AI時代，頂尖科學家正在逃離雇傭關系

作者：SY

出品：明亮公司

在Google工作約27年后，Jeff Dean決定離開。當地時間8月5日，這位Google最具代表性的技術人物之一在社交平臺宣布，將于幾名Google AI研究人員共同創辦AI公司Discovery Loop。此前，Jeff Dean擔任Google Research和Google DeepMind首席科學家，直接向CEO Sundar Pichai匯報，參與確定Google人工智能研究方向，并負責重要的戰略技術項目。

有報道稱，Jeff Dean的離職并非單一原因所致，而是個人追求與公司環境共同作用的結果。追求科研自由，擺脫大公司病；厭倦產品交付壓力，渴望長期科研；基于固有方向的發展以及更具潛力的新方向……這些矛盾讓問題變得更加具體。當大公司的職位已經無法完全容納頂尖科研人員的個人目標時，企業究竟應該努力留住一個人，還是重新設計雙方的關系。

Jeff Dean的離職并非個案。2025年，Meta首席人工智能科學家Yann LeCun宣布離開任職10余年的公司，創辦AI公司AMI Labs。Yann LeCun曾長期質疑依靠擴大大語言模型的規模通向AGI的道路，他更看中理解物理世界的世界模型。如果說楊立昆的案例體現了技術路線與公司優先級之間的不同，那么OpenAI前超級對齊團隊負責人Jan Leike的離職，則指向科研安全與產品速度、資源分配之間的沖突。

類似的故事也發生在中國公司。阿里千問大模型技術負責人林俊旸于2026年3月份離職后，創辦語用科技，研究內容從基礎大模型轉換為世界模型和具身大腦。華為盤古大模型負責人、諾亞方舟實驗室主任王云鶴離職后，創辦基元律動，同樣轉向AI Agent領域。

這些離職很難用薪酬或者職位變化解釋。頂尖科研人員可能擁有自己的北極星，如：獲得學術影響力、驗證一種尚未成為主流的技術路線，或者解決他們認為足以影響人類未來的問題。但是，企業也有自己的約束，產品需要按時推出，巨額投入需要得到解釋，研究方向要與公司戰略保持聯系。當兩套目標不能完全重合，沖突就可能從績效評價延伸到技術路線、算力分配、組織權力乃至研究倫理。

AI時代加劇了這種沖突。過去，大公司吸引科研人員的重要條件，是穩定的資金、充足的算力、優秀的同事，以及允許長期探索的研究環境。如今，技術迭代變得越來越快，研究成果與產品競爭、資本投入和公司戰略的聯系也變得更加緊密。與此同時，少數關鍵科研人員對技術方向和團隊能力的影響，可能遠遠超過其職級在組織架構中所顯示的范圍。

這對決策者提出了一系列新的挑戰。招聘科研人員時，雙方應該如何說明公司的目標和邊界；入職以后，企業應當相信制度、管理者，還是專業人員的判斷；如果傳統KPI難以衡量前沿研究，公司又該如何配置資源、評價成果并控制風險；當科研人員的個人目標與企業戰略出現偏差，企業應該糾正、容忍，還是允許一種新的組織關系出現。

帶著這些問題，「明亮公司」對話曾在Google總部、Tesla總部和騰訊公司從事人力資源工作的硅谷資深人力資源專家Tom Zhang 博士。橫跨多家不同類型科技公司的經歷，讓他得以從招聘、用人、評價和人才流動等多個環節，觀察公司如何與高專業度人才相處。

以下是「明亮公司」與Tom Zhang 博士的訪談內容精編。

Google、Tesla和騰訊的人才管理哲學異同

明亮公司：您曾在Google、Tesla和騰訊從事招聘工作。從您的觀察看，這三家公司管理科學家等高專業度人才的底層邏輯有何不同？

Tom Zhang：三家公司都非常重視人才，選拔標準也都很嚴格，但人才管理理念各有不同。

Google：追求“智力自由”與“心理安全感”的賦能型邏輯

核心邏輯：Google面對的是全球最頂尖的計算機科學家和算法工程師，其管理底層是“相信聰明的頭腦不需要被過度管理”。

心理安全感與數據決策：Google 高度重視組織氛圍。管理者更傾向于通過數據和邏輯說服（如Google著名的Project Oxygen項目），強調管理者是“賦能者”而非“監工”。

扁平與共識文化：Google 的重大技術決策依賴長期的學術討論、Peer Review和深度共識，鼓勵底部驅動（Bottom-up）的創新。

Tesla：追求“極致第一性原理”與“使命狂熱”的極限邏輯

核心邏輯：Tesla處理的是硬件與軟件高度結合的硬核物理世界，其管理底層是“以終為始的第一性原理與極端交付壓力”。

實踐特征

• 高壓與扁平并行

  ：沒有冗長的層級，組織架構極其扁平。遇到技術瓶頸時，高層（如Elon Musk）往往直接深入一線研發與專家對話，用極致的高壓和極度密集的迭代周期逼出突破。

• 結果導向與物理現實

  ：不看資歷和過程，只看誰能用最直接的物理規律（第一性原理）在最短時間內解決問題。代碼要能上車，產品要能量產。

• 使命感綁定

  ：吸引的是愿意為“加速世界向可持續能源轉變”或“星際移民”燃燒熱情的人才，淘汰無法適應高節奏的平庸者。

騰訊作為中國互聯網的頂尖大廠，在多年的技術演進中（從早期的海量并發架構到如今的AI大模型、云原生與前沿科技探索），形成了一套非常成熟且具特色的研發人才管理體系。

騰訊極早就建立了極其清晰的專業線（T通道）與管理線（M通道）并行的雙軌制。員工可以根據自身特質選擇深耕專業技術（成為硬核專家）或走向管理崗位。

騰訊的技術管理風格帶有鮮明的務實基因（如強調“以用戶價值為依歸”、“正直、進取”）。在面對創新和研發探索時，既要求研發人員具備極強的業務交付能力（能打硬仗），也在內部逐漸形成了對技術試錯、攻堅硬核難題的包容機制，確保在激烈的互聯網和AI下半場競爭中持續保持技術迭代的速度。

明亮公司：如果換成一個更直接的比較維度，這三家公司是更相信制度、更相信決策者，還是更相信專業人員？

Tom Zhang：Tesla的目標是馬斯克確定的，大家深信不疑，執行力很強的專業團隊尋找實現路徑。Google的創新不少來自研發工程師自下而上的探索，人才管理制度的作用是為這種探索提供空間。騰訊和許多中美大公司一樣，用人比較穩健，外部引進的人才多是經驗豐富、被實踐驗證過的行業頂尖人才。

用人邏輯不是非此即彼。任何公司都同時需要制度、管理者和專業人員，只是把決策權和信任放在了不同位置。

明亮公司：Google和Tesla是否在用人階段更大膽，愿意承擔更高的風險？

Tom Zhang：整體來看，硅谷公司更愿意給尚未被充分證明的年輕人機會。我把這種做法稱為“重倉年輕人”。硅谷有句話叫“Experience is overrated”，意思是經驗經常被高估。年輕人雖然缺少既有經驗，卻也較少受到路徑依賴的限制，可能提出更新的方法。

許多中國和美國公司并非不使用年輕人，但通常希望候選人已經在知名機構證明過自己。兩者的差別主要發生在人才選拔階段，一方更愿意提前押注潛力，另一方更期待外部驗證。

不過，用人大膽不等于長期容忍低績效。不同公司的驗證周期不同。Tesla可能較快驗證一個人是否適合，Google對部分前沿研究則可能給予更長時間。

明亮公司：中國公司經常希望引進自帶光環的“大神”。這些人即使專業能力很強，也未必真正適合組織。問題出在哪里？

Tom Zhang：個人能力強，不代表他一定能與團隊協作，也不意味著他的能力能夠在當前組織中落地。這還涉及中美公司組織結構的差異。中國大公司的架構通常以部門和崗位為中心，一張完整的公司組織架構圖上可以一個人的名字都沒有，都是部門的名稱，它的優勢是結構穩定，組織能力和個人能力是分開的，一個人離開，可以由另一個人補上。

美國公司的組織架構更圍繞具體的人展開，以人為中心。公司的組織架構圖上面，是一堆人的名字，很少有部門的名字。一個人負責多大范圍，與他的能力和實際影響力有關。這種方式更直接地承認人與人之間的差異，但缺點是組織可能更加依賴關鍵人物。

AI出現以后，中美兩種組織模式都在壓縮一部分主要承擔信息傳遞職能的中間層。高管可以借助數字化工具直接觸達更多員工，組織可能進一步扁平化。未來，高專業度人才在組織中的實際影響力，可能比其職位名稱更加重要。

明亮公司：哪一種管理方式更有利于創新？

Tom Zhang：很難脫離具體任務，來判斷哪一種方式一定更好。但從整體結果來看，美國公司的管理方式似乎更容易產生前沿性的、探索性的創新。Google強調自由探索，Tesla依靠使命和強執行力完成高難度目標。

中國公司的謹慎也有自身優勢。騰訊這樣的公司能夠把產品做得非常扎實，用戶體驗打磨非常精細。不同組織擅長解決的問題不同，有的更容易產生前沿突破，有的更擅長產品落地和持續執行。

明亮公司：前沿創新需要付出什么代價？

Tom Zhang：最直接的代價是燒錢。Google招聘了大量優秀研究人員，支付很高的薪資，但其中許多人在相當長時間內未必產生明顯的短期效益。Google擁有數以千計的研究人員，最終寫出Transformer論文的只是少數人，當然不能因此認為其他人的研究都沒有意義。

因為企業無法事先知道，創新和突破會來自哪個人、哪個團隊或者哪個方向。要獲得少數重大創新，就必須承擔大量研究暫時沒有回報的成本。

DeepMind CEO Demis Hassabis 在回顧 2014 年 DeepMind 決定被 Google 收購的歷史時，曾多次坦誠地談到資金與計算資源（Compute and Resources）對實現通用人工智能（AGI）和科學攻堅的決定性作用。

Hassabis 認為獨立的初創公司很難獨自承擔通往AGI 所需的、天文數字般的算力和長期資金投入。他曾指出，Google 能夠提供他們研究所需的“耐心資本”（Patient Capital）、龐大的計算基礎設施以及分發能力。也就是說，資金和算力是 Google 支撐其長期科學宏圖（如AlphaGo、AlphaFold 等項目）的重要后盾，這個說法很直接，卻說明了一個現實，長期科研不僅需要人才和自由，也需要雄厚的資源。

與此同時，企業還要面對財務壓力。科研需要持續投入，其中一部分短期內看不到回報；資本市場和投資者卻會關注季度和年度業績。因此，即使企業有錢，也必須處理長期科研與階段性財務評價之間的矛盾。

外行管理內行，首先應確立目標

明亮公司：不懂具體專業的管理者，應該怎樣管理專業人員？

Tom Zhang：管理者首先要定義清楚目標。

肯尼迪不是航天科學家，也不懂火箭制造的具體技術，但他提出了一個明確目標，在20世紀60年代結束以前，把美國人送上月球，并使其安全返回地球。肯尼迪在1961年提出這一目標，1962年再次公開強調。1969年，阿波羅11號完成登月，阿姆斯特朗成為第一個踏上月球的人，宇航員隨后安全返回。肯尼迪不需要親自決定每一條技術路線。他的責任是明確組織要完成什么，科學家和工程師負責解決怎樣制造火箭、完成登月和保障安全等問題。

馬斯克提出去火星的目標也是類似。飛船怎樣制造，漫長航行中的飲食、疾病和安全問題怎樣解決，需要由不同專業團隊完成。

領導者定義目標，專業人員尋找路徑。

明亮公司：在AI公司中，有沒有類似的管理者？

Tom Zhang：梁文鋒算是一個例子。他把DeepSeek的目標說得很清楚，就是AGI。他偏愛“平凡的人做不平凡的事”這一敘事，強調靠日復一日的打磨、靠譜和責任感，而非依賴明星人才的靈光一現。我非常欣賞這一點，他沒有把目標局限在某個短期用戶數字或者收入指標上，而是用一個足夠大的共同使命凝聚團隊。明確的使命可以幫助科研人員理解自己為什么工作，也能為資源配置和項目選擇提供方向。

明亮公司：但目標本身也可能由外行制定。如果管理者定錯了目標，專業團隊執行力越強，是否反而可能離正確方向越遠？

Tom Zhang：這種風險當然存在。企業經營的問題是非常復雜的，可能在產品、市場、戰略組織和管理。人才不是靈丹妙藥，不能指望招聘幾個AI專家，一個差公司就會自動變成好公司。

目標不能只是領導者單方面宣布，還要接受專業團隊的討論和檢驗。科研負責人也需要具備向上溝通和影響管理者的能力。如果他認為目標或資源配置存在問題，就要說明原因，爭取調整。

不能把所有問題都歸結為機制。有時確實是組織判斷錯誤，有時也涉及科研負責人能否提出有說服力的替代方案。優秀的科研領導者通常不僅專業能力強，也具備溝通、組織和資源動員能力。

明亮公司：管理者應該管哪些事情，又不應該干預哪些事情？

Tom Zhang：管理者應該管理目標、資源和風險邊界，不宜過多干預自己并不理解的技術細節、工作流程和實現路徑。

如果管理者不懂專業，卻根據誰的PPT做得漂亮、誰的報告寫得好，或者只看論文數量評價科研人員，就容易出現問題。學術研究可以有同行評議（peer review）。在企業內部，直屬領導如果不理解具體技術，也應該讓同行和相關專家參與專業評價，而不是獨自判斷誰的科研能力更強，管理者可以判斷項目是否符合公司戰略、需要多少資源，以及風險是否可以接受。

明亮公司：管理者與科研人員的關系，是否更像內部投資人與項目負責人的關系？

Tom Zhang：有相似之處。科研人員說明為什么要做、需要哪些資源，管理者幫助組織資源，并判斷項目是否符合公司戰略。從這個角度看，管理者確實像一名內部投資人。但兩者并不完全相同。企業管理者還要劃定安全、倫理和合規底線，科研負責人也要承擔戰略對齊責任。

比如，科研人員提出需要一萬張GPU卡，管理者的責任不是在不了解技術的情況下機械地討價還價，逼問五千張或者兩千張能不能完成；但他也不能完全放棄自己的判斷。一個方案需要一萬張卡，另一個方案需要五千張卡，究竟支持哪一個，仍然需要作出選擇。

科研中的許多問題往往無法被精確計算。“模糊的正確”比“精確的錯誤”更有價值。管理者不必決定每條技術路線，但必須判斷什么時候說“是”、什么時候說“不”。

明亮公司：如果管理者無法判斷專業人員的方案，依據什么來分配資源？

Tom Zhang：首先是信任。管理者既然選擇了專業人員，就需要在一定程度上相信他的判斷。但信任不是永久和無條件的，需要通過合作和成果持續驗證。

驗證周期應當由項目性質決定。Tesla對一些任務的驗證可能較快，Google對某些前沿研究的周期可能更長。如果是去火星這種長期目標，幾個月沒有驗證結果也不能說明方案是錯誤的。

不存在一個普遍適用的期限，規定所有科研人員必須在三個月或者六個月內證明自己。管理者需要觀察階段性進展，也要看科研人員能否不斷建立可信度，但不能用同一把尺子衡量所有研究。

科研自主權與責任的匹配度

明亮公司：企業是否一定需要設置“首席科學家”？應該怎樣理解這一職位的權力和責任？

Tom Zhang：首席科學家的頭銜，并不意味著他一定是技術路線和資源的實際決定者。如果一個人沒有參與核心模型，沒有掌握預算和團隊，卻因為擁有首席科學家的頭銜，在項目失敗后承擔責任，權力與責任就是不匹配的。

Yann Lecun（楊立昆）是一位非常優秀的科學家，也獲得過圖靈獎。但公司使用頂尖科學家，不能只看個人光環，還要看他的研究路線與公司戰略是否一致，以及他在組織中究竟擁有多少實際權力。

與其先設置一個象征性的職位，不如先回答幾個問題，誰決定技術路線，誰調配預算，誰組建團隊，誰為最終結果負責。只有這些問題清楚以后，頭銜才有實際意義。

明亮公司：科研團隊擁有較大自主權，會帶來哪些風險？

Tom Zhang：可能造成資源浪費，也可能產生技術安全、倫理和數據合規問題。因此，企業必須設置底線，哪些技術風險不可接受，哪些數據不能使用，哪些倫理邊界不能觸碰，都要提前明確。在邊界之內，可以給予專業人員較大的探索空間；一旦觸碰底線，組織就必須介入。

至于怎樣平衡“管得太多”和“完全不管”，不能脫離具體項目討論。研究方向、團隊成熟度和公司所處階段不同，適合的管理方式也會不同。

明亮公司：如果不給科研人員設置大量短期指標，怎樣避免團隊失去動力？

Tom Zhang：一個重要條件是人才密度和同行壓力。當一個人周圍都是非常優秀的人時，會自然形成peer pressure。身邊的人不斷提出新想法、發表成果、解決問題，他很難長期懈怠。使命、人才密度和同行評價，可以形成不同于形式化監督的驅動力。管理者不需要依靠每天檢查工作來證明自己正在管理。

明亮公司：中國公司常用周報、月報了解進展。這些工具適合科研團隊嗎？

Tom Zhang：管理者不了解具體工作時，可能希望通過周報、月報獲得一種“我正在管理”的感覺。團隊生產了大量報告，不代表真正推動了項目進展。

沒有周報也不等于沒有考核。OKR與周報、月報是兩回事。目標可以由管理者與科研人員共同討論，再按照與項目相匹配的周期評價。如果沒有清晰目標，再多報告也不能證明工作的價值。

明亮公司：論文和專利數量能否用來判斷科研價值？

Tom Zhang：不一定。有些研究團隊發表了大量論文、申請了大量專利，但未必產生與這些數量相匹配的產品和商業價值。

IBM就是一個值得討論的例子，在過去近30年間，IBM曾是全球的專利數字之王，曾連續29年位居美國年度專利榜首，積累了數量龐大的專利。這反映了IBM長期的研究投入，不能據此否定它的技術貢獻；但專利數量與一家公司的產品影響力、商業表現并不必然成正比。IBM自己后來也提出，不再單純追求專利數量，而是采取更有選擇性的專利策略。

因此，論文和專利可以作為科研產出的參考，卻不適合作為唯一的創新指標。僅僅統計一家公司申請了多少專利，可能會鼓勵研究團隊追求容易量化的成果，反而忽略真正需要解決的問題。

明亮公司：論文、專利和階段性進展都可能有局限。企業最終應該如何評價科研價值？

Tom Zhang：論文和專利可以作為參考，但不適合作為唯一指標。很多專利最終沒有形成產品，也沒有產生與數量相匹配的經濟或社會價值。

我更看重“impact”，也就是影響力，可以表現為有海量用戶的產品、商業收入，也可以體現為社會價值、經濟價值或者新的知識積累。評價科研，不能只看完成了多少形式化成果，而要看它最終改變了什么。

不過，科研也不能被過度結果導向。技術路線尚未收斂時，方向判斷中既有能力，也有運氣。一個項目沒有實現最初目標，不代表它完全沒有價值。

便利貼的發明就是一個典型的案例。最初的設想是粘貼得足夠牢固；后來人們發現，這種不夠牢固的特性反倒方便隨時粘貼與撕掉，恰好適合便利貼。研究過程中可能產生新的知識、產品機會和用途，這些都應納入評價。

明亮公司：這是否意味著企業應當給予科研人員更高的容錯率？

Tom Zhang：可以給予更大的探索空間，但容錯不等于降低人才標準。企業需要找到足夠優秀的人，讓他們在明確邊界內探索；同時根據項目特點設置階段性檢驗。容忍合理的失敗，是因為科研本身具有不確定性，而不是因為科研工作不需要承擔責任。

「中國從來不缺人才，缺少的是發現人才的機制」

明亮公司：企業應該怎樣判斷，自己需要的是基礎研究人才、應用研究人才，還是能夠快速交付產品的技術團隊？

Tom Zhang：人才戰略首先要與企業戰略匹配。研究不只是從零到一，把產品從五分做到六分，從九分做到十分，同樣需要研發。滿足新的客戶需求、降低成本、應對市場變化，也都是研發問題。

如果企業考慮五年、十年以后的問題，就要配置能夠研究長期問題的人；如果當前目標是提高業務效率，就應該尋找能夠迅速解決現實問題的人。歸根結底，是做什么事，就找什么樣的人。

明亮公司：企業怎樣平衡長期研究和短期生存？

Tom Zhang：這取決于公司所處的階段。長期戰略本身是一種比較奢侈的能力。很多公司首先要解決生存問題，如果連明年能否繼續經營都不確定，就很難真正討論五年、十年后的研究。

只有資源相對充足、沒有迫切生存壓力的公司，才更有條件考慮長期目標。對小公司來說，“活下來”可能就是當前最重要的戰略。

企業以研究自由和長期投入吸引科研人才時，也不能只有口頭承諾。承諾需要證據。上市公司可以用持續的研發投入證明決心；創業公司沒有長期財務記錄，就要通過模型能力、第三方評價、用戶使用、開源反饋或者商業收入等階段性成果，支持下一輪投入。

明亮公司：企業怎樣避免科研團隊成為“學術孤島”，或者被短期業務拖成高級技術支持部門？

Tom Zhang：兩個極端都存在。一些研究團隊發表了大量論文和專利，卻沒有產生與之匹配的產品和商業價值；另一些公司長期處于生存壓力之中，科研團隊每天都在救火，只能不斷響應短期業務需求。

關鍵還是明確企業為什么做研究，以及能承受多長時間的不確定性。真正能夠長期投入的公司，通常經營狀況相對穩定。科研必然有一部分投入無法產生預期結果。如果企業無法承受這種不確定性，就很難真正支持長期研究。

明亮公司：中國公司經常依靠OpenAI、Google等機構標簽判斷人才。如果不依賴這些標簽，應該怎樣識別AI人才？

Tom Zhang：我的一個人才理念是，人才并非許多企業說的那么稀缺，真正稀缺的可能是識別人才的機制和能力。很多公司無法直接判斷一個人的潛力，只能借助知名機構替自己完成判斷。數學、物理奧賽成績可以參考，但也不是唯一標準。有些人沒有大廠履歷和世界競賽標簽，仍然可能在實際工作中表現出很強的能力。

DeepSeek 崛起的意義之一，是證明一批沒有海外大廠光環的中國本土人才，也能做出有影響力的成果。梁文鋒沒有主要依靠從海外大廠引進所謂的高端人才，而是使用了一批在本土成長、當時尚未被廣泛證明的年輕人。

DeepSeek成功以后，市場開始爭相邀請他們的團隊成員。但我們可以反問，在他們獲得DeepSeek這個標簽以前，為什么沒有那么多公司發現他們？不應該只研究DeepSeek的模型，也應該研究梁文峰為什么敢于使用一批當時沒有被充分證明的人。

明亮公司：如果不依賴履歷和標簽，企業如何在實際過程中發現人才？

Tom Zhang：人才很多時候是“干出來”的，也是在實際任務中成長起來的。與其反復“相馬”，觀察一匹馬的毛色和牙口，不如讓它真正跑起來，通過實際任務“賽馬”。“宰相必取于州郡，猛將必發于卒伍”是華為選拔干部的原則，任正非曾強調“將軍是打出來的，不是培養出來的”。人才是在完成任務的過程中被識別出來的，不能只靠面試預判。

但賽馬也不能演變成無意義的內卷。就像電影院第一排的人站起來，后面所有人都被迫站起來，最后大家都更累，卻沒有人看得更清楚。真正有意義的競爭，應該像體育比賽追求“更快、更高、更強”，推動真實能力提升。企業需要評價誰真正解決了問題、推動了目標，而不是制造形式上的忙碌。

明亮公司：本土培養的人才是否一定比外部空降人才更適合中國公司？

Tom Zhang：不能作這樣的絕對判斷。如果企業自身能力不足，封閉地依靠內部培養，也可能限制人才結構，不利于業務發展。

真正重要的是保持開放，既看內部，也看外部；既看已經成名的人，也看尚未獲得標簽但具有潛力的人。比如一個人沒有從事過AI研究，卻在數學或物理方面表現出很強的潛力，企業是否敢于給他機會，考驗的是管理者識別人才的能力和用人的膽量。

明亮公司：大公司擁有更多資金和更長的試錯周期，小公司承擔不起同樣的用人風險。小公司應該怎么辦？

Tom Zhang：人才使用需要與企業階段匹配。創業公司不可能從第一天起就擁有一支夢之隊，只能在自身能夠接觸和承擔的范圍內，尋找現階段最合適的人。

企業首先要明確業務目標，再尋找力所能及的人才。如果暫時無法全職聘用，也可以與高校教授或外部專家合作，借助外部能力解決問題。

小公司不必一開始就設想從大公司挖來一支完整團隊。更現實的路徑是先把現有的人用好，做出成果，再逐步吸引更優秀的人。夢之隊通常不是一次組建完成的，而是一個人、一個人逐漸形成的。