最近，Meta成立了「超级智能」AI实验室，四处砸钱挖人。

网上流传着一份44人「超级智能」成员名单，很可能每人每年可获得1000万至1亿美元的收入。

这收入水平可能性非常大。据报道，为了从OpenAI挖走他们的首席研究官Mark Chen，扎克伯格提供了高达10亿美元的薪酬提议。

值得关注的是，除了Yann LeCun等部分Meta的「AI元老」，名单里大部分都是这个月新入职的员工；而且名单里有一半本科毕业于国内的大学。

而这些「中国大学生」中，清华校友Yuanzhi Li又是比较独特的一位：之前，他是卡内基梅隆大学的助理教授，没有业界工作经验。

这份名单里另一位教授是图灵奖得主、现纽约大学教授Yann LeCun

普通人只能像网友Meet一般感叹：平庸与卓越差距如此之大！

不过，即便是清华的毕业生、即便也是美国的教授，也不是人人都有机会参加Meta的这波「AGI选秀」。

刚刚，清华校友、杜克大学教授陈怡然发微博如此表示。

小扎这是用实际行动证明：「知识就是财富」！

Yuanzhi Li入职Meta已有4个月，任研究科学家；入职Meta之前，他是卡内基梅隆大学（CMU）的助理教授。

他没有产业界的工作经历，主要研究深度学习理论。

目前，他的谷歌学术被引次数超过了4万，特别是2023年后，被引数开始爆发。

他是LLM微调方法低秩自适应LoRA的合著者。

论文链接：https://arxiv.org/pdf/2106.09685

他还参与了微软语言模型Phi系列的研发，包括Phi-2、Phi-3、Phi-4等模型。

他还是「语言模型物理学」（Physics of Language Models）研究项目的主要参与者。

2014年，他获得了清华大学计算机科学学士学位；2018年，他获得了普林斯顿大学计算机科学博士学位。

不过，除了AI顶尖的研究人才，Meta在数据上也下了血本。

据报道，国际上顶级AI集团正在用高薪的行业专家替代非洲和亚洲低成本的「数据标注员」。

特别是，Meta和贝索斯狂砸百亿，招聘物理学家、生物学家当「AI的老师」，打造超越人类的「超级大脑」。

数据标注行业，悄悄来了一次产业升级。没学历，数据标注都干不了？

Scale AI、Turing和Toloka等AI数据服务商，正在聘请生物学和金融等领域专家，帮助他们创建更复杂的训练数据。

随着OpenAI o3和谷歌Gemini 2.5之类的推理AI模型的崛起，企业加速淘汰肯尼亚、菲律宾等国每小时薪酬不足2美元的低成本标注员。这些工人此前主要从事耗时的人工标注工作，为AI模型训练提供海量数据集。

荷兰的AI数据商Toloka的首席执行官兼联合创始人Olga Megorskaya说：

「AI行业曾长期专注于模型和计算，而数据一直被忽视。终于，（AI行业）开始意识到数据在训练中的重要性。」

这一转变导致投资者对数据标注初创公司兴趣大增。

例如，在6月，Meta向美国的Scale AI投资了150亿美元，使其估值翻倍至290亿美元，以追赶竞争对手。

同样地，位于加州的Turing AI在3月以22亿美元的估值筹集了1.11亿美元资金。

贝索斯的个人公司Bezos Expeditions则在5月领投了Toloka的7200万美元融资轮次。

过去，数据标注员处理的任务比较简单，比如在图像上画框来识别对象、描述图像内容、选择流利的表达方式以及从常包含暴力或图形内容的数据集中剔除不良答案。

由于AI模型需要海量数据提升性能，这些工人需在数秒内处理单个任务，日均完成数百项任务以构建庞大数据库。

然而，随着许多任务已自动化，这些需求已经大幅下降。这些过去从事AI最底层的工人，某种意义上被AI取代了。

肯尼亚数据标注员协会（Data Labelers Association）主席Joan Kinyua表示，工人们现在被要求处理依赖本地语言技能和知识的任务。

该协会还发现，部分任务要求标注员对AI生成的内容进行最终质量控制检查。

随着OpenAI、Anthropic和谷歌等AI巨头努力开发ASI，而这些模型或将超越人类智能，行业正在加大对数据集质量的关注，雇佣专家来解决复杂问题。

Turing AI的联合创始人兼首席执行官Jonathan Siddharth表示：「现在需要的是人类使用模型完成脑力工作的真实数据，以及模型出错时的反馈。」

为了确保模型在从编程到物理学、金融等多个领域的表现，资金雄厚的AI公司现在愿意支付费用，获取更复杂的数据集，从而聘请全球的专家。

Siddharth透露，Turing为跨行业专家提供比原职高20%-30%的薪酬。尽管数据预算仅占AI公司算力支出的10%-15%，但这仍是「一笔巨款」。

Toloka的Olga Megorskaya表示，诸如「思维链」之类的新功能，要让人类专家演示如何拆解问题，之后才开发出来的。

经验丰富的软件工程师可能还需根据自身领域设计任务，并通过编写代码、调试程序及检查安全漏洞来解决问题。

与此同时，验证物理学理论需要多方协作：物理学家负责阐述如何构建模拟器来检验理论真伪，软件工程师编写模拟器代码，数据科学家则分析模拟结果。

Turing  AI的Siddharth指出：「由此产生的模型不仅会超越物理学家，更将超越物理学、计算机科学与数据科学三大领域顶尖人才的叠加能力。」