作者：Lingo　发布：2026-07-22　阅读时间：57 分钟

从一线人员理解 AI 与创业：80 位中英文工程师、研究者与创业者的公开足迹

互联网上的大量技术和创业内容来自转述。模型发布被压缩成参数比较，工程事故被改写成几条经验，创业公司的经营过程最后只剩融资数字。读者看到结论时，原始条件、失败样本和当事人的利益位置往往已经消失。

理解真实情况，需要回到直接行动者。谁写了代码，谁带队训练模型，谁把机器人部署到现场，谁正在向客户收费，这些人的公开记录更接近问题发生的位置。他们也会犯错或宣传自己的产品，但读者至少可以继续检查代码仓库、论文、产品文档和经营复盘。

这份名单先列出 40 位活跃在中文技术圈的一线人员，再列出 40 位英文互联网的一线人员。入选者目前仍直接参与产品、研究或公司经营。每个人后面都附有一处由本人、项目、学校或公司维护的公开入口，方便继续核验。

“一线”是什么意思

一线不是职位高，也不是粉丝多。本文使用四项可以检查的标准：

1. 这个人目前仍在参与被讨论的产品、研究或工程系统；
2. 能够找到代码、论文、产品、课程、技术演讲或经营记录；
3. 公开内容主要来自本人及其团队，不依赖媒体长期代言；
4. 读者能够从公开入口继续追查条件和结果。

创始人和研究者的身份不能保证每句话正确。产品发布期会选择有利数据，研究者也可能在专业范围之外表达意见。名单的用途是缩短寻找原始信息的路径，不是为任何人提供信用背书。

中文互联网的一线足迹

中文技术圈的一手内容并不少，只是分散在个人博客、GitHub、哔哩哔哩、实验室主页和公司技术站点中。下面 40 人都能找到持续产出的直接项目或研究记录。

模型、数据与 AI 系统

开源软件与基础设施

机器人、自动驾驶与物理世界 AI

芯片与计算系统

英文互联网的一线足迹

英文部分以 X 作为动态入口，同时保留个人主页和项目链接。帖子用于发现变化，代码、论文和产品文档用于确认事实。

生产级 Agent：从演示走到真实系统

Agent 领域最容易出现演示偏差。一个流程能在五次预设对话中成功，并不说明它能处理权限、工具故障、成本上限和脏数据。下面这组人值得关注，是因为他们持续讨论生产系统真正遇到的问题。

如果团队正在做企业知识助手，优先看 Hamel Husain、Shreya Shankar、Jason Liu 和 Ankur Goyal。他们提供的价值不在于再介绍一个框架，而在于展示开发者怎样构造测试集、发现失败类型，再决定是否允许系统进入生产环境。

模型与推理基础设施：判断能力边界

应用团队不必每天追逐模型榜单，但需要知道底层能力为什么变化。模型架构、推理效率和开源工具会直接改变部署成本，也会改变一个小团队能够承担的产品范围。

这组账号更适合校正技术判断，不适合直接决定商业主线。一个新架构降低了推理成本，只能证明某些方案变得可行；客户是否愿意付费，还要回到具体工作流和替代成本。

经营一家技术公司：客户、定价和组织约束

技术创业的信息差经常不在模型，而在交易过程。谁拥有预算，客户为什么续费，低价项目为何拖垮交付，这些问题很少出现在融资新闻里。下面的人都经营过真实产品，其中多位经历过长期自筹资金发展。

这组人的主张彼此并不一致。Jason Fried 倾向于控制组织规模，Tobi Lütke 管理的是大型平台，Pieter Levels 则依靠极小团队和个人执行。他们提供的是不同约束下的案例。读者应先确认自己的客户、资本和团队条件，再判断哪段经验可以外推。

视频生成与时序预测：模型怎样进入业务

视频生成和时序预测都有成熟的模型演示，但客户购买的不是演示。视频客户需要可发布的成片，预测客户需要能够改变排班、库存或资源配置的结果。关注下面三人时，应重点看产品怎样进入工作流。

观察视频公司时，不能只记录清晰度和生成时长。还要看素材权属、人物一致性、修改次数和最终可用率。观察预测产品时，则要找比较基线、回测方式和决策成本。没有这些信息，模型指标很难转换成报价与验收条件。

机器人与物理世界 AI：演示之外的可靠性

物理世界会放大错误成本。机器人在视频里完成一次任务，不代表它能适应不同光照、物体和操作人员。这个领域的一手信息应尽量回到论文、数据集、现场实验和硬件约束。

研究团队发布的新能力可以帮助判断长期方向，却不能直接证明客户已经准备采购。面向工业客户时，仍要继续追问设备接口、停机风险、责任边界和现场维护成本。

AI 计算硬件：理解算力为什么贵

应用创业者通常不需要设计芯片，但需要理解算力价格背后的系统约束。训练和推理成本并不只由 GPU 型号决定，内存、互连、编译器和工作负载都会改变最终经济性。

把 80 人变成一套可维护的信息系统

一次性订阅所有动态会让高价值内容重新被信息流淹没。可以按正在解决的问题建立四个收藏组：

• AI 系统：Agent、评测、模型和数据基础设施；
• 开源工程：数据库、云原生、编程语言和开发者工具；
• 技术经营：客户发现、定价、交付和公司组织；
• 物理世界：视频、时序、机器人、自动驾驶和芯片。

每周不必整理全部帖子。只保存四类内容：本人完成的实验，自己公司的经营数字，真实客户部署复盘，以及带代码或数据的失败分析。保存时同时记录原始链接、发布日期和适用条件。以后若要引用，先检查项目是否已经更新，数字是否来自同一个统计口径。

还可以为重要账号设置一个简单的验证路径：

本人动态 / 个人博客 / 项目更新
  ↓ 找原始链接
代码仓库 / 论文 / 产品文档 / 经营复盘
  ↓ 检查样本、时间、基线和利益关系
可用于当前决策的事实
  ↓ 写明适用条件
技术选型、产品实验或客户访谈问题

一手信息的价值不在于它必然正确。它减少了一层转述，让读者能够看到原作者使用了什么数据、承担什么角色，又遗漏了哪些条件。对创业者而言，这种可追溯性比获得更多行业观点重要。观点可以继续更新，已经投入的时间和资金却很难撤回。