返回列表
谷歌AI人才持续流失:Jonas Adler与Alexander Pritzel加盟Anthropic
行业新闻谷歌AnthropicAI人才

谷歌AI人才持续流失:Jonas Adler与Alexander Pritzel加盟Anthropic

谷歌AI部门再次面临核心人才流失。顶级AI研究员Jonas Adler和Alexander Pritzel已确认离开谷歌,转投竞争对手Anthropic。此前,知名科学家Noam Shazeer和John Jumper也已相继离职。这一系列变动凸显了科技巨头之间日益激烈的人才争夺战,以及Anthropic等新兴力量对顶尖研究人才的吸引力。

TechCrunch AI

核心要点

  • 核心成员离职:研究员Jonas Adler和Alexander Pritzel宣布从谷歌离职。
  • 加盟竞争对手:两人将加入谷歌在AI领域的强劲竞争对手Anthropic。
  • 人才流失趋势:此次离职紧随Noam Shazeer和John Jumper等顶尖科学家的脚步,显示出谷歌人才外流的持续性。
  • 行业竞争加剧:顶尖研究人员的流动反映了当前AI行业内部对核心技术人才的激烈争夺。

详细分析

顶尖人才流向新兴力量

根据最新报道,谷歌AI研究团队的两名核心成员Jonas Adler和Alexander Pritzel已决定离开公司,并选择加入由前OpenAI成员创立的AI初创公司Anthropic。这一举动不仅增强了Anthropic的研发实力,也再次引发了外界对谷歌人才留存能力的关注。在当前的AI竞赛中,人才被视为最核心的资产,而Anthropic等初创公司正凭借其灵活的机制和专注的研究方向,吸引着原本属于科技巨头的顶尖大脑。

谷歌面临的持续性挑战

Adler和Pritzel的离职并非孤立事件,而是谷歌近期一系列人才流失现象的延续。在此之前,谷歌已经失去了多位在AI领域具有举足轻重地位的科学家,包括Noam Shazeer和John Jumper。这种持续的人才外流现象表明,尽管谷歌拥有深厚的技术积淀和资源优势,但在面对激烈的市场竞争和初创公司的诱惑时,正面临严峻的挑战。如何在高压竞争环境下留住核心科研力量,已成为谷歌维持其AI领先地位的关键课题。

行业影响

这种人才从老牌科技巨头向新兴AI独角兽的流动,将显著加速AI技术的扩散与行业格局的重塑。Anthropic等公司的快速崛起,在很大程度上依赖于这些从谷歌、OpenAI等公司流出的顶尖研究人员。对于整个AI行业而言,这种人才的流动促进了技术的交流与创新,但也迫使像谷歌这样的巨头重新审视其内部的研究环境与激励机制,以应对日益白热化的人才争夺战。

常见问题

问题 1:谁是最近离开谷歌加入Anthropic的研究员?

答:最近离开谷歌并确认加入Anthropic的研究员是Jonas Adler和Alexander Pritzel。

问题 2:除了Adler和Pritzel,近期还有哪些知名科学家离开了谷歌?

答:根据报道,此前已有Noam Shazeer和John Jumper等在AI领域极具影响力的顶尖科学家相继离开了谷歌。

问题 3:这些研究员离职后去了哪里?

答:Jonas Adler和Alexander Pritzel明确表示将加入Anthropic,这是目前AI领域最受关注的初创公司之一。

相关新闻

ACL 2026美团技术团队论文精选:深度解析大模型评测与推理优化新范式
行业新闻

ACL 2026美团技术团队论文精选:深度解析大模型评测与推理优化新范式

美团技术团队在自然语言处理顶级会议ACL 2026中共有6篇论文被收录。这些研究涵盖了大模型评测、复杂流程推理、竞赛级数学思维优化、强化学习优化及生成式推荐等前沿领域。本文将深入分析美团如何通过这些技术突破,构建生成式AI的新范式,并探讨其对行业发展的深远影响。

美团技术团队分享:用Agent评测思路管理31万行代码AI重构的实战经验
行业新闻

美团技术团队分享:用Agent评测思路管理31万行代码AI重构的实战经验

美团技术团队近期分享了其在AI Coding领域的深度实践。针对90%以上代码由AI生成的现状,团队提出通过Agent评测思路来约束AI能力,防止代码混乱。通过技术债梳理、Rule建设、重构SOP和Pre-PR机制,美团成功完成了31万行代码的重构,将重构工作从高成本专项转变为随迭代持续推进的日常动作。

LARYBench发布:定义具身动作表征“ImageNet”,揭示通用视觉模型显著优势
行业新闻

LARYBench发布:定义具身动作表征“ImageNet”,揭示通用视觉模型显著优势

美团技术团队正式发布LARYBench(Latent Action Representation Yielding Benchmark),这是一个旨在从大规模视觉数据中学习通用隐式动作表征的系统化评测基准。研究表明,通用视觉模型在动作泛化与控制精度上表现优于专门的具身专家模型,并证实了具身动作表征可从大规模人类视频数据中涌现,为具身智能研究提供了全新的度量标准。