大厂的护城河、研究员的论文激励和初学者的即时成就感，为什么会指向不同的位置？

我发现一个很有意思的现象：面对“模型架构与算法创新”和“数据、Infra、环境等偏工程的工作”，大厂、以论文为目标的研究员，以及今天从零开始学习 CS/AI 的本科生，表现出了三种不同的偏好。

最荒诞的错位也在这里：真正构成长期竞争力的事，和个体最容易获得奖励、掌声与即时快乐的事，常常不是同一件事。

大厂：架构可以公开，坑却带不走

在大厂，模型架构当然重要，但架构本身往往没那么神秘。很多主流设计会公开在论文和开源代码里，知道 Transformer、MoE 或某种训练算法，不等于能把同样规模的模型稳定地做出来。

真正难复制的壁垒，常常藏在数据、Infra 和环境里：网络通信的抖动、显存碎片、数据清洗、训练中断后的恢复，以及无数只在真实规模下才会暴露的问题。这些坑需要反复踩、反复填，也需要大量时间和资金。

所以，即使别人拿到了架构，也未必玩得起、做得稳。开源的可以是图纸，真正难复制的是建造工厂时积累的工艺。

但今天大厂里的研究员——或者更广一点，所有以发论文为 KPI 的研究员——往往更愿意做架构和算法，而不是数据和 Infra 的脏活。

原因并不神秘：学术评价强调新颖性。一个新算法、新架构，比较容易形成“问题—方法—实验”的论文叙事；告诉大家“我优化了 PagedAttention 的显存碎片”或“我清洗了几百万条脏数据”，则更容易被归为工程贡献。后者并非不能成为好研究，只是它的价值通常更难被现有的评价体系识别。

于是，大家更想要优雅的数学推导，不愿去机房面对几十台报警的服务器和几百万条乱码数据。这不只是个人爱慕光鲜，也是激励结构塑造的理性选择：当重要的工作不一定被看见，人自然会流向更容易被看见的工作。

大多数本科生没有发论文的压力，本科又是打基础的阶段，所以很多人会做系统、做项目。这本来是一条很好的路。

以前，一个本科生想独立做个系统，从 Python、后端框架、数据库与并发，到机器学习算法，往往要跨过很长的学习曲线；写不出代码，就真的做不下去。现在有了 Coding Agent，代码和算法被“自然语言化”了，工具把创造的多巴胺释放提前了：先用几句话看见一个能跑的 Demo，再决定要不要理解它。

这是巨大的进步，但也藏着一个陷阱。人天然偏好即时反馈，相比于最后惊艳的结果，过程中那些枯燥的 Bug 太难让人坚持。愿意静下心分析报错、刨根问底的人是少数；把问题继续交给 AI，直到它碰巧跑通，则是更容易的选择。

把问题交给 AI 本身没有错。真正的问题是：一轮轮对话之后，我们只留下了能运行的代码，却没有留下对系统的理解。AI 最后做出来了，能力可能仍然没有沉淀在人身上；AI 最后做不出来，这件事也就不了了之。

看似最热衷做工程的一代，也可能最容易绕过工程的基本功。这才是错位最隐蔽的地方。

把三种偏好放在一起，就会看到一个奇怪的结构：

这也让我重新思考一个常被抛出的问题：为什么字节拥有巨大的资源，模型表现有时却被拿来与 Kimi、GLM、DeepSeek 等团队比较，并被认为不如后者？

我不想把这么复杂的问题粗暴归因于某一种文化。模型能力由人才、数据、算力、组织和时间共同决定，几次产品表现也不足以给一家公司下结论。但有一个值得警惕的可能性：如果高度量化的 OKR 持续奖励短周期、可展示的成果，那么那些真正构成壁垒、却难以迅速写成亮点的工作，就可能得到与价值不匹配的认可。

OKR 也许适合互联网产品快速试错，却未必适合大模型这种精细化、一体化的重工业。组织真正需要回答的，不只是“做出了多少东西”，还有“有没有让做脏活的人得到应有的回报”。

初学者面对的也是类似的激励问题。过去，“做不出来就没法继续”的痛苦会逼着新手回头补基础；现在，“这里不行，快帮我改”就能暂时绕过痛苦。工具当然可以替我们解决问题，但它也很容易替我们绕开学习。你猜，多数时候人会选择哪一条路？

当然，这不意味着架构、算法比数据和 Infra 更重要，也不意味着任何一方不重要；更不意味着只有亲手重复所有痛苦，才算真正学习。每个环节都不可缺少，我只是被不同的评价指标、组织架构、资源条件和人性，推向了不同的位置。

我改变不了大厂，也改变不了别人，但可以改变自己。

做研究时，不只问“这是否新颖”，也问“它是否解决了真实而困难的问题”；使用 Coding Agent 时，不只问“现在能不能跑”，也多问一句“为什么这样就对了”。工具把结果交给我之后，我愿意为理解再多走一步。

希望大厂更愿意奖励模型生产里的“脏事情”，研究员更愿意做真正重要的“脏事情”，从零开始的人也更愿意钻研工程与算法的底层。

AI 可以降低做出东西的门槛，却不该替我免除理解它的责任。 如果能从自己开始改变这一点，这就够了。这才是这篇文章的意义。