今天的故事，要从OpenAI的最新产品聊起。

4月的最后一周，OpenAI颁布了他们最新的图像天生模型GPT Images 2.0。在演示中，GPT Images 2.0展示了非？植赖某鐾寄芰。这款新模型不仅可能急剧地解读复杂指令，几分钟就能实现数百字的文本解析，更重要的是天生了局与数百字的提醒文本展示出了惊人的一致性，可能精准地分辨出哪一部门提醒词是用户必要的“审美风格”，哪一部门提醒词是用户必要的“填充案牍”，天生直接可用的传布物料。

所以产品颁布后，无数人起头感叹这是彻底革了美工和设计师们的命？萍济教錑eeky Gadgets在测评后盛赞GPT Images 2.0“再次突破了AIGC的界限”。

不外严格来说，这所有都没有什么值自得表的。OpenAI作为人为智能领域里估值最高、人才最多、资源最好的巨头，理当表演这样的角色。真正让GPT Images 2.0成为硅谷焦点的，其实是演示视坡凤的“人”。

在视频中除了开场的萨姆·奥特曼，四名掌管解说产品的工程师一字排开都是“亚洲面庞”，其中有三个都是华人，他们别离是项目技术掌管人陈博远（Boyuan Chen）、机械进建钻研员加布里埃尔·吴（Gabriel Goh）、Luma AI的结合首创人余思贤（Alex Yu）。

（GPT Images 2.0的演示视频）

这一幕传递出的信号很清澈：在AI产业中，华人技术人才已经不只是执行者，而是站在主题地位的一群人。更命运使然的是，险些在统一功夫，华人的硅谷故事还在另一个层面被进一步放大——

近日，美国告白营销巨头AppLovin颁发，自2026年7月1日起现任首席产品及工程官葛幼川（Giovanni Ge）将成为AppLovin的下一任全球首席技术官(CTO)——届时，葛幼川将成为硅谷极少数进入主题决策层的华人，也是目前硅谷少数同时具备“主题技术能力”和“组织决策能力”的技术掌管人之一。截至5月6日，AppLovin的最新市值为1576亿美元（约合人民币10727.7亿元）。

（葛幼川，起源：Applovin社交媒体）

若是说OpenAI展示的是“谁在做AI”，那么AppLovin的这次录用，则指向另一个问题：

谁起头进入决策层。

在硅古罪境下，这类人并不常见——无数技术人才停顿在执行层，而无数治理者又不再亲自做技术。

天才少年，试错的十年

首先必要明确的一个事实是，在葛幼川之前硅谷也并不不足“华人高管”。前OpenAI多模态后训练钻研掌管人毕树超、辅导Meta超等智能尝试室的汪滔，功夫线向前延长还蕴含在微软和雅虎都担任过执行副总裁的陆奇、Netscreen结合首创人邓锋等等。他们的春秋从60后逾越到90后，称得上一句“从未缺席”。

但若是仔细复盘这些故事，其实很容易发现“华人高管们”的上升蹊径有些过于雷同了；烁吖苤匾ü凹际跄芰Α苯敫卟，而非直接参加主题决策。好比陆奇之所以可能出任微软执行副总裁，是由于他在雅虎期间从一线工程师干起，一手开发了雅虎自己的搜索引擎以及后续的搜索告白技术——在微软看来，约请这样的人才参与有助于援手他们在线上业务方面和谷歌发展竞争。好比汪滔之所以可能辅导Meta超等智能尝试室，是由于其一手创建的Scale AI，是目前用户数量最大、涉及领域最多的数据标注公司——在Meta看来，想要彻底在大模型竞争中旋转颓势，赢得自己的一席之地，就必须争取到这样的资源。

聪明、勤恳、专一，愿意啃下“难但有开创性”的技术领域，这就是绝大部门华人高管何以为“高管”。饶是苏姿丰、黄仁勋、陈立武也绕不开这层叙事，终于在绝大部门功夫里半导体就是一个利用场景局限、研发投入占比过高、严重依赖国度搀扶的战术性产业。哪怕是在2014年到2018年这5年间，全球最大的21家半导体设计、造作、封测企业也无一例表全数都在积极争取当局资金支持，累计超过500亿美元——这样的行业，太必要“华人特质”了。

而这也是葛幼川备受瞩主张主题原因。一家万亿市值的成熟公司决定聘用一位华人高管进入“主题决策”层，而非“技术执杏妆层，这险些太反直觉了。

不由得让我想起黄仁勋最近那段爆火的视频切片里，他言辞犀利地指出中国占有世界上“最丰裕的能源”和“最重大的钻研人员库”，齐全有能力解决蕴含算力欠缺在内的所有问题——人为智能竞争的主题变量之一，是人才规模与结构。

因而，即便黄仁勋、苏姿丰、陈立武为代表的华人面庞已经占据了半导体的残山剩水，即便李飞飞、毕树超、贾洪钟、汪滔为代表的华人面庞已经成为了大模型研发的中坚力量，华人在科技创投领域的影响力依然是被严重低估的。

从这个角度看，葛幼川的录用，更像是这一趋向的一个具体体现。

那么谁是葛幼川？为什么是葛幼川走出了这条路？故事或许要从2005年聊起。

2005年也许是葛幼川人生最值得高慢的一年。由于这一年他进入了“中科大少年班”，成为了名副其实的“天才少年”，是尺度意思上的“别人家的孩子”。但葛幼川并不开心，由于他不知路自己想要做什么。之所以选择了“凝聚态资料物理（condensed matter materials physics）」剽个专业，只是由于其时“成就好的孩子城市选物理或者数学”。他不确定自己是否对物理真的感兴致，也不知路进建物理之后将来会从事什么样的工作，对将来的所有都很“猜疑”。

更重要的是，他感触到了前所未有的压力。葛幼川从幼就是人们口中的“聪明孩子”，他也已经很享受这样的夸奖。但到了中科大的校园里，“聪明孩子”起头扎堆出现，这句夸奖悄然造成了一种职守，葛幼川起头不由得思虑自己是否必要证明“自己值得这个称号”。

后来葛幼川回中科猛进行分享的时辰，他回顾，进入中科大的第一感触并不是兴奋，而是一种轻微的错位赣转—他起头意识到，自己并没有想明显要走哪条路。

此刻回看，这或许就是葛幼川第一次意识到“迷茫”。更正确地说，是第一次意识到自己必要去试——去试分歧的方向，用真实的反馈通知自己“这条路对不合”，而不是沿着别人画好的直线往前走。

只是其时的葛幼川没想到，这一试试了十年。

大学毕业之后，大部门同学都选择前往美国持续深造，葛幼川却去了欧洲。他在意大利国际高档钻研院拿到了凝聚态及资料物理学博士学位。选择欧洲的理由是，这里文化更多元，或许能助自己“接受更多的可能性”——这是他第一次自动跳出主流蹊径，碰运气视野会不会不一样。

博士阶段，他又把钻研方向从凝聚态物理转向了推算物理，物理的底子还在，但更多功夫花在写代码和建模型上试——这是他第二次尝试，碰运气自己是不是真的喜欢写代码，往工程和利用的方向靠会不会更对。

这些选择的答案都是“还不够对”。真正的转折发生在参与Meta之后。

参与Meta的时辰，葛幼川已经30岁了。在此之前，他已经在贝莱德（BlackRock）和Uber工作过一段功夫，也接触了机械进建的有关业务。而Meta这份工作，其实是他毕业之后第一次深度参加到推荐算法为基础的成效告白系统中。

成效告白和单纯的信息流推荐不一样，信息流还涉及好多产品层面的特点，有时辰推荐自身不必要做到极致，产品设计得好也能拿到好了局。但成效告白“真的就是真枪实弹地考验推荐算法到底有多好”，模型好不好，收入和用户反馈说了算，没有处所能够躲。他后来说，去Meta之前自己还是一个“比力注更生涯和工作平衡的人”，那三年“彻底沦为了一个工作狂”。

更重要的变动发生在认知层面。在Meta，他起头把此前十年攒下的各类器材拼到了一路——物理训练带来的建模直觉、推算物理的工程步骤、在贝莱德（BlackRock）和Uber堆集的基建经验——而后看分了然一件事：一个技术决策是怎么一步步传导到贸易了局的，一个团队的组织方式又是怎么反过来影响技术决策的。

从这时辰起头，他养成了一套自己的判断习惯：不追风口，不堆指标，在一个齐全不确定的环境里反复做判断，拿到反馈，再回头建改。他起头学会不只看“模型自身的正确”，而是看“这件事在整个系统里对不合”。

但瓶颈也随之而来。Meta太大了，品牌太强，组织太成熟。他看到了自己在Meta事业发展的天花板，但愿去一个“能做更多决定、承担更多风险和责任，并拿到了局的处所”。他聊过早期的草创公司，想过自己去创业，也接触过几家像AppLovin这样已经上市但业务上主题技术遇到瓶颈的公司。

最终，他选了AppLovin。

感动他的原因有两个。第一个，是AppLovin业务里遇到的技术瓶竟佚好是他最善于的。口试的时辰，他问其时的CTO一个最单一的问题：“你们此刻最大的痛点是什么？”对方花了五分钟跟他诠释其时算法里遇到的各种痛点，想解决的问题解决不了，想达到的成效达不到。听完之后他跟对方说：“我的技术是有限的，不是所有器材城市，但是你此刻面对的这个问题，我极度善于解决它。”

第二个原因更关键。在参与之前，他和公司高层有过互换，感触各人的价值观、对待问题的方式甚至脾气都很有共识。他这样描述那种感触：各人有什么设法城市极度坦诚地互换，而不是像大厂一样“说一句话必要反复臆测能力知路真实意思”。他自己是一个钻营效能的人，不仅愿在一些非主题工作之表的处所浪费太多功夫。AppLovin的文化跟他想要的出格靠近。

2022年11月，他正式参与，正好在圣诞节期间。

后来的故事，如今超过一万亿元的市值已经给出了回覆。但葛幼川自己在访谈里说过一段话，或许更能诠释这三年到底发生了什么。他说，各人总以为实现一件很难的事，背后肯定有一两个关键决策做对了。但在现事凤不是这样的。“一个很难题的器材，它之所以成功，其实是每一天都要经历几十个甚至上百个micro decision，当把这所有的决策都做好，或者说你做了更多正确的选择，日积月累之后，就会把难题的问题解决得比别人更好。”

从这个阶段起头，葛幼川的能力不再只是“把技术做好”，而是在不确定中做判断，并让判断转化为了局。这也是为什么他可能从技术角色，走到真正参加公司决策的地位。

还有一个场景，或许能注明这家公司的做事方式。去年5月，团队在会商要不要启动电贸易务，其中涉及一个主题技术问题——归因引擎该怎么设计。其时葛幼川和CTO、掌管数据的VP正好在拉斯维加斯参与Google的一个会议。三幼我在酒店餐厅吃早饭，等餐间隙，就起头会商这个问题。手边没有草稿纸，就拿起餐巾纸在上面画图，菜上来之前把思路理分了然。他连忙吃完饭回宾馆写代码。那个周末实现、回到湾区的时辰，第一代电商归因引擎已经做好了。

这就是葛幼川在AppLovin的状态。成功不是一个瞬间的灵光一现，而是一个判断接着一个判断的紧凑节拍，反复验证自己一向钻营的第一性道理到底靠不靠谱。后来的录用证明，它靠谱。

换句话说，成为CTO、进入AppLovin的主题决策层，对于葛幼川来说是一个必然的了局。从这个角度看，他并不是传统意思上的CTO，更靠近于一个用技术做决策的人。在4月官宣最新录用决定的时辰，AppLovin也极度明确地提及“自2022年11月参与AppLovin以来，葛幼川曾担任过多个高级工程职位，辅导了Axon 2.0的开发，目前掌管公司的工程和产品团队，这使得他可能天然而然地过渡到首席技术官一职。”

一家告白巨头，为什么必要技术型决策者

还有一个重要的命题，那就是AppLovin为什么必要葛幼川？

当然这个问题也并不难回覆。正如葛幼川在一些采访中提到的，昔时他参与的AppLovin是一家业务陷入瓶颈的公司——现实上自成立以来AppLovin始终在求变。

AppLovin成立于2012年，最早是一款游戏社交产品。用户们能够在这个平台上相互约请伴侣尝试自己喜欢的游戏。随着用户量的增长，AppLovin也成为了游戏行业最重要的营销平台之一。2018年，随着智能机遍及带着手游市场的急剧崛起，AppLovin进行了成立以来的第一次重要战术转型，组建了自己的游戏刊行部门Lion Studios ，并收购了Machine Zone和PeopleFun蹬孜戏工作室，成为了游戏开发者。

2020年AppLovin起头谋划第二次转型。这一年AppLovin的年化收入已经超过了10亿美元，日活用户3亿，并且维持了两位数百分比的高速增长。然而那段功夫，Facebook、苹果、亚马逊、Netflix、谷歌也逐步起头器重“私域流量”的运营，纷纷开发了自有的告白营销平台，这对AppLovin带来了极度直接的增长压力。因而AppLovin先是推出了自己的告白营销平台MAX，尔后又收购了营销系统Adjust以及推特的自动化告白买卖平台MoPub，尝试脱节“游戏」剽个单一标签，升级为面向全品类的告白营销平台。性质上，这三步补齐了告白系统的主题身分：流量、数据和定价能力。

从了局来看，这些押注是成功的。2021年，AppLovin实现IPO，成为了一家纳斯达克上市公司。AppLovin首创人亚当·福鲁吉（Adam Foroughi）在接受CNBC的采访时如是描述公司的转型指标：“我们占有一个面向利用开发者的技术平台，旨在援手他们发展壮大，提升利用的曝光度。而为了改进软件，我们必要的是自有受多洞察。我们想要获得关于k8凯发天生赢家所观察到的受多的第一方数据……我想，最适当的类比或许是Netflix若何利用其平台上的数据推出个性化推荐。如今，我们只是在新媒体大局中复造了同样的成功模式。”

2022年， AppLovin起头了第三次的战术转型。这一年AppLovin推出了初代AXON。AXON的定位是人为智能驱动的告白引擎，利用机械进建（ML）进行告白定向，从而提升了告白活动的成效和效能。而葛幼川参与后的重要工作则是主导AXON2.0的开发，从零起头搭建一个新的告白推荐算法和平台，进一步提高告白投放在公司营收层面的占比。这意味着公司起头从“流量驱动”转向“算法驱动”。

从了局来看，AppLovin对葛幼川的押注也是成功的。AppLovin在本地功夫2026年5月6日颁布的最新财报中泄漏，在从前一个财年AppLovin的营收增长远超预期，净利润增长至12.06亿美元，同比上涨达到109%。参考今年3月颁布的上一份财报显示，其中Axon2.0为主题的人为智能驱动业务创造了8.36亿美元的净利润，较去年同期增长92%；谡庋牟，AppLovin在推动大获成功的Axon2.0引擎利用到汽车、保险等非游戏领域傍边，以激活更大的市场潜力。

在这一前提下，若是AppLovin想要持续维持人为智能业务方面的竞争力，持续推动AppLovin向一个不拘泥于游戏的全品类营销平台转型，坚韧自己在告白领域确当先职位，那么葛幼川简直是一个安全且理性的选择。

当然正如前面所提到的那样，AppLovin也远不仅仅等待着葛幼川成为“技术带头人”。在从前的很长一段功夫里，葛幼川极度热衷于思虑“团队”与“价值观”的话题。最有代表性的一个概想呈此刻一年前的一次播客访谈里，其时他说“我感触这个世界上没有任何一个技术是技术自身，其实技术的背后是人和文化。今天你能够把Google的算法，复造一份，而后搬到另一个公司去。六个月之后，这个公司也不成能和Google一样，由于人和文化对一个产品的影响是最深远的。”

在前不久刚刚实现的Google Next上，葛幼川也分享了这样一个案例：一年前，Axon2.0的模型推理系统还成立在一个相对单一的架构上，也就是每块GPU同时承载多个模型。这种架构固然方便自动扩缩容，但问题也很显著：GPU利用率偏低，并且GPU亏损量在每个季度之间急剧增长。因而，团队决定彻底颠覆原有架构，重新重建。

在新的设计中，他们选取了单模型独占GPU的架构，从而实现更好的缓存优化和高低文治理。团队用Python编排工作流，以提升尝试和迭代效能；同时通过pybind绑定原生C++过程，绕过 Python全径喙释器锁带来的瓶颈。他们还构建了一套模型性命周期治理系统，用于统一治理模型节造与版本演进。而要支持这样一套架构，必要极度壮大的扩缩容能力和靠得住的网络路由能力——Kubernetes正好提供了这些关键能力。

最终的了局极度显著：新的推理服务上线后，GPU利用率从45%提升到75%；整体GPU亏损削减了一半；推理延长也显著降落。而团队并没有停顿在“更省资源」剽一层面，而是把节俭出来的延长预算重新投入到更大规模的模型上，进一步提升了业务成效。

性质上，这是通过工程优化提升ROI，而不是单点技术突破。更重要的是，这种优化并不是一次性的技术突破，而是一套持续做出正确决策的能力。

葛幼川对这样的成就极度高慢，但他强调自己最感伤的并不是“技术层面”的突破，而是他们以“一支极其精壮的团队运营着一个真正意思上的超大规模系统”。在葛幼川看来，这正是“正确的基础设施合作同伴关系所能带来的价值”。

这不是一次单纯的工程优化，而是葛幼川作为技术治理者的典型能力：在成本、效能、延长和模型规模之间做弃取，并让一个精壮团队支持超大规模系统。

从工程师到CTO，这不仅是幼我蹊径的变动，更是AI产业中技术人才起头进入决策层的体现。

在这一趋向下，类似的录用可能才刚刚起头。