一、研究背景：AI 竞争进入人才战争阶段

过去，人们讨论 AI 竞争，往往先看模型参数、算力规模、训练数据和产品体验。但随着大模型能力快速提升，AI 竞争的底层逻辑正在变化。

领先模型的诞生，已经不再是少数科学家提出一个算法就能完成的事情。它需要研究、工程、数据、基础设施、安全、产品和商业化团队共同协作。换句话说，前沿 AI 研发越来越像一项复杂的组织工程。

产业界也在这一轮竞争中站到了中心位置。OpenAI、Anthropic、Google DeepMind、Meta AI、xAI、Mistral AI 等公司不仅掌握大规模算力和资本，也拥有大量用户反馈、产品场景和工程系统能力。这些资源决定了它们更容易把研究成果变成可持续迭代的产品。

更关键的是，顶级 AI 人才极其稀缺。真正能够推动前沿模型突破的人，往往既理解模型理论，又有工程实现能力，还能在高复杂度组织里推动技术落地。这类人才数量有限，却可能明显改变模型能力和公司竞争位置。

因此，观察全球 AI 竞争，不能只看模型排行榜。更需要看人才从哪里来、去了哪里、被哪些组织承接起来，以及未来可能如何流动。

二、研究口径与数据来源

2.1 为什么不采用“民族”作为统计口径

本报告不采用“民族”或“族裔”作为主要统计口径。

原因很简单：民族和族裔属于高度敏感的个人信息，大多数 AI 公司不会公开披露员工民族或族裔构成。公开论文和公司资料也无法准确反映员工的真实身份属性。如果根据姓名、外貌、出生地或社交资料推断民族，既不严谨，也容易产生偏差。

因此，本报告采用三个更可验证、也更适合公开研究的口径。

• 本科教育背景所在地：
  用于分析 AI 人才主要由哪些国家和地区的教育体系培养出来。
• 当前工作所在地：
  用于分析哪些国家和地区具备更强的 AI 人才吸附和组织能力。
• 公司公开资料与公开报道：
  用于分析头部 AI 公司的人才画像、组织特点和人才流动趋势。

2.2 主要数据来源

• MacroPolo Global AI Talent Tracker 3.0：
  基于 NeurIPS 2024、ICML 2024、ICLR 2025 等顶级 AI 会议作者信息，统计 4,622 名顶级 AI 研究者，覆盖 78 个国家和地区。
• Stanford AI Index 2026：
  覆盖 AI 研发、前沿模型、产业投资、人才、应用和治理等维度。
• OECD.AI & LinkedIn Economic Graph 2025：
  基于 LinkedIn 数据分析全球 AI 工程人才密度、增长速度和国家分布。
• Reuters 2025 至 2026 年公开报道：
  用于分析 OpenAI、Google、xAI、Meta、Anthropic 等公司的人才招聘、流动和竞争动态。
• 公司官网及公开资料：
  用于补充 OpenAI、Anthropic、Google DeepMind、Meta AI、xAI、Mistral AI 等公司的定位、组织特点和技术路线。

三、全球 AI 人才从哪里来

3.1 中国成为全球 AI 人才重要培养基地

从人才培养来源看，中国已经成为全球顶级 AI 人才的重要培养基地。MacroPolo Global AI Talent Tracker 3.0，按照本科教育背景所在地统计，全球顶级 AI 研究者的来源分布大致如下：

这组数据说明，中国高校在全球 AI 人才培养体系中已经占据重要位置。这里需要特别说明，“本科教育背景所在地”不等于国籍，也不等于民族，它反映的是一个人早期高等教育主要由哪个国家或地区的教育体系完成。

也就是说，全球相当一部分顶级 AI 研究者，在本科阶段接受了中国高校的数学、计算机、工程和科研训练，之后通过海外博士、国际实验室和全球科技公司进入前沿 AI 研究体系。

中国拥有庞大的理工科人才培养规模，在数学、计算机科学、电子信息和自动化等基础学科上长期积累较强；清华、北大、中科大、上海交大、浙大等高校，也持续向全球 AI 研究体系输送高水平人才。与此同时，中国学生在算法竞赛、工程训练、科研论文和大规模软件实践中具备较强竞争力。

因此，中国 AI 竞争力不只体现在应用场景和产业规模，也体现在人才培养基础上。

3.2 美国仍保持顶级高校和科研生态优势

美国本科教育背景的顶级 AI 研究者占比约为 24%，排名第二。这个比例低于中国，但美国在 AI 人才体系中的优势，并不只发生在本科教育阶段。

美国真正强的地方，是完整的科研和产业生态。Stanford、MIT、Berkeley、CMU、Princeton 等全球顶级高校，与 OpenAI、Anthropic、Google DeepMind、Meta AI、Microsoft Research、NVIDIA、Tesla、xAI 等前沿科技公司和实验室之间，形成了高频流动的人才网络。

更现实的一点是，美国 AI 公司能够通过高薪、期权、研究自由和算力资源吸引顶尖人才。美国 AI 优势并不只是本土教育优势，更是全球人才再组织能力的优势。

3.3 印度、英国、德国构成第二梯队人才来源

除中国和美国外，印度、英国、德国也是重要 AI 人才来源。印度本科教育背景占比约为 10%，优势主要体现在软件工程、平台开发、云计算、基础设施和全球科技公司人才供给方面。

英国本科教育背景占比约为 4%，优势来自深厚的数学、计算机科学和基础研究传统。Google DeepMind 起源于英国伦敦，也让英国在全球 AI 基础研究和科学 AI 领域长期保持影响力。

德国本科教育背景占比约为 3%，在工程、制造、自动化、工业软件和科研体系方面基础扎实，在工业 AI、机器人和制造业智能化方面具备长期潜力。

总体来看，全球 AI 人才供给并不是由单一国家主导，而是形成了中国、美国、印度和欧洲共同供给的格局。

四、全球 AI 人才去了哪里

4.1 美国是全球 AI 人才最大工作地

本科教育背景反映人才从哪里被培养出来，当前工作地则反映人才最终被哪里吸引和组织起来。

根据 MacroPolo Global AI Talent Tracker 3.0，按照当前工作地统计，全球顶级 AI 研究者分布大致如下：

美国本科教育背景占比约 24%，但美国当前工作地占比达到 59%。这说明，美国 AI 优势并不只是依靠本土培养，而是高度依赖全球人才流入。

美国之所以能成为全球 AI 人才最大工作地，主要因为它同时具备全球领先的 AI 公司和实验室、成熟的风险投资和资本市场、大规模算力和云基础设施、开放的科研交流和创业生态，以及高薪、股权和职业发展机会。

美国并不是唯一培养 AI 人才的国家，但它仍然是全球最强的 AI 人才磁场。

4.2 中国培养的人才大量流向美国机构

MacroPolo 数据中最值得关注的一组数字，是中国本科教育背景顶级 AI 研究者的去向：

这组数据可以概括为一句话：中国培养人才，美国聚集人才。

中国高校培养了大量顶级 AI 研究者，但其中相当高比例最终进入美国机构工作。这背后既有美国博士项目和科研资源的吸引力，也有美国 AI 公司、创业生态、资本市场和全球产品平台的吸引力。

这也说明，中国 AI 发展面临一个长期挑战：如何把人才培养优势进一步转化为人才留存优势和产业组织优势。

4.3 全球 AI 人才流动呈现美国中心化

从当前数据看，全球 AI 人才流动大致呈现几条路径：中国高校培养的人才较大比例流向美国高校、美国 AI 公司和美国研究机构；印度工程人才大量流向美国科技公司和全球平台型企业；欧洲研究人才在本土实验室、Google DeepMind、Mistral AI 和美国 AI 公司之间流动；加拿大 AI 人才在本土深度学习学派和美国科技产业之间流动；以色列、新加坡等高人才密度国家，通过创业、国际化研发中心和全球科技公司形成连接。

这种结构表明，当前全球 AI 人才流动仍然具有明显的美国中心化特征。但未来这种格局可能逐步变化。随着中国、欧洲、中东、新加坡等地区加大 AI 算力、模型和产业政策投入，全球 AI 人才流动可能从“单中心流向美国”，逐步变成“多中心竞争”。

五、AI 工程人才密度：小国也可能成为 AI 人才高地

AI 人才不仅包括顶级科学家，也包括大量 AI 工程人才。

前沿模型需要科学家提出方向，但真正把 AI 能力落地到产品、平台和企业流程中，还需要机器学习工程师、数据工程师、推理优化工程师、Agent 工程师、AI 产品工程师和企业解决方案架构师。

OECD.AI & LinkedIn Economic Graph 2025 分析显示，截至 2024 年，全球每 1,000 名 LinkedIn 会员中约有 7 人被识别为 AI 工程人才，相比 2016 年增长 130%。

这说明，判断一个国家或地区的 AI 人才能力，不能只看绝对数量，也要看人才密度。以色列、新加坡、卢森堡等国家虽然人口规模较小，但依靠国际化程度、教育水平、创业生态、政策支持和产业连接，能够形成高密度 AI 人才生态。

六、前沿 AI 模型进入产业界主导阶段

Stanford AI Index 2026 显示，2025 年产业界已经成为前沿 AI 模型生产的主力。最前沿的大模型不再主要诞生于传统大学实验室，而是越来越多地诞生于公司型实验室。

6.1 算力门槛显著提高

前沿模型训练需要大规模 GPU 集群、数据中心、电力、网络和推理基础设施。传统高校实验室通常难以独立承担这类投入。

6.2 资本投入高度集中

Stanford AI Index 2026 显示，2025 年美国私人 AI 投资达到 2,859 亿美元，是中国 124 亿美元的 23 倍以上。虽然这一数据不能完全反映中国政府引导基金和产业政策投入，但足以说明美国 AI 产业资本密度仍然很高。

6.3 工程系统复杂度上升

前沿模型研发已经不只是训练一个神经网络，而是包括数据治理、预训练、后训练、强化学习、评测、安全对齐、推理优化、产品部署、用户反馈和持续迭代等完整链条。

6.4 产品反馈成为模型迭代资源

ChatGPT、Claude、Gemini、Copilot、Grok 等产品每天产生大量用户交互和反馈。相比高校实验室，拥有大规模用户产品的 AI 公司更容易形成“模型、产品、数据、反馈、再训练”的闭环。

6.5 顶级人才流向资源密度最高的组织

顶级 AI 人才往往会选择能够提供算力、数据、团队、研究自由、薪酬和股权激励的组织。当前，这些资源主要集中在少数头部 AI 公司和大型科技公司中。

今天的 AI 公司已经不只是传统软件公司，而是科研机构、云基础设施公司、数据中心运营商、产品平台和人才组织平台的结合体。

七、头部 AI 公司的人才画像

由于公司内部民族、国籍和员工构成没有权威公开统计，本部分不做人员比例推断，而是基于公开资料、业务定位和人才流动情况，总结各头部 AI 公司的人才画像。

7.1 OpenAI：全球人才吸附、产品化能力、高资本密度

OpenAI 的人才画像可以概括为：全球人才吸附、产品化能力突出、高资本密度，以及前沿研究与商业产品结合紧密。ChatGPT、Codex、API、企业产品和 Agent 能力，让 OpenAI 拥有大量用户反馈和企业场景。

7.2 Anthropic：OpenAI 校友体系、AI Safety、Claude 生态

Anthropic 与 OpenAI 有深厚渊源，其创始团队和早期核心成员来自 OpenAI。公司长期强调 AI 安全、可解释性、对齐和企业级可靠性，这使其在 Claude、Claude Code 和企业 Agent 方向形成鲜明定位。

2026 年，AlphaFold 共同创造者、2024 年诺贝尔化学奖得主 John Jumper 离开 Google DeepMind 加入 Anthropic。这一事件说明，Anthropic 已经成为科学 AI 和顶级研究人才的重要目的地之一。

7.3 Google DeepMind：全球科研网络、科学 AI、基础研究传统

DeepMind 曾推动 AlphaGo、AlphaFold、Gemini 等一系列重要 AI 成果。与 OpenAI 更强的产品化路线相比，DeepMind 的传统优势更偏向基础研究、强化学习、科学 AI、多模态模型和复杂系统。

7.4 Meta AI：开源生态、工程化能力、超级智能团队

Meta 的优势在于工程系统、全球社交平台、大规模基础设施和开源模型生态。Llama 系列模型推动了开源 AI 生态的发展，使 Meta 在开发者和企业社区中具备较强影响力。

Meta 的典型策略是：用资本吸引人才，用开源扩大生态，用工程能力加速迭代，用产品平台承接 AI 应用。

7.5 xAI：后发追赶、高算力投入、工程组织

xAI 成立时间较短，但凭借 Musk 系企业的工程文化、资本动员能力和算力投入，快速进入全球头部 AI 竞争。后发 AI 公司要快速追赶领先者，往往需要用更强薪酬、更大资源投入和更高创业张力吸引人才。

7.6 Mistral AI：欧洲代表、法国数学传统、开源路线

Mistral AI 是欧洲最具代表性的前沿 AI 公司之一。它代表欧洲在前沿模型领域争取自主能力，也承载欧洲 AI 主权、开源生态和本土技术能力建设的战略意义。

八、AI 人才战争的底层逻辑

8.1 顶级 AI 人才极其稀缺

真正能够推动前沿 AI 模型突破的人才数量有限。尤其是在大模型架构、强化学习、推理能力、数据工程、安全对齐、推理系统和模型评测等方向，顶级人才具有极高稀缺性。

8.2 少数关键人才可能影响模型差距

在前沿 AI 竞争中，一个关键研究员、一个优秀研究工程团队，可能改变模型训练路线、推理能力或产品迭代速度。

8.3 薪酬、股权、算力和研究自由成为核心吸引力

Reuters 2025 年报道显示，OpenAI、Google、xAI 等公司围绕顶级 AI 人才展开激烈竞争，部分顶级个体贡献者的薪酬包达到数百万美元甚至更高水平。

未来，AI 人才竞争会越来越接近职业体育明星争夺。高薪酬、高股权、高自由度、高资源配置和高声誉效应，将成为头部公司争抢人才的常规工具。

8.4 人才流动影响公司估值和市场信心

头部 AI 公司之间的明星科学家流动，已经不只是普通招聘新闻。它可能影响外界对公司技术能力和未来估值的判断。

九、中国在全球 AI 人才版图中的位置

中国在全球 AI 人才版图中的位置，可以用三个关键词概括：培养强，留存有挑战，转化加速。

9.1 培养能力突出

MacroPolo 数据显示，全球顶级 AI 研究者中，本科教育背景来自中国高校的比例达到 38%。这说明中国在 AI 人才培养端已经具备显著优势。

9.2 人才留存仍有挑战

虽然中国培养了大量 AI 人才，但从工作地看，中国作为顶级 AI 人才工作地的占比约为 11%。中国本科教育背景的顶级 AI 研究者中，较高比例在美国机构工作。

中国未来需要继续提升对顶尖 AI 人才的承接能力，包括更强的基础研究环境、更开放的科研生态、更具吸引力的创新激励机制、更充足的高端算力资源、更成熟的前沿模型公司，以及更国际化的科研合作网络。

9.3 产业应用转化具备优势

中国拥有丰富的制造业、金融、政务、能源、医疗、交通、零售和工业互联网场景。随着大模型和 Agent 能力成熟，中国 AI 未来的竞争优势可能不只体现在做出最强通用模型，也体现在把 AI 深度嵌入产业系统、企业流程和生产现场。

中国 AI 竞争的关键，是把人才培养优势进一步转化为人才留存优势、工程组织优势和产业落地优势。

十、未来趋势判断

10.1 前沿模型公司将继续成为全球 AI 人才磁场

OpenAI、Anthropic、Google DeepMind、Meta AI、xAI、Mistral AI 等公司将继续吸引全球顶级 AI 人才。原因很直接：前沿模型公司拥有最密集的资本、算力、数据、产品场景和技术影响力。

10.2 AI 工程人才重要性将持续上升

未来 AI 人才竞争不会只围绕研究科学家展开，AI 工程人才的重要性会继续上升。AI 基础设施工程师、推理优化工程师、数据工程师、Agent 工程师、模型评测工程师、AI 安全专家、企业 AI 解决方案架构师和 AI 产品经理，会变得越来越关键。

10.3 全球 AI 人才流动将从美国单中心走向多中心竞争

美国仍将保持前沿模型、资本和基础设施优势。中国将继续强化人才培养和产业应用转化优势。欧洲会围绕 AI 治理、开源模型、基础研究和主权 AI 形成特色。新加坡、以色列等国家将依靠高人才密度和国际化生态形成创新节点。中东则可能依靠资本和算力投入，成为新兴 AI 中心。

10.4 复合型 AI 人才将成为长期稀缺资源

未来最稀缺的人才，不一定只是会训练模型的人，而是能够连接模型、产品、业务和组织的人。这类人才通常理解 AI 模型原理，理解工程实现路径，也理解业务场景、产品设计、数据治理、安全合规和组织落地。

十一、结论

全球 AI 竞争，表面上是模型竞争，背后是人才竞争。

从人才培养看，中国已经成为全球顶级 AI 人才的重要培养基地。按照本科教育背景所在地统计，全球顶级 AI 研究者中来自中国高校的比例达到 38%。

从人才聚集看，美国仍然是全球最大 AI 人才工作地。美国机构雇用了约 59% 的全球顶级 AI 研究人员，说明美国 AI 优势高度依赖全球人才吸附能力。

从人才流动看，中国培养的大量顶级 AI 人才最终进入美国机构工作，形成了“中国培养人才，美国聚集人才”的典型格局。

从产业趋势看，前沿 AI 模型正在进入产业界主导阶段。头部 AI 公司已经成为全球 AI 人才竞争的核心平台，薪酬、股权、算力、研究自由和产品场景，正在成为吸引顶级 AI 人才的关键因素。

从未来格局看，全球 AI 人才竞争将逐步从“美国单中心”走向“多中心竞争”。中国、欧洲、新加坡、以色列、中东等地区，都可能在人才培养、工程转化、开源生态、产业应用或算力投资方面形成差异化优势。

全球 AI 竞争的长期胜负，不只取决于算力和资本，更取决于人才。

资料来源

1. MacroPolo Global AI Talent Tracker 3.0，2025。
2. Stanford AI Index 2026，Stanford HAI。
3. OECD.AI & LinkedIn Economic Graph 2025，AI Workforce Analysis。
4. Reuters 2025 至 2026 年关于 OpenAI、Google、xAI、Meta、Anthropic 等 AI 人才竞争报道。
5. OpenAI、Anthropic、Google DeepMind、Meta AI、xAI、Mistral AI 公司官网及公开资料。
6. NeurIPS 2024、ICML 2024、ICLR 2025 公开论文作者数据。

免责声明