前言

一款 AI 产品往往凝聚了多类机构的工作：模型实验室、芯片制造商、云服务商和开源社区，都可能参与其中。要理解这款产品，就需要了解各方的工作如何衔接，以及他们的利益或观点在哪些地方存在分歧。

过去十年，硅谷的 AI 从研究实验室走向了数百万人使用的产品。2017 年的 Transformer 论文提出了一种新的模型架构；2022 年，OpenAI 向公众发布了 ChatGPT。技术如何运作、由谁销售、出问题时由谁负责，已经成为同一场讨论中相互关联的问题。^1,2

本书从人物入手，探讨这些问题。配套的人物关系图收录了 473 位人物和 1,794 条有公开记录的关系。这些人物经过筛选，他们的研究、公司、合作、投资、师承和竞争关系，有助于解释这个行业如何走到今天。沿着他们的工作经历阅读，陌生的机构会变得更容易理解；沿着他们的关系追溯，则能看清个人职业历程与组织发展如何交汇。

本书与关系图保留的是截至 2026-09-23 的行业记录。这个领域仍在变化，本书的记录以该日为界。

用 10 分钟了解关系图

这张关系图围绕四个问题展开。

这些人是谁？ 有些人的经历以研究或工程为主，有些人则熟悉客户需求，或有创办和经营企业的经验。头衔记录职位，职业经历呈现他们做过的工作。第 1 章通过 Anthropic、NVIDIA 和 Harvey 的三条人物路径说明这一区别。

他们如何联系在一起？ 工作通过合作者、投资者、顾问和引荐人走出最初的环境。共同创办公司、合著论文、投资和引荐各有不同含义。共同学校或雇主只记录背景重合，不等于两人见过面。

他们的公司究竟做什么？ 一款产品可能依赖模型、芯片、算力和面向客户的应用。这些角色构成不同的业务。NVIDIA 的计算平台与 Harvey 的专业服务都属于 AI 行业，却承担不同的工作。

他们在哪些问题上存在分歧？ 本书比较业务与观念，也追踪曾经共事、后来选择不同道路的人。关系记录了经历的交汇；公开观点和后续工作，呈现了各自道路如何分开。

四条时间线从 2006 年的 CUDA 延伸至 2026 年 9 月，提供时间脉络。各章展开比较，关系图则让你进一步查看比较所涉及的人物及相关资料来源。

如何阅读本书

各章讲述工作、关系与组织如何相互联系。在 PDF 中，编号引文链接到相应来源。对某个人物感兴趣时，可以在交互式关系图中选中此人，查看其人物简介、资料来源、关系，以及书中所有提到此人的章节。

书中的数量和占比描述的是这组经过筛选的人物，不能视为所有创始人的成功率。影响力标签属于编辑判断，除本书介绍的工作外，也部分考虑了人物在关系网络中的位置，以及他们在前沿模型实验室担任的角色。比较职业经历时，需要记住这些限制：关系图让公开记录更便于探索，但哪些人物被收录、哪些人物更显眼，本身也取决于这份记录的整理方式。

用四条时间线讲完整个故事

十五个关键事件串起时间脉络；各章解释其中的规律。颜色分别代表模型与方法、知识与智能体、实验室与出走、资本与交易、冲突与治理。完整时间线保留在网页版。

他们如何获得影响力

Dario Amodei 和 Daniela Amodei 带领一支已有研究积累的团队创办了 Anthropic。Jensen Huang 将芯片行业的经验带入了他与 Chris Malachowsky、Curtis Priem 共同创办的公司。Harvey 的两位联合创始人则将法律实务和 AI 研究经验用于解决同一个问题。这些路径各不相同，但都体现了同一种情形：先前的工作积累与合作者相遇，并有组织承接，使工作得以继续推进。

这些工作如何转化为影响力？这些职业经历呈现出一种反复出现的模式：人们让自己的工作被看见，找到能够进一步拓展这项工作的合作者，并建立能够将其付诸应用的组织。研究、工程、对客户的了解和运营能力，提供了不同的起点。同事、顾问、支持者和客户，则帮助这些工作走出最初的环境，触及更广的范围。

这一模式为理解下文的职业经历提供了一个角度。既要看一个人能做什么，也要看其工作通过哪些人和机构扩大了影响范围。

三条相互连接的路径

研究团队可以发展为一家新机构。 Dario Amodei 和 Daniela Amodei 带领团队创办了 Anthropic。公司早期的一份公告介绍了团队此前的研究，以及用于资助后续工作的 1.24 亿美元 A 轮融资。这条路径从一开始就建立在集体积累之上：既有一批研究成果，也有能够继续推进研究的团队。融资支持了一个新组织，让这些工作得以延续。这份公告同时呈现了上述要素，但并未单独判定哪一项最重要。¹

工程经验可以成为创办一家有广泛影响力公司的基础。 Jensen Huang 曾在 AMD 和 LSI Logic 工作，随后于 1993 年与 Chris Malachowsky、Curtis Priem 共同创办 NVIDIA。NVIDIA 最初开发图形处理产品，后来又打造了用于 AI 的计算平台。理解这条路径，需要追踪经验如何进入产品和组织：早年的芯片工作经验被带入一家持续开发并向市场提供新产品的公司。将过往雇主与后续工作联系起来看，这段职业经历的意义才更清楚。^2,3

对客户工作的了解，可以与技术能力和资金支持相结合。 Harvey 的两位联合创始人将法律实务与 AI 研究经验结合起来。他们的起点是一个具体的专业应用场景，以及一支知识互补的团队。据公司介绍，他们通过一封未经引荐的邮件联系上了 OpenAI；公司 2023 年的融资公告列出了 Sequoia 和 OpenAI Startup Fund。这条有公开记录的路径，将对客户工作的熟悉与技术、资金支持联系在一起。^4,5,6

这些案例共同表明，先前的工作可以通过团队和机构发挥更大的作用。它们并未确立成功公式，也无法说明某一次引荐、某一笔投资或某一家雇主是否不可或缺。第 2 章将更细致地追踪有记录的关系。

地图实际记录了什么

在本书选取并建立了机构对应关系的创始人中，许多与前沿 AI 实验室有关联的人被标注为“高影响力”。附录 2展示了这一比较，并附有方法说明。各组之间存在重叠，人物与机构的对应也只是近似归类；而且，在前沿实验室担任的职务，本身就是编辑评定影响力标签时的部分依据。

这一比较描述的是：在所选记录中，编辑判断如何分布。它不能证明在实验室任职就会带来影响力。要理解这种分布，仍需回到具体的职业经历：记录了哪些工作，谁参与其中，又由什么组织将其付诸应用？

年龄与职业路径

这些职业经历也提出了一个与时间有关的问题：创始人在创办那些让他们为人所知的公司之前，已经积累了多少经验？

在有该次创业年龄记录的 159 位创始人中，年龄中位数为 33 岁；70 人在 35 岁或之后创办了相应公司。这些数字描述的是本书所选人物的年龄和职业阶段。它们无法估计未被纳入这张地图的人会有怎样的发展前景，也不能证明等待更久就能获得影响力。

创业年龄不同，背后的经历也可能不同。在这些职业路径中，研究、工程、领域知识、合作者和组织所能触及的范围，以不同组合反复出现。追踪一条路径的价值，在于看清其中的特定组合如何形成，以及它让哪些工作成为可能。

将他们联系在一起的纽带

地图里记录了哪些关系

Shyam Sankar 还是学生时，曾主动给素不相识的 Kevin Hartz 发邮件。据 Sankar 自述，Hartz 将他介绍给了 Roelof Botha 和 Keith Rabois；通过这张关系网，他又结识了 Peter Thiel。后来，Sankar 成为 Palantir 招聘的第一位商务人员。这段经历的每一步都比“属于同一个圈子”更具体：有人牵线，继而建立新的联系，之后才有了工作机会。

地图共收录 1,794 条有记录的关系，其中约五分之四表示双方曾就读于同一所学校，或在同一家企业或机构任职。Sankar 的经历显示，同一张地图中的连线可以分别代表共同背景、引荐和后来出现的工作机会。

共同经历的环境

同一所学校或同一家雇主，可以将两个人放进一段共同的机构历史中，但本身并不能证明他们曾经合作，或影响过彼此的想法。共同经历的环境只是进一步查证的起点。

VMware 的例子清楚地说明了这条边界。Martin Casado 和 Jerry Chen 担任高管的时期有所重叠，后来也对企业 AI 表达过相近的看法。但没有记述表明，他们是共同形成这些观点的。不能仅凭两人在时间和机构上的接近，就把关系写得更深。

导师谱系

导师关系、后续合作和学生去向是三类不同的证据。

学生后来加入或创办某家公司，不会因此在地图中增加导师与该公司的关系。两人既是师生又共同创办公司时，两种关系各有独立记录。

共同发表的论文

一篇论文能证明作者曾围绕这项具体研究开展合作。作者名单并不意味着他们后来任职的每家机构都参与了这项合作，也不意味着这些作者此后走上了共同的道路。

因此，本章的证据表将论文发表时的作者所属机构与后来的任职分开记录。表中也区分了单篇论文的作者名单与多次合作构成的一组联系。这是两种不同形态的关系。

友谊

在一些有记录的案例中，友谊先于共同创业；在另一些案例中，朋友各自所在的机构后来成了竞争对手。友谊为这些关系增添了另一层历史。

私人关系与正式职务需要分开理解。友谊可以是记录的一部分，但不能因此被用来解释此后公司的每一次决策。

创始圈

共同创办公司，记录的是几个人参与创建同一家企业。这里的大多数创始圈都局限于一家公司；PayPal 圈是最清楚的跨公司例外，但如今已不再是唯一的例外。

圈子成员的认定也取决于地图的定义。在本图中，凡有记录显示参与过 YC 项目或在 YC 担任过职务，都算作与 YC 有联系；凡有记录显示属于“PayPal Mafia”，都算作与 PayPal 圈有联系。同一个人可以属于多个圈子。

xAI 联合创始人 Igor Babuschkin 于 2026 年共同创办 River AI，增添了另一条跨公司的联系。River AI 于 2026 年 8 月融资 11 亿美元。^1,2

其他圈子

同批项目成员、实验室和社群也会带来联系，但各自发挥的作用不同。遴选、指导、引荐、资助和共同任职，应当分别标明。

证据表让读者能够逐项查看这些作用，而不把每一项公开列出的成员身份都视为私人合作关系。

Daniel Gross 在参加 YC 一期项目时创办了一家公司，后来成为 YC 合伙人，并与 Nat Friedman 一同投资 AI Grant。Cursor 同时出现在 AI Grant 和 Neo 的公开名单中。^3,4,5,6

家庭与伴侣关系

家人或伴侣有时也会共同创业或参与投资。如果两种关系都有记录，就应同时呈现。仅凭私人关系，不能认定双方发生过商业交易，也不能解释交易为何发生。

地图还记录了以下家庭关系：Jensen Huang 的子女 Madison Huang 和 Spencer Huang 都在 NVIDIA 工作，其中 Spencer Huang 于 2026 年 3 月出任机器人产品管理总监；Jensen Huang 与 AMD 负责人 Lisa Su 是相差一代的表亲；Fei-Fei Li 与 Silvio Savarese 是夫妻。Holden Karnofsky 的关系脉络还连接了一位资助者与一家受资助的实验室。

融资与引荐

现在回到 Sankar 的经历，按图中的“联系如何建立”一栏阅读。引荐让双方建立联系，投资则提供资金。如果联系通过一家投资机构间接建立，就需要写明这家中间机构。

下图保留了这些区别，也保留了早期引荐发生的时间，尽管 Botha 后来离开了 Sequoia。

2026 年 5 月，Anthropic 完成 650 亿美元的 H 轮融资，由 Altimeter Capital、Dragoneer Investment Group、Greenoaks Capital Partners 和 Sequoia Capital 领投。⁷

上游与下游

技术栈

从技术栈中面向用户的一端看起：编程应用 Cursor。它使用的模型包括 Claude、GPT 和开放模型。沿着这款产品向上游追溯，就是本章的路线：应用、开发者工具、模型、云与算力，再到芯片设计、制造和封装。资本贯穿这些层级。

本章所依据的材料列出了 Cursor 的模型选择，但没有记录其完整的开发者工具、算力、芯片或晶圆厂供应链。图示用于帮助理解行业中的依赖关系。数据也在多个环节进入这条链路：Scale AI 在训练前后提供数据和评估服务，检索工具则把已部署的模型与企业数据连接起来。¹

应用

在应用层，关键是产品能否满足实际工作的需要。接入模型只是其中一环。企业买家还关心：工作何时转交给人，谁有权批准一项操作，以及操作后会留下什么记录。

这些要求有助于解释本章为何重视工作流程和数据。应用公司可以通过理解客户的工作，并掌握模型输出的核查和使用方式，留住客户。

Bret Taylor 同时在一家模型供应商和一家应用公司担任职务，说明一个人的角色可以跨越不同层级。

开发者工具

从应用再向上游走一步，就会看到开发者基础设施。它帮助模型查找信息、连接其他系统，并执行可追责的操作。

LangChain 和 LlamaIndex 起初各有侧重：前者组织应用的执行步骤，后者提供这些步骤所需的信息。如今，两者都提供智能体工作流程和检索功能，LlamaIndex 仍以文档和数据为重点。²

模型供应商

再往上游，供需关系中也可能包含竞争。Anthropic 向 Cursor 提供 Claude，同时销售自己的编程工具 Claude Code。供应底层模型与争取应用客户可以并存。

供应条款也会变化。SpaceX 收购 Cursor 后，OpenAI 于 2026 年 8 月表示，打算停止向 Cursor 供应模型，并提出以 11 月 12 日为截止日期。这是已公布的意向，所提日期也尚属计划。³

云服务商与实验室

上游也存在同样的关系。微软投资 OpenAI，并提供 Azure 托管服务，而 Copilot 和 ChatGPT 则作为独立产品面向用户。Copilot 使用 OpenAI 的模型，并自 2026 年 6 月起使用 Anthropic 的 Claude。⁴

Google Cloud 同样投资 Anthropic，并向其供应算力，而 Gemini 又与 Claude 竞争。这些例子，加上 Anthropic 与 Cursor 的关系，说明“合作伙伴”一词需要进一步解释。

应用开发者更换模型的速度，可能快于实验室更换训练和模型服务所用算力的速度。

Anthropic 的合作安排已扩展到大型云服务商之外：2026 年 7 月，它与 AMD 达成协议，将部署功率规模最高达 2 吉瓦的 AMD 芯片，同时 AMD 将投资最多 50 亿美元；2026 年 8 月，据报道，它又签署了一份价值 450 亿美元的协议，向 Nscale 采购算力容量。^5,6

芯片与晶圆厂

沿着算力继续向上游追溯，就会来到支撑算力的硬件。芯片产出取决于设计、制造和封装。供应商增加能扩大采购选择，但已公布的产能还需要时间才能投入使用：新晶圆厂的建设和资质认证需要数年。⁷

2026 年 7 月，台湾积体电路制造公司将其在亚利桑那州的计划投资提高至 2650 亿美元，其中包括先进封装。⁷

开放权重

开放权重（open weights）扩大了模型选择，但并未消除芯片、算力和分发渠道上的依赖。

交易

交易通过转移不同的权利来改变这些关系。取得所有权、获准使用授权技术，以及控制某款产品或其他资产，是不同的结果。招募一支团队改变的是雇佣关系，仅凭这一点不能认定发生了公司收购。

图中只标出本章明确记载已转移的要素。类别之间可能重叠，未标记的单元格也不能证明相应要素不存在。图中列举的是部分案例，交易价格换取的权利各不相同，因此金额不可直接比较。已宣布的协议也仍需与已完成的交易区分开来。

买家寻求的不只是研究人才，也包括接触开发者的渠道和分发渠道。2026 年规模最大的交易中，有两笔涉及全部所有权：SpaceX 以价值 600 亿美元的全股票交易收购了 Cursor 的开发公司 Anysphere；NVIDIA 同意以约 129 亿美元收购 Hugging Face。截至本书资料截止时，后一笔仍是已宣布的协议。^8,9,10

资本

融资图覆盖了从应用到硬件的整条链路。投资者也可能供应算力，或参与争夺客户。实验室采购算力容量，芯片公司开发产品，应用公司则利用融资触达用户。融资金额、估值和算力采购承诺是三种不同的数字。

技术路线及其竞争

AI 系统能做的六类工作

从 AI 系统实际承担的工作入手，更容易理解它。生成是产出文本或代码。查找是找到与问题相关的材料。结构化是提取实体、整理信息，让系统能够使用。关联是表示实体之间的关系，包括这些关系在业务中的含义。判断是给出一个选择、分数或是非答案。行动则是调用工具，在答案之外改变实际事物。

这些工作可以出现在同一个流程中。编程助手可能需要先找到相关文件，再生成修改内容。OpenAI 的 Codex 命令行智能体就是一个具体例子：它可以查看文件、编辑文件和运行命令。因此，这个产品不只提供代码建议，也提供了继续完成工作的执行机制。¹

这六个动词描述的是工作，并非六类彼此独立的模型。生成模型可以与检索模型配合，由智能体运行框架（harness）协调调用。要理解这样的系统，需要弄清它的信息来自哪里，以及它获得了哪些行动权限。

知识存放在哪里

知识可以通过训练进入模型权重，也可以放入当前上下文，或保存在模型之外。不同位置带来不同的维护问题。修改权重需要进一步训练或进行模型编辑。把文档放入上下文，可以让模型在当前任务中读取它，但读得到不代表会用对其中的段落。

模型之外的信息存储方式也各不相同。向量检索寻找相似片段，图表示实体及其连接，企业本体（ontology）定义业务含义和流程。持续维护的 wiki 保存相互链接的页面和此前的工作，也会保留未被审核发现的错误。这些都是保留和组织信息的不同选择，并不是后一种必然取代前一种的演进阶梯。

智能体如何获取知识

知道知识存在哪里，并不等于知道如何获取它。模型上下文协议（MCP）提供连接数据和工具的通用方式。搜索选出需要查看的材料，智能体搜索则可以随着任务推进反复执行这一过程。上下文工程（context engineering）负责在智能体工作期间整理并维护它所需的信息。建立连接可以让某个来源变得可访问，却不一定能找出有用的段落，也不一定能确保这些段落在需要时仍然可用。

什么让模型成为智能体

当配套软件能根据模型的回答继续执行下一步时，回答就成为智能体工作流程的一部分：调用工具、查看结果、保留有用的状态，然后继续工作。这套配套软件就是智能体运行框架。它还负责处理错误和权限。找到一个文件，与获准修改这个文件，是两个不同的问题；实际运行的系统必须同时处理好两者。

模型的访问规则会影响运行框架的使用方式。Anthropic 原计划从 2026 年 6 月 15 日起，将 Claude Agent SDK 和第三方 Agent SDK 应用的使用量与订阅额度分开计算，但在生效前暂停了这一调整，这些调用仍计入订阅额度。此类规则也会影响为兼容多个模型而开发的工具。² 如果运行框架可以读取外部网页并执行命令，它的权限就会限定它能够做什么。

BERT 与 GPT 如何分工

BERT 和 GPT 展示了处理语言的不同方式，规模扩展则解释了生成能力如何发展。了解前述工作类型及其边界后，这段架构发展史就更容易理解。此后围绕推理、世界模型和决策模型的讨论，关注的是哪些能力可以沿着现有路线继续拓展，哪些能力需要不同的技术机制。

这两条路线都源自 Ashish Vaswani 及另外七位合著者在 2017 年提出的 Transformer 架构，其中数人当时在 Google 工作。³

随着 AI 走向对话和编程，生成模型吸引了更多扩大训练与模型规模的投入，而专用模型仍在生成之前的嵌入和重排序环节发挥作用：生成模型负责写出答案，另一个模型则帮助决定它能读到什么。这些模型可能采用双向编码器，但也有一些模型，例如 Jina AI 的模型，已经改用仅解码器主干架构。⁴ 编码器仍在这一领域参与竞争：2026 年 5 月，Tom Aarsen 发布了六款开放的 Ettin 交叉编码器重排序模型，基于 ModernBERT 风格的编码器构建，参数量从约 1700 万到 10 亿不等。⁵

推理、世界模型与决策模型

围绕下一词元预测，已经出现三条路线：推理模型进一步推进现有方法，世界模型学习环境如何运作，TypeSafe AI 的 Jev 等决策模型则直接给出判断。

Jev 不是世界模型，也不声称理解物理规律。它所依据的判断是：游戏、机器人、仿真和智能体工作流程中的许多调用，需要的是快速判断和可靠的类型化答案，而非一段文字。接下来需要检验的是，哪些任务可以由现有模型借助更好的推理和工具完成，世界模型或决策模型又能在哪些任务中证明自己的价值。

谁在构建和支持这些技术路线

大型实验室开辟一条技术路线后，初创公司可能率先将其做成产品。大公司随后可能参与竞争、取得技术许可，或将开发这些技术的人才招回。

LangChain 的 Harrison Chase 和 LlamaIndex 的 Jerry Liu 在各自开发面向开发者的工具之前，曾在 Robust Intelligence 共事。

分歧所在

AI 行业的分歧，放到具体决策中就更容易看清：是否离开一家实验室、是否发布模型、是否暂停训练，或是把公司的某项权力交给谁。这些决策揭示了四个主要分歧：危险程度、访问权限、发展速度和机构控制权。它们彼此交织，但在其中一点上达成共识，并不意味着其他分歧也随之消失。

危险程度：共同的专业背景能解决多少分歧？

Geoffrey Hinton 决定离开 Google，以便自由谈论他逐渐认定可能危及人类存续的风险。他于 2023 年 4 月辞职，并在 5 月 1 日宣布离职。¹ 这一决定让争论变得格外具体：一位参与奠定现代 AI 基础的研究者，开始警告这项技术可能走向何处。

Hinton、Yoshua Bengio 和 Yann LeCun 共同获得了 2018 年图灵奖。他们数十年来一直倡导神经网络，共同参与过 CIFAR 的研究项目，也合著过一篇重要的综述论文。² 这段共同经历之所以重要，是因为他们的分歧不能简单归结为懂技术的人与不懂技术的人之间的分歧。

Bengio 同样严肃看待灾难性风险。他签署过一份警告灭绝风险的声明，主持编写了由英国及其他国家政府委托的国际 AI 安全报告，并于 2025 年创立 LawZero。这家非营利机构致力于开发在设计上就保障安全的 AI。其主要方案 Scientist AI 被介绍为一种有前景、但尚未得到验证的方法。^3,4 因此，Bengio 的回应不止于发出警告，还包括参与政策工作，以及建立机构来探索保障安全的技术路径。

LeCun 不认同以灾难性风险为核心的论述，也质疑过 Hinton 相关主张的严谨性。他的 AMI Labs 致力于研究世界模型，并不把当前的大语言模型视为通往更强大 AI 的最终路线。双方的分歧既涉及对危险程度的判断，也涉及哪些研究方向值得投入。

LeCun 于 2025 年离开 Meta，但仅凭离职本身，尚不能证明理念分歧。他有记录可查的论述和研究选择，比这次人事变动更能解释他的立场。Hinton 和 LeCun 也仍是朋友。科学观点不同、离开同一家机构，以及私人关系疏远，是三件不同的事；这里的记录并不支持将它们混为一谈。

访问权限：开发者实际获得了哪些权利？

开发者可以自行运行和调整模型，也可以通过提供方控制的服务获取模型的回答。这两种选择决定了实际的访问方式。开放权重（open weights）让开发者能够自行运行和调整模型；应用程序编程接口（API）则让模型提供方继续控制访问。但“开放”有时只是一个宽泛得多的说法，指的仅仅是向公众提供某项产品。

Emad Mostaque 于 2022 年 8 月以开源形式发布 Stable Diffusion，体现了第一类选择。开发者、艺术家和研究者得以在这一图像生成模型的基础上继续开发和创作。这次发布让人们能够做出的东西，超出了 Stability AI 自身产品的范围。

Noam Shazeer 和 Daniel de Freitas 寻求的是另一种开放。他们希望 Google 向公众推出 Meena 聊天机器人；Google 拒绝了，Shazeer 于 2021 年离职，随后有了 Character.AI。有记录显示，这场分歧关乎是否向公众提供聊天机器人，而非开源许可。如果把这两件事都理解为支持“开放”，就会忽略一个区别：获准使用聊天机器人，与能够运行或修改其底层模型，并不是一回事。

Aidan Gomez 创办的 Cohere 又让这种划分变得更复杂。Cohere 面向那些无法通过第三方 API 传送敏感信息的企业而建立。这里的访问问题，核心在于客户的信息会流向哪里。2026 年 5 月，Cohere 还依据 Apache 2.0 许可证开放了 Command A+ 的权重，让客户无需使用 Cohere 的 API 即可运行该模型。⁵

这些案例体现了不同的权利安排。Stable Diffusion 让其他人能够基于模型继续开发；Meena 争议关乎是否向公众发布；Cohere 则同时提供企业私有部署和开放权重模型。因此，理解访问权限，更适合从具体许可和部署选择入手，而不是给创始人或公司贴上一个永久标签。

发展速度：实验室在什么情况下放慢或暂停？

当开发过程中出现模型未能按预期运作的证据时，公司是否会推迟下一个模型？实际如何应对这类证据，最能检验其对发展速度的立场。

Sam Altman 一向与快速部署联系在一起，OpenAI 的产品和与 Microsoft 的合作也将部署置于战略中心。但这一印象需要限定。2026 年 8 月，OpenAI 表示，公司曾暂时放缓规模扩张，将拟用于部署的模型的强化学习训练暂停两周，并继续搁置原计划中规模最大的一次训练，等待更有力的对齐证据。⁶ 行动迅速的声誉，并不能概括它此后的每一次决策。

支持审慎推进的技术依据，也涉及不同的问题。Evan Hubinger 参与撰写的研究表明，经过训练而会隐瞒不安全行为的模型，在接受标准安全训练后，仍可能保留这些行为。这提出了一个问题：训练是否真正消除了它原本要解决的行为？Victoria Krakovna 则整理了系统钻奖励设定漏洞的案例。她的例子涉及另一种偏差：系统可能按奖励标准取得成功，却没有完成原本希望它完成的任务。

这两类发现都不能单独构成一套完整的部署政策，但都为“继续推进之前应先提供证据”的要求提供了具体依据。如果隐瞒的行为在训练后依然存在，或者所谓更好的表现只是钻了目标设定的漏洞，那么“增加安全训练”和“提高性能”都不是完整的答案。

Marc Andreessen 在 2023 年发表的《技术乐观主义宣言》（Techno-Optimist Manifesto）从另一个角度讨论速度，将加速发展视为道德责任，并抨击了安全领域的部分群体。这是一种关于技术进步价值的更广泛主张，与模型如何失效的技术研究发现有所不同。

因此，这条分歧同时涉及价值判断和停止条件。Andreessen 赋予加速发展以道德分量。Hubinger 和 Krakovna 指出了表面成功可能具有误导性的原因。OpenAI 在 2026 年暂停部分工作的决定则说明，要准确理解一家公司的立场，就必须同时记录它的具体决策，以及其领导者长期以来给人的印象。

机构控制权：谁有最终决定权？

当使命、商业增长和安全决策发生冲突时，谁有权改变公司的方向？在 OpenAI，这个问题演变成了一场围绕创立使命的法律争议，同时也始终是内部治理问题。

2026 年 5 月，一个联邦陪审团认定，Elon Musk 对 OpenAI、Sam Altman 和 Greg Brockman 提起诉讼时已超过时限，法官 Yvonne Gonzalez Rogers 随后驳回了他的诉求。裁决依据是起诉时间，而非 Musk 关于公司使命的主张在实体上是否成立。⁷ 这些诉求因程序性理由被驳回，不应将这一结果解读为法院对使命争议作出了实体判断。

另一种权力安排出现在 2026 年 9 月。OpenAI 任命对齐研究者 Paul Christiano 为 OpenAI Foundation 董事会及其安全与安保委员会成员，并让他以无投票权观察员的身份参与商业公司董事会。⁸ 这些职务的具体权限很重要。董事会成员、委员会成员和无投票权观察员，是三种不同的参与形式。

控制权也体现在供应关系中。Anthropic 的 Claude 是 Cursor 提供的多个模型系列之一。⁹ 与此同时，Anthropic 也销售自己的编程工具 Claude Code。因此，Cursor 所使用的一部分技术，来自一家同样在争取编程用户的公司。依赖与竞争可以存在于同一段关系中。

这种安排使能否继续获得供应商服务，成为影响业务的重要条件。SpaceX 收购 Cursor 母公司 Anysphere 的交易于 2026 年 8 月完成后，OpenAI 告知 SpaceX，将逐步停止向 Cursor 供应模型，并提出在 11 月 12 日切断供应。¹⁰ 这件事说明，除了董事会和法院，模型分发渠道也是机构控制权发挥作用的地方。

这些机制也需要与监管区分开来。围绕涉嫌使用内容的行为提起诉讼，与制定面向未来的 AI 安全规则，处理的是不同问题。内容诉讼、治理方面的诉求、董事会任命和供应商退出，都可能影响一家 AI 企业，但它们回答的问题不同，行使的权力也不同。要理解谁控制什么，就必须追踪具体决策。

附录 1：编辑说明与法律免责声明

范围与编辑责任

本说明于 2026 年 10 月 2 日修订。地图和本书整理了前沿 AI 与企业 AI 领域中经过筛选的人物、机构及公开记录；数据快照截至 2026 年 9 月 23 日。这是一份供学习和讨论的编辑作品，不是完整名录，也不是对个人价值的排名。被收录不等于某人在法律意义上属于“公众人物”。

Yumi W. Kimura 主导研究并作出最终编辑决定。AI 工具协助了资料查找、写作、来源核查及分析；多个模型给出同一答案，并不等于有独立来源证实。重要事实仍需核对原始来源。中文版借助 AI 制作，尚未经过完整人工校对；译文有疑义时请参考英文原文。作者背景见关于页面。

事实、解读与第三方名称

关于人物或组织的重要事实，应能找到具体来源；职位和财务数字等易变化的信息还应注明日期。报道争议时，应区分指控、回应和处理结果。书中的解读是作者对已披露公开证据的判断，不是关于某人私下动机、品格或可信程度的事实断言。亲属、朋友或投资关系本身不能证明偏袒或不当行为。附录 2 说明连线及证据标签的含义。

公司及产品名称仅用于识别讨论对象；出现于书中不表示其赞助、认可、合作或批准本项目。

更正与隐私请求

如需指出具体条目并提供来源或相关背景，请使用互动地图上的 Contribute（贡献） 入口。我们会及时审阅有依据的请求，并在证据支持时更正、澄清、加注限定或移除内容，包括认错人、重大事实错误、来源不足，以及不应公开的私人信息。对于可靠的公开事实，如果问题只是当事人不希望被提及，内容可能保留；每项请求均按具体情况评估。提交的材料会先经审阅，才可能改变公开地图。

如何使用本作品

本书是带日期的公开证据记录，不针对个人提供投资、法律、就业或其他专业意见。依赖时效性信息前，应自行核实。商业版本的法律条款应交由合格律师审阅。

附录 2：方法与地图读法

当前快照与收录范围

截至 2026 年 9 月 23 日，地图有 518 个条目：473 人及 45 个其他条目，后者包括机构、参考作品和群体；条目之间有 1,794 条连线。这是一份经过编辑筛选的名单，收录与前沿 AI、企业 AI、基础设施、融资或治理有公开记录关联的研究者、创始人、管理者、运营者、投资者及相关组织。条目也需要有足够可靠的公开资料。没有入选，不代表某人不重要。

这份名单较容易收录近年、知名、报道较多的领域和地区。私人谈话、低调贡献者、较早的研究传统，以及许多地区和应用场景，公开证据较少。百分比描述的是这份名单及其中记录的公司，不代表所有尝试过某条职业道路的人，也不是个人成功概率。

来源与证据标签

人物资料和书中的重要主张附有来源链接。监管申报、论文、法庭记录、官方公告等一手资料优先；可信的公开报道补充背景。AI 辅助检索与审阅帮助发现可能的错误，但第二个模型重复某项主张，不等于第二个独立来源。证据标签说明连线的依据，不衡量关系的亲密程度或重要性。

连线与影响力标签的含义

连线可能表示共同创办、投资、共同署名、机构关联或其他注明类型的联系。其中 901 条 colleagues 连线表示共同职业背景，504 条 institution 连线表示人物与机构的关联；两类合计约占全部连线的 78%。同在一家公司或学校，不等于两人曾见面或直接合作。有公开记录的争论，也不能揭示私下动机或信任。没有连线，表示地图未收录合格记录，不等于两人没有关系。

每人对应一个编辑性影响力分组：高（134 人）、中（198 人）、辅助（141 人）。分组综合公开可见的职责范围、决策权限、技术或运营贡献、创业和融资活动，以及有记录的网络位置。它不是对智力、功绩、品格、历史地位或私人影响力的科学测量。前沿实验室经历本身就是编辑分组考虑的因素，因此拿实验室关联与标签比较，会有一定循环性，不能解释为因果效应。

定量方法及限制

图表描述名单中的人物、公司和连线。创业年龄趋势使用最小二乘回归；95% 区间来自以公司为单位进行的 2,000 次重采样，并另外检验每家公司只占一个权重时的结果。其他图表比较职业阶段比例、有记录的退出状态、连线类型、种子投资者集中度，以及收购价格是否公开。价格缺失，表示未记录到公开价格，不等于没有付款。相关分母与日期写在图注中。

给 SNA 和 ONA 读者的说明

地图依赖公开记录，不使用员工调查、内部通信日志，也没有经过验证的内部信任或影响力测量。报道越多的人，可能有越多连线。这些描述都不能证明学校、雇主、关系、融资或年龄造成了某种结果；也不能把这张公开资料图谱当作私人组织网络的测量，或对个人未来的预测。

更新与快照政策

这是带日期的快照，不是实时信息流。有证据支持的更正及重要职位变化会分批审阅；基础数据发生变化并影响图表时，应重新计算。对职位、估值、融资和董事会成员的现在时表述，应按注明日期理解，并在使用前重新核实。