人才黑洞！UC伯克利系主任加入A社

人才黑洞！UC伯克利系主任都加入A社了

背景

UC伯克利EECS系主任Jelani Nelson宣布暂离母校，加盟Anthropic，消息迅速在社交媒体刷屏。

核心内容

加州大学伯克利分校电气工程与计算机科学系（EECS）主任Jelani Nelson已暂离大学，加盟Anthropic。

消息一出，立刻在社交媒体上刷屏。这位把算法课讲出了2100万观看量的大佬，让人印象深刻。

Anthropic发言人确认，Jelani Nelson加入的是A社的预训练团队，该团队目前聚焦于Claude核心知识和能力的研究工作。

谁是Jelani Nelson？很多人认识他，是从哈佛大学YouTube频道那节Advanced Algorithms课开始。这条视频播放量已超过2100万，以算法公开课来论，属实是一路绝尘。

从履历来看，Jelani Nelson走的是一条很标准的理论计算机科学路线。他在MIT读完了本科、硕士和博士，本科同时拿到了计算机科学和数学两个学位，此后继续在计算机领域研究深耕。博士阶段，他已经开始聚焦“大规模数据如何被高效处理”这件事。他的博士论文Sketching and Streaming High-Dimensional Vectors，研究的是在数据达到存不下、只能扫一遍、还不断变化的情况下，怎么用极小的sketch，保留足够多的信息。这篇论文后来获得了MIT的博士杰出论文奖。而该研究方向也一直延续到他后来的工作中。

博士毕业后，Nelson先后在UC伯克利和普林斯顿做博士后研究。2013年加盟哈佛担任计算机科学助理教授，2017年升为副教授。2019年，他离开哈佛，加入UC伯克利电气工程与计算机科学系（EECS）。2024年7月担任计算机科学分部主任，2025年7月升任系主任。

说回到Nelson的研究方向上，简单来说，是在高维、大规模、资源受限的数据场景里，寻找接近理论极限的算法。这也正是Anthropic所需要的。大模型预训练往底层看，还是会回归到算法问题：怎么在有限算力下挑数据？怎么在训练前后判断数据有没有重复？怎么用更低成本估计一个数据分布？怎么让模型训练在规模扩大后仍然可控……想要继续突破这些问题，都需要更底层的数学直觉。

而从Nelson本人的角度来说，他本就是个在乎严肃数学训练的人——2022年，他曾公开批评加州数学改革，认为打着“公平”旗号的数学课程改革，可能会阻碍学生们接受严肃数学训练。当时，他也赞同过，AI的构建要基于扎实的数学基础。加盟Anthropic，某种程度上也可以说他是去到了最需要理论计算机、数学训练的AI前沿地带。

One More Thing
说起来，教职之外，从2021年开始，Jelani Nelson其实是学术界工业界两肩挑。2021年到今年6月，也就是去Anthropic前，他还一直在谷歌兼职，担任研究科学家。

这么算起来，合着又是谷歌被挖墙脚了。就在刚刚过去的6月份，谷歌接连流失了Transformer作者、Gemini联合负责人Noam Shazeer，以及哈萨比斯的好搭档、诺奖得手John Jumper……有网友都开玩笑说，Gemini那边没动静，估摸着是大佬们都把时间花在面Anthropic/OpenAI了（doge）。

关键要点

• UC伯克利EECS系主任Jelani Nelson已宣布暂离母校，加盟Anthropic预训练团队，团队聚焦Claude核心知识和能力研究
• Nelson是一位经典理论计算机科学家，MIT本科、硕士、博士（计算机科学与数学双学位），博士论文Sketching and Streaming High-Dimensional Vectors获MIT博士杰出论文奖
• 研究方向为高维、大规模、资源受限数据场景下的接近理论极限算法，直接服务于大模型预训练中的数据挑选、去重、分布估计及规模可控等核心问题
• 他曾公开批评加州数学改革（2022），认为打着“公平”旗号的改革可能阻碍严肃数学训练；同时赞同AI构建需基于扎实数学基础
• 2021年至2025年6月，他还在谷歌兼职研究科学家，2025年7月才正式升任UC伯克利EECS系主任
• 消息出炉后，引发社交媒体热议，网友感慨Anthropic吸人可太猛，谷歌近期接连流失多位顶级人才（Noam Shazeer、John Jumper等）

意义与影响

Jelani Nelson的加盟，将把UC伯克利长期深耕的高维数据处理、sketching算法等核心理论优势带入Anthropic，助力Claude在预训练阶段实现更精准的数据管理与规模控制，从而提升模型在有限算力下的性能上限。

作为一位长期在乎严肃数学训练的理论计算机科学家，Nelson的加入进一步强化了Anthropic在追求“扎实数学基础”方面的布局，也为行业整体提供了更多理论驱动的创新参考。