要求他们必须买。
五、那么，你的机会在哪里
综合以上所有内容，可以画出一张按层次分布的机会图：
如果你有AI/ML研究背景：强化学习和世界模型是资本最集中、竞争最少的方向。David Silver和Yann LeCun给出了两条明确路径，但这需要5-10年的时间跨度和极高的技术门槛。更短线的机会在"AI for Science"——把推理模型的能力接进科学研究流程，材料、药物、生物，每个方向都是万亿级别的潜在市场。
如果你有传统行业经验：这是现在最被低估的资产。Harvey、Abridge的核心竞争力不是他们有更好的模型，而是对自己行业足够深——深到知道律师真正痛在哪一步，医生最浪费时间的是什么。任何文字密集、决策密集、劳动力昂贵的行业，都有一个Harvey在等着被做出来。
如果你是工程师：FDE模式告诉我们，"AI部署专家"是现在供需最失衡的职位类型之一。你不需要发明新模型，你需要的是能把AI接进企业真实系统的能力。Palantir用5天训练营证明了：客户愿意为"让AI真正跑起来"付超过百万美元。这个服务可以以独立咨询、小团队或专业实施公司的形式存在。
如果你想创业：不要做第二个ChatGPT。从一个你真正了解的行业出发，找到里面最痛的一个具体流程，用AI解决到用户无法放弃的程度，然后再扩展。Cursor用三年从零做到20亿美元ARR，靠的不是更好的底层模型——他们用的是和所有人一样的Claude和GPT-4——靠的是比所有人都更懂开发者真正需要什么。
最后说一件小事。
Weinberg在Harvey融资完成后，有人问他做对了什么。他说了很多，但最后加了一句："Most of that is destroying your ego 24/7——每天24小时摧毁自己的自我。"
在AI这个领域，每隔三个月世界就会变一次，上个季度的正确判断下个季度可能完全失效。Ilya离开了自己参与创建的OpenAI，去做一件没有任何商业产品的研究。Weinberg从律所辞职，给AI发冷邮件。Truell在最关键的时刻放弃了谷歌的offer。
他们都在做一件事：放弃对"正确"的执着，押注自己对未来最深的判断。
大模型战场上已经有足够多的士兵。真正的无人区，在它边界之外的每一层。