AI竞争正在从抢算力进入抢“认知接口”

在2026年这个节点，AI行业通用大模型的“暴力美学”，正在专业壁垒的坚冰面前碰壁。

MiniMax公开了一份「10x Team」合作计划，并同步在招聘平台上线“10x Team研究员”岗位。

MiniMax提到，此前已面向工业软件、游戏引擎、芯片设计、金融、财务等垂直领域展开实质合作，此次同时向经济学、生命科学、材料化学等可能与大模型深度结合的领域专家发出邀约。

按照公开信息，这一计划提供全职入职与Fellowship短期协作两种形式，Fellowship协作周期不少于4个月，采用线下办公模式；激励机制上，不仅有国际化竞争力薪酬，还包括股权激励、联合署名、科研成果共享、机构联合研究，以及专业评测基准共建等安排。

放眼全球，近年来国际AI巨头重金持续吸纳学术与行业研究者并非孤例。Anthropic的STEM Fellows项目，早已通过每周3800美元（约合人民币25866元）的“天价津贴”，将那些甚至不懂机器学习、但在科学研究领域有造诣的研究院纳入麾下。

「10x Team」计划的推出，则是国内大模型公司第一次以完整人才团队机制，对标国际AI巨头正在形成的“科学协作模式”，把外部专家认知纳入模型进化体系。

MiniMax正在试图回答一个大模型行业绕不开的问题：当Scaling Law带来的粗放增长开始降速，AI下一轮“10倍效率跃迁”，究竟从哪里来？

01

编程红利见顶：大模型需要10x新场景

过去两年，编程是大模型最先打穿的产业场景。Cursor、Claude Code等AI编程工具，让“AI写代码”从演示视频里的炫技，变成开发者日常工作流的一部分。

然而，编程之所以能成为首个“10x场景”，不仅是因为代码本身天然具备高度结构化、逻辑闭环和自校验属性。其背后往往被人忽略的是，这些AI的开发者们，本身就是编程领域的“专家”，拥有着极为丰富的行业知识。

这也是为什么编程会成为第一个被大模型规模化改造的领域。它有海量公开语料，有GitHub等开源社区沉淀的工程样本，有相对明确的正确性验证机制，恰好形成了让大模型的开发完成了“开发-反馈-修正”的闭环。AI在编程领域不是撞开了一扇最难的门，而是先进入了一间规则最清楚、反馈最慷慨的实验室。

然而，越是成功的场景，越容易最先看到天花板。

今天，一个模型会写代码已经不再稀缺；明天，如果所有模型都会写代码，那么代码生成就会从“核心壁垒”变成“基础设施”。于是，一个更尖锐的问题摆到了所有AI公司面前：

当编程红利逐渐见顶，下一个能产生“10倍效率跃迁”的行业会在哪里？

下一轮10x不会自然发生在公开互联网数据最多的地方，而会发生在专业知识密度高、工作流复杂、尚未形成标准化打法的领域。

02

「10x Team」重新定义产业AI

过去一年，大模型在垂直行业落地时，开始频繁出现一种“断层感”：它知道很多术语，却未必理解术语背后的工程代价；它能给出一个像样的方案，却未必知道这个方案在真实世界里是否可执行。

以芯片设计为例，模型生成一段Verilog代码并不难，难的是理解时序约束、功耗目标、面积权衡、工艺节点、验证覆盖率和布局布线之间的复杂关系。一个微小错误，在普通软件里可能只是一次Bug修复，在芯片领域却可能导致流片失败，带来巨额损失。

换句话说，大模型不是没有知识，而是缺少把知识变成可靠生产力的产业语境。

未来最贵的AI人才，未必是训练模型的人，而是知道模型为什么不能直接上生产线的人。

然而对于顶尖科学家、工程师等领域专家而言，传统招聘的“高薪+岗位”模式吸引力往往有限，而“外包顾问”的模式也未必能深入的产业工作流中。

在硅谷，头部AI公司已经提前意识到了这一点。例如Anthropic的Fellowship项目的逻辑，就是把外部研究者引进来，用来补足AI安全研究的专业深度和问题视角。在4个月的合作期内，不仅为伙伴提供资金和导师支持，目标是围绕AI安全问题做实证研究，最终公开论文和研究成果。

Google DeepMind的做法，则更偏向学术体系，通常面向大学和高校合作支持早期研究者，强调导师支持、学术成长和长期研究路径。这种模式的核心，不是立刻转化商业价值，而是培养下一代研究者，维持学术影响力和人才供给。

而MiniMax的「10x Team」计划，则更接近一种“产业研究合伙人机制”：它不是只想做一个“研究资助方”，而是直接把“产业落地”放在中心位置，把专家、模型、产业和商业同时绑进一套协作系统里。共同定义某个领域AI化的评测标准、工作流和产业范式。能够让这些顶尖专家共同定义某个领域AI化的评测标准、工作流和产业范式，甚至分享企业长期成长收益，这就从“打工关系”变成了“共建关系”。

03

大模型战争，进入真正的深水区

大模型下半场的竞争，关键不再是单纯堆算力、扩参数、刷榜单，而是对产业价值的解码能力。谁能把专家的隐性经验转化为模型可学习的任务，谁能把行业标准转化为模型可验证的评测，谁能把复杂工作流转化为人机协同的新流程，谁就更有可能定义下一代产业AI。

但与此同时，这条路也远比“训练一个更强模型”复杂得多。过去几年，大模型行业形成的一整套研发体系，本质上更接近互联网工程文化。然而，当AI开始进入芯片、材料、金融、生命科学等高专业门槛行业时，模型团队所要面对的专业知识，并非是简单的“数据增量”，而是要破解不同学科之间天然存在的“语言障碍”。

专家懂问题，但未必知道如何把经验结构化，转化成大模型能理解的语言；AI工程师懂模型，却未必真正理解产业里的隐性约束。

因为真正的产业AI，比拼的已经不是Demo能力，而是长期进入产业核心流程的耐力。

当AI的“10x效率”不再只发生在代码编辑器里，而是发生在芯片实验室、金融投研室、材料模拟中心、工业设计平台和生命科学实验流程中，国产大模型才算真正完成从“数字工具”到“产业底座”的跃迁。

这场竞争注定不会轻松。专家协作如何规模化，行业评测如何标准化，都是MiniMax必须面对的挑战，但方向已经足够清晰：谁能掌握各行业的专家认知主权，谁就能掌握AI产业化下一个十年的入口。

本文来自微信公众号“大模型之家”，作者：乔志斌，36氪经授权发布。