杨植麟的故事很容易被写成一句话：“顶尖AI人才开始回流”。
这句话不算错，但它太粗糙。
最近发布的一项研究讲得更具体。
知名智库卡内基国际和平基金会发布了研究报告《中国顶尖AI研究者是否仍留在美国？
》（Have Top Chinese AI Res...
》（Have Top Chinese AI Researchers Stayed in the United States? ），报告聚焦的问题很直白：顶尖的中国AI人才有没有大规模离美回国？
顶尖人才的“留美率”仍然很高，但新增流入在减少
上述研究报告使用的核心数据，来自保尔森基金会（Pa...
上述研究报告使用的核心数据，来自保尔森基金会（Paulson Institute）旗下研究平台MacroPolo建立的全球AI人才追踪器数据集，他们采用的是顶级 AI学术会议NeurIPS 2019的论文作者样本：原始样本为675位“顶尖 AI 研究者”，从中选取100位被界定为“本科在中国完成、2019年在美国机构从事研究”的研究者。
他们跟踪了这100人的去向：到2025年，有87人...
他们跟踪了这100人的去向：到2025年，有87人仍在美国机构；10人去了中国公司或高校；3人在其他国家。
这意味着，已经在美国扎根的华人AI人才仍然大体稳定。
对中国而言，AI人才“回流”是存在的，但还没有达到大规模的程度。
报告的另一个重要发现是，基于NeurIPS 201...
报告的另一个重要发现是，基于NeurIPS 2019到NeurIPS 2022的样本对比，中国背景作者在这个顶尖AI社群中的比重从29%上升到接近一半，而在中国机构供职的比例也从11%跳升到28%。
这意味着，相比过去更多顶尖中国 AI 研究者选择在...
这意味着，相比过去更多顶尖中国 AI 研究者选择在美国机构工作或求学，越来越多选择直接留在中国展开研究或就业。
在AI顶尖人才领域，美国并没有失去存量，却正在失去...
在AI顶尖人才领域，美国并没有失去存量，却正在失去吸引下一代新人的能力——更多中国顶尖研究者选择在国内产业与高校体系内发展，而不是把赴美当成必经之路。
美国在保留存量优势，中国在扩大本土吸纳能力。
越来越多优秀人才在国内产业中找到位置，中国正把“优秀毕业生留在本土产业”的能力做得更强。
AI人才跨境流动背后的三股力量
AI人才的跨境流动背后通常是三股力量的拉扯。
一是国际形势：不一定“赶走存量”，但会“劝退增量”。
卡内基基金会的报告指出，签证与安全审查、对华裔学者...
卡内基基金会的报告指出，签证与安全审查、对华裔学者的怀疑氛围、疫情后的跨境出行摩擦，都会显著降低中国研究者赴美与留美的确定性。
这类因素的特点是：对已在美国的人影响有限，但对正在做选择的年轻人（尤其是博士申请者）影响很大。
美国国家经济研究局（NBER）的论文《筑起科学围墙...
美国国家经济研究局（NBER）的论文《筑起科学围墙》（Building a Wall Around Science）把这种影响作了量化讨论。
研究发现，中美关系紧张导致STEM（科学、技术、工...
研究发现，中美关系紧张导致STEM（科学、技术、工程和数学）专业的中国学生进入美国读博的概率下降约15%，毕业后留美概率也下降约4%。
同时，在美中国研究者的发表产出下降约8%—11%，退出科研的概率也更高。
作者强调，上述变化不能用单一政策解释，更像是由“被感知到的敌意/不确定性”带来的寒蝉效应。
二是产业机会：回流不是靠“情怀”，而要“能干成事”。
过去很长一段时间里，顶尖科技人才之所以愿意留在美国，一个重要原因是美国的前沿资源与产业机会高度集中。
现在，越来越多中国研究者并不需要出国才能做前沿工作...
现在，越来越多中国研究者并不需要出国才能做前沿工作——国内头部公司与高校在算力、数据、工程体系以及可落地的应用场景上都更完整，使得留在国内变成可行选项。
对个人而言，这种变化会把“回国”从情绪化叙事拉回到...
对个人而言，这种变化会把“回国”从情绪化叙事拉回到更冷静的职业计算：在国内，可能更容易拿到更大的团队、更快的决策链条、更直接的产品反馈；在某些方向上，甚至能更快获得真实世界的训练闭环。
三是信心与预期：人才在给“未来十年”定价。
很多人以为人才流动主要看薪资，其实更常见的触发点是“能不能看清未来”。
卡内基基金会的报告里，那些已经在美国站稳脚跟的人大...
卡内基基金会的报告里，那些已经在美国站稳脚跟的人大多会留下，但作者真正担心的是“下一批还会不会来”——因为对尚未落地的博士申请者、博士后和年轻研究员而言，签证、审查、往返成本、合作边界这些变量会被放大成职业风险，一旦风险上升，他们更容易选择不来、少来，或者转向第三地。
如何留住AI人才：给企业的五条建议
如果把AI的发展比作一场长跑，那么AI人才的分布就...
如果把AI的发展比作一场长跑，那么AI人才的分布就像运动员在哪里集训、有没有队友、能不能安心跑完全程，对于AI的竞争力显然有着举足轻重的作用。
过去几年，中国AI企业可能靠“工程红利+场景红利+...
过去几年，中国AI企业可能靠“工程红利+场景红利+资本红利”就能把产品做大，但接下来3—5年，更可能是“人才红利决定上限”的阶段。
精英人才的回流固然令人欣喜，但更能决定胜负的是：你...
精英人才的回流固然令人欣喜，但更能决定胜负的是：你能否让不同背景的团队在高压、长周期、强不确定性下持续迭代，不因为签证、合作边界、组织内耗或激励错配而掉链子。
下面五条建议，针对的就是这些最容易把企业拖垮、但又最常被忽视的“基础设施”。
1.区分研究线与产品线，别用一套逻辑管到底。
研究岗最在意自由度、资源与长期声誉；产品岗更在意工程体系、业务闭环与上升通道。
混着管，会出现“研究岗被KPI逼到做短期迭代、产品岗被论文指标绑架”的双输局面。
建议企业给研究线明确三件事：可支配算力/数据边界、发表/开源策略、以及三年内的研究路线图；给产品线明确三件事：业务目标、交付节奏、跨部门协调机制。
两条线的交汇点放在“技术转移机制”：每季度固定一次“研究—工程”评审，把论文/原型变成可工程化的路线，不靠临时拍脑袋。
2.建立“多地协作”的备份机制：把组织做成网络，而不是单点总部。
人才流动不只取决于薪酬，还会被签证、家庭、地缘风险、往返成本等因素影响。
单点押注，等于把研发连续性押在不可控变量上。
建议企业先把团队拆成“必须同地”和“可以分布”两类模块：例如模型训练与核心数据治理可能需要更集中；应用层、评测、工具链更适合分布。
建立统一工程底座，代码规范、实验管理、评测基准、文档体系必须同一套；设立“关键岗位双人制”：至少让每个关键模块有两地可接管的人选；把跨时区协作当成流程设计：减少例会，增加异步文档与决策记录；用清晰的“谁拍板、拍什么板”来避免扯皮。
3.把合规与安全团队前置到研发流程：合规不是成本，是留人能力。
跨国背景下，研究者最怕的不是“不能做”，而是“做了以后才发现踩雷”。
一旦出现这种体验，高端人才会迅速降低投入，甚至直接离开。
建议企业做一份“研发红绿灯清单”：哪些数据能用、哪些合作要审批、哪些开源组件要审计，用一句话能读懂，不要只放在法务文件里。
在研发链路里加“轻量关卡”：立项时过一次边界，发布前过一次合规，别等上线后补锅。
对高端研究岗公开透明：审批规则、时限、例外机制越清楚，研究者越愿意把职业声誉押在你这里。
4.用“职业确定性”做雇主品牌：让人看到三年后的自己。
对顶尖人才来说，跳槽不是为了多拿一点工资，而是为了把不确定性降下来：身份、资源、评价体系、团队方向、个人成长。
建议企业把资源承诺写进offer：算力额度、数据支持、会议差旅、发表/专利策略、导师/合作者支持，不要只写“有机会”。
设计两条上升通道：研究路线与管理路线，并明确转轨条件。
建议把绩效周期拉长：研究岗至少要有一到两年的评估窗口。
5.盯住“下一代入口”：博士、博士后、青年研究员的选择，决定你未来梯队。
顶尖人才的供给从来不是市场上随时能买到的。
企业常见的错是用高价挖角解决当下问题，却忽略三到五年后的梯队断层。
建议企业与高校、研究机构做“项目式联合培养”：不是挂名合作，而是共同定义题目、共同提供算力与数据、共同产出成果，让年轻人提前进入企业的技术体系。
建立“实习—全职”稳定转化通道：让实习生做真实项目，给出可见的成长路径；否则实习只会变成短期劳动力。
对青年研究者给“可见舞台”：内部技术分享、对外投稿支持、开源项目署名机制，这些比一次性的签约奖金更能提高黏性。
[作者王翔为复旦大学数字与移动治理实验室研究员，本文写作受到香港中文大学（深圳）前海国际事务研究院刘嘉乐老师的启发，特此致谢！
]
：