10月15日，17岁的AI研究员陈广宇宣布已离开月之暗面Kimi团队，任职不足一年，目前尚未公布离职原因及下一步计划。
文章作者、来源：ME News
TL;DR
- 10月15日，17岁的AI研究员陈广宇宣布已离开月之暗面Kimi团队，任职不足一年，目前尚未公布离职原因及下一步计划。
- 四天前，Menlo Ventures投资人Deedy Das透露，一名17岁AI少年收到了五份价值约100万美元或更高的工作报价。两人经历存在相似之处，但身份关联尚未得到证实。
- 陈广宇的价值不只在于年龄。他参与提出的Block AttnRes架构，解决了大模型研究成果走向规模化训练的重要工程问题。
- AI正在改变顶尖研究人才的定价逻辑。真正稀缺的不再只是学历与工作年限，而是能否在前沿技术问题上产生可验证的贡献。
- 但少数年轻研究员获得高额报价，并不意味着普通年轻人的就业环境同步改善。AI人才市场正在出现明显分化。
一、17岁离开Kimi，两个时间接近的消息引发猜测
10月15日，17岁的AI研究员陈广宇（Nathan Chen）宣布，自己最近已经离开月之暗面Kimi团队。从2025年11月加入算起，他在这家中国大模型公司工作的时间还不到一年。陈广宇在告别中将过去一年称为迄今最美好的经历，感谢团队在自己只有16岁时便给予机会，但并未透露具体离职原因，也没有公布下一站。
如果只是普通研究人员的职业流动，这样的消息未必会引起广泛关注。陈广宇的特殊之处在于，今年3月，他作为三名共同第一作者之一，参与了Kimi团队发表的Attention Residuals（注意力残差）研究，随后又参与Kimi K3相关底层技术开发。在不少同龄人仍忙于大学申请和专业选择时，他已经拥有实际参与前沿大模型研发的经历。
让事件变得更加引人关注的，是四天前硅谷投资圈的一则消息。
10月11日前后，美国风险投资机构Menlo Ventures投资人Deedy Das分享了自己遇到的一名17岁AI少年的经历。据他描述，这名少年14岁时英语尚不熟练，却通过大语言模型自学人工智能，随后在一家顶尖AI公司实习约一年。他进入美国一所排名前十的本科院校，却在入学两周后选择退学，如今已经拿到旧金山多家前沿AI实验室提供的五份工作报价，每份价值约100万美元或更高。
由于年龄、研究背景以及跨国求学经历存在相似之处，部分网友将这名匿名少年与陈广宇联系起来。陈广宇此前确实有过硅谷实习经历，其领英资料也出现过卡内基梅隆大学（CMU）的教育记录，这些信息进一步增加了外界的联想。
不过，截至10月15日，没有足够的公开证据证明Deedy Das所说的少年就是陈广宇，更不能据此推断他因获得硅谷Offer而离职。
尤其需要注意的是，两人的经历并非完全吻合。公开报道显示，陈广宇是在2025年逐步深入机器学习研究，并于当年夏天在硅谷实习七周；而Deedy描述的少年从14岁便开始利用大模型学习AI，拥有约一年的实习经历。此外，CMU在2026年9月发布的最新《美国新闻与世界报道》大学综合排名中位列第14名，而非前十，虽然其本科计算机科学专业排名第一。
这些差异不足以彻底排除两者为同一人的可能，却足以提醒我们，不能将网络猜测直接写成确定事实。
相比猜测陈广宇是否已经拿到了百万美元年薪，一个更值得讨论的问题是：为什么一名17岁的研究员，已经具备进入全球顶尖AI人才竞争市场的条件？
二、陈广宇真正值得关注的，是他在Kimi做出了什么
今年3月16日，Kimi团队发表Attention Residuals论文，提出通过注意力机制重新设计大模型中的残差连接方式。论文的前三位共同第一作者分别是陈广宇、张宇和苏剑林，并注明三人具有同等贡献。
对于普通用户而言，残差连接可能是一个相当陌生的技术概念，但它在现代神经网络中具有基础性地位。传统残差连接会将前面网络层的输出不断累积，帮助信息和梯度在深层网络中传播。不过，随着网络深度增加，简单累加也可能造成信息表示膨胀，让不同层的贡献被逐渐稀释。
Attention Residuals试图改变这种固定累积的方式，让模型根据当前输入，有选择地整合此前网络层产生的信息。其价值并非简单增加模型参数，而是尝试提高已有计算资源的使用效率。
研究从理论走向大规模训练，还面临一个现实问题：采用注意力机制重新连接不同网络层，可能增加显存、计算和通信成本。如果新增开销过大，即使实验指标有所改善，也不一定适合真正的大模型训练。
陈广宇的贡献恰恰发生在这一环节。
根据苏剑林在《Attention Residuals回忆录》中披露的研发过程，最初由他提出核心想法并开展小规模实验，随后陈广宇与张宇参与更大规模的验证，并共同提出Block AttnRes设计。该方案通过对网络层进行分块和信息压缩，在尽量保留完整注意力残差效果的同时，显著降低额外资源开销。
苏剑林提到，团队评估后认为，这套方案能够以相对有限的额外成本换取明显的训练效率收益。相关技术报告展示了约1.25倍的计算效率优势，但这一结果来自特定实验条件，不能直接等同于所有模型训练成本都会下降25%。
这项研究随后成为Kimi K3底层架构的重要组成部分。2026年7月发布的Kimi K3采用总参数量2.8万亿的混合专家架构，每次推理激活约1040亿参数，同时结合Kimi Delta Attention与Attention Residuals等技术改进模型效率。
陈广宇还参与了Kimi Delta Attention相关GPU计算内核优化、训练优化器研究以及K3发布展示案例的制作。
这意味着，他并不是依靠某篇论文的作者署名获得关注，而是在模型架构、计算效率和实际工程实现等方面积累了具有技术含量的工作经历。
当然，必须强调这些成果属于团队协作。Attention Residuals的早期构想来自苏剑林，Block AttnRes由陈广宇与张宇共同推进，最终完成工程落地也离不开训练、基础设施和其他研究人员的配合。
陈广宇的经历真正具有代表性的地方，是前沿AI研发开始允许极其年轻、但已经展现出实际研究能力的人参与关键技术决策，而不必先完成传统意义上的学历和职级晋升。
这种变化，比单纯强调一名17岁少年的天赋更加值得关注。
三、硅谷开出百万美元Offer，究竟在为什么付钱？
Deedy Das披露的五份百万美元级工作报价，目前仍属于他个人描述的匿名案例，没有公开可核验的雇佣合同、公司名单及薪酬结构。因此，不能把这些报价视作已经兑现的收入，更不能直接认定每份报价都意味着100万美元固定年薪。
但从整个AI行业的人才竞争情况来看，顶尖研究员获得远高于传统科技岗位的薪酬，并不是2026年才出现的新现象。
2025年5月，路透社曾报道，Google DeepMind等公司为吸引少数顶尖AI研究人员，提供过价值高达每年2000万美元的薪酬方案。报道同时援引薪酬数据指出，大型科技公司普通高级工程师的平均年度薪资与股权收入合计约54.2万美元，两者存在明显差距。
这里的关键并不是所有AI研究员都能获得天价收入，而是极少数能够直接影响模型能力、训练效率和研发方向的人，已经进入一个与普通软件工程师截然不同的定价体系。
过去，互联网企业招聘技术人员时，往往综合考虑学历、专业能力、工作年限、项目经验和管理能力。即便是表现出色的年轻工程师，也通常需要经历相对漫长的职业晋升周期。
但在前沿AI实验室，某些技术贡献的经济价值可能远远超出其研发人员的年龄和资历。
假设一种模型架构优化能够在达到相同训练目标时减少计算需求，那么它带来的价值不仅包括直接节省的算力费用，还可能包括缩短实验周期、提高资源利用率，以及让研究团队能够开展更多次迭代。随着模型规模扩大，这种效率优势可能具有相当可观的商业意义。
这也解释了为什么模型架构、预训练算法、训练系统和高性能计算内核等方向的研究者，会受到前沿实验室的高度重视。
美国与中国AI公司的竞争也在进一步强化这种人才需求。对于企业而言，研究人才不仅影响模型性能，还影响研发速度、技术路线选择以及未来产品的竞争力。
但需要注意，人才市场对某项能力愿意支付多少钱，并不等于这项能力已经创造了多少可实现的利润。 高额Offer中可能包含多年期股权、签约奖金和其他附带条件，也可能反映企业对未来研发成果的预期，以及竞争对手不能获得该人才的战略价值。
因此，即使匿名少年的百万美元报价属实，也更适合将其理解为前沿AI人才市场的特殊信号，而不是普通AI从业者薪酬水平的代表。
四、AI正在改变学习路径，但学历并没有失去价值
比百万美元报价更值得关注的，是陈广宇如何在较短时间内进入AI研究领域。
《中国新闻周刊》今年8月刊发的人物报道显示，陈广宇并非传统意义上从小接受系统算法训练的竞赛型天才。他没有奥赛金牌，也没有典型的跳级经历，真正深入接触机器学习是在2025年前后。
他的学习方式很有AI时代的特点：直接阅读前沿论文，通过Gemini解释不理解的数学和技术内容，再结合开源项目、研究者博客和代码实验反复验证。遇到自己无法解决的关键问题时，他还会向有经验的研究人员请教。
这种路径与传统大学计算机教育存在明显区别。
大学课程一般按照数学基础、数据结构、算法、机器学习和专业研究的顺序推进，强调知识体系的完整性。陈广宇则更像是从具体研究问题出发，利用大语言模型快速补充知识，再通过项目实践发现新的问题。
不过，将他的成长简单归功于大模型同样不准确。
他曾通过技术文章获得研究人员关注，通过公开交流结识硅谷创业公司负责人，并在2025年夏天前往Tilde Research实习七周。随后，他加入Kimi，进一步获得了前沿模型研发所需的算力、工程基础设施和研究团队支持。
从这个角度看，他的成长实际上依赖三个条件：个人持续学习和动手能力、大模型降低知识获取成本，以及优秀研究团队提供真实问题和实践环境。
这三个条件缺少任何一个，都可能使结果完全不同。
Deedy Das在分享匿名少年经历时感慨传统教育正在失去吸引力，但这种结论显然需要更审慎地看待。对少数已经具备研究能力、且能够获得顶级实验室工作机会的年轻人而言，传统四年制大学可能不再是唯一的发展路径，但绝大多数学生仍需要大学提供系统训练、学术指导、合作网络以及相对稳定的成长环境。
更重要的是，AI能够解释论文，不代表学习者已经真正掌握知识。模型可能给出不准确的答案，而原创研究仍然需要严格实验、独立判断和长期积累。
因此，AI时代的变化并不是学历突然失去价值，而是学历不再足以单独证明一个人的技术能力，实际研究成果正成为更直接的评价依据。
五、少数天才身价暴涨，更多年轻人的就业却面临压力
如果把陈广宇的故事放在整个就业市场中观察，会看到一种值得警惕的分化：顶尖AI研究人才变得更加抢手，部分普通年轻知识工作者的就业机会却正在收缩。
今年8月，斯坦福大学数字经济实验室发布了针对AI就业影响研究的更新结果。研究人员利用ADP薪资数据发现，截至2026年6月，在高度暴露于AI影响的职业领域，22至25岁年轻人的就业水平相较低AI暴露职业的同龄人就业趋势，出现了约19%的相对缺口。
研究同时指出，这种变化主要表现为企业减少年轻员工招聘，而不是大量解雇已经在职的员工。不过，研究者也明确强调，目前数据只能揭示相关趋势，尚不足以证明全部差异都由生成式AI直接造成。
即便如此，这种现象仍然具有重要启示。
大语言模型擅长处理的许多任务，恰好也是传统知识工作入门岗位承担的内容，例如编写基础代码、整理资料、生成常规文档，以及执行标准化的信息分析任务。
另一方面，能够设计新模型架构、解决复杂训练问题、提升计算效率的人，仍然需要高度专业化的知识和判断力，其价值也可能随着AI产业投入扩大而上升。
同样是年轻技术人员，不同能力结构所对应的市场需求正在拉开距离。
这并不意味着所有人都应该转向基础模型研究，也不能据此认定应用开发和普通软件工程没有前景。企业最终仍然需要大量能够理解业务、解决实际问题、维护系统可靠性的人才。
但未来衡量技术人员价值的方式，可能会越来越重视一个人能否提出问题、判断技术方案，并对真实结果负责，而不只是完成一组可以被清晰描述和重复执行的任务。
陈广宇的故事是这种变化中相当特殊的一端，而不应该被包装成所有年轻人都能复制的成功模板。
六、对Kimi而言，核心问题不是一名研究员离开
陈广宇此次离职，容易让外界联想到中美AI人才争夺，以及中国优秀研究人员被硅谷高薪吸引的叙事。
但在缺乏下一站信息的情况下，这些都还只是可能的解释，不能作为事实判断。
从企业管理角度来看，一名年轻研究员在工作不足一年后选择离开，并不必然意味着公司研发环境出现问题。科研兴趣变化、教育计划调整、职业方向转变以及新的合作机会，都可能影响个人选择。
更值得关注的是Kimi已经形成了怎样的研究能力。
Attention Residuals能够从苏剑林的初步构想，发展为可用于大型模型训练的架构，再成为Kimi K3的底层技术组成部分，本身就是一次跨研究、算法和系统工程的团队协作。
如果一家公司具备稳定产生这类研究成果的组织能力，那么个别人员流动未必会改变它的长期竞争力。反之，如果重要技术能力过度依赖少数个人，团队就可能面临知识传承和研发连续性的风险。
对于国内大模型公司而言，人才竞争也早已不只是薪酬竞争。算力资源、研究自主权、团队能力、实验效率、国际学术交流以及成果能够真正进入产品的机会，都可能影响顶尖研究人员的职业选择。
尤其是在前沿大模型研发中，许多有价值的想法必须经过大量训练和工程验证才能确认。能否让研究者及时获得实验资源，减少低效的组织协调，并允许不同背景的人参与重要问题，可能比单纯强调团队年轻化更具有实际意义。
Kimi曾经向一名16岁的年轻研究员提供参与核心研发的机会，这说明其人才选拔并未完全受传统履历限制。而陈广宇在团队协作中取得的成果，也说明这种开放式选拔能够产生实际价值。
至于他离开之后会在哪里继续研究，目前没有必要提前替他写出答案。
七、AI时代真正稀缺的，可能不是年轻，而是判断力
回看陈广宇的经历，最有意思的地方或许不是17岁就参与了Kimi K3研发，也不是他可能与某个百万美元Offer传闻有关，而是一个年轻人如何在极短时间内完成从技术学习者到前沿研究参与者的转变。
AI工具降低了学习门槛，让更多人能够接触过去需要经过长期专业训练才能理解的知识。但与此同时，模型能力的提高也让简单的信息获取、代码生成和常规技术实现变得更加普遍。
当越来越多人都可以获得相似的知识和工具时，真正能够形成差异的，便是如何识别值得研究的问题，判断哪些技术方向具有潜力，并把一个初步想法转化成经得起验证的实际成果。
这也意味着，年轻不再必然是进入前沿研究的障碍，但年轻本身同样不是竞争优势。
对于AI公司，新的挑战是如何识别尚未被学历和履历充分证明的人才，并为其提供能够持续成长的环境。对于传统教育体系，重要的并不是鼓励所有人放弃大学，而是思考如何让学生更早参与真实的技术探索。对于年轻研究人员而言，技术能力的长期积累，依然远比一份短期高薪报价重要。
陈广宇曾在接受媒体采访时提醒外界“不要造神”，希望大家更多关注研究本身和团队共同完成的工作。这句话放在今天的离职消息中，反而格外值得重视。
毕竟，硅谷可以为少数研究员开出极高的价格，但一项技术的价值最终仍然需要由它解决的问题、产生的成果和长期影响来证明。
陈广宇的下一站仍然未知，五份百万美元Offer是否与他有关也尚无定论。但这两则消息放在一起，至少提供了一个清晰的观察窗口：AI正在改变人才被发现、被培养和被评价的方式。未来最值得关注的，不是谁以更小的年龄拿到更高的报价，而是谁能持续把新的技术可能性变成真实的研究成果。