Kimi人才觀：Build Your Own Job（創造屬于你的崗位）。

作者｜王博

5月12日晚，北京大學光華管理學院2號樓102報告廳，比預想中更早進入了“滿員”狀態。

因為月之暗面Kimi總裁張予彤將在這里進行一場主題分享，并和北京大學光華管理學院院長、北京大學博雅特聘教授田軒進行一場對話。

可以容納兩三百人的報告廳，在活動開始前20分鐘坐滿，后來，過道和樓梯上也坐滿了人。

活動現場

沒能擠進報告廳的人，被分流到旁邊幾個教室，通過直播觀看這場分享和對話。

分會場

熱度并不難理解。

張予彤并不頻繁出現在公開場合，也很少接受媒體采訪。此前，她本人因與投資人朱嘯虎之間的爭議而被推到風口浪尖，而在過去一段時間，Kimi因為模型進展、開源策略、商業化想象力等因素也持續處在AI行業的聚光燈下。

相比產品發布和行業傳聞，外界更少有機會直接聽到這家公司核心管理者如何理解AI、組織和人才。

張予彤這次分享的主題是《AI時代的邊界探索與人才機遇》。從形式上看，這更像是一場面向學生的招聘分享。她講了月之暗面對智能的基本判斷：智能正在從一種由人類提供的認知能力，變成一種可以被能源大規模轉化出來的商品；她也介紹了Kimi K2.6、Agent Swarms（智能體集群），以及MuonClip、Kimi Linear、注意力殘差等Kimi的開源項目，她解釋了AI編程能力如何成為生產力提升的起點，并在演講最后拋出了一個觀點：Build Your Own Job（創造屬于你的崗位）。

在她看來，AI時代的人才標準正在變化：相比專業能力，通用能力更重要；相比按部就班的串行執行，并行工作與工程化思維更重要；相比追隨共識帶來的安全感，能夠提出原創判斷的審美更重要。

這也對應了她現場PPT上的三組關鍵詞：Generalization＞Specialization，Parallelism＞Sequence，Taste＞Consensus。

張予彤談Build Your Own Job

在一個很多問題尚未被定義、工作流程尚未成熟的AI原生組織里，什么樣的人才是真正稀缺的？

在與田軒的對話中，張予彤談到，Kimi偏好“有抽象能力”和“有些偏執”“會瘋狂做事”的人。

相比簡短的主題分享，這場主題為《AI時代的商業創新與人才戰略——面向未來的展望》的對話信息量更大。「甲子光年」發現，雙方的對話更像是一次對月之暗面內部組織方式和張予彤個人判斷的“側面打開”：AI能幫助我們創造什么新的工作？如何駕馭AI？AI會不會替代企業家？AI原生企業的特質？Kimi內部管理方式？職級職位如何劃分？

這些回答未必都是系統化的行業論斷，但提供了一個難得的觀察窗口：月之暗面這樣一家約300人的AI原生公司，如何在技術快速迭代、組織邊界模糊、崗位定義不斷變化的環境中，重新理解人、工作與管理。

以下為北京大學光華管理學院院長、北京大學博雅特聘教授田軒與月之暗面Kimi總裁張予彤的對話實錄，經「甲子光年」整理編輯，在不改變原意的基礎上略有刪改。

田軒（圖左）與張予彤（圖右）

田軒：歡迎予彤到北大光華管理學院交流，Kimi確實是一家發展非常快的AI公司。我剛才和予彤交流，發現世界很小。我們都是北京人，上的中學也離得很近。

張予彤：田院長的學校好一些。

田軒：予彤高中是北京八中的，而我是北師大附屬實驗中學的，中間也就隔了幾百米，她考到了清華，我考到了北大。我現在感覺時代變化太快，現在AI已經替代了一些重復、標準、執行的工作。所以第一個問題想請予彤告訴我們：AI能幫我們創造什么新的工作？

張予彤：每一次生產力提升，其實都是讓我們從原有工作走向新的工作。就像農業革命之后，很多人不用再種地了，他們進入城市，城市里出現了服務業等新的工作類型。

先看我們企業自身的話，已經出現了很多新工作。比如我們公司有同學給模型訓練創造合成數據，他們每個人都自稱是“模型的爸媽”，因為他們覺得自己在喂養一個持續生長的智能。

再比如模型評估師。他們需要評估模型生產的內容、答案，或者一系列行動和結果是不是好的。所謂“好”，背后仍然是人類價值觀。他們是在不斷把人類價值觀和模型結果做對齊、做評估。這只是我們這樣一個很小的企業能看到的新職業。

對更廣泛的人群來說，很多人可能會成為超級個體，也就是今天說的“一人公司”。工作本身是做我們熱愛的事情，讓它產生更高生產力和更高經濟價值。很多事情未來可能由一個人全棧完成，不再依賴一個很大的團隊。AI改變的是生產的組織方式，也會讓更多人更勇敢地追求自己想做的事情。所以一定會出現很多新工作。

田軒：AI會創造很多新工作。我們作為商學院、作為教育者，最關心也一直在思考的是：我們怎么培養學生、設計課程，跟上AI時代？你能從企業方、用工方的角度，給我們一些建議嗎？如何滿足AI時代雇主的要求？

張予彤：我覺得現在大學里的同學真的非常幸福。相比我們當時上學，需要花很多時間查資料、查論文、完成復雜項目，今天大家的學習能力和研究能力都被AI大大增強了。

大家要更多地用AI，真正成為AI的深度用戶，成為Power User，能夠感知每個模型的區別、每一代模型的區別，知道它的能力邊界在哪里，知道什么事情它今天還不能做，什么事情它今天已經可能比我們做得更好，以及哪些事情需要你和模型一起共創。

接下來會進入一個Agent-Human Collaboration（智能體與人協作）階段。我現在已經很難想象，自己的哪項工作不能用AI。就像我們今天已經無法想象沒有電腦如何工作、沒有手機如何工作、沒有常用軟件如何工作。工具是在延伸我們的能力，它不是簡單的相互替代關系。工具會替代它可以替代的那一部分。

我們的工作中可替代的部分很多，比如重復執行、大量信息處理、計算、編程，還有一部分設計執行。這些部分工作被替代，不代表整個工作被替代。相反，它會讓我們有更多時間去做更重要的工作。

也有人提到，現在真正的瓶頸在于驗證AI產生的結果。比如產生幾百萬行代碼，對AI來說可能很容易；但對人類來說，消化、理解這些代碼，判斷不同代碼之間的邏輯關系有沒有問題，反而是更大的工作量。所以今天我們仍在重新定義自己的工作，也在重新定義如何評估和驗證AI的工作質量。這些都會成為重要能力。

田軒：所以你的建議是，我們這樣的商學院在課程設計和培養體系里，要讓學生知道怎么運用AI、怎么駕馭AI，對吧？

張予彤：是的。我覺得“駕馭”這個詞很好，因為它是一種合作關系。現在也很流行講Harness，本質也是這種駕馭的感覺。不管是工程和模型的關系，還是人和Agent的關系，未來都會是相互協作。

我們要用更開放的心態去探索。AI已經發生了，我相信長期來看它一定對我們有益。短期大家會有各種擔心，比如安全性、性能問題等，這些都存在，但長期它一定是好的。

另外，一定要親自上手。越多動手，越會形成新的認知。很多理解不是只靠聽別人的觀點或觀察形成的，而是在一次次動手過程中形成的。

田軒：我再換一個角度。假如我是一個剛進北大的本科一年級學生，我知道未來時代跟父輩完全不同。以前把題做好、考試考好，有好的GPA，出國或者找工作，好像就沒問題。但現在AI帶來很多變化，我未來要在北大待四年，應該做什么，才能更好面對AI帶來的挑戰和未來的不確定性？

張予彤：可以從大一就來我們這里實習，開個玩笑。

我覺得大學期間，個人收獲很多來自和同學的相處。學校提供了一個非常好的環境，最寶貴的可能是一些能持續一生的關系。所以第一點，還是要多和人交流，和人建立深度連接。這個不會變。

第二點是，在做任何事情時，都可以想一下：如果今天是 AI 來做，它會怎么做？除了人與人的共情，未來可能還會有人和Agent的共情。

從模型視角看問題，會很不一樣。比如從人的視角看，今天已經有很好的基礎設施：聊天、開會、支付、驗證身份、授權數據，都很成熟。但如果從模型角度看，它可能會覺得這些不一定是它需要的東西。今天很多基礎設施是為人構建的，還沒有完全為Agent構建。

所以，怎樣更好地做人和Agent的分工，怎樣從這個視角重新思考事情應該怎么做，我覺得會有很大收獲。

田軒：今天現場有本科生，也有很多MBA、EMBA同學，他們很多已經是企業管理者。在AI時代，他們需要做什么、能做什么，才能成為不被AI替代的管理者？

張予彤：我覺得AI替代在座的各位成功企業家是一件很難的事情。

田軒：不用客氣，我覺得好像也不是那么難。

張予彤：我有一個非常實用的tip：給公司里的每個人增加token預算。讓每個人實現token自由，能夠充分探索如何把AI用起來。

如果組織里大家總是從“AI會不會替代我的工作”這個角度出發，形成某種對抗和阻力，其實不利于任何事情的發展。但如果每個人都有足夠的token預算，就可以真正思考怎么把AI用到自己的工作里，比如哪些是用于擴張，哪些是用于增強生產能力。

以前程序員群體里有一個說法叫“十倍程序員”，意思是一個非常強的程序員生產效率可以一當十。今天AI的代碼生成能力，可能讓更多人有機會成為“十倍程序員”。但在編程過程中，架構能力、思考能力，以及不斷驗證、糾錯的能力，今天AI還做得不夠好。

當企業給大家充足的token預算，大家也會開始思考自己的工作會發生什么變化。這會變成一種更自發、向上的推動。

田軒：我看到Kimi有一個“穿越計劃”（Kimi的一項新的頂尖人才校招計劃）。你們招人時不看學歷、不看專業，這和我們的傳統認知有很大差異。我們那時候高考都要選熱門專業，你們現在不看專業、不看學歷，那你們到底看什么？

張予彤：我覺得人很難被標簽化。學校和專業是一種標簽。今天在座的很多都是北大非常優秀的學生，但每個人的特質、熱情、喜歡做的事情、不喜歡做的事情，都有很大區別。

我們強調Build Your Own Job，并不是說我已經想好了一個工作，然后去找什么樣的人來做。當然也有這種場景，但很多時候，我們會看這個人的特質最適合做什么。

第一，我們會看一些抽象能力。比如這個人能不能提出真正好的、原創的、創新的想法。這種創新能力很難被評估，但在交流過程中，我們會看他最近關注什么話題，看他對每個問題有沒有比較本質的思考，會不會提出新的想法，而且這個新的想法是不是好的想法。提出好的想法其實很難，即使在我們公司里，大家每年能提出的好想法也是有限的。

第二，我們會看有些偏執、會瘋狂做事的人。因為光有好的想法還不夠，AI引入了非常多不確定性，比如要做出一個產品，往往需要很長的不確定、大量實驗和迭代過程。

在這個過程中，一個人需要瘋狂地想各種辦法解決問題，也需要很強的resilience（韌性）。在探索和研究過程中，可能人會感到frustrate（挫敗）。你有一個很好的想法，會不會為它嘗試1000次？絕大部分人可能嘗試10次就覺得這件事不能做。很多時候這可能是對的，但也有極少數人會更相信自己的想法，并且在嘗試中形成新的認知。

現在有很多設計是在制造中完成的，而不是制造之前就已經想好。只有在所有技術都確定的情況下，生產過程才會先設計后制造。但現在生產過程引入了非常多不確定性。所以除了能提出好想法，還要有能夠瘋狂實驗和探索的人。

這兩類人在我們的業務中都產生了非常大的貢獻。

田軒：我追問一下，你怎么識別這兩類人？

張予彤：第一個還是從交流中看。他平時看什么信息，最近在想什么問題。比如我會問：你最近關注什么AI產品？最近行業里哪一個變化最超出你的意料？這些問題可以看到一個人的注意力放在哪里，他在思考什么問題。如果他告訴你的東西，你覺得“這是2025年的認知了”，那可能說明他吸收的信息量沒有那么大，興趣也不在這里。所以，我們會看他有沒有更原創性的想法。

第二，執行層面我覺得更好驗證。我們也有AI面試系統，在這些題里，大家需要不斷嘗試。我們會看他怎么迭代，是不是有不同的迭代思路，迭代了多少次，以及什么時間還在迭代。這里面有很多信號，也可以通過一些自動化系統去做篩選。

田軒：還有一個關于企業的問題。現在有一個新概念叫“AI原生企業”，月之暗面其實就是“AI原生企業”，它的特質是什么？如果我是一個傳統企業，怎么向AI原生企業靠近？

張予彤：這個問題很有意思。我現在看到，阻力往往不是認知。在中國，我見到非常多企業家，他們都很努力，也有非常多關于怎么使用AI、怎么擁抱AI的想法。其實很多企業的一號位都非常關注AI，也有很大動力把AI應用到企業各個方向。

我關注到的阻力，更多來自組織。很多事情已經定義了邊界、合作方式，以及在合作中如何進行激勵。

“AI原生企業”最大的好處是，它是一個新的企業，可以按照新的生產模式重新定義組織結構。比如我們公司里大家是沒有title的。

田軒：沒有title？你不是總裁么？

張予彤：（笑）我覺得我也可以改一改。其實，我們所有人的title都可以統一叫staff。

田軒：那你們怎么區分誰向誰匯報，鏈條是什么樣子？

張予彤：我們的組織層級非常扁平。比如也有直接和我一起工作的實習生。我們公司一共300人，任何人到組織內另一個人，基本就是一層、兩層關系。人數相對少，組織也相對扁平，大家之間的邊界沒有定義得非常清楚。

比如做預訓練的同學也可以做后訓練，做算法的同學也可以做數據，做營銷的同學也可能轉到模型評估。我們會發現，人的底層智能能力是相似、相通的，大家可以觸類旁通，而不是被一個標簽定義為“你就是做預訓練的”。人的能力其實可以解決很多問題。

我覺得這是“AI原生組織”的特征。很多能力正在被AI賦能。比如編程，原來可能是3000萬人的特權。今天，隨著AI編程能力越來越強，這個邊界會不斷擴展。我相信未來每個人都會擁有編程能力，而這是一件以前從來沒有發生過的事情。

現場還有一些觀眾進行了提問，以下為月之暗面Kimi總裁張予彤的回答，經「甲子光年」整理編輯，在不改變原意的基礎上略有刪改。

談國產算力適配

張予彤：我們當時開源K2.6模型的時候，其實已經適配了華為昇騰芯片。過去兩年，我們在訓練上做了非常大的投入，很多算力都和模型研發相關。但從今年開始，我們發現，當模型能力到達一個智能臨界點之后，會有非常多的需求被開啟，所以推理算力的需求也在爆發。所以我覺得接下來算力的增長，在訓練側、推理側都會有。華為肯定是做得非常優秀的一家企業。

談有效且負責地使用AI

張予彤：其實可以想象一下，當人遇到一個無法辨別的信息時會怎么辦。比如你看到一個信息，無法判斷它是真是假，你可能會去搜索，看看它到底是不是真的；也可能會找一些你認為更可信的信息源；或者你會去問你覺得非常專業的朋友，甚至問多個朋友，看他們的判斷是否一致。

這些方法，其實都可以賦能給AI。不管是通過Skill，還是通過一些Agentic loop的方式，讓AI去復現這些過程。所以我覺得，可以把你能想到的驗證方法交給AI：給它更多工具，給它更多Skill，讓它更有能力交付你想要的結果。

談學生如何實現“token自由”

張予彤：第一個是預算問題。其實你看Kimi的API也好，token定價也好，我們都考慮到了這個問題。因為現在是一個要讓更多人更多使用AI的時間點，所以我們也很歡迎大家大量使用。我們每個月也會給很多用戶提供一些免費的token額度。

第二，我覺得很多事情，只要你真的想學習，一定會找到很多方法。最好是有一個好的學習環境，有一些共同對某些話題感興趣的同學或者小伙伴。大家平時可以更多交流經驗，也可以一起完成一個更復雜的項目。在企業里面，我們也會給實習生很多token，也會給大家提供更好的學習環境。

第三，我覺得我們看重的不只是對AI的使用和熟悉，更重要的是AI原生的思考。比如，你能不能站在人的角度去共情，理解模型接下來會需要什么；也能不能站在模型的角度去想，怎樣更好地和人協作。包括把人類已經探索出來的工作流、專業領域知識沉淀下來，這些也都是很好的事情。

談AI時代年輕人的能力培養

張予彤：第一，可以多修一些你覺得“沒什么用”的課。我覺得未來，知識的廣泛程度很重要。你也可以為一件自己非常熱愛的事情投入很多時間，把不同知識領域串聯起來，甚至做遷移學習。我覺得這會涌現出一些新的智能。所以大家可以按照自己的興趣選課。如果未來想去創業公司工作，我們其實不會看GPA。所以不用因為某門課太難就不敢選，更多要考慮的是，你是不是有興趣去探索它。

第二，管理能力也很重要。這也是光華非常強的能力培養方向，未來的管理不只是管理人，也要管理Agent。管理Agent和管理人結合起來，會對管理提出很多新的問題。

談AI模型被濫用和安全問題

張予彤：在模型發展的早期，大家可能更關注它的能力。但當能力提升到一定程度之后，就會出現如何更安全使用的問題。

我們每一代模型，當預研進入到一定階段之后，也會邀請一些核心的上下游合作伙伴，以及少數非常核心、專業的用戶，來共同幫我們測試模型。我們會看它在哪些能力上有缺陷，或者是否存在問題。

因為開發這么大的模型，是一個非常復雜的工程。有時候你會發現，上一版模型在某個問題上能力很好，但下一版模型突然這個能力就下降了。所以在迭代過程中，一方面我們會有很多看板和監控；另一方面，在預研最后階段，我們也會引入更多伙伴做測試。

未來在使用過程中，仍然需要更多安全設計，更強的駕馭能力，但我覺得這和開源并不沖突。

我們和Anthropic最大的區別之一，是它的模型是閉源的，而我們的模型還是希望走開源路線。因為如果你認為模型有風險，那么它掌握在少數人手里，風險可能會更大。

談中美AI模型差距

張予彤：我們在努力，這個問題確實是大家非常關注的。不過我覺得可以從另一個角度看。我一直覺得，智能不是同質化的，而是異質化的。

有些模型在編程領域能力非常強，有些在寫作上非常強，有些可能在情商方面能力很強。所以模型會形成不同發展方向。就像我們在不同生產力任務中，也會使用不同工具。

今天在全世界范圍內，能夠做先進大模型開發的公司其實已經很少了，但它的下游應用領域又非常多。所以這不只是通用水平的追趕問題，而是模型如何更適合不同場景，以及如何做出差異化能力的問題。

我希望我們無論在開源，還是在這些能力方向上，都可以做到世界領先。我們在規模化過程中，不僅考慮規模化，也考慮如何有效率地規模化。

談數字員工

張予彤：我覺得現在每個人其實都在打造自己的數字伙伴或者數字員工。比如我們公司有300人，但如果問我們公司里的Agent有多少，我都不知道是多少。我覺得這肯定是未來工作方式的一個趨勢。我們也一定會在這個方向上提供更好的能力，更標準化的產品，以及更開放的產品。這個產品應該能夠讓大家去定制自己的能力。

談行業共識和決策邏輯

張予彤：我覺得這個問題可能和每家公司、每個業務的特征有關。我很難直接定義什么是行業共識。

但對于我們在做什么、不做什么，我覺得是相對清晰的。比如Kimi這樣的產品，我們會更加專注于生產力方向，專注于長程、復雜、高經濟價值的任務。這里面也有很多我們沒有做的事情，但這不代表它們不應該做，只是每個企業都會有自己的選擇。比如我們沒有做娛樂類產品，也沒有做生活類產品。這些產品當然也有價值，但作為一個企業，很難有那么多資源去做所有事情。

至于怎么做正確決策，這個很難保證。我覺得有一些思考和決策機制可能會有幫助。

第一，一定程度的信息過濾很有幫助。今天的數字世界不缺信息，甚至是信息大爆炸，有各種各樣的聲音。你如何依據自己的業務和選擇，去做信息過濾和篩選，這會幫助你做更好的決策。

第二，還是要在一線。我覺得這個很重要。很多時候，想法和落地之間有非常大的鴻溝。這也是為什么我們的組織架構非常扁平。因為所有一線工作，你都能沉浸在那個環境里，這對做出更正確的決策會有很大幫助。

我們的創始人在技術和研究領域有非常全球化、領先的技術視野，所以他的技術決策質量也非常高。

我覺得只能通過一些方法去優化，讓自己更大概率做正確決策。

（封面圖來源：《月之暗面》專輯封面，維基百科；文中配圖來源：「甲子光年」拍攝）