中國 AI 的年輕掌權者們

他們因技術獲得權力，又必須運用權力，保護技術所需要的自由。

過去二十年，中國網路公司的權力，大多隨著商業戰果分配。做成一款產品，拿下一塊市場，帶來更多收入，管理者才有機會掌握更大權力。

如今，一批三十歲上下的技術人，正在通過另一條路徑進入中國最核心科技公司的權力中心。

33 歲的楊植麟創辦了月之暗面，讓阿里、騰訊既和他競爭，也給他投錢；同樣 33 歲的肖弘，把 Manus 賣給 Meta，八個月後又買了回來——他做過全球科技巨頭的副總裁，如今更想做它們的對手；31 歲的羅福莉帶着一支數十人的新團隊，在小米啟動了兆參數模型的訓練；28 歲的姚順雨進入騰訊總裁辦，接手混元，成為省委書記視察時，坐在馬化騰身邊的人。

不必等到產品取得商業成功，這些年輕的管理者就開始掌握一家公司最重要的研發決策權，由此影響數百名研究員的工作，以及數以億計的算力如何投入。

這些決定的代價，可能是按分鐘計算的。2026 年 9 月，羅福莉直播公開了小米兩款模型的強化學習訓練看板。按照頁面展示的費用速率，兩輪訓練合計每小時要花掉 3.08 萬美元。

他們按自己的偏好和理解建立組織。有人希望減少層級和部門邊界，有人鼓勵研究員自由組隊、直接溝通。即使負責人認為一個想法大機率無效，研究員仍可能拿到算力，自己試一試。

一位大模型公司的 tech lead 告訴我們，他認為好的人才不需要管理，「人招進來，給他卡就夠了」。但前提是，「要招比自己還優秀的人。」

他們年輕、充滿野心、孤注一擲，一位接近 Kimi 招聘的人士說，這家公司只做一件事——大模型，「做不好，公司就會死」。

一位混元團隊成員說，姚順雨曾提出，成為第一之前不發技術報告，「不僅要做中國第一，還要做世界第一」。這樣的目標吸引着年輕研究員。有人直白地說，自己來混元，就是 「信姚哥有天能做到第一」。

空前的信任、焦慮與期待，將這群三十歲上下的技術人推向了權力的核心。他們憑什麼獲得權力，又將怎樣使用它，正在影響中國 AI 行業的走向。理解他們，也是理解這場昂貴的戰爭正如何展開。

三十歲上下的技術人，決定中國核心 AI 組織如何投入最重要的資源

1. Kimi 的故事：楊植麟決定再等等

2026 年 3 月，幾名 Kimi 的年輕研究員想讓公司為一個新想法改變計劃

他們希望把一項叫 Attention Residuals 的新技術，放進 Kimi 正在研發的下一代旗艦大模型 K3。當時距離預期發布只剩四個月，臨時更換架構可能推遲訓練，甚至影響發布時間。在幾千張卡開始運轉之前，他們需要說服楊植麟。

這個想法最初來自 Kimi 的研究員蘇劍林，業內人稱 「蘇神」。他獨自生活在廣州，與北京的團隊遠程合作。他長期在個人部落格 「科學空間」 上寫數學推導和模型研究，許多研究員在成為他的同事之前，就已經是他的讀者。

2026 年春節前後，蘇劍林讀到 DeepSeek 的 mHC 論文。這項研究試圖改進大模型各層之間傳遞資訊的方式：保留多條並行的資訊流，讓每一層按不同權重混合、讀取和更新這些資訊，同時約束混合過程，避免訓練不穩定。

蘇劍林從中冒出一個念頭：既然是在做加權求和，何不用 Attention？

Attention，即注意力機制，是大模型早已使用多年的技術。處理一段文字時，它讓模型判斷哪些詞與當前這個詞更相關，再按不同權重讀取它們的資訊。

蘇劍林覺得可以把同樣的機制用在模型的不同層之間。大模型由許多層組成，資訊經過一層層計算，逐漸形成輸出。傳統的殘差連接把每層產生的資訊不斷相加、向後傳遞；他希望讓當前這一層按需選擇，應該從前面哪些層讀取多少資訊。

這個想法後來被稱為 Attention Residuals。一位研究者形容，它就像把 Attention 轉了 90 度，豎起來用：原本在 token 與 token 之間選擇資訊，現在在層與層之間選擇資訊。

蘇劍林很快寫了一個簡化版本，效果很好。蘇劍林後來在《Attention Residuals 回憶錄》中寫到，他把實驗結果發到內部群里，研究員張宇和陳廣宇很感興趣，很快加入進來，在更大的模型上驗證。

張宇在蘇州大學讀博期間就開始研究高效模型架構，2025 年 3 月加入 Kimi，後來成為 Kimi Linear 論文的第一作者；陳廣宇當時只有 17 歲，還是一名高中生，長期研究高效模型架構。幾個人試過更複雜的設計，效果大多不如最初的簡單版本。

但要把這個完整版直接搬上兆參數的大模型，推理團隊認為可以優化，但訓練團隊算過後卻發現，以當時的資源根本無法承擔。因為它需要保存各層的資訊，還要在設備間傳遞。蘇劍林後來寫道：「說白了還是窮。」

「從推理效率角度，當時新增加了一個考慮因素，那就是公司流量瘋狂上漲，所以無論是延遲優化還是成本優化的壓力都非常大，因此在最終定版的時候，我們在設計目的上就是做到幾乎無性能開銷。」Kimi 的 AI Infra 工程師 Yaoyu Wang 在社交平台上說。

他們需要一個更便宜、對推理更友好的方案。Infra 團隊提出，希望能換一種具備良好局部性的思路來化解通信瓶頸；溝通之後，張宇和陳廣宇幾乎只用了一個晚上，提出了 Block AttnRes（分塊注意力殘差）設計：把模型的多個層分成 8 個組（Block），先匯總組內資訊，再在組間做 Attention。

正如蘇劍林在《Attention Residuals 回憶錄》中說，這種分塊方案在長上下文和大規模訓練下，僅帶來極小的額外開銷（根據論文與復盤數據，額外開銷在 5% 以內甚至更低，換來了約 20% 的訓練效率提升）。

訓練、推理和 Infra 團隊確認方案可行後，「所有同學全力推動它進主線。」

但還有最後一個問題： K3 即將開訓，日程已按交付日期倒排，新架構還需要進一步驗證。臨時加入它，可能打亂整個訓練計劃。

最終，楊植麟拍板，他同意推遲 K3 的開訓時間，給團隊留出驗證的時間。

3 月 16 日，Kimi 公開了這項研究，陳廣宇、張宇和蘇劍林同為共同第一作者。4 個月後，擁有 2.8 兆參數的 K3 發布，Attention Residuals 成為它的重要架構之一。新模型在多項第三方評測中表現出色。

Yaoyu Wang 在 2026 年 3 月所撰寫的一篇深度技術復盤文章中說，在 Kimi 內部，有一張同事們遇到難題時常拿出來互相打氣的梗圖，上面有兩句話：

Infra 方說：「數學上合理的架構，工程上沒道理實現不了；如果實現不了，大機率是工程這邊哪個地方理解不對。」

算法方回應：「如果系統上實現不了，大機率是算法沒真正想清楚。」

正是這種雙向的信任，讓難題得以解決。一個參與其中的研究員說，「我還挺懷念那段時光，所有人都全情投入。一個方案，行不行，不行趕快 pass，又想另一個，再試一下。」

這個故事裡，提出新想法的是一名遠程工作的研究員，將它變成可行方案的包括一名 17 歲高中生和一名年輕博士；訓練、推理和 Infra 團隊則在周末的深夜合力解決了大規模工程的問題。最後，作為 CEO 的楊植麟拍板決定，為它改變公司最重要模型的訓練日程。

這種近乎奢侈的信任、毫無保留的團隊協作，以及在壓力下的孤注一擲，讓一個 「靈光一現」 落地生根。

於是，能在不確定性中找到正確方向，並能團結一群人去兌現方向的人，站在了權力的核心。新一代 AI 管理者的能力，不只是自己懂技術，還包括識別他人的技術判斷，並將其變成整個組織的 bet。

2. 智譜的轉向：00 後年輕研究員推動押注 coding

2025 年初，智譜需要找到一個突破口

DeepSeek-R1 發布後，這家國內最早訓練、開源千億參數模型的公司之一，感到了落後的壓力。唐傑後來在內部信中回憶，彼時模型效果達不到預期，行業又陷入價格戰。

春節前後，唐傑把十幾位核心技術人員叫到一起。負責預訓練和基礎設施訓練的曾奧涵，長期負責編程模型 CodeGeeX 的鄭勤鍇，AutoGLM 負責人劉瀟，以及後來參與 GLM-4.5 核心研發的侯振宇等人都在。

他們中的許多人與唐傑的合作始於清華。2022 年，曾奧涵和劉瀟共同擔任 GLM-130B 的學生負責人，帶領團隊訓練出一個在多項英文評測中達到 GPT-3 水平的千億參數模型。

這樣的會議沒有固定日程。一位智譜的人士說，當唐傑對方向感到焦慮時，就會臨時召集大家。這群不到三十歲的年輕人坐在這裡，要討論的是公司接下來把人和算力投向哪裡。R1 之後，智譜該往哪裡走？

00 後、尚未博士畢業的曾奧涵提出，做 Coding。鄭勤鍇等人也主張加強模型的編程能力。

但這個方向在智譜內部並未成為共識。2024 年 9 月，OpenAI 發布 o1-preview，展示了模型通過長鏈思考解決複雜問題的能力。四個月後，DeepSeek-R1 的成功進一步讓數學、邏輯和複雜問題求解成為研發重點。侯振宇等人認為，應該繼續沿着這條路線探索。

一位智譜人士回憶，他們當時把 OpenAI 和 Anthropic 的路線分別比作 「科學家」 和 「工程師」：前者探索認知邊界、算法和新的訓練範式，後者着力讓模型完成真實任務，比如幫程序員寫代碼。彼時國內許多公司都在跟進 OpenAI 的技術路線，而主張 Coding 的研究員認為，智譜應該把更多力量投向後者。

一位智譜人士說，當時他們繼續跟進 R1 已經吃不到紅利了。「我們得去做一個新的、不一樣的東西。」

唐傑沒有在會上確定方向，而是讓幾支團隊回去分頭探索：曾奧涵、鄭勤鍇等人主做 Coding，侯振宇等人則繼續沿着 Reasoning 探索。

轉折出現在 2025 年 4 月。智譜發布了一批 320 億參數的模型，其中一個版本加強了工程代碼、函數調用等能力。內部測評和使用反饋讓 Coding 獲得更多認可，公司逐漸增加投入。

七月，GLM-4.5 發布，編程成為市場反饋最好的能力之一，智譜重新受到關注。九月，公司推出 GLM Coding Plan，開發者按月付費，就能在 Claude Code、Cline 等工具中使用 GLM。到十二月，智譜 CEO 張鵬稱，這項業務的年度經常性收入已超過一億元人民幣。

在當時，Coding 還不是許多國內大模型公司最優先投入的方向。2026 年 6 月，MiniMax 創始人閆俊傑在一場技術交流活動上回憶，大約兩年前，他曾問梁文鋒是否做 AI Coding，得到否定的回答。按閆俊傑的說法，當時他們覺得國內程序員群體有限，市場不夠大。

2026 年智譜上市當天，唐傑在內部信中回顧這一年的轉折，把四月的模型發布稱作試探，把七月底 GLM-4.5 的發布稱作 「一場決戰」。

「我們堅守了陣地，終於找到 Coding 作為突破口。」

押注 Coding，成為智譜成立以來最重要的戰略決策之一。

這不是一個人的決定，而是一群年輕技術人員的判斷，經過不同團隊的探索和驗證，逐漸成為公司的戰略選擇。

他們未必擁有與實際職責相稱的正式頭銜，卻已經能夠提出技術方向，帶領團隊驗證自己的判斷，並影響一家公司的走向。

3. MiMo 的跨越：從 7B 到 1T，羅福莉不想慢慢來

2025 年 4 月，小米發布第一款 MiMo 模型，參數規模只有 7B

羅福莉加入後，和團隊決定，同時訓練一個數千億參數的模型和一個兆參數的模型。

這兩個項目，後來分別成為 MiMo-V2-Flash 和 MiMo-V2-Pro。

當時的 MiMo 還是一支新團隊。2025 年一月，團隊不到二十人；到五六月份，也只有五六十人。大部分研究員此前沒有訓練過大模型，有經驗的人中，不少也只做過 7B、14B。

第一款 7B 模型，團隊當時想先用它檢驗數據質量，訓出來發現效果不錯，才決定發布。隨後幾個月，MiMo 團隊繼續準備預訓練數據、修改架構、優化基礎設施。一位研究員說，過去受時間和資源限制，一些改進來不及做，現在終於有時間細細打磨。他用分數打比方，就像把數據質量從七十分提高到九十分。這些準備工作持續了大約半年。

後來，羅福莉希望把模型做得更大。

羅福莉很早就被叫作 「天才少女」。2019 年，還在北大讀研二的她，在自然語言處理頂會 ACL 上有八篇署名論文，其中兩篇為第一作者。DeepSeek 的履歷、小米千萬年薪挖角的傳聞，後來又放大了這個標籤。她為此改了知乎簽名：「煩請各大自媒體不要再神化和消費個人。」

羅福莉的成長曆程並非一帆風順。她曾經稱自己是計算機領域 「絕對的低起點者」。在北師大讀本科時，她的成績一度靠後，後來追到全班第四；主動聯繫北大導師進入實驗室，又收到過不適合科研的評價，甚至考慮轉做產品。

2020 年碩士畢業後，她進入阿里達摩院，兩年後加入幻方量化，隨後參與 DeepSeek-V2、V3 的研發。到 2025 年加入小米時，她畢業不過五年，已經有了六七千億參數模型的訓練經驗。

她想把下一款模型做到兆參數，身邊一些研究員卻連數千億參數的模型也沒有訓練過。

她後來接受訪談時說，自己 「不會再想訓一個同樣的模型」。既然繼續 scaling，就要再往前走。而 1T，是當時團隊已有算力能夠嘗試的 「比較極限的區間」。

「換我在那個位置，我肯定不敢說直接訓 1T 的。」 一位同行感嘆，在他看來，更自然的做法是先把數千億參數的模型訓出來，看看結果，再決定是否繼續擴大。而羅福莉希望兩個一起做。

羅福莉有空間作出這樣的決定。雷軍大約每兩周聽一次 MiMo 匯報，但通常不干預具體技術決策。做什麼模型、採用什麼路線，很大程度由羅福莉和團隊決定。

但訓練開始後，問題接連出現：loss 升高，激活值異常變大，不同專家模塊的負載突然失衡。最初團隊懷疑是 GPU 故障，把卡排查一遍，還是找不到原因。羅福莉後來開玩笑說，「排查到最後會懷疑是不是太陽黑子的報復。」

有幾次，loss 突然升高，幾百步後又自行恢復。羅福莉決定，「應該要停下來解決問題」。

問題可能出在數據、架構、訓練代碼或硬體。一位研究員把排查形容為還原犯罪現場：幾個人坐在一起，提出可能的原因，再逐一驗證。他說，這也是團隊為什麼需要互相信任。如果先追究問題屬於哪個部門，大家就會開始考慮怎樣避免擔責。

訓練 1T 模型時，原來做數據和預訓練的人開始參與後訓練，負責訓練框架和推理 Infra 的人也一起解決問題。羅福莉在訪談中說，這些變化很少來自正式調配，更多是研究員根據興趣自然流動。

一位年輕研究員說，自己從學校來到 MiMo ，幾乎沒感覺環境有什麼變化，「就感覺跟實驗室一樣」。

兩款模型最終陸續完成。MiMo 沒有等較小模型的結果出來，再啟動兆參數模型。羅福莉和團隊同時承擔了兩場訓練的不確定性，也讓一批此前只做過小模型、甚至沒有大模型訓練經驗的研究員，參與完成了 1T 模型。

小米由此跨入了能夠訓練兆參數基座模型的公司行列。

「給他卡就夠了」，然後呢？

獲得權力之後，這批年輕的技術領軍者要面對的第一個現實課題，是如何招人、管人。

一名研究員回憶，楊植麟面試他時，先像審稿人一樣精準指出他過去工作里的幾個問題，隨後花更多時間講自己對技術方向的看法。公司最核心的人仍對技術抱有如此純粹的熱情，是他選擇 Kimi 的原因之一。

另一位研究員則描述，自己喜歡在這兒工作，是因為 「公司小小的，沒有那麼多所謂部門牆」，「偶爾一天工作 20 個小時——也覺得爽爆了」。

在頂尖人才極度稀缺的大模型領域，研究員選擇公司，本質上是在選擇一個能理解自己、值得追隨的負責人。

技術聲望天然自帶引力。楊植麟創業前參與過 Gemini、Bard 等大模型研發，是 XLNet 的第一作者；混元招攬姚順雨時，他是 OpenAI 的研究員，參與了 Deep Research 和 Operator 兩個核心項目。

騰訊招聘團隊人士說，姚順雨加入後，混元在校招上的吸引力明顯提升。一位原本有些猶豫的研究員，在姚順雨和他深入聊了至少 3 次後，最終決定加入。

相比上一代網路管理者，他們也有意或無意地消解着權力帶來的距離感。

28 歲的姚順雨進入騰訊後，很快有了 「姚哥」 這個稱呼。他加入後一年，混元人員擴張到近 2000 人。他大概每月開一次全員會，偶爾辦午餐會或小規模溝通會，還會在全員群里臨時組籃球局，帶團隊打上幾個小時。Hy 4 Preview 發布後，姚順雨直接給研究員集體放了一周假。

他也會用另一種方式給團隊鼓勁。一位混元成員回憶，姚順雨在內部說，我們不能像 DeepSeek 那樣不加班，但可以把 DeepSeek 卷到加班（大意）。

有些剛入職的實習生和校招生反映研究員之間聯繫太少，他聽到後便推動建起了 2026 年校招群。在工作群里，他經常說：工具不好用、資源拿不到，或者跨團隊協作遇到障礙，都可以直接找對應負責人，解決不了就繼續向上反饋。

在 Kimi，員工把楊植麟叫作 KK。他過去的飛書籤名是 「直接溝通」。公司里有全員群、bad case 群和 API 反饋群，研究員會在裡面直接抱怨產品不好用、算力不夠，也會用楊植麟的表情包 「陰陽他」。

一位認識楊植麟多年的人士說，他的性格沒怎麼變，「還是很 i」，和人說話時會側着身子，很少直視對方。有人開玩笑說，在去廁所的路上碰到他，最好裝作沒看見。

在小米的 MiMo 團隊，研究員把羅福莉叫作 Cici，或者 「師姐」。一次開會，晚到的幾個人因為座位不夠站在後面，羅福莉也在其中。一位研究員回憶，她自己去旁邊會議室搬來七八把椅子，和大家一起坐在後排。

通常每兩周的周五下午，團隊會有一次聚會，新人自我介紹，有才藝的人唱歌、跳舞、變魔術，大家一起過生日、吃點心。羅福莉通常也在，大多數時候做觀眾。

Kimi 的技術團隊基本都是 95 後、00 後，他們會自己組織蹦迪、滑雪，重要發布後去夜店慶功，員工可以穿洛麗塔服飾或任何自己喜歡的衣服來上班。

暱稱、興趣和輕鬆的氛圍，在網路公司並不算新鮮。但年輕的研究員們會從這些日常細節里，判斷負責人是不是 「同路人」、好不好相處。而一旦進入具體工作，他們真正核心的訴求，是自己的想法究竟能有多大空間。

楊植麟曾借用模型訓練的術語來解釋自己的管理哲學：多用 「RL」（強化學習），少用 「SFT」（監督微調）——負責人只給出目標和結果反饋，不要去規定每一步的動作。怎麼完成目標，需要研究員自己想辦法。

一名 Kimi 人士說，公司暫時不想搭一條清晰的晉升階梯。如果候選人習慣等主管分配任務，或者希望公司寫清楚上升路徑，他會直接勸對方不要來。

一位大模型研究團隊的技術方向負責人說，應該招比自己更懂、又真正想做出東西的人。這樣的人來了，「給他卡就夠了」，不用再派一堆具體任務。

一名剛進 MiMo 的實習生原以為會有人分配任務，後來被要求自己找課題。最初幾天沒人催，他甚至開始害怕 「坐在那裡沒事幹」。團隊不打卡，也沒人要求當天必須交付，但有些人中午來，會自發一直工作到凌晨。

羅福莉在訪談中說，MiMo 沒有明確的發版 deadline，也沒有來自公司的硬性壓力。團隊自己設定的目標是把大模型 「做好」，至於什麼算 「好」，也由他們自己判斷。

一名 MiMo 研究員說，團隊里有人提出新的技術想法，mentor 和羅福莉都覺得可能做不出來，但依然批了算力資源。研究員花了很多時間在這個自選方向上，最後發現確實難以走通。類似的情況在 MiMo 並不少見。

研究員能有多少探索空間，也取決於他們的負責人獲得了怎樣的支持。

一位大模型公司的研究員把自己珍惜的團隊形容為 「一片小凈土」。他認為，這樣的環境需要有人 「替你遮風擋雨」，把壓力和一些奇怪的要求擋在外面。

而在體量龐大的巨頭公司里，技術負責人自己也必須去爭奪這種空間。

2026 年 3 月 3 日，林俊暘得知，自己帶領的阿里 Qwen 團隊可能被拆分。按照當時討論的方案，原本整合在一起的預訓練、後訓練等團隊將被重新劃分，他的管理範圍隨之縮小。這與他一直以來的技術主張背道而馳——林俊暘始終認為預訓練、後訓練和 Infra 必須更緊密地咬合。事實上，騰訊混元、字節 Seed 後來的組織調整也在加強這種協同。

當天，他在 Qwen 釘釘群留下 「無顏再帶領大家」 的感言，提出離職。

林俊暘是阿里自己培養起來的技術負責人。2019 年從北大碩士畢業後，他加入達摩院，後來成為 Qwen 的核心負責人，也是阿里 AI 開源模型的重要推動者。他憑藉 Qwen 的成果獲得了更大的管理權限，在團隊里建立了威望，但這些並不足以保證，公司會按照他的想法和判斷安排組織。

在大公司，技術成績可以帶來權力，卻未必足以守住權力。技術負責人能作出哪些決定，既取決於最高層的授權，也取決於他在複雜的組織網路中做政治與利益交換的能力。

2025 年底，剛加入騰訊一個月的姚順雨主動提出將模型應用中心、搜尋算法中心劃歸騰訊元寶所在的事業群。後來，混元自己的預訓練模型還沒準備好，他先派後訓練骨幹去幫元寶優化接入的 DeepSeek。當時一些算法同事不理解，他解釋說：維護好元寶的產品體驗和用戶基本盤，對混元後續的研發同樣重要。

這種 「向外讓渡支持」 的動作換來了正向回饋——一位同行感嘆，混元新模型發布時，騰訊內部多個核心產品和部門主動給姚順雨站台，這一幕讓他印象極深。

這形成了一種有趣的悖論：他們因技術獲得權力，又必須運用權力，保護技術所需要的自由。同樣，他們想讓自己和研究者擺脫管理的束縛，也得先學會如何管理。

唐傑曾給 AI 時代的能力排過一個次序：「認知＞格局＞技術＞管理」。管理在最末，技術倒數第二。

不止一位 AI 創業公司的 CEO 和大模型公司的管理者向我們引用過這句話，來表達同一種態度：管理在今天，已經不那麼重要了。他們很少討論管理，也討厭使用 「復盤」「對齊」，甚至是 「戰略」 這些上個時代的詞彙。

哪怕帶領的團隊已經上百人甚至上千人，他們依然更願意稱自己是 researcher，而不是 manager。

這群三十歲左右的年輕人，被時代推上了掌管百億算力與龐大組織的權力位置，卻本能地排斥 「管理」——但他們真正排斥的，或許並非管理本身，而是過去大公司里的平庸、官僚與遲緩。

1995 年出生的 LibLib 創始人陳冕接受我們訪談時說：「我覺得在 AI 時代，管理變得前所未有的不重要，唯一目的是讓符合你業務特點和業務要求的人，得以留存。」

「過去三年我天天搞業務，實在搞不了、得換個人搞，原來那個人怎樣咱就不管了。因為創業公司的首要目標是活着。」

在他們看來，最理想的組織，是讓聰明的人儘可能自由地探索，不必把時間消耗在繁瑣的流程和匯報上。「給他卡就夠了」，是他們對理想研究環境最樸素、也最浪漫的描述。

但如何爭取這些卡、決定把卡給誰，以及為最後的結果負責，卻是一場極其現實、艱苦的工作。

認知、格局、技術、管理。在真實的商業戰場上，這四種能力其實根本無法剝離。認知是判斷做什麼、不做什麼，這既需要紮實的技術體感，也需要看清終局的格局；而要把判斷變成現實的結果，離不開管理與組織協作。

把管理排在最後，不會自動成為好管理者；把管理放在最前，也一定不是好管理者。

人們期待這批年輕人帶來不一樣的公司，他們自己也希望如此——更少的層級，更自由的探索，讓聰明人願意聚在一起，做出過去沒有的東西。

但這些，其實就是管理本身。

正如大半個世紀前德魯克所闡述的，管理的本質，是讓每個人的長處得到發揮，讓不同的人能夠共同做出憑一己之力無法完成的事。

想要實現這一切，第一步，或許要從不再羞於談論 「管理」 開始。

來源：金色財經

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。