“Anthropic在招募能證明什么可能、什么不可能的人。”

作者丨張進

編輯丨馬曉寧

7月1日，Jelani Nelson在X上發了一條推文。

沒有長篇大論，沒有感性的告別辭，只有一句簡短的聲明：他將暫離加州大學伯克利分校，加入Anthropic。隨即引發了大量關注。

Nelson不是普通教授，他是伯克利EECS（電子工程與計算機科學系）的系主任，手握計算機科學領域最難拿到的終身教職之一，在學術界待了十五年，從MIT博士一路走到全美頂尖CS系的一把手。

YC總裁Garry Tan看完消息只說了一句：Anthropic現在吸人可太猛了。

但如果你把視線從Nelson一個人身上挪開，往后退兩步看全局，會發現一個更值得講的故事：過去兩周，Anthropic完成了一次教科書級的人才虹吸：諾貝爾化學獎得主John Jumper從Google DeepMind跳了過來，DeepMind兩位高級研究員Jonas Adler和Alexander Pritzel同期加入，Jelani Nelson緊隨其后。

兩周之內，一位諾獎得主、兩位DeepMind核心研究員、一位在任系主任，全部涌向同一家公司。

這不是“又一位教授加入Anthropic”的故事。這是Anthropic正在重塑AI行業人才格局的截面——它不只是在搶人，它在搭一種過去從未存在過的研究班子。

01

Nelson是誰：

把算法課講出2100萬播放量的人

很多人認識Nelson，是從哈佛YouTube頻道那節《Advanced Algorithms》課開始的。

九十分鐘，黑板手書，一路猛推公式。沒有花哨的幻燈片，沒有段子，只有粉筆和數學。這條視頻至今播放量超過2100 萬，以算法公開課來論，幾乎是獨一檔的存在。

1984年出生的Nelson，走的是一條非常“古典”的理論計算機科學路線。他在MIT一口氣讀完了本科、碩士和博士，本科同時拿計算機科學和數學兩個學位。博士階段，他開始死磕一個看起來很抽象的問題：當數據量大到存不下、只能掃一遍、還在不斷變化的時候，怎么用最小的內存保留足夠多的信息？

他的博士論文《Sketching and Streaming High-Dimensional Vectors》拿了MIT的杰出博士論文獎。這個方向——流式算法（Streaming Algorithms）和降維（Dimensionality Reduction）——后來貫穿了他整個學術生涯。

博士畢業后，Nelson在伯克利、普林斯頓和普林斯頓高等研究院做博士后。2013年加入哈佛，2019年跳到伯克利EECS，2024年7月出任計算機科學分部主任，2025年7月升任系主任。從助理教授到系主任，用了十二年。

他的學術貢獻集中在三個方向：流式算法、降維理論、隨機算法。其中最具標志性的是兩件事：

第一，他和Kasper Green Larsen合作，證明了Johnson-Lindenstrauss引理的最優性。簡單說，這個引理是高維數據降維的數學基石，Nelson的工作確立了它的理論下界：沒有任何算法能比這個極限做得更好。

第二，他和Daniel Kane、David Woodruff合作，給出了count-distinct問題（在數據流中數有多少個不同元素）的漸近最優算法，用O(ε2 + log d)的空間就能搞定。

這些成果看起來離AI很遠，但實際上——這正是Anthropic要他的原因。

02

流式算法和大模型，

為什么是同一件事？

表面上看，Nelson研究的是“怎么用極小內存處理海量數據流”，而大模型公司關心的是“怎么用有限算力訓練和推理更大的模型”。兩件事的數學結構高度同構。

舉幾個具體場景：

KV Cache壓縮。 當上下文窗口拉到百萬token級別時，一個8B參數模型的KV Cache就要吃掉超過137GB顯存，遠超單張80GB GPU的容量。哪些狀態該留、哪些該丟、怎么壓縮——這本質上就是一個流式算法問題。Nelson的流式算法下界理論，直接回答了“KV Cache壓縮的數學極限在哪里”。

向量數據庫與RAG。 檢索增強生成依賴高維向量的近似最近鄰搜索。Nelson證明的JL引理最優性，確立了嵌入向量可被壓縮到的理論最小維度。工程上可以無限逼近這個下界，但數學上不可能突破它。

數據去重與頻率估計。 大模型預訓練要在海量數據里去重、估計分布、篩選高質量樣本，這正是count-distinct和頻率估計問題的直接應用。Nelson給出的最優空間界，為這些工程操作提供了“可證明的效率天花板”。

換句話說，Nelson的工作劃定了算法效率的“絕對前沿”：在給定硬件約束下，模型能算什么、不能算什么，哪些優化還有空間、哪些已經到了數學極限——這些都是他的理論工具能回答的問題。

Anthropic發言人確認，Nelson加入的是預訓練團隊，該團隊目前聚焦于Claude核心知識和能力的研究。一個搞理論計算機的數學家，去了最需要算力效率優化的AI前沿，邏輯上是說得通的。

03

兩周人才地震：

Anthropic在搭什么班子？

把Nelson的加盟放回時間線里，就會更清楚Anthropic在做什么。

過去兩個月，Anthropic完成了一次結構性的人才布局：

仔細看這個名單的結構：實驗工程（Karpathy）+ 生物計算（Jumper）+ 編程AI（Adler）+ 預訓練（Pritzel）+ 理論基礎（Nelson）。

這不是在“搶人”，這是在“搭班子”。

過去幾年AI公司的競爭邏輯是：誰能訓練更大的模型，誰就贏。所以大家搶的是工程師和實驗科學家。但Anthropic這波操作的信號很不一樣——它在招募能證明什么可能、什么不可能的人。

Nelson的價值就在這里。當所有公司都在用經驗主義的方式“撞墻”——試更大的batch size、試更長的上下文、試更多的數據——Nelson能做的事是：在花掉幾百萬美元算力之前，先用數學告訴你哪條路存在不可逾越的壁壘，哪條路還有理論空間。

這是從“工程競爭”向“理論競爭”的轉向。Anthropic在賭：下一輪AI的突破，不取決于誰算力更多，而取決于誰先理解了模型的數學極限。

值得注意的是，Nelson去Anthropic的方式是“留職停薪”（Leave of Absence），不是辭職。他的伯克利教職還在，理論上隨時可以回去。這種模式在美國學術界已經越來越常見——教授保留終身教職，同時去企業干幾年，兩頭都不耽誤。

但對大學來說，這把雙刃劍的另一面是：教授人雖然還在編制里，但研究生可能跟著轉向工業項目，研究方向可能在學術約束下無法延續，幾年后教授回不回得來，也是個問號。

04

“人才旋轉門”：

美國學術向產業流動的制度裝置

Nelson的出走不是孤例，而是一種制度性現象。

在美國AI行業，高校教授去企業兼職或全職，有一條成熟的“旋轉門”通道。卡內基梅隆大學（CMU）與當地企業的人才流動率高達37%——這意味著超過三分之一的CMU AI研究者會在學術和產業之間來回切換。

這種旋轉門的底層邏輯是：企業能提供大學給不了的東西——算力、數據、真實場景、以及遠超教職薪酬的報酬。而大學能提供企業給不了的東西——學術自由、長期研究空間、研究生資源、社會聲望。兩邊互相需要，人才在門里門外轉，知識也跟著轉。

Nelson自己就是旋轉門的典型產物。2021年到今年6月，他一邊在伯克利當教授，一邊在谷歌當研究科學家，兩肩挑了四年。現在從谷歌換到Anthropic，不過是旋轉門又轉了一圈。

但這一圈轉得比以前猛多了。

根據SignalFire 2025年人才報告，Google DeepMind工程師離職后選擇去Anthropic的概率，是反向流動的近11倍。Anthropic在2026年6月秘密提交了IPO文件，估值約9650億美元，年化營收約470億。上市前的股權價值，再加上Anthropic能提供的算力規模和數據量級，每一項都讓這些教授難以拒絕。

所以旋轉門還在轉，只是轉速加快了，方向也更偏向產業一側。

這對伯克利的影響是實實在在的。Jelani Nelson不只是普通教授——他是整個EECS系的系主任。他的離開意味著這所全美AI研究重鎮，在理論算法方向暫時失去了最核心的掌舵人。這不像普通的人才流失，這是一整個研究方向暫時的群龍無首。

AI人才正在以前所未有的速度從學術機構向產業公司聚集。Anthropic用萬億美元估值、無限算力和上市前的股權，把學術向產業的人才流動轉速推到了歷史新高。這套“旋轉門”機制，讓知識在高校和企業之間持續循環，而Anthropic正在成為循環的終點站之一。