夜雨聆风
作者 | Zoey
邮箱 | zoey@dinqlabs.com
融资额、模型榜单和估值，只能告诉我们一家AI公司“现在有多热”。顶尖人才的浓度、流向与留存，可能更早暴露它“接下来会怎样”。DINQ基于自有人才数据引擎与截至2026年7月的公开信息，对中美20家AI公司做了一次人才密度体检。
2026年年中，AI行业同时出现了三幅看似矛盾的画面。
一家成立仅两年、没有产品、没有收入，甚至不公布产品路线图的公司，估值达到约320亿美元；
一家背靠千亿美元市值母公司、向顶尖研究员开出天价薪酬的团队，成立不久便出现核心成员离开；
而一家只有百余人规模的中国公司，却持续做出被全球开发者采用的模型。
收入倍数解释不了这些现象，DCF也解释不了。
资本真正争夺的，是AI时代最稀缺的一种资产：人才密度。
但人才密度不是明星履历的简单相加。它既包括团队里有多少真正做出过关键成果的人，也包括这些人是否愿意留下、是否能够高效协作，以及他们还能否吸引下一批优秀的人加入。
换句话说，资本可以买到一个人，却未必买得到一支团队。
这篇文章，DINQ利用自有人才数据引擎，并结合截至2026年7月的公开信息，对中美各10家AI公司做了一次“人才密度体检”。
资本已经开始为“人”定价
天价薪酬可以买到个人，但成熟团队的信任、默契与协作网络无法被直接搬运。
先看三个市场用真金白银投过票的案例。
SSI：一家几乎只靠团队定价的公司
Ilya Sutskever创立的Safe Superintelligence（SSI），截至2026年年中，据公开信息累计融资约30亿美元，最新估值约320亿美元。
没有收入，没有公开产品，也没有对外demo。这并非进度落后，而是公司主动选择的策略。
这意味着，市场支付的几乎每一分钱，都在为一份人员名单、一个研究方向，以及这支团队未来解决问题的可能性定价。
SSI是“团队即资产”最极端的样本。
Meta：天价薪酬能买到明星，未必买得到组织
2025年，为组建Superintelligence Labs，Meta据多家媒体报道向顶尖研究员开出超过1亿美元年薪、甚至四年3亿美元级别的薪酬包，并从各大实验室大规模招人。
但随后，多家媒体报道团队出现早期人员变动：部分研究员在入职后不久回到OpenAI，Meta内部亦有多位资深AI负责人离开；同年11月，图灵奖得主、FAIR创始人Yann LeCun宣布离职创业。
这个案例提醒市场：高薪可以搬运个人，却很难复制一个成熟团队的信任、默契和协作网络。
而那部分看不见的组织能力，才是人才密度真正难以复制的地方。
xAI：人才流失，往往比业务问题更早出现
据Fortune、CNN等媒体报道，xAI在2025至2026年间流失了超过80名研究员和工程师，其中包括首任首席工程师和多位联合创始人。
静态名单仍然可能很好看，但持续净流出会改变团队的真实能力。
对仍处于高速变化期的AI公司来说，人才流向是一项极具价值的领先信号：产品问题往往要等到发布时才暴露，组织问题却可能早已写在核心人才的去留里。
所以，在AI公司尚未形成稳定收入、传统估值指标失真的阶段，人才密度至少提供了一种相对可观测、可比较、具领先性的价值信号。
它不能替代估值，却能帮助我们识别估值里最难判断的那部分：叙事溢价。
我们如何衡量“人才密度”
人才密度不是人头统计，而是人均浓度、人才流向、留存结构与网络中心性的综合结果。
DINQ不简单数人头，也不把PhD数量、融资规模或名校比例当作答案。
我们主要观察四个维度。
1. 顶尖研究者的人均浓度
团队中，旗舰模型核心贡献者、顶会一作或通讯作者、关键开源项目维护者，占总人数的比例有多高？
AI研究成果往往呈现明显的幂律分布。与其问“团队有多少人”，不如问“真正推动关键突破的人占多少”。
2. 人才流向
在一段时间内，顶尖研究者是净流入，还是净流出？
这是四个维度中最值得持续跟踪的信号。人才会综合判断研究空间、算力、团队、激励和组织效率，他们“用脚投票”的方向，通常比团队介绍页更接近真实情况。
3. 留存结构
流失率只是表面，离开的究竟是谁更重要。
是短期加入后迅速离开的高薪人才，还是共事多年、掌握核心技术与组织记忆的骨干？不同类型的流失，对团队密度的影响完全不同。
4. 网络中心性
团队成员在全球AI研究与工程协作网络中，是枢纽还是边缘节点？
一个真正的行业hub，带来的不只是个人产出，还包括持续招募同等级人才的能力。这种“人才吸引人才”的复利，是高密度团队最重要的护城河之一。
两类数据来源
本次评估使用两类信息：
DINQ自有人才数据引擎的实测探针，覆盖学术发表、职业轨迹、开源贡献等多源信号；
截至2026年7月的公开报道与公开数据，用于交叉验证并补充尚未进行逐人探测的公司。
例如，在DeepSeek的探测中，DINQ识别到ICML 2026 spotlight论文一作、对齐团队负责人、R1及数学模型核心作者等关键研究者的职业轨迹；在字节跳动Seed的探测中，我们观察到团队持续从Google/DeepMind、腾讯、亚马逊、Databricks等机构吸纳资深研究员，且2026年仍保持净流入迹象。
需要强调的是：公开职业数据存在噪声，人才流动又是高频变量。
因此，这份榜单更适合被理解为一张“人才流向快照”，而不是一份永远有效的实力座次表。
美国榜：高密度团队的三种命运
同样耀眼的人才名单，可能走向稳定协作、持续聚集，也可能出现结构性流失。
第1名 Anthropic
在公开信息所呈现的头部实验室中，Anthropic的留存口碑和持续吸引力较为突出。它不仅保持了安全研究方向的鲜明定位，也持续承接从竞争对手流出的研究人才。
在本次框架的四个维度中，Anthropic是少数没有明显短板的公司。
第2名 OpenAI
OpenAI仍拥有全球规模最大的高密度AI人才集群之一。
比“谁被挖走”更值得注意的是“谁又回来了”：据多家媒体报道，2025年被Meta招入的部分研究员在数周内回到OpenAI。对一个团队而言，回流往往比高薪挖角更能说明其内部协作网络的黏性。
需要持续观察的风险，是安全研究方向近年来出现的结构性高层流失。
第3名 SSI
如果只看人均密度，SSI可能是最极端的样本之一。
公司尚无公开产品，却凭创始团队和研究愿景获得高估值。除联合创始人Daniel Gross于2025年中加入Meta外，团队在外部高薪争夺下整体保持相对稳定。
第4名 Periodic Labs
一家正在形成的新兴人才磁体。团队吸纳了多位具有OpenAI、Google DeepMind背景的研究者，聚焦AI for Science。
规模小、来源集中、人才流向向内，是典型的早期高密度组织。
第5名 Physical Intelligence
在具身智能赛道，Physical Intelligence是密度较高的独立公司之一，也是Google DeepMind机器人与agent方向人才的重要流向之一。
第6名 Thinking Machines Lab
这是本榜最复杂的案例。
Mira Murati、John Schulman、Barret Zoph、Lilian Weng等人构成了极强的创始阵容，公司也因此获得约20亿美元的超大额种子轮融资。但据公开报道，团队随后出现多名核心成员流失。
对于其最新融资与估值，公开信源存在500亿美元与120亿美元等不同口径，本文不作裁决。
它提示我们：高密度并非永久状态。团队可以在短时间内聚集，也可能快速下修。
第7名 Cursor（Anysphere）
Cursor代表了研究密度之外的另一条路径：工程密度。
其人均收入产出位于行业第一梯队，同时持续从大公司吸引顶尖基础设施与产品工程人才。AI时代的密度，不只发生在实验室，也发生在高效产品组织中。
第8名 Reflection AI
据公开报道，Reflection AI由前Google DeepMind研究者创立，并承接了部分agentic coding方向的人才流动。它仍处于早期阶段，值得观察的是这批研究人才能否转化为稳定的产品和组织能力。
第9名 World Labs
李飞飞与Justin Johnson领衔的World Labs，在空间智能与世界模型方向拥有很强的学术网络中心性。
需要说明的是，本次评估未对其2026年团队现状进行逐人验证。
第10名 xAI
xAI作为“反例”进入榜单。
它拥有可观的绝对人才规模，但公开报道显示，2025至2026年间团队出现大规模研究员、工程师与联合创始人流失。
这也是人才密度框架最重要的区分：存量密度决定名单是否好看，流量密度决定组织正在变好还是变差。
中国榜：扩张与稀释的赛跑
当组织快速扩张，关键问题不再是“招了多少人”，而是核心密度能否被复制。
第1名 DeepSeek
DeepSeek的存量密度处于中国第一梯队，DINQ的逐人级探测可以直接支持这一判断：团队中聚集了多位关键模型、对齐与数学方向的核心贡献者，并存在从其他头部大模型公司反向流入的人才。
但接下来有两个变量值得盯紧。
一是，据公开报道，2025年下半年以来，已有多名核心研发成员离开，流向字节、腾讯、小米等大公司；
二是，公司在2026年宣布大规模扩招，并出现首次外部融资的公开报道。
扩张是密度最天然的稀释剂。DeepSeek能否在人力规模快速增长的同时守住人均浓度，可能是未来12个月中国AI人才市场最值得观察的变量之一。
第2名 字节跳动Seed
Seed并非独立公司，但其在中国AI人才市场的体量和影响力已无法绕开。
DINQ探测显示，Seed持续从Google/DeepMind、腾讯、亚马逊、Databricks等机构吸纳研究人才，并在北美与新加坡多点建制。据公开报道，其核心岗位薪酬也在持续上涨。
如果说DeepSeek代表高存量密度，Seed则代表中国市场最强的净流入能力之一。
第3名 月之暗面（Kimi）
月之暗面是中国“人均密度”最有力的候选者之一。
DINQ数据显示，其团队规模处于百余人量级，却持续推出K2、K2.5等模型；核心成员背景覆盖Meta FAIR、旷视、微软等机构。
面向顶尖实习生的“穿越计划”，也体现了其在人才识别和长期绑定上的制度创新。
第4名 阿里通义（Qwen）
Qwen同样是业务单元，但在全球开源生态中的中心位置，使其拥有独特的人才复利。
全世界基于Qwen做研究、开发和二次创新的人，都可能成为它未来的人才入口。就网络中心性而言，Qwen是中国市场最突出的团队之一。
第5名 智谱
智谱是清华系AI学术网络的重要节点，GLM系列在agent方向保持较快迭代。
它的密度特征可以概括为“深而窄”：学术纵深突出，优势方向集中。
第6名 MiniMax
MiniMax的多模态人才结构相对均衡。作为上市公司，它还拥有较为明确的股权流动性，这在中国AI创业公司中是一张稀缺的留存牌。
第7名 阶跃星辰
阶跃星辰体现了微软亚洲研究院系人才的整建制密度，多模态基座能力扎实。
公司商业化转向后的人才净流向，本次未进行专项验证，后续仍需观察。
第8名 面壁智能
面壁智能是清华NLP系在端侧模型方向形成的“小而纯”团队，规模有限，但专业密度突出。
第9名 银河通用
银河通用是具身智能赛道的人才密度代表。创始人的学术网络中心性叠加较快的产业落地节奏，使其对具身方向人才形成明显吸引力。
第10名 它石智航
它石智航代表了另一种“成立即高密度”的组织路径：创始团队以华为车BU“天才少年”体系为重要班底，团队本身即构成早期估值的重要部分。
具身智能仍处于快速变化阶段，银河通用与它石智航的相对位置，仍需更多专项数据验证。
榜单之外，三个判断更重要
官网名单记录的是一个时点，人才流向展示的是组织正在发生的变化。
判断一：中美人才战争，正在进入镜像阶段
美国市场已经演示了“大公司用天价薪酬从实验室买人”的结果：个人可以被快速招入，组织密度却未必能够同步建立。
中国市场正在出现相似的一幕。腾讯、小米、字节等大公司持续从明星实验室吸纳核心人才，薪酬和职位不断上探。
但大公司能否把“高价买来的人”真正变成“高效协作的团队”，仍需时间验证。这也是中美两个市场共同的悬念。
判断二：人才密度决定技术上限，不保证商业结果
人才密度在pre-PMF阶段尤其重要。因为当收入、客户和商业模式都尚未稳定时，团队往往是最可信的未来资产。
但随着公司进入收入阶段，人才密度的权重会下降，并逐步让位给增长、毛利、留存、现金流等传统指标。
Inflection等案例已经说明：顶尖团队可以拥有极高技术密度，却仍可能遭遇商业失败。
密度决定一家公司有机会做到多高，却不保证它最终走到哪里。
判断三：静态名单会骗人，流量更接近真相
一年前，Thinking Machines Lab和xAI的团队名单都足够耀眼。
但组织不是一张合影，而是一条持续变化的曲线。
判断一家AI公司，与其只看官网团队介绍，不如观察三个问题：
最优秀的人正在加入，还是离开？
离开的，是边缘员工，还是掌握核心技术与组织记忆的人？
新加入的人，能否在半年后仍然留下并形成协作？
这正是人才流动数据作为alternative data的价值。
卫星图像可以提前观察零售客流，信用卡数据可以提前判断消费趋势；在AI时代，人才流向也可能成为理解一家公司真实变化的领先信号。
钱流向哪里，告诉我们市场相信什么；人流向哪里，告诉我们行业正在发生什么。
AI行业从不缺估值榜、融资榜和模型榜。
但真正塑造下一轮格局的，可能不是谁今天拿到了最多的钱，而是谁能让最优秀的人持续加入、留下，并一起把困难的问题做出来。
人才密度不是一份静态名单，也不是几个明星名字的总和。
它是一张协作网络，一套组织机制，也是一条不断变化的人才流向曲线。
这也是DINQ持续追踪的问题：
这家公司的关键人才，正在流向哪里？
人物资料来源：DINQ People Search（dinq.me）
完整团队流动轨迹、关联机构图谱与持续监测服务，请联系DINQ团队。
本文由DINQ Labs基于自有人才数据引擎的探测结果，以及截至2026年7月的公开信息撰写，仅代表特定时点的方向性分析，不构成投资建议、商业尽调结论、公司价值评定或个人职业建议。
文中估值、融资、薪酬及人员变动等数字，凡使用“据报道”“据公开信息”等表述者，均来自公开媒体。DINQ不对第三方报道的准确性与完整性作保证；存在信源冲突之处，本文尽量并列呈现。
榜单排序基于本文所述四维框架的定性综合判断，未经历史回测，不应被理解为精确排名或可交易指数。
文中个人信息来自公开职业档案、学术发表或公开报道。如相关个人或公司认为信息有误，或希望更正、删除，欢迎通过公众号后台联系。
人才流动是高频变量，本文结论具有时效性，DINQ将根据新数据持续更新。
本文不代表DINQ与文中任何公司存在合作、背书或利益关系。
© 2026 DINQ Labs Inc. · The People API for the Agent Era
