Jelani Nelson 的专长『Sketching and Streaming Algorithms』，是用极小内存近似统计超大规模数据流的一类算法。核心思路是：不存全量数据，只维护一个紧凑的『摘要』，在可控误差内回答『有多少不同元素？高频元素是哪些？』。这套数学工具从 1990 年代网络流量监控起步，现在直接用到大模型预训练的关键瓶颈上——怎么在数千亿 token 里高效判断数据重复、估算分布偏差、筛选训练质量。Nelson 加盟 Anthropic，意味着预训练竞赛正从堆算力转向算数学账。

A 社 offer 最高 85 万美元年薪 + IPO 后可能过亿的身家，已是硅谷最诱人的数学之一。但比薪水更致命的是『文化面试』——被亲历者形容为『像心理治疗』的侵入式对话，面试官扔出伦理困境，一票否决制下『答得不够深就出局』。Workday 前 CTO 甘愿降级当普通员工，落选者发帖『对前途彻底崩溃』。这道门的高门槛背后是 Anhtropic 的信念筹码：AI 安全不是口号，是每个员工得真心信的东西。

Nelson 暂离 UC 伯克利系主任加盟 A 社不是孤例。2026 上半年，谷歌流失了 Transformer 作者 Shazeer、诺奖得主 Jumper；OpenAI 创始成员 Karpathy 同期加入 Anthropic 预训练团队。顶级实验室的人事竞争已从『抢工程师』升级到『抢系主任』。当下能看到的关键变量是：AGI 预训练的瓶颈正从工程转向底层数学，而学术界—工业界的『旋转门』一旦单向化，大学将失去定义『AI 基础问题』的话语权。拐点不在技术本身，在顶尖学者是否还有动力回学校。

预训练成本大头花在数据筛选。传统做法靠人工或大模型评估，成本高且带偏见。ByteDance Seed 提出的 AttentionInfluence 方法颠覆了思路：用 13 亿参数的小模型，直接通过注意力机制判断每个训练样本的质量——选取得分最高的 20% 内容去训练 70 亿参数模型，在推理基准上提升 1.4-3 个百分点。这意味着 N elson 的 Sketch 思路和数据筛选可以同框：一个从空间复杂度入手，一个从注意力响应入手，都在回答『哪些数据值得喂』。