人才密度的三種打法：Meta、Anthropic 與 OpenAI

我在 X 上看到一則談 Meta 重啟 AI 團隊的討論。接近一百人的研究核心，以及 Zuckerberg 親自投入招聘的過程，讓我對「人才密度」起了興趣。X 上的討論、訪談逐字稿

但要理解這個策略，還需要把其他實驗室的管理者放進來看。

Dario Amodei 早在 2024 年的訪談中，就明確主張人才密度比人才總量重要。Sam Altman 也談過集中資源，以及評估人才對整體組織的影響。Amodei 訪談、Altman 的管理心得

這讓我想問：當大家都說需要優秀的人，差別究竟在哪裡？各家公司又如何讓這些人一起工作？

人才密度與規模，回答不同問題

規模回答的是有多少人。人才密度關心的，是團隊對能力採取什麼標準，以及成員的能力如何配合工作需求。

研究核心、公司總人數與支援職能，也要分開看。Meta 的百人研究核心背後仍有大型公司的資源；其他公司的總人數則可能包含產品、商務與營運。把不同範圍的數字放在一起，容易把組織分工誤讀成策略勝負。

因此，我會先看領導者怎麼選人，再看資源、決策權與協作如何安排。高選人標準是人才策略的主張，這些工作條件則影響能力能否發揮。

圖一：依三家管理者的公開說法整理，各種做法可以互相搭配。

Meta：把資源集中到精簡的研究核心

2026 年 10 月的 Cheeky Pint 訪談中，Wang 強調嚴格篩選人才，Zuckerberg 則談到避免把算力分散到太多研究工作。兩人希望讓精簡核心取得較多資源，並減少不參與技術細節的管理層。訪談逐字稿

招聘也影響了重啟的方式。Zuckerberg 說，他們與外部人才交談時，才逐漸確認需要重新組建團隊；原 Llama 與 FAIR 的優秀成員也會納入。他自己則騰出約一到兩個月，大量與研究員見面。訪談逐字稿

我從這裡讀到的，是公司要回應研究人才對工作環境的要求。想邀請的人需要什麼算力、希望能決定哪些研究問題，可能反過來改變原來的組織安排。

這個做法仍有一個考題：資源集中後，誰判斷哪些方向值得繼續？少數研究員取得更多算力，也代表方向選錯時，代價可能集中在少數判斷上。

Zuckerberg 在同一場訪談中說，希望成員為自己相信的事情爭辯。我會繼續看的是，這些分歧能否進入實驗，讓新的證據有機會改變資源配置。訪談逐字稿

Anthropic：用高標準與共同目的建立互信

Amodei 對人才密度的解釋，把重點放在成員如何看待彼此。

2024 年接受 Lex Fridman 訪問時，他認為能力強、投入且理解共同使命的人，能讓同事彼此信任；選人標準鬆動後，組織就可能需要更多流程，處理低信任與內部政治。他也說，Anthropic 當時接近一千人，正放慢招聘，讓成長更謹慎。這是當時的組織自述，訪談中的人數也只是他的概略回憶。Amodei 訪談，約 1:38:25 起

這段話直接修正了「Anthropic 只走規模路線」的印象。公司可以成長，也可以為了保留選人品質而放慢成長。

我理解他的側重，是讓成員相信同事有能力，也願意為共同問題負責。如此一來，協作可以少花一些時間在猜測動機與反覆確認上。

但共同目的也可能形成一致性壓力。研究員不同意某條路線時，團隊如何分辨技術上的質疑與目標上的分歧？

Amodei 在同一場訪談中，也把開放性列為研究與工程人才的重要特質：願意用新眼光看資料，並把想法放進實驗。這讓我認為，共同目的需要與可被證據改變的判斷放在一起。同場訪談，約 1:42:09 起

使命可以幫助團隊決定要解決什麼問題；如何解決，仍需要有人提出不同看法。

OpenAI：看人才對整體組織的影響，並把責任交出去

Altman 的公開管理觀點，提供了第三個角度。

在 2023 年的〈What I Wish Someone Had Told Me〉中，他主張把資源集中到少數深信的方向，也提醒讀者：評估明星人才，要看他們對整體組織表現帶來的影響。他同時鼓勵招聘成長快的高潛力人才，並看實際完成工作的證據。Altman 的管理心得

這是他的公開原則，不能直接當成 OpenAI 每項人事決策都如此執行的證明。但它提出一個很實際的標準：一個人很強，和他讓整個團隊變強，仍然需要分開評估。

在 2025 年發布的 Conversations with Tyler 訪談中，Altman 談到 OpenAI 面對更多工作時，靠招聘、晉升優秀的人，再把責任交給他們。他把這視為自己知道的可持續做法。Altman 訪談

我的理解是，組織增加工作範圍時，也需要增加能獨立承擔判斷的人。這與 Meta 精簡研究核心的做法，可以同時存在於不同職能。

授權之後，協作成本仍會出現。Altman 在同一場訪談中坦承，Slack 的大量訊息占用他的時間，也可能製造沒有實質價值的工作。同場訪談

這讓 OpenAI 的說法多了一個值得追問的地方：公司把責任交出去之後，能否讓重要資訊順利流動，而不讓協調本身變成新的瓶頸？

觀察留任率資料

SignalFire 在 2025 年報告中，整理了幾家 AI 實驗室的兩年留任率估計。SignalFire 人才報告

兩年留任率指至少兩年前入職者，在第二年結束時仍留在公司的比例。

分析涵蓋 2023 至 2024 年，依據公開、自填的 LinkedIn 職歷，可能有日期誤差或缺漏。Meta 的 64% 則是全公司，Meta AI 沒有獨立納入，資料也早於 MSL 成立。

這份報告讓 Anthropic 的留任值得關注，卻沒有證明使命造成高留任，也沒有證明留任率較高就一定產出更好的模型。

共同工作需要累積經驗。哪些實驗失敗過、當時受到什麼限制，往往影響下一次如何判斷。

我在〈知識管理不靠自律，靠管線〉談過知識如何從收集走到取用。對研究團隊還得多問一句：人離開之後，文件能否讓接手的人理解當時為什麼那樣做？

比較的重點，是工作如何完成

三家管理者的側重可以整理如下，這些做法能互相搭配。

手機閱讀時，可左右滑動表格。

讀完這些觀點，我更想看的，是一個想法到有效實驗之間，要經過多少等待；出現新證據時，團隊能否修改方向；人員更替後，工作能否接著往下做。

人才密度要變成實際成果，必須讓真正懂工作、也有權配置資源與調整分工的人，負責設計人才協作的流程。誰提出問題、誰做決定、資源如何分配、分歧如何驗證，都需要明確安排，並能根據實際結果修正。

懂的人必須有權改變協作方式，有權的人也必須理解工作如何完成。缺少這個結合，再多頂尖人才也可能被卡在同一套流程裡。人才密度、共同目的與授權，最後都會變成空口說白話。