Meta和Thinking Machines Lab的人才战，已经不是单向挖角。TechCrunch报道，曾在Meta工作8年、参与多模态感知系统和SAM3D等开放世界分割项目的Weiyao Wang，上周离职并加入TML。

同一条新闻里，变量很硬：Meta据称已从TML挖走七名创始成员；TML也从Meta吸纳多名研究员和工程师。它刚与Google签下数十亿美元云协议，可使用Nvidia GB300，并已有Nvidia合作。钱、算力、股权、研究话语权，正在重新报价。

这是一场双向挖人，不是Meta单方面败退

把标题写成“Meta输给TML”，省事，但不准。

Meta仍有强筹码：七位数薪酬、成熟算力、全球产品入口、广告现金流。对多数AI人才来说，这些仍然是硬通货，不是创业公司几句愿景就能抵消。

TML的变化在于，它不再只靠创始人光环讲故事。它已有约140人，估值约120亿美元，只发布过一个公开产品Tinker。产品还少，估值很猛，但人才和算力的拼图开始成形。

变量MetaThinking Machines Lab该怎么读
人才流向据称挖走TML七名创始成员从Meta吸纳多名研究员和工程师不是单向失血，是双向拉扯
代表人物仍有强研究与产品团队Soumith Chintala、Piotr Dollár、Weiyao Wang、Kenneth Li等TML在补技术信用和组织密度
算力条件大厂级基础设施Google数十亿美元云协议、GB300、Nvidia合作创业公司最大短板被部分补上
激励方式高薪、资源、稳定平台股权上行、研究影响力、更高不确定性人才开始重新计算风险收益
产品验证Meta有大规模应用入口TML目前公开产品很少，只发布TinkerTML还没证明商业闭环

这里最关键的限制也要说清：TML还没有在产品或营收上证明成功。120亿美元估值是市场对团队、算力和未来能力的押注，不是对已完成商业成绩的结算。

关键变量不是工资，是算力、股权和研究话语权

顶级AI人才现在看的不是单张工资条。

大厂给确定性。创业公司给杠杆。这个杠杆分三块：股权上行空间、研究路线影响力、可用算力。

过去创业公司最难补的是算力。没有足够GPU，研究路线再漂亮，也容易停在论文、原型和内部演示。TML与Google的云协议，以及可使用Nvidia GB300，至少缓解了这个短板。

注意，是“缓解”，不是“抹平”。大厂的基础设施、数据管线、上线能力和分发入口，仍然不是一纸云协议就能复制。TML拿到了上桌资格，但还没赢牌。

这也是为什么Soumith Chintala、Piotr Dollár、Weiyao Wang、Kenneth Li这类名字重要。它们不只是简历好看，而是在告诉市场：TML想买的不是普通执行力，而是底层框架、视觉模型、研究工程化和组织声望。

这里有一点历史回声。早期互联网公司从IBM、微软、贝尔实验室吸走工程师，不是因为工资更稳，而是新平台给了他们改写规则的位置。今天不完全一样，AI训练成本高得多，云和芯片成了门槛。但人性没变。天下熙熙，皆为利来。这里的“利”，包括现金，也包括署名权、路线权和未来估值。

对创业者和投资人：别只数明星，盯交付

对关注AI公司竞争的读者，这件事说明一件事：Meta仍然强，但大厂不再天然垄断最好的AI岗位。只要创业公司同时拿到顶级同事、足够算力和可观股权，高薪就不再是唯一答案。

对创业者，动作更直接：如果你想招AI核心人才，不能只讲使命。你至少要证明三件事：算力能到位，研究路线有自主权，股权不是空头支票。否则七位数薪酬面前，愿景很薄。

对AI投资观察者，更该冷一点。TML式公司不是靠成熟收入牵引估值，而是靠人、算力和未来模型能力牵引估值。能不能投，不该只看明星名单，要看这些人能不能变成产品节奏、开发者采用和企业付费。

开发者和企业客户也有现实动作。现在不必因为TML挖到一批强人就立刻迁移工具链。更合理的做法是观望Tinker后续能力、API或工具链稳定性，以及它是否能给出比现有方案更低的试错成本。

接下来最该盯三件事：

  • Tinker会不会从单一公开产品，变成开发者持续使用的工具链。
  • TML拿到GB300等算力后，是否能交出可验证的模型能力或训练效率成果。
  • Meta会不会继续用高薪堵人，还是调整研究自主权、内部激励和项目归属感。

我更在意第三点。钱能压住短期波动，但留不住所有想改规则的人。AI人才战的残酷处在这里：大厂买的是确定性，创业公司卖的是可能性。两边都贵，最后只有交付能结账。

TML现在赢的是叙事和筹码，不是商业胜利。人才迁移能点火，不能替代发动机。真正的分水岭，不是谁今天从哪家公司跳槽，而是谁能把昂贵的人和更昂贵的GPU，压成用户愿意持续付费的系统。