伯克利系主任出走Anthropic：一个理论算法大牛背后，藏着Anthropic怎样的野心？

“ Anthropic正在招募那些能界定‘什么可能、伯克背后什么不可能’的利系理论人。 ”

作者丨张进

编辑丨马晓宁

7月1日，主任Jelani Nelson在X平台发布了一条推文。出走藏

没有长篇大论的算法感慨，也没有感性的大牛的野告别辞，只有一句简短的伯克背后声明：他将暂时离开加州大学伯克利分校，加入Anthropic。利系理论这一举动随即在科技圈引发剧烈震动。主任

Nelson绝非普通学者。出走藏作为伯克利EECS（电子工程与计算机科学系）的算法系主任，他手握计算机科学领域极具含金量的大牛的野终身教职，在学术界深耕十五年，伯克背后从MIT博士一路晋升至全美顶尖CS系的利系理论“一把手”。

YC总裁Garry Tan对此评论道：“Anthropic现在的主任人才吸引力简直令人窒息。”

但若将视线从Nelson个人身上移开，退后两步审视全局，我们会发现一个更具深意的故事：在过去两周内，Anthropic完成了一次教科书级别的人才虹吸——诺贝尔化学奖得主John Jumper从Google DeepMind加盟，DeepMind两位高级研究员Jonas Adler和Alexander Pritzel同期加入，Jelani Nelson紧随其后。

短短十四天内，一位诺奖得主、两位DeepMind核心骨干、一位在任系主任，全部汇聚同一家公司。

这不仅仅是一个“教授加入AI公司”的常规新闻，而是Anthropic正在重塑AI行业人才格局的缩影——它不仅在争夺人才，更在构建一种前所未有的研究架构。

01

Nelson是谁：将算法课讲出2100万播放量的“古典派”

许多人认识Nelson，始于哈佛YouTube频道那节《Advanced Algorithms》课程。

九十分钟的黑板手书，全程高能推导公式。没有炫目的幻灯片，没有幽默段子，只有粉笔灰与纯粹的数学。该视频至今播放量突破2100万次，在算法公开课领域堪称独一档的存在。

1984年出生的Nelson，走的是典型的“古典”理论计算机科学路线。他在MIT一口气完成了本科、硕士和博士学业，本科期间同时获得计算机科学和数学双学位。博士阶段，他专注于一个看似抽象却极具挑战的问题：当数据规模庞大到无法存储、只能单次扫描且处于动态变化时，如何以最小内存保留关键信息？

他的博士论文《Sketching and Streaming High-Dimensional Vectors》荣获MIT杰出博士论文奖。这一方向——流式算法（Streaming Algorithms）与降维（Dimensionality Reduction）——贯穿了他随后的整个学术生涯。

博士毕业后，Nelson先后在伯克利、普林斯顿及普林斯顿高等研究院从事博士后研究。2013年加入哈佛，2019年转投伯克利EECS，2024年7月出任计算机科学分部主任，2025年7月升任系主任。从助理教授到系主任，他仅用了十二年。

他的学术贡献主要聚焦于三个领域：流式算法、降维理论及随机算法。其中最具标志性的两项成果包括：

1. 确立Johnson-Lindenstrauss引理的最优性：与Kasper Green Larsen合作，证明了该引理在高维数据降维中的理论下界，即没有任何算法能超越这一极限。
2. 解决count-distinct问题：与Daniel Kane、David Woodruff合作，给出了数据流中不同元素计数的渐近最优算法，仅需O(ε² + log d)的空间复杂度即可实现。

这些成果看似远离AI应用，但实际上——这正是Anthropic渴望引入他的核心原因。

02

流式算法与大模型：为何是同一件事？

表面上看，Nelson研究的是“如何用极小内存处理海量数据流”，而大模型公司关注的是“如何在有限算力下训练和推理更大模型”。然而，两者的数学结构高度同构。

具体应用场景如下：

• KV Cache压缩：当上下文窗口扩展至百万token级别时，8B参数模型的KV Cache需占用超过137GB显存，远超单张80GB GPU的容量。如何筛选保留状态、丢弃冗余并进行压缩，本质上是一个流式算法问题。Nelson的流式算法下界理论，直接回答了“KV Cache压缩的数学极限在哪里”。
• 向量数据库与RAG：检索增强生成依赖高维向量的近似最近邻搜索。Nelson证明的JL引理最优性，确立了嵌入向量可被压缩的理论最小维度。工程上可无限逼近该下界，但数学上无法突破。
• 数据去重与频率估计：大模型预训练需在海量数据中进行去重、分布估计及高质量样本筛选，这正是count-distinct和频率估计问题的直接应用。Nelson给出的最优空间界，为这些工程操作提供了“可证明的效率天花板”。

换言之，Nelson的工作划定了算法效率的“绝对前沿”：在既定硬件约束下，模型能算什么、不能算什么，哪些优化仍有空间、哪些已触及数学极限——这些问题均可通过他的理论工具得到解答。

Anthropic发言人确认，Nelson将加入预训练团队，该团队目前专注于Claude核心知识与能力的研究。一位理论计算机数学家投身于对算力效率优化需求最迫切的AI前沿，逻辑上完全自洽。

03

两周人才地震：Anthropic在搭建何种班子？

将Nelson的加盟置于时间线中审视，Anthropic的战略意图便清晰可见。

过去两个月，Anthropic完成了一次结构性的人才布局：

深入分析这份名单的结构：实验工程（Karpathy）+ 生物计算（Jumper）+ 编程AI（Adler）+ 预训练（Pritzel）+ 理论基础（Nelson）。

这并非简单的“抢人”，而是“搭班子”。

过去几年，AI公司的竞争逻辑是“模型越大越好”，因此争夺焦点集中在工程师和实验科学家身上。但Anthropic这波操作的信号截然不同——它在招募能证明“什么可能、什么不可能”的人。

Nelson的价值正在于此。当其他公司仍在通过经验主义“撞墙”——尝试更大的batch size、更长的上下文、更多的数据时，Nelson能做的，是在消耗数百万美元算力之前，先用数学证明哪些路径存在不可逾越的壁垒，哪些路径仍具理论潜力。

这标志着从“工程竞争”向“理论竞争”的范式转移。Anthropic押注：下一轮AI的突破，不取决于谁拥有更多算力，而取决于谁先理解模型的数学极限。

值得注意的是，Nelson加入Anthropic的方式是“留职停薪”（Leave of Absence），而非辞职。他的伯克利教职依然保留，理论上可随时回归。这种模式在美国学术界日益普遍——教授保留终身教职，同时在企业工作数年，实现双向赋能。

然而，这把双刃剑的另一面在于：教授虽保留编制，但研究生可能转向工业项目，研究方向可能因学术约束而中断。几年后，教授能否顺利回归，仍是一个未知数。

04

“人才旋转门”：美国学术向产业流动的制度装置

Nelson的出走并非孤例，而是一种制度性现象。

在美国AI行业，高校教授赴企业兼职或全职，已形成成熟的“旋转门”机制。卡内基梅隆大学（CMU）与当地企业的人才流动率高达37%——意味着超过三分之一的CMU AI研究者会在学术与产业界之间来回切换。

这种旋转门的底层逻辑在于互补：企业能提供大学无法给予的资源——算力、数据、真实场景及远超教职的薪酬；大学则能提供企业缺乏的优势——学术自由、长期研究空间、研究生资源及社会声望。双方互相依赖，人才在门内门外流转，知识随之循环。

Nelson本人即是旋转门的典型产物。2021年至今年6月，他一边担任伯克利教授，一边兼任谷歌研究科学家，两肩挑了四年。如今从谷歌转投Anthropic，不过是旋转门再次转动。

但这一轮的转动比以往更为剧烈。

根据SignalFire发布的2025年人才报告，Google DeepMind工程师离职后选择加入Anthropic的概率，是反向流动的近11倍。Anthropic于2026年6月秘密提交IPO文件，估值约9650亿美元，年化营收约470亿美元。上市前的股权增值潜力，加上Anthropic提供的算力规模与数据量级，每一项都让教授们难以抗拒。

因此，旋转门仍在转动，只是转速加快，且方向更偏向产业一侧。

这对伯克利的影响是实质性的。Jelani Nelson不仅是普通教授，更是整个EECS系的系主任。他的离开意味着这所全美AI研究重镇，在理论算法方向暂时失去了核心掌舵人。这不同于一般的人才流失，而是整个研究方向在短期内面临群龙无首的局面。

AI人才正以前所未有的速度从学术机构向产业公司聚集。Anthropic凭借万亿美元估值、无限算力和上市前的股权诱惑，将学术向产业的人才流动转速推至历史新高。这套“旋转门”机制让知识在高校与企业间持续循环，而Anthropic正成为这一循环的关键终点站之一。

(责任编辑：知识)