一位西方经济学家发了一张图，揭示了一个有趣的中美差异。

美国 AI 实验室的技术岗位平均要求 5.5 年的工作经验，而中国实验室仅要求 1.6 年。

比如，字节跳动的研究团队甚至发布了仅需 0.3 年经验的岗位。相比之下，Anthropic 的平均要求高达 6.5 年。

数据在国家层面上划出了一条清晰的界线：

美国实验室（高门槛）： Anthropic 平均 6.5 年，OpenAI 平均 5.9 年，DeepMind 平均 4.7 年，xAI 平均 3.3 年。

中国实验室（低门槛）： 从 DeepSeek 的 3.1 年，一路下探到字节 Seed 团队的 0.3 年。

美国门槛最低的实验室，基本与中国门槛最高的实验室持平。

他给出两种不同的解读：

傲慢的观点：中国实验室之所以招年轻人，是因为顶尖人才库储备不足，而且仅凭 1.6 年的经验只能做出更差的模型。

但数据本身就反驳了这一点——毕竟 DeepSeek 的团队在平均经验仅为 3.1 年的情况下，依然交付了具备前沿竞争力的模型。

事实证明，在一个如此年轻的领域里，简历上的“经验”与处于前沿的“能力”之间，其实只有弱耦合关系。

所以他倾向于更站得住脚的观点：

在一个五年前几乎还不存在的领域里，根本没人拥有真正的“资深经验”。

因此，硬性要求 6 年经验的招聘门槛，筛选出的其实只是一种主要代表“年龄”的资历。

中国实验室则认为 AI 足够新，一个聪明绝顶的应届毕业生完全值得押注，并据此来配置团队。

这很像 1996 年的互联网浪潮——当时构建互联网的那帮人只有 24 岁，因为当时哪怕 40 岁的人也同样没干过这一行。

这背后隐藏着一层成本结构。

一个拥有 1.6 年经验的研究员，其薪酬成本只是 6.5 年经验者的几分之一。如果两者的产出不相上下，那么中国实验室在“高能力人头”上的研发运营成本就会低得多。

过去贯穿制造业的“劳动力成本逻辑”，如今正在倒灌进前沿研究本身——只不过这一次，核心逻辑对准的是高知研发人员，而不是工厂车间。

哪种模式能产生复利效应，目前还是个未知数：

美国实验室在赌： 深厚的经验能在艰难的研究抉抉中带来更准确的判断。

中国实验室在赌： 当技术底层每六个月就洗牌一次时，纯粹的天赋和迭代速度更重要；而且只有押注年轻研究员，你才能在行业“资历标准”尚未形成之前，率先挖掘出真正的天才。

双方研究员的简历看起来天差地别，但双方模型的实际差距，远没有简历上看起来的那么大。