真正的核心聪明，是数学层面的底层逻辑能力，所以我的招聘、考评、人才选拔，永远以数学功底作为第一标尺。 拿国内四大头部大模型创始人做直观参照，这四位行业最顶尖的带头人，全部是顶级数学/理科苗子出身，绝非偶然： 1. DeepSeek梁文锋：85年，广东湛江理科状元，手握保送清华资格，自主选择浙大深耕数理；个人持股78%，一手同时掌控千亿估值大模型公司与幻方量化私募，AI、金融双赛道同时跑通。 2. Kimi杨植麟：92年汕头理科状元，信息学奥赛顶尖选手，保送清华计算机，纯粹数理竞赛体系培养出来的研究者，主导千亿参数轻量化大模型落地。 3. 智谱AI唐杰：77年，燕山大学自动化本科，深耕数理方向后攻读清华计算机博士，学术体系下扎实数理积累，撑起国内高校系大模型商业化落地。 4. MiniMax闫俊杰：89年，东南大学数学本科，中科院模式识别硕博，清华博士后，纯粹数学科班出身，聚焦多模态大模型底层算法研发。 这四家是国内第一梯队的大模型企业，掌舵人清一色拥有极强理科、数学背景，不是行业巧合，而是赛道客观规律决定的。 为什么数学能力是双赛道研发的绝对门槛？ 1. 大模型研发，本质是数学建模游戏 Transformer架构、注意力机制、RLHF对齐、损失函数、缩放定律，所有底层创新全部依托线性代数、概率统计、凸优化、随机过程。只会调用开源框架、调参跑流程的人，只能做工具操作工；只有数学功底扎实的人，才能推导底层公式、定位模型收敛缺陷、从零重构全新训练逻辑。现在行业同质化严重，能拉开技术壁垒的，只有能从数学底层做创新的人。 2. 金融量化模型，数学是生存底线 管理量化策略团队，大家都清楚：市场噪音、数据过拟合、波动率测算、资产相关性推演，全部依赖数理统计能力。散户靠情绪交易，量化靠数学建模套利；如果研究员无法独立搭建数理验证框架，策略回测、实盘风控全都会出现致命漏洞，直接带来资金亏损。幻方量化梁文锋能同时做好私募与大模型，核心就是一套强悍的数学思维同时适配两条赛道。 筛选规则 1. 简历初筛：优先锁定数理赛道出身 同等项目经历下，数学、物理、统计、自动化科班候选人优先级远高于普通软件工程；重点关注竞赛履历——理科状元、信息学奥赛、数学建模竞赛获奖者会直接进入深度面试，四大创始人的成长路径，就是我筛选人才的参照范本。 2. 面试核心考核：全程围绕数学逻辑提问 不管应聘大模型算法岗，还是金融量化研究员，我不会上来问框架使用、工具操作，优先考察纯数学推导：矩阵分解、梯度推导、概率分布、极值优化等基础理论。我会刻意设置开放式数理问题，观察候选人抽象建模、拆解复杂问题的能力。能把复杂问题翻译成数学语言，才具备研发核心潜力；只会背诵工程流程的候选人，很难进入核心研发组。 用落地成果验证数学思维 新人入职后，不会直接分配现成任务。大模型方向，要求独立复现一篇顶会论文数学推导；量化方向，要求从零搭建简易因子回测数理框架。两件事的核心目的，就是检验候选人是否能脱离现成工具，用数学思维解决真实业务问题。能完成的，进入核心项目；只会复刻现有代码，只能做辅助工程岗位。 无论是做大通用大模型，还是搭建资本市场量化交易模型，表层的代码、框架、工具都可以短期学习补齐，但数学底层逻辑的打磨，需要长年累月沉淀，无法速成。 四大头部大模型创始人全部是顶级理科/数学学霸，已经印证了行业规律。对我这种同时负责AI与金融模型的研发负责人来说，选拔人才不会只看项目、学历光环，判断一个人是否具备长期成长上限，第一标准永远是：他有没有真正过硬的数学思维。