深度求索（DeepSeek）人工智能人才库的政策含义

深度求索公司成立于2023年，专注于开发先进的大语言模型（LLM）和相关技术。自成立以来，该公司于2024年至2025年间已在arxiv平台上发布了五篇详细的技术研究论文，共计列名了223位作者。

本研究依托Openalex文献开放数据库，收集了这些作者的全面数据，包括他们的出版记录、引文指标以及自1989年以来的机构隶属关系，同时还收集了其所属机构的地理位置、组织类型及研究产出指标等信息。通过编写定制的Python脚本，本研究对这些数据进行解析，绘制了每位研究人员完整的机构履历，从而揭示先前未被充分感知的跨境人才流动模式。

本研究的重点在于追踪人才随时间推移的动态变化，而非仅仅关注静态的时间点，这使得本研究能够观察和评估人才输送渠道的演变过程，聚焦于“人才回流”等对战略性知识转移具有高度相关性的现象。

（一）核心团队与贡献者分析

研究显示，深度求索拥有一支核心研究的“关键团队”（Key Team），即全部的223位作者中，仅有31人（占比接近14%）作为贡献者出现在所有五篇论文中。然而，这个核心团队似乎依赖于一个更广泛的内部贡献者库，这些贡献者并不总能获得作者署名。例如，其第一篇论文列出了86位官方作者，但同时注明了另外53位未署名的贡献者，分布在商务（8人）、合规（7人）、数据标注（36人）和设计（2人）等不同领域。

深度求索在不同时期对作者的标注方式似乎也有所调整：第二篇和第四篇论文以“数据标注”和“研究与工程”等贡献类型来描述贡献者，而第三和第五篇论文则采用了“贡献者”与“核心贡献者”的二分法，暗示深度求索研究团队内部可能存在的正式层级结构。

（二）研究人员经验与学术影响力

值得注意的是，引文指标数据并不支持深度求索主要依赖年轻或经验不足的研究人员取得成功的普遍说法。相反，数据显示深度求索的“关键团队”由具备深厚学术背景和卓越研究记录的资深研究人员组成。在能够获取数据的211位贡献者中，平均每位研究人员发表了61项成果，获得了超过1000次引用，引文数中位数为249次。而“关键团队”作者的平均引文数更高，达到每人1554次，中位数为501次。相比之下，OpenAI o1系统背后的265位作者平均引文数为4403次，但中位数仅为338次。可以得知，深度求索的全体作者库和核心团队在平均与中位数表现上展现出更好的平衡性，表明其顶尖人才实力雄厚，且贡献者之间的表现差异较OpenAI团队更小。

（三）本土人才培养与国际流动

研究进一步揭示了中国在本土培养世界级人工智能人才方面日益增强的能力，且在很大程度上不依赖西方专业知识。在201位拥有已知隶属机构数据的深度求索作者中，超过一半（111人）完全在中国本土接受教育和培训，并仅在中国机构工作。89%的作者至少拥有一段在中国机构的过去或当前任职经历。中国科学院及其附属的或设置于顶尖大学的机构网络，在广泛的中国研究机构中扮演着核心节点角色：在211位深度求索作者中，有53位隶属于中国科学院或其网络内的机构，这些机构已成为中国人工智能的创新沃土。

相对而言，这些作者中仅有约四分之一（24.3%）曾有在美国的学术或专业经历。在49位职业生涯中曾与美国机构有隶属关系的深度求索研究人员中，有9人（18.4%）在美国停留了2至4年，另有9人停留了5年或更长时间。在后9位长期留美的人员中，仅有3人目前仍保留与美国机构的联系。

图1 深度求索的研究人员曾隶属的美国机构的地理分布情况

从更广阔的视野来看，中国人工智能人才展现出高度的国际流动性，倾向于选择在多个不同国家积累经验。拥有在美经历的深度求索研究人员中，有19位在中国的职业生涯起步后，曾前往海外（美国或其他地区），并最终返回中国从事人工智能研发工作；其中6位研究人员曾多次往返于中美两国之间，在两国建立了全球化网络，并深度融入了双方的生态系统。

（四）政策启示与讨论

深度求索的成功，在根本上是一个本土人才驱动的故事：其半数研究人员从未离开中国，绝大多数与中国本土机构保持紧密联系，即使是那些曾在美国接受培训的人才，最终也选择了返回中国。美国虽然仍是国际研究培训的领先中心，但在人力资本的输送链条上存在明显的不对称性。中国正日益减少对外国人工智能培训的依赖，并不断强化本土人才的培养能力；而美国在人工智能人才方面仍然高度依赖外国人才的输入。

当前政策制定者应重新审视一个长期存在的假设，即世界上最优秀、最聪明的人工智能研究人员都渴望在美国学习和长期发展。吸引并永久留住世界顶尖人才——这一曾是美国技术主导地位的关键支柱——似乎与21世纪的教育和人才流动现实日益脱节。当中国将研究人员的国际经验视为在回国前获取前沿知识和方法论的宝贵途径，而非简单的“人才流失”时，美国可能错误地认为其拥有永久的人才领先优势。

面对这一现实，或许美国需要更加积极地参与竞争，以吸引、欢迎并留住来自世界各地的顶尖人才，政策制定者还必须通过改善国内从幼儿园到高中的科学、技术、工程和数学（STEM）教育，来紧急提升本土的人才培养能力。

深度求索的崛起远不止是大语言模型技术的又一次进步，它更广泛地揭示了新的人才流动模式，这些模式对美国长期以来关于其创新优势的信念提出了质疑。关于美国在培养和留住人才方面占据主导地位的传统观念不可同日而语，这对未来的技术竞争将产生深远影响。

同时，美国的人才优势被削弱的风险教训也警示我们，政策制定者需要认识到，人力资本而不仅仅是硬件算法，在地缘政治中也扮演着至关重要的角色。对美国甚至全球而言，其人工智能领域人才自然领先的核心假设需要进行相应的政策调整，已是当务之急。