華人，開始進入矽谷決策層？
今天的故事，要從OpenAI的最新產品聊起。
4月的最後一周，OpenAI發佈了他們最新的圖像生成模型GPT Images 2.0。在演示中，GPT Images 2.0展現了非常恐怖的出圖能力。這款新模型不僅能夠快速地解讀複雜指令，幾分鐘就能完成數百字的文字解析，更重要的是生成結果與數百字的提示文字展現出了驚人的一致性，能夠精準地分辨出那一部分提示詞是使用者需要的“審美風格”，那一部分提示詞是使用者需要的“填充文案”，生成直接可用的傳播物料。
所以產品發佈後，無數人開始感嘆這是徹底革了美工和設計師們的命。科技媒體Geeky Gadgets在測評後盛讚GPT Images 2.0“再次突破了AIGC的界限”。
不過嚴格來說，這一切都沒有什麼值得意外的。OpenAI作為人工智慧領域裡估值最高、人才最多、資源最好的巨頭，理應扮演這樣的角色。真正讓GPT Images 2.0成為矽谷焦點的，其實是演示視訊裡的“人”。
在視訊中除了開場的薩姆·奧特曼，四名負責講解產品的工程師一字排開都是“亞洲面孔”，其中有三個都是華人，他們分別是項目技術負責人陳博遠（Boyuan Chen）、機器學習研究員加布裡埃爾·吳（Gabriel Goh）、Luma AI的聯合創始人余思賢（Alex Yu）。
這一幕傳遞出的訊號很清晰：在AI產業中，華人技術人才已經不只是執行者，而是站在核心位置的一群人。更命運使然的是，幾乎在同一時間，華人的矽谷故事還在另一個層面被進一步放大——
近日，美國廣告行銷巨頭AppLovin宣佈，自2026年7月1日起現任首席產品及工程官葛小川（Giovanni Ge）將成為AppLovin的下一任全球首席技術官(CTO)——屆時，葛小川將成為矽谷極少數進入核心決策層的華人，也是目前矽谷少數同時具備“核心技術能力”和“組織決策能力”的技術負責人之一。截至5月6日，AppLovin的最新市值為1576億美元（約合人民幣10727.7億元）。
如果說OpenAI展示的是“誰在做AI”，那麼AppLovin的這次任命，則指向另一個問題：
誰開始進入決策層。
在矽谷語境下，這類人並不常見——多數技術人才停留在執行層，而多數管理者又不再親自做技術。
天才少年，試錯的十年
首先需要明確的一個事實是，在葛小川之前矽谷也並不缺乏“華人高管”。前OpenAI多模態後訓練研究負責人畢樹超、領導Meta超級智能實驗室的汪滔，時間線向前延伸還包括在微軟和雅虎都擔任過執行副總裁的陸奇、Netscreen聯合創始人鄧鋒等等。他們的年齡從60後跨越到90後，稱得上一句“從未缺席”。
但如果仔細復盤這些故事，其實很容易發現“華人高管們”的上升路徑有些過於雷同了。華人高管主要通過“技術能力”進入高層，而非直接參與核心決策。比如陸奇之所以能夠出任微軟執行副總裁，是因為他在雅虎期間從一線工程師幹起，一手開發了雅虎自己的搜尋引擎以及後續的搜尋廣告技術——在微軟看來，邀請這樣的人才加入有助於幫助他們線上上業務方面和Google展開競爭。比如汪滔之所以能夠領導Meta超級智能實驗室，是因為其一手建立的Scale AI，是目前使用者數量最大、涉及領域最多的資料標註公司——在Meta看來，想要徹底在大模型競爭中扭轉頹勢，贏得自己的一席之地，就必須爭取到這樣的資源。
聰明、勤奮、專注，願意啃下“難但有開創性”的技術領域，這就是絕大部分華人高管何以為“高管”。饒是蘇姿丰、黃仁勳、陳立武也繞不開這層敘事，畢竟在絕大部分時間裡半導體就是一個應用場景侷限、研發投入佔比過高、嚴重依賴國家扶持的戰略性產業。那怕是在2014年到2018年這5年間，全球最大的21家半導體設計、製造、封測企業也無一例外全部都在積極爭取政府資金支援，累計超過500億美元——這樣的行業，太需要“華人特質”了。
而這也是葛小川備受矚目的核心原因。一家兆市值的成熟公司決定聘用一位華人高管進入“核心決策”層，而非“技術執行”層，這簡直太反直覺了。
不由得讓我想起黃仁勳最近那段爆火的視訊切片裡，他言辭犀利地指出中國擁有世界上“最充裕的能源”和“最龐大的研究人員庫”，完全有能力解決包括算力短缺在內的一切問題——人工智慧競爭的核心變數之一，是人才規模與結構。
因此，即使黃仁勳、蘇姿丰、陳立武為代表的華人面孔已經佔據了半導體的半壁江山，即使李飛飛、畢樹超、賈洪鐘、汪滔為代表的華人面孔已經成為了大模型研發的中堅力量，華人在科技創投領域的影響力仍然是被嚴重低估的。
從這個角度看，葛小川的任命，更像是這一趨勢的一個具體體現。
那麼誰是葛小川？為什麼是葛小川走出了這條路？故事或許要從2005年聊起。
2005年也許是葛小川人生最值得驕傲的一年。因為這一年他進入了“中科大少年班”，成為了名副其實的“天才少年”，是標準意義上的“別人家的孩子”。但葛小川並不開心，因為他不知道自己想要做什麼。之所以選擇了“凝聚態材料物理（condensed matter materials physics）”這個專業，只是因為當時“成績好的孩子都會選物理或者數學”。他不確定自己是否對物理真的感興趣，也不知道學習物理之後未來會從事什麼樣的工作，對未來的一切都很“困惑”。
更重要的是，他感受到了前所未有的壓力。葛小川從小就是人們口中的“聰明孩子”，他也曾經很享受這樣的誇獎。但到了中科大的校園裡，“聰明孩子”開始扎堆出現，這句誇獎悄然變成了一種負擔，葛小川開始忍不住思考自己是否需要證明“自己值得這個稱號”。
後來葛小川回中科大進行分享的時候，他回憶，進入中科大的第一感受並不是興奮，而是一種輕微的錯位感——他開始意識到，自己並沒有想清楚要走那條路。
現在回看，這大概就是葛小川第一次意識到“迷茫”。更準確地說，是第一次意識到自己需要去試——去試不同的方向，用真實的反饋告訴自己“這條路對不對”，而不是沿著別人畫好的直線往前走。
只是當時的葛小川沒想到，這一試試了十年。
大學畢業之後，大部分同學都選擇前往美國繼續深造，葛小川卻去了歐洲。他在義大利國際高等研究院拿到了凝聚態及材料物理學博士學位。選擇歐洲的理由是，這裡文化更多元，或許能幫自己“接受更多的可能性”——這是他第一次主動跳出主流路徑，試試看視野會不會不一樣。
博士階段，他又把研究方向從凝聚態物理轉向了計算物理，物理的底子還在，但更多時間花在寫程式碼和建模型上試——這是他第二次嘗試，試試看自己是不是真的喜歡寫程式碼，往工程和應用的方向靠會不會更對。
這些選擇的答案都是“還不夠對”。真正的轉折發生在加入Meta之後。
加入Meta的時候，葛小川已經30歲了。在此之前，他已經在貝萊德（BlackRock）和Uber工作過一段時間，也接觸了機器學習的相關業務。而Meta這份工作，其實是他畢業之後第一次深度參與到推薦演算法為基礎的效果廣告系統中。
效果廣告和單純的資訊流推薦不一樣，資訊流還涉及很多產品層面的特徵，有時候推薦本身不需要做到極致，產品設計得好也能拿到好結果。但效果廣告“真的就是真槍實彈地考驗推薦演算法到底有多好”，模型好不好，收入和使用者反饋說了算，沒有地方可以躲。他後來說，去Meta之前自己還是一個“比較注重生活和工作平衡的人”，那三年“徹底淪為了一個工作狂”。
更重要的變化發生在認知層面。在Meta，他開始把此前十年攢下的各種東西拼到了一起——物理訓練帶來的建模直覺、計算物理的工程方法、在貝萊德（BlackRock）和Uber積累的基建經驗——然後看清楚了一件事：一個技術決策是怎麼一步步傳導到商業結果的，一個團隊的組織方式又是怎麼反過來影響技術決策的。
從這時候開始，他養成了一套自己的判斷習慣：不追風口，不堆指標，在一個完全不確定的環境裡反覆做判斷，拿到反饋，再回頭修正。他開始學會不只看“模型本身的正確”，而是看“這件事在整個系統裡對不對”。
但瓶頸也隨之而來。Meta太大了，品牌太強，組織太成熟。他看到了自己在Meta事業發展的天花板，希望去一個“能做更多決定、承擔更多風險和責任，並拿到結果的地方”。他聊過早期的初創公司，想過自己去創業，也接觸過幾家像AppLovin這樣已經上市但業務上核心技術遇到瓶頸的公司。
最終，他選了AppLovin。
打動他的原因有兩個。第一個，是AppLovin業務裡遇到的技術瓶頸正好是他最擅長的。面試的時候，他問當時的CTO一個最簡單的問題：“你們現在最大的痛點是什麼？”對方花了五分鐘跟他解釋當時演算法裡遇到的種種痛點，想解決的問題解決不了，想達到的效果達不到。聽完之後他跟對方說：“我的技能是有限的，不是所有東西都會，但是你現在面臨的這個問題，我非常擅長解決它。”
第二個原因更關鍵。在加入之前，他和公司高層有過交流，覺得大家的價值觀、看待問題的方式甚至性格都很有共鳴。他這樣描述那種感受：大家有什麼想法都會非常坦誠地交流，而不是像大廠一樣“說一句話需要反覆揣測才能知道真實意思”。他自己是一個追求效率的人，不希望在一些非核心工作之外的地方浪費太多時間。AppLovin的文化跟他想要的特別接近。
2022年11月，他正式加入，正好在聖誕節期間。
後來的故事，如今超過一兆元的市值已經給出了回答。但葛小川自己在訪談裡說過一段話，或許更能解釋這三年到底發生了什麼。他說，大家總以為完成一件很難的事，背後一定有一兩個關鍵決策做對了。但在現實裡不是這樣的。“一個很困難的東西，它之所以成功，其實是每一天都要經歷幾十個甚至上百個micro decision，當把這所有的決策都做好，或者說你做了更多正確的選擇，日積月累之後，就會把困難的問題解決得比別人更好。”
從這個階段開始，葛小川的能力不再只是“把技術做好”，而是在不確定中做判斷，並讓判斷轉化為結果。這也是為什麼他能夠從技術角色，走到真正參與公司決策的位置。
還有一個場景，或許能說明這家公司的做事方式。去年5月，團隊正在討論要不要啟動電商業務，其中涉及一個核心技術問題——歸因引擎該怎麼設計。當時葛小川和CTO、負責資料的VP正好在拉斯維加斯參加Google的一個會議。三個人在酒店餐廳吃早飯，等餐間隙，就開始討論這個問題。手邊沒有草稿紙，就拿起餐巾紙在上面畫圖，菜上來之前把思路理清楚了。他趕緊吃完飯回賓館寫程式碼。那個周末結束、回到灣區的時候，第一代電商歸因引擎已經做好了。
這就是葛小川在AppLovin的狀態。成功不是一個瞬間的靈光一現，而是一個判斷接著一個判斷的緊湊節奏，反覆驗證自己一直追求的第一性原理到底靠不靠譜。後來的任命證明，它靠譜。
換句話說，成為CTO、進入AppLovin的核心決策層，對於葛小川來說是一個必然的結果。從這個角度看，他並不是傳統意義上的CTO，更接近於一個用技術做決策的人。在4月官宣最新任命決定的時候，AppLovin也非常明確地提及“自2022年11月加入AppLovin以來，葛小川曾擔任過多個高級工程職位，領導了Axon 2.0的開發，目前負責公司的工程和產品團隊，這使得他能夠自然而然地過渡到首席技術官一職。”
一家廣告巨頭，為什麼需要技術型決策者
還有一個重要的命題，那就是AppLovin為什麼需要葛小川？
當然這個問題也並不難回答。正如葛小川在一些採訪中提到的，當年他加入的AppLovin是一家業務陷入瓶頸的公司——實際上自成立以來AppLovin始終在求變。
AppLovin成立於2012年，最早是一款遊戲社交產品。使用者們可以在這個平台上互相邀請朋友嘗試自己喜歡的遊戲。隨著使用者量的增加，AppLovin也成為了遊戲行業最重要的行銷平台之一。2018年，隨著智慧型手機普及帶動手游市場的快速崛起，AppLovin進行了成立以來的第一次重要戰略轉型，組建了自己的遊戲發行部門Lion Studios ，並收購了Machine Zone和PeopleFun等遊戲工作室，成為了遊戲開發者。
2020年AppLovin開始籌劃第二次轉型。這一年AppLovin的年化收入已經超過了10億美元，日活使用者3億，並且保持了兩位數百分比的高速增長。然而那段時間，Facebook、蘋果、亞馬遜、Netflix、Google也逐漸開始重視“私域流量”的營運，紛紛開發了自有的廣告行銷平台，這對AppLovin帶來了非常直接的增長壓力。因此AppLovin先是推出了自己的廣告行銷平台MAX，此後又收購了行銷系統Adjust以及推特的自動化廣告交易平台MoPub，嘗試擺脫“遊戲”這個單一標籤，升級為面向全品類的廣告行銷平台。本質上，這三步補齊了廣告系統的核心要素：流量、資料和定價能力。
從結果來看，這些押注是成功的。2021年，AppLovin完成IPO，成為了一家納斯達克上市公司。AppLovin創始人亞當·福魯吉（Adam Foroughi）在接受CNBC的採訪時如是描述公司的轉型目標：“我們擁有一個面嚮應用開發者的技術平台，旨在幫助他們發展壯大，提升應用的曝光度。而為了改進軟體，我們需要的是自有受眾洞察。我們想要獲得關於我們所觀察到的受眾的第一方資料……我想，最恰當的類比或許是Netflix如何利用其平台上的資料推出個性化推薦。如今，我們只是在新媒體形式中複製了同樣的成功模式。”
2022年， AppLovin開始了第三次的戰略轉型。這一年AppLovin推出了初代AXON。AXON的定位是人工智慧驅動的廣告引擎，利用機器學習（ML）進行廣告定向，從而提升了廣告活動的效果和效率。而葛小川加入後的主要工作則是主導AXON2.0的開發，從零開始搭建一個新的廣告推薦演算法和平台，進一步提高廣告投放在公司營收層面的佔比。這意味著公司開始從“流量驅動”轉向“演算法驅動”。
從結果來看，AppLovin對葛小川的押注也是成功的。AppLovin在當地時間2026年5月6日公佈的最新財報中透露，在過去一個財年AppLovin的營收增長遠超預期，淨利潤增長至12.06億美元，同比上漲達到109%。參考今年3月公佈的上一份財報顯示，其中Axon2.0為核心的人工智慧驅動業務創造了8.36億美元的淨利潤，較去年同期增長92%。基於這樣的表現，AppLovin正在推動大獲成功的Axon2.0引擎應用到汽車、保險等非遊戲領域當中，以啟動更大的市場潛力。
在這一前提下，如果AppLovin想要繼續保持人工智慧業務方面的競爭力，繼續推動AppLovin向一個不拘泥於遊戲的全品類行銷平台轉型，鞏固自己在廣告領域的領先地位，那麼葛小川的確是一個安全且理性的選擇。
當然正如前面所提到的那樣，AppLovin也遠不僅僅期待著葛小川成為“技術帶頭人”。在過去的很長一段時間裡，葛小川非常熱衷於思考“團隊”與“價值觀”的話題。最有代表性的一個觀點出現在一年前的一次播客訪談裡，當時他說“我覺得這個世界上沒有任何一個技術是技術本身，其實技術的背後是人和文化。今天你可以把Google的演算法，複製一份，然後搬到另一個公司去。六個月之後，這個公司也不可能和Google一樣，因為人和文化對一個產品的影響是最深遠的。”
在前不久剛剛結束的Google Next上，葛小川也分享了這樣一個案例：一年前，Axon2.0的模型推理系統還建立在一個相對簡單的架構上，也就是每塊GPU同時承載多個模型。這種架構雖然方便自動擴縮容，但問題也很明顯：GPU利用率偏低，而且GPU消耗量在每個季度之間快速增長。因此，團隊決定徹底推翻原有架構，從頭重建。
在新的設計中，他們採用了單模型獨佔GPU的架構，從而實現更好的快取最佳化和上下文管理。團隊用Python編排工作流，以提升實驗和迭代效率；同時通過pybind繫結原生C++處理程序，繞過 Python全域直譯器鎖帶來的瓶頸。他們還建構了一套模型生命周期管理系統，用於統一管理模型控制與版本演進。而要支撐這樣一套架構，需要非常強大的擴縮容能力和可靠的網路路由能力——Kubernetes正好提供了這些關鍵能力。
最終的結果非常顯著：新的推理服務上線後，GPU利用率從45%提升到75%；整體GPU消耗減少了一半；推理延遲也顯著下降。而團隊並沒有停留在“更省資源”這一層面，而是把節省出來的延遲預算重新投入到更大規模的模型上，進一步提升了業務效果。
本質上，這是通過工程最佳化提升ROI，而不是單點技術突破。更重要的是，這種最佳化並不是一次性的技術突破，而是一套持續做出正確決策的能力。
葛小川對這樣的成果非常驕傲，但他強調自己最感慨的並不是“技術層面”的突破，而是他們以“一支極其精幹的團隊營運著一個真正意義上的超大規模系統”。在葛小川看來，這正是“正確的基礎設施合作夥伴關係所能帶來的價值”。
這不是一次單純的工程最佳化，而是葛小川作為技術管理者的典型能力：在成本、效率、延遲和模型規模之間做取捨，並讓一個精幹團隊支撐超大規模系統。
從工程師到CTO，這不僅是個人路徑的變化，更是AI產業中技術人才開始進入決策層的體現。
在這一趨勢下，類似的任命可能才剛剛開始。 (投中網)