AI 競爭不只拼算力：真正難複製的是人才管道

AI 新聞很容易被硬體數字吸走注意力。

誰買到更多 GPU、誰蓋了更大的資料中心、誰發布更大的模型，這些都很直覺，也很容易變成標題。但如果只看這些，就會漏掉另一個更慢、更深，也更難補課的問題：人才管道。

一個模型不是從算力裡自動長出來的。

它背後需要會做資料的人、會設計模型的人、會讀論文的人、會拆 benchmark 的人、會讓訓練流程穩定的人，也需要能把研究成果變成產品體驗與可靠系統的人。這些人不會一夕出現，通常是大學訓練、研究社群、產業實戰、開源協作和長期流動累積出來的。

算力像燃料，人才管道像引擎

算力當然重要。

沒有足夠的運算資源，前沿模型很難訓練，實驗速度也會被限制。但算力比較像燃料：它能讓系統跑得更快，卻不會自動告訴你要往哪裡跑、怎麼設計、怎麼驗證、怎麼把錯誤修掉。

人才管道更像引擎。

它決定一個團隊能不能不斷提出問題、拆解問題、實驗、修正，再把新能力變成可用系統。當人才網路夠密，研究者、工程師、資料團隊、產品團隊和開源社群會互相餵養。模型進步就不只是某一次突破，而是一種可以持續生產的能力。

為什麼這次 DeepSeek 人才研究值得看

Hoover Institution 與 Stanford HAI 在 2026 年 6 月更新了對 DeepSeek 研究團隊的分析。研究範圍從先前的五篇 foundational papers，擴大到七篇 foundational papers，作者 pool 增至 356 人。

這份研究真正值得看的，不只是「人數增加」。

更重要的是，它把模型背後的人才結構攤開來看：哪些人有高引用紀錄，哪些人完全在中國機構完成職涯，哪些人曾在美國機構訓練或工作，最後又流向哪裡。這讓 AI 競爭不再只是抽象的國家敘事，而是變成一條具體的人才與研究網路。

研究提到，已知履歷者中有 53.5% 的職涯都在中國機構；國際流動的 contributors 中，70.3% 最終在中國。這些數字指向一個重點：AI 競爭正在從「誰能取得資源」，延伸到「誰能長期養出並留住會做前沿 AI 的人」。

看 AI 新聞時，可以多看三件事

第一，看人才從哪裡來。

模型背後的研究者，是靠單一公司短期挖角，還是來自穩定的大學、實驗室與產業合作網路？如果人才來源很窄，短期可能衝得快，但長期會遇到瓶頸。

第二，看研究能不能進入工程。

AI 不是只有論文。資料清洗、訓練穩定、模型評測、安全測試、部署成本和使用者體驗，每一段都需要不同專長。能把研究和工程接起來的團隊，才有機會把能力變成持續更新的產品。

第三，看開源與社群循環。

開源不是單純把模型放出來，而是讓更多人測試、修改、回報、延伸，最後形成更大的知識回饋網路。當一個生態系能讓人才在裡面學習、貢獻、被看見，它就會變成人才管道的一部分。

下一波差距，可能從人才管道開始

Stanford HAI 的 2026 AI Index 也指出，AI compute capacity 持續高速成長，但人才流動正在改變。美國仍有大量 AI 優勢與投資，不過移往美國的 AI researchers and developers 數量自 2017 年以來大幅下降。

這代表 AI 競爭不會只由硬體決定。

硬體可以加速，資本可以堆高，模型可以追趕。但人才管道需要時間建立：教育、研究、工程文化、開源習慣、跨團隊協作、產品化經驗，每一層都不是花錢就能立刻買齊。

所以下次看到 AI 新聞時，可以先問一個不同的問題：

這個突破背後，是一次性的算力衝刺，還是一整套人才與研究系統正在成形？

答案，可能比模型本身更值得看。

回文章列表