AI是知识平权？想多了，真正的壁垒才刚刚出现

最近看到一个17岁少年的经历，越往下了解，越觉得有意思。

2025年初，他还不太熟悉大模型的核心架构Transformer。

几个月后，他去了硅谷一家AI公司实习。

2025年11月，进入月之暗面Kimi团队。

到了2026年3月，他已经和苏剑林、张宇一起，作为共同第一作者发表了《Attention Residuals》，参与改进大模型的一项重要底层结构。

这个少年叫陈广宇。

短短一年多，从刚接触大模型研究，到参与世界前沿的AI技术研发。

很多媒体把这件事写成了天才少年的故事。

不过，我倒是对另一个问题更感兴趣。

为什么一个十几岁的高中生，能够如此迅速地接触到顶级研究人员、硅谷创业公司和大型AI实验室？

当然，首先得有能力。

陈广宇的技术贡献并不是空穴来风。论文共同作者苏剑林曾公开介绍研究过程，其中明确提到陈广宇参与了更大规模的实验验证，并与张宇共同提出了Block Attention Residuals的设计。

但个人能力之外，那些帮助他快速成长的机会，又是怎么来的？

顺着这条线往下查，我发现了一种很值得关注的人才培养模式。

而且它让我开始重新思考，AI时代所谓的“知识平权”，究竟平等了什么。

有人已经开始提前寻找未来的AI人才

根据《中国新闻周刊》的报道，2025年2月，陈广宇参加了一场面向中学生的黑客松活动。

在这里，他认识了评委董科含。

董科含曾是YC中国、奇绩创坛创始团队成员，长期从事早期创业投资。

陈广宇随后入选了他发起的青少年培养计划，并通过引荐获得前沿AI研究人员的指导。

之后，他持续阅读论文、研究开源代码，在X上分享技术分析，逐渐受到相关研究人员的关注。

2025年7月，他获得了硅谷AI初创公司Tilde Research的实习机会。

几个月后，又进入Kimi团队。

这里面没有哪一步可以脱离他自己的技术能力。

但很明显，他的学习过程不只是自己看书、写代码，还不断接触到能够提供专业反馈和研究机会的人。

普通程序员可能也会阅读同样的论文。

区别在于，看完之后，谁能帮你判断这个研究方向值不值得继续？谁能指出你的实验设计有什么问题？谁又愿意给你机会，在真实的研究环境中验证想法？

这些东西，光有AI工具还不够。

更有意思的是董科含后续发展的项目。

2026年6月，他公开介绍了一个叫N1的年轻人才社区，主要面向14至22岁的创业者、研究者和技术人才。

不要求已经成立公司，也不要求拥有成熟产品。

项目提供研究人员交流、资金、算力、实验环境，以及长期支持。

根据SP1官网披露，2026年夏季，N1约有40名成员，平均年龄19岁，约一半曾在Kimi、DeepSeek等前沿AI团队实习。

这是项目方公布的数据，不能据此认定这些实习机会都是N1直接安排的，也不能把2026年公开的N1制度，直接套用到陈广宇2025年的经历上。

但至少有一点非常明确：

已经有人开始系统地寻找尚未成名的年轻技术人才，并尝试为他们提前提供原本很难获得的资源。

这就很值得研究了。

为什么投资人愿意培养十几岁的孩子？

一开始我也不理解。

清华、北大、斯坦福、MIT，每年都有大量计算机专业的优秀毕业生。

真想找AI人才，直接找博士不就行了？

后来想了想，这恰恰是早期投资的思路。

一家创业公司刚成立时，没有多少人知道它，商业模式可能还没跑通，未来能不能成功，谁也不敢保证。

等它产品成熟、市场份额上来了，大家都知道它是好公司。

但这时候，投资人想进去就难了。

要么估值已经很高，要么公司根本不缺投资人。

人才也有类似的情况。

一个已经在顶级AI实验室做出重要成果的研究员，不缺人找他。

但一个16岁、还没有成熟履历的年轻人呢？

可能连自己的研究方向都没有确定。

如果这时有人愿意投入资源，帮助他找到方向、认识优秀的研究人员、参加真实项目，双方就可能建立起长期信任。

将来这个年轻人如果创业，最早帮助他的人，也许就有机会成为投资人或者合作伙伴。

当然，这不代表培养者自动拥有被培养者未来公司的股权，更不能把具体人物之间的帮助理解成某种已经存在的利益交换。

但对投资人来说，长期关系本身就有价值。

毕竟，投资好公司，不仅需要判断力，还需要创始人愿意接受你的投资。

从这个角度看，有些投资人已经不满足于提前发现好公司，而是想在未来的创始人还没创办公司之前，就先认识他们。

而对于年轻人来说，这种支持也可能实实在在地改变成长速度。

双方的潜在收益，并不矛盾。

AI把知识变便宜了，却没有把研究资源变便宜

说回知识平权。

我觉得AI在这件事情上，确实做出了很大的贡献。

以前看不懂一篇英文论文，需要自己查术语、补数学知识、寻找相关教材。

现在直接交给AI，让它逐段讲解。

想学编程，不必四处找人请教。

不理解某个算法，可以让AI给出代码、画流程、解释每一步为什么这么做。

斯坦福大学《2025 AI Index》有个数据：

2022年11月至2024年10月，调用达到早期GPT-3.5相当能力水平的模型，价格从每百万tokens约20美元，下降到了0.07美元。

便宜了280多倍。

虽然这是同等能力模型之间的价格比较，并不是同一个模型直接降价，但足以说明AI工具的使用成本下降得有多快。

然而，这里有一个很容易被忽略的问题。

获得知识的成本下降了，利用知识做出前沿成果的成本，却不一定同步下降。

举个例子。

你研究了一种新的大模型架构。

论文看懂了，代码也写出来了，在自己的电脑上跑一个小模型，效果不错。

但这能证明新架构在大型模型上同样有效吗？