科技行业的人才流动，多数时候是被价格信号驱动的。

大模型研究员被大厂竞价，顶尖人才年薪从几百万涨到上千万，研究院之间互相挖角。这套叙事我们已经看了整整两年。

但阮翀的选择不太一样。

一个反共识的跳槽

2026年1月，阮翀离开DeepSeek，加入自动驾驶公司元戎启行。他不是去某个大厂的AI Lab接着做大模型研究，也没有选择自己创业做LLM应用层产品。他选了一条更“重”的路。

物理AI——把基座模型部署到真实的物理系统里。这意味着要面对的不再只是benchmark分数和论文引用，还有车规级部署、实时性要求、极端场景鲁棒性、安全事故底线。

为什么一个在大语言模型领域已经做到顶级的研发者，要主动进入一个更复杂的战场？

先看看他在DeepSeek到底做了什么。

甲子光年的数据分析揭示了一组此前从未被完整统计的数字：在DeepSeek近两年27篇核心论文的328人作者池中，阮翀参与了18篇，横跨6个技术方向。论文数量和覆盖方向数都是全公司第一。

他所覆盖的方向包括MoE架构、多模态、数学推理、系统效率——不是某个单一领域的深耕，而是从模型底层架构到多模态对齐的全链路参与。他是VL2的通讯作者，R1的Nature论文作者之一，也是V4的作者之一。

圈内人都清楚，这种跨方向参与度的背后，是对整个模型体系的理解，而不只是对某一环节的熟练。

元戎启行的赌注

为什么是元戎启行？

智驾赛道正在经历一个关键拐点。上一阶段的竞争逻辑是“谁的规控更精准，谁的传感器方案更优”。这一套打到现在，各家差距在收窄。端到端架构出现后，比拼的维度变了——谁的模型能更好地理解场景、做出决策。

这正是基座模型的底层逻辑。

阮翀在2026年北京车展上的亮相，基本说清楚了元戎启行的技术路线：用一个统一的基座模型，替代传统模块化架构中感知、预测、规划、控制各自独立的格局。数据和算力在这个体系内形成闭环，迭代效率从“天”压缩到“小时”——他给出的数据是从5天到12小时。

12小时意味着，车辆在上午遇到的corner case，下午就能完成数据回流、模型训练和仿真验证，夜间OTA推送，第二天早上问题已经解决。

这种效率跃迁需要的不是修修补补的算法优化，而是整个数据体系和技术栈的重构。而这恰好是一个做过全链路模型研发的人最擅长的事。

一个“选择未定型领域”的人

阮翀对这次职业转向有过一个简洁的自我解释：“LLM发展已经进入相对成熟的阶段，我更愿意参与一个尚未定型的领域。”

回看他的履历，这个说法站得住。

2023年加入DeepSeek时，那还是一个外界几乎没听过名字的小团队，大模型赛道尚未决出胜负。他在那里做出了全公司论文产出最高的贡献，深度参与了从MoE架构到R1强化学习到V4整合的全过程。

等到LLM格局逐渐清晰、边际收益开始递减时，他再次离开，进入一个“还在打地基”的领域。

阮翀不是一个被高薪挖走的明星研究员。他更像是带着一套已经跑通的方法论，去寻找下一个可以从地基开始搭建的东西。

而这一次，赌的是让模型在物理世界里跑起来。