OpenAI专业挖角,近100位大佬到手!谷歌、Meta等大厂沦为「后备人才库」

ChatGPT一炮而红,彻底把openAI这个创业公司整破圈了,短短5天,全球注册用户就突破100万,至今仍热度不减。

但为什么是OpenAI做出了ChatGPT?OpenAI的员工又都是什么背景?

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

OpenAI专业挖角,近100位大佬到手!谷歌、Meta等大厂沦为「后备人才库」

抢人大战,openAI赢麻了

根据外媒Leadgenious Punks & Pinstripes对目前736名OpenAI员工的背景进行分析后可以发现:几乎所有的 OpenAI 核心人才都来自大型科技公司。

其中有59人之前就职于谷歌,其次是Meta (34人) ,苹果(15人) ,Dropbox (14人) ,亚马逊(11人)。

OpenAI专业挖角,近100位大佬到手!谷歌、Meta等大厂沦为「后备人才库」

在OpenAI的员工中,有389人曾在硬件或软件公司工作;还有39人来自金融服务业,包括摩根大通(7名外籍员工)、罗宾汉(5人)和瑞银(3人)。 

OpenAI在技术人才的争夺上,已经赢麻了。

LeadGenius 的研究结果也为大型科技公司敲响了「人才警钟」,那些大型科技公司,尤其是谷歌对员工的关注度并不够。

从谷歌离职的人里面,很多都是在创新实验室(如Alphabet X)中进行一些次级产品的研发,也就意味着,他们基本看不到自己的工作成果对公司的核心产品或收益产生有意义的影响。

而openAI可以给他们这个机会。

此外,OpenAI招聘了39名金融员工,远超行业预期,是否意味着OpenAI的下一步棋就是「挑战金融服务业」?

360 Digital Immersion 公司总裁兼创始人Lisa Wardlaw表示,「现在下结论还为时过早,但他们的确为寻找新选择的华尔街人才提供了一个可行的选择。」

在马克·扎克伯格创办Facebook的那个年代,只需要一间大学宿舍,或是一个车库就能开一家世界级公司;而OpenAI的成功则是从大公司「挖墙脚」。

谷歌:OpenAI的后备人才库

早在去年11月ChatGPT发布的博客文章中,致谢部分可以发现5名谷歌员工的名字:Barret Zoph, Liam Fedus, Luke Metz, Jacob Menick, Rapha Gontijo Lope

OpenAI专业挖角,近100位大佬到手!谷歌、Meta等大厂沦为「后备人才库」

领英显示,Barret Zoph于2022年8月离职Google Brain,加入OpenAI参与打造ChatGPT,主要研究方向为训练大型稀疏语言模型和AuoML,如神经结构搜索(NAS)。

OpenAI专业挖角,近100位大佬到手!谷歌、Meta等大厂沦为「后备人才库」

Liam Fedus于2018年入职Google Brain,2022年9月左右入职OpenAI,在蒙特利尔大学攻读博士期间导师为图灵奖得主Yoshua Bengio,研究方向横跨有监督、无监督和强化学习。

怪兽AI知识库 怪兽AI知识库

企业知识库大模型 + 智能的AI问答机器人

怪兽AI知识库 51 查看详情 怪兽AI知识库

OpenAI专业挖角,近100位大佬到手!谷歌、Meta等大厂沦为「后备人才库」

Luke Metz于2016年入职Google Brain任高级研究科学家,目前在领英和推特个人主页尚未显示加入OpenAI.

OpenAI专业挖角,近100位大佬到手!谷歌、Meta等大厂沦为「后备人才库」

Jacob Menick于2015年9月入职DeepMind,2022年9月入职OpenAI任研究员,博士毕业于伦敦大学学院,主要研究方向为机器学习、生成式模式、大规模深度学习、变分推理、信息论和稀疏模型。

OpenAI专业挖角,近100位大佬到手!谷歌、Meta等大厂沦为「后备人才库」

Rapha Gontijo Lope于2018年6月本科毕业于佐治亚理工学院,后入职Google Brain,期间参与了为期两年的谷歌AI留居计划,2022年9月入职OpenAI

OpenAI专业挖角,近100位大佬到手!谷歌、Meta等大厂沦为「后备人才库」

不过最大的boss还是OpenAI的联合创始人和首席科学家Ilya Sutskever,他在2005年毕业于多伦多大学,2012年获得计算机科学博士学位。

OpenAI专业挖角,近100位大佬到手!谷歌、Meta等大厂沦为「后备人才库」

毕业至今,曾先后就职于斯坦福大学,DNNResearch,Google Brain,从事机器学习与深度学习的相关研究,并于2015年放弃谷歌的高薪职位,与Greg Brockman等人联合创建了OpenAI,在OpenAI主导了GPT-1,2,3以及DALLE系列模型的研发。

谷歌还是太怕风险了

上面提到的几位员工大多曾在Google Brain任职,有部门员工在接受采访时表示,Google Brain的工作文化让人实在打不起精神,除了有令人难受的官僚主义作风,对待新产品提议的态度也过于谨慎,很多员工都有离职的想法。

另外也有员工抱怨,曾经建议过公司应该把对话功能加入到搜索引擎里,但根本就没人重视。

不过Google Brain内部仍然人才济济,仍然有超过800位以上来自世界各地的顶尖科学家。

除此之外,AppSheet 创始人 Praveen Seshadri 在离职谷歌后也发表了一篇博客,他认为谷歌陷入了一个迷宫之中,员工浪费了大量的精力在审批、启动流程、法律评估、绩效评估、执行评估、文档、会议、错误报告、分类、 OKR、 H1计划、随后的 H2计划、全员峰会和重组上,实际能做的事非常少。

OpenAI专业挖角,近100位大佬到手!谷歌、Meta等大厂沦为「后备人才库」

尤其是面临OpenAI和微软的围剿,谷歌不仅面临技术上的压力,还面临大裁员等问题,在某种程度上反映出管理层和员工普遍缺乏自我意识。

最大的问题还是在于谷歌的核心文化:

没有使命感(no mission)没有紧迫感(no urgency)过度审查(delusions of exceptionalism)管理不善(mismanagement)

尽管谷歌的两个核心价值观是「尊重用户」和「尊重机会」,但在实践中,这些系统和流程被有意设计为「尊重风险」。

风险缓解胜过一切,如果一切进展顺利,最重要的事情是避免出现问题,并在广告收入不断增加的情况下继续前行:

更改的每一行代码都有风险,因此需要大量的中间过程来确保每一次代码更改都能完美地避免风险;发布的任何东西都是有风险的,所以要进行大量的审查和批准,哪怕只是在一个小产品上发布一个小变化;任何不明显的决定都是风险,需要由群体共同决定;任何与过去不同的做事方式都是风险,所以要坚持原来的方式;任何对你不满意的员工都是职业风险,所以经理们的目标是100% 的员工满意度,即使对待表现最差的员工也要小心翼翼;任何与管理链的分歧都是职业风险,所以一定要应承自己的上级;

如果重点转移到价值创造上,那么一切都会变得不同,比如每天问自己「我今天为谁创造了价值」,如果能创造更多的价值,产生更大的影响,员工就会更加努力工作。

早年谷歌在「抢人大战」里疯狂挖Meta等大厂的墙角来扩充自家人才资源,现如今自己反倒成了OpenAI的后备人才库。

难怪ChatGPT爆火后谷歌要拉响「红色警报」,再不重视人才的保护,自家培养的高级研究员早晚要被挖完!

参考资料:​​https://www.php.cn/link/2287c6b8641dd2d21ab050eb9ff795f3​​

以上就是OpenAI专业挖角,近100位大佬到手!谷歌、Meta等大厂沦为「后备人才库」的详细内容,更多请关注创想鸟其它相关文章!

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 chuangxiangniao@163.com 举报,一经查实,本站将立刻删除。
发布者:程序猿,转转请注明出处:https://www.chuangxiangniao.com/p/552599.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2025年11月9日 20:46:09
下一篇 2025年11月9日 20:47:01

相关推荐

  • 利用LangChain和FAISS构建基于CSV数据的RAG问答机器人教程

    本文详细介绍了如何使用langchain框架,结合faiss向量数据库和huggingface embeddings,构建一个能够基于csv文件内容进行问答的检索增强生成(rag)聊天机器人。教程涵盖了从数据加载、文本分块、创建向量存储到集成检索器并增强大型语言模型(llm)回答的完整流程,旨在帮助…

    2025年12月15日
    000
  • 基于LangChain和FAISS的CSV数据检索增强型问答机器人构建指南

    本教程详细介绍了如何利用langchain框架,结合faiss向量数据库和openai大型语言模型,构建一个能够基于csv文件内容进行智能问答的聊天机器人。文章涵盖了从csv数据向量化、faiss索引创建,到核心的检索增强生成(rag)机制集成,以及如何将检索到的相关信息有效融入语言模型提示词,从而…

    2025年12月14日
    000
  • ChromaDB向量嵌入的有效持久化策略

    本文详细介绍了如何利用langchain中chromadb的`persist_directory`功能,高效地持久化存储向量嵌入。通过将生成的嵌入数据保存到本地磁盘,可以有效避免重复计算,显著提升工作流程效率。教程将涵盖持久化chromadb实例的创建与后续加载的完整过程。 在处理大规模文本数据并生…

    2025年12月14日
    000
  • 基于LangChain的CSV数据检索增强生成(RAG)问答系统构建指南

    本教程详细介绍了如何利用langchain框架构建一个基于csv文件的检索增强生成(rag)问答系统。文章涵盖了从csv数据加载、文本切分、嵌入生成到faiss向量数据库创建的完整流程。核心内容在于如何将faiss检索器集成到聊天机器人中,使语言模型能够根据用户查询从csv数据中检索相关信息,并结合…

    2025年12月14日
    000
  • 基于LangChain和FAISS构建RAG问答机器人:CSV数据集成指南

    本文详细介绍了如何利用langchain、faiss和huggingface embeddings构建一个基于检索增强生成(rag)的问答机器人,使其能够根据csv文件中的特定数据生成答案。教程涵盖了从数据加载、向量数据库创建到检索器集成和llm交互的完整流程,并提供了具体的代码示例和实现细节,帮助…

    2025年12月14日
    000
  • 使用Python和正则表达式从字符串中提取关键词右侧文本

    本文将详细介绍如何使用python,特别是正则表达式,从字符串中截取并保留指定关键词右侧的内容。通过高效的正则表达式模式,我们可以精确地移除关键词及其左侧的所有文本,从而获得所需的目标子串。这对于处理音频转录等需要基于特定标记进行内容筛选的场景尤为实用。 Python字符串:从指定关键词开始截取右侧…

    2025年12月14日
    000
  • 使用Schema文件:无需数据库连接生成SQL的LLM实践

    本文旨在探讨如何在不建立实际数据库连接的情况下,利用大型语言模型(LLM)根据数据库Schema生成SQL语句。我们将重点介绍通过直接向LLM提供Schema描述来绕过传统数据库连接依赖的方法,并提供详细的实现步骤和代码示例,帮助开发者在保障安全性和灵活性的同时,实现高效的SQL生成。 引言:SQL…

    2025年12月14日
    000
  • LangChain模型导入指南:理解与解决ImportError

    本文旨在解决在使用langchain库时,尝试通过`langchain.chat_models.list_available_models`函数列出可用模型时遇到的`importerror`。文章将阐明该函数不存在的原因,并指导用户如何通过检查库的内部结构来识别可用的聊天模型。同时,提供正确的模型导…

    2025年12月14日
    000
  • ChromaDB向量嵌入持久化指南:高效管理与重用

    本教程详细介绍了如何在chromadb中持久化存储向量嵌入,以避免重复耗时的计算过程。通过利用`persist_directory`参数,用户可以轻松地将生成的向量数据库保存到本地文件系统,并在后续操作中快速加载,从而显著提高开发效率和资源利用率。文章将通过代码示例演示创建、保存和加载持久化数据库的…

    2025年12月14日
    000
  • 持久化ChromaDB向量嵌入:避免重复计算的教程

    本教程详细介绍了如何使用chromadb的`persist_directory`功能来高效地保存和加载向量嵌入数据库,从而避免重复计算。通过指定一个持久化目录,用户可以轻松地将生成的嵌入结果存储到本地文件系统,并在后续操作中直接加载,极大地节省了时间和计算资源。文章提供了清晰的代码示例和关键注意事项…

    2025年12月14日
    000
  • ChromaDB向量嵌入持久化:避免重复计算的实用指南

    本文详细介绍了如何利用langchain与chromadb的`persist_directory`参数来持久化向量嵌入数据库。通过在数据库创建时指定存储路径,可以有效地将向量数据及其索引保存到本地文件系统,从而避免在后续应用中重复进行耗时的嵌入计算。教程涵盖了数据库的创建与持久化,以及如何从已保存的…

    2025年12月14日
    000
  • ChromaDB向量嵌入持久化:高效保存与加载策略

    本教程详细介绍了如何利用chromadb的`persist_directory`功能,有效地保存和加载向量嵌入数据库,从而避免重复计算。通过简单的代码示例,您将学会如何在创建chromadb实例时指定持久化目录,以及如何在后续操作中从该目录加载已保存的数据库,确保数据一致性和计算效率。这种方法是管理…

    2025年12月14日
    000
  • 基于Schema文件实现无数据库连接的SQL语句生成

    本文探讨了在不直接连接数据库的情况下,如何利用数据库schema文件生成sql语句的方法。我们将重点介绍通过提供详细的数据库概览信息给大型语言模型(llm),实现基于schema的sql查询生成,从而避免实际数据库连接,提升安全性和灵活性。内容涵盖了如何准备schema信息以及其在llm驱动的sql…

    2025年12月14日
    000
  • 数据库模式驱动的SQL生成:无需实时连接的LLM实践指南

    本文探讨了如何在不建立实时数据库连接的情况下,利用数据库模式信息驱动大型语言模型(llm)生成sql语句。我们将介绍通过手动提供模式文本、构建自定义工具等方法,绕过传统数据库链的限制,实现高效、安全的sql生成,并提供实践指导与注意事项。 引言:离线SQL模式的必要性 在利用大型语言模型(LLM)进…

    2025年12月14日
    000
  • LLM驱动的无连接SQL生成:基于数据库模式文件的高效策略

    本文探讨如何在不建立实际数据库连接的情况下,利用大型语言模型(LLM)从数据库模式文件生成SQL语句。文章将介绍通过提供详细的数据库概览(如DDL)给LLM进行SQL生成的方法,并讨论相关策略、实现考量及最佳实践,旨在实现安全、高效的SQL语句生成。 引言:无连接SQL生成的需求与挑战 在软件开发、…

    2025年12月14日
    000
  • 无需数据库连接,利用Schema信息生成SQL语句的策略与实践

    本教程探讨了在不建立实际数据库连接的情况下,如何利用数据库Schema信息生成SQL语句。我们将深入研究通过直接向大型语言模型(LLM)提供Schema定义(如DDL语句)来绕过传统的SQLDatabaseChain,实现SQL语句的生成。文章将涵盖提示工程、定制化链的构建以及相关的最佳实践,旨在为…

    2025年12月14日
    000
  • Langserve中实现动态RAG应用:Langchain链式输入处理教程

    本教程详细阐述如何在langserve中构建支持动态输入的rag(检索增强生成)应用。文章通过langchain的runnable接口,展示如何将用户查询和目标语言作为动态参数传递给检索器和llm提示模板,从而实现灵活、可配置的交互式ai服务。内容涵盖链式组件的构建、langserve路由配置及示例…

    2025年12月14日
    000
  • 在Pinecone中实现基于用户ID的向量检索过滤

    本文旨在提供一个在Pinecone向量数据库中,利用元数据高效实现基于用户ID的向量检索过滤的教程。我们将探讨如何将用户ID作为元数据存储,并将其集成到LangChain的`ConversationalRetrievalChain`中,以构建个性化的RAG(检索增强生成)应用,避免为每个用户创建单独…

    2025年12月14日
    000
  • 利用元数据在Pinecone中实现用户ID过滤的教程

    本文详细介绍了如何在多租户rag应用中,利用pinecone向量数据库的元数据过滤功能,高效且安全地隔离不同用户的向量数据。通过在向量嵌入时附加用户id作为元数据,并在检索时应用精确过滤,可以避免创建昂贵的独立索引,实现资源共享和数据隔离的平衡,从而优化系统性能和成本。 在构建多用户或多租户的检索增…

    2025年12月14日
    000
  • 使用 OpenAI Assistants API 调用异步函数

    本文旨在解决在使用 OpenAI Assistants API 时,如何正确调用异步函数的问题。通过一个实际案例,我们将探讨如何检测函数是否为异步协程,并使用 asyncio.iscoroutinefunction 和 await 关键字来确保异步函数能够被正确执行。同时,提供了一个 execute…

    2025年12月14日
    000

发表回复

登录后才能评论
关注微信