硅谷AI创业进入下半场：中层收缩、Token成本降温，通才型工程师走到台前

据36氪报道，身处硅谷AI创业一线的工程师马培元近期分享了他对AI行业变化的观察。他曾在Quora及其AI聊天机器人聚合平台Poe担任资深AI工程师，近期加入AI Agent创业公司Cognition，同时也以Venture Scout身份为投资机构寻找AI项目。来源显示，Cognition在2026年5月宣布完成超过10亿美元融资，估值升至260亿美元；而8个月前，其估值为102亿美元。围绕AI创业、组织结构、人才标准与模型使用方式，马培元的判断指向一个核心变化：AI行业的“野蛮生长”阶段正在过去，硅谷进入更重效率、成本和组织适配能力的下半场。

这篇访谈的一个显著背景是，硅谷AI共识正在快速过期。来源提到，马培元在两次访谈间隔的两周内，就发现自己此前关于“追逐最贵、最前沿模型”的判断开始动摇。当下更流行的做法，已经转向将多个较便宜模型与顶尖模型进行“融合调度”。这意味着，AI公司不再只围绕参数、Token和最强模型展开竞争，而是开始认真计算每一次调用背后的成本、效果与工程可控性。

从“最强模型崇拜”到模型调度：Token狂热开始退潮

过去两年，许多AI产品的竞争叙事都围绕“谁接入了最先进的大模型”“谁能消耗更多算力和Token”展开。但来源中的观察显示，硅谷创业团队正在重新评估这套逻辑。对于真实业务而言，最贵模型并不总是最优解，尤其当产品需要高频调用、长链路推理或多轮交互时，模型成本会直接影响商业化空间。

因此，一个更工程化的趋势正在形成：不同任务由不同能力和价格区间的模型承担，顶尖模型用于复杂推理、关键决策或兜底环节，较低成本模型则承担常规生成、分类、信息抽取、简单代码辅助等任务。对AI Agent产品来说，这种调度能力尤其关键，因为Agent并不是单次问答，而是持续规划、执行、检查和迭代的系统。

这也意味着AI创业的门槛正在从“拿到好模型”转向“用好一组模型”。模型本身仍然重要，但产品架构、调用策略、评估体系、延迟控制和成本管理，正在成为AI工程团队新的核心竞争力。

人才标准变化：通才与AI原生能力更受青睐

马培元的经历也反映出硅谷AI公司招聘逻辑的变化。来源提到，他并非传统意义上的计算机竞赛型或顶尖名校光环型人才，但在Quora、Poe到Cognition的路径中，他踩中了当前AI创业公司偏好的人才特征：跨领域、学习快、能把模型能力落到产品中。

在Poe内部启动Agent项目时，团队选择他的原因之一，是他既接触过AI，也具备全栈开发和iOS经验。对于早期AI项目而言，问题往往不是单点技术深度，而是需要有人能把提示词、前端界面、后端逻辑、模型调用和用户体验串起来。来源将这类人才称为polyglot talent，也就是更通俗意义上的“六边形战士”。

这给中文科技从业者一个直接启发：在AI应用层创业中，单纯掌握某一项工具或框架并不足够。更有价值的是能快速理解新模型能力边界，并把它嵌入业务流程的人。尤其在AI编程工具普及后，传统“年限”对能力的解释力正在下降，AI原生开发习惯可能让新人更快完成复杂任务。

• 通才优势上升：能同时理解模型、产品、工程和用户场景的人，在早期团队中更稀缺。
• AI工具熟练度成为生产力变量：会不会用AI写代码、调试、生成方案，正在影响工程效率。
• 学习速度比经验年限更关键：新领域可能在数周内完成入门并投入产出。
• 应用落地能力更受重视：能把大模型能力变成可用产品，而不只是讨论模型指标。

组织结构承压：中层管理的价值被重新审视

来源中另一个引人关注的观察是“people manager正在消亡”。马培元在对谈中提到这一判断后不久，腾讯、字节取消中层的新闻被用作外部印证。这里不宜简单理解为所有中层都会消失，而是AI时代组织开始重新评估管理层级的必要性。

当AI工具提升个人产出、信息同步和项目推进效率后，部分只承担传达、协调、汇报职能的中间层会面临更大压力。尤其在创业公司中，组织更倾向于减少层级，让工程师、产品负责人和业务负责人直接围绕目标协作。AI并不是单独替代某个岗位，而是在压缩低信息增量的组织环节。

这对国内科技公司也有参考意义。过去大公司依赖层级化管理消化复杂业务，但在AI工具进入研发、运营、客服、销售和数据分析之后，很多流程可以被自动化记录、总结和分发。管理岗位若不能提供判断、资源配置、人才培养和跨部门决策能力，就可能在效率优化中被重新定义。

影响与解读：AI创业从“讲故事”转向“算账与交付”

综合来源信息，硅谷AI创业正在进入一个更理性的阶段。一方面，Cognition等AI Agent公司的高融资和高估值说明资本仍在押注下一代软件形态；另一方面，模型调用方式、人才结构和组织层级的变化，又说明行业不再满足于“接入大模型即可增长”的早期逻辑。

对于AI Agent赛道而言，这种变化尤其明显。Agent概念曾经模糊，但真实落地需要面对复杂工程问题：任务拆解是否稳定、调用成本是否可控、出错后能否恢复、用户是否愿意为结果付费。这些问题无法只靠更大的模型解决，也无法只靠营销叙事解决。

从中文市场看，这场“AI创业下半场”的信号值得关注。未来AI应用公司的竞争，可能不再是谁率先接入某个前沿模型，而是谁能更好地组合模型、重构流程、压低成本并形成稳定体验。AI行业的共识仍会快速变化，但效率、成本和真实交付能力，正在成为更难被推翻的底层标准。