转向英国DeepMind：国内大厂锁定Gemini核心预训练人才

据行业知情人士透露，一位长期常驻英国的 Google Gemini 预训练专家于近期正式加盟国内某头部互联网大厂。该研究员在 Google 的职级接近总监级别（L7-L8），入职后将直接主导预训练核心方向的攻坚。

业内普遍认为，这可能是国内大模型团队在这一轮争夺 Gemini 顶尖人才的过程中，第一次真正“找对了人”。此前，多家大厂虽然也引入过多位兼具 DeepMind 或 Gemini 背景的科研人员，但多数人选主要负责后训练、边缘支持或管理类工作，并未真正触碰模型预训练最底层的关键链路。

预训练不再靠硬堆算力，工程“暗知识”成决胜点

自去年底以来，国内基模团队对海外 AI 人才的搜寻重点，正全面向“预训练”收拢。

过去，国内追赶前沿模型的主要路径是遵循规模化定律（Scaling Law），通过堆叠算力与数据规模实现性能飞跃。然而，单纯堆数字的做法正在逼近收益递减的天花板。当前能够拉开模型代际差距的，是预训练阶段的技术路线选择、数据分布配比，以及一二阶优化器的工程落地经验。

这类调优与避坑经验极少被完整记录在开源论文中。比如某种优化方法在理论上行之有效，但在数千卡规模的真实分布式训练中，究竟在哪个阶段介入、参数如何动态微调，往往需要团队经历过完整的前沿模型训练周期才能验证。一次策略选型的失误，就可能造成数月时间与数千万元算力的浪费。因此，能够将模型训练至全球顶尖水平的成熟专家，成为了国内大厂的最优解。

硅谷大本营的“挖角盲区”

此前，国内大厂的引才策略往往将目光锁在科技重镇硅谷。OpenAI、Anthropic、Meta 等领头企业均聚集于此，Google 也在硅谷驻扎了庞大的研发组织。

然而，Gemini 的研发组织结构具有特殊性。据多位知情人士透露，Google 有意将最核心的预训练班底保留在英国伦敦的 DeepMind 团队，以此与硅谷高流动性、高曝光度的抢人环境形成物理隔离，降低技术被挖墙脚的风险。

这也导致此前各家大厂从硅谷吸纳的专家，虽然履历光鲜，却未必掌握 Gemini 预训练最核心的实操细节。随着大模型研发进入深水区，国内大厂的猎头触角已正式跨过大西洋，从加州硅谷直击伦敦 DeepMind 大本营，AI 核心人才争夺战也进入了更为务实、精准的新阶段。