Z Waves｜葛小川：中科大少年班校友，三年半做到2000亿美元市值AppLovin CTO

2022年，AppLovin股价暴跌80%，市值仅剩39亿美元。这家被华尔街认为只是一个快被时代淘汰的手游广告公司在三年后，市值突破2000亿美元，成为全球最赚钱的AI公司之一，人均年利润约270万美元。而推动这场逆转的核心，是一个不到五人的算法团队。团队负责人，叫葛小川。2026年7月，他正式接任AppLovin CTO。

他很少用情绪化语言，也不太谈“梦想”或者“热爱”。更多时候，他会不断拆解问题——这个系统为什么跑不通，真正的瓶颈在哪里，哪些变量最关键，什么地方值得重做。很多人做技术，是在优化已经存在的东西。葛小川更像是在寻找：什么东西值得被重新建立。

和葛小川聊天时，你很容易产生一种错觉：他不像是在表达观点，更像是在实时推演系统。

葛小川，1989年8月生于安徽怀远，中科大少年班物理系出身，读过意大利的凝聚态材料博士，在Meta当过工作狂。但更漫长的那段岁月里，他只是一个找不到方向、不断自我怀疑的年轻人。从16岁走进大学校门，到真正找到自己想做的事，他花了整整十七年。而一旦找到，他只用了三年半，就从工程副总裁走到了CTO。

  从中科大少年班到意大利博士：十年找不到方向，他没有停下来

2005年，葛小川从安徽怀远考入中科大少年班。他对科大的第一印象不是图书馆，也不是实验室，而是没有空调的操场上、烈日下穿着厚训练服站军姿的体能训练。他当时心里嘀咕：难道这就是大学生活？专业选了物理，并不出于热爱，只是因为那时候学习好的人都在学，所以他也去学了。

很长一段时间里，他并不觉得自己是那种“目标明确”的天才。相反，他长期处在一种迟疑和自我怀疑里：物理是不是自己真正想做的事？读博士是不是正确选择？自己到底擅长什么？即使后来进入顶级研究机构、拿到别人眼里的“标准精英路径”，那种悬而未决的感觉也没有真正消失。

本科毕业，直接去了意大利SISSA读凝聚态材料物理博士。SISSA是欧洲顶尖的研究型院校，直接招收本科生。换了地方，困惑没有换。博士期间做实验、写论文，每天如此，但熬夜完成一篇稿子之后，心里更多的是空虚。他曾把这归结为欧洲学术氛围不适合自己，于是博士毕业后去了美国，先在BlackRock做机器学习研究，然后他加入Uber，用机器学习为Uber Eats定价建模。

在Uber，他逐渐意识到一件事：很多公司虽然在使用机器学习，但机器学习并不是业务真正的核心。他开始变得越来越挑剔和思考：到底什么问题值得投入？什么系统真的相信模型？什么地方能把数学、工程和商业真正结合起来？他发现，自己已经很难再接受“差不多”的技术问题。

转折发生在2019年，也就是他30岁的那年——他加入了当时还叫Facebook的Meta，做广告推荐算法。效果广告是一个纯粹靠数学和模型说话的领域——以点击、下载、购买这样的量化结果为目标，广告主按效果付费，算法强一分，结果就好一分，没有其他变量可以掩盖。对在纯理论里憋了多年的葛小川来说，这是他第一次找到真正适合自己工具的战场。那三年他自称“彻底沦为了工作狂”，不是被逼，是终于找到了值得全力以赴投入热情的问题。一位和他共事过的人后来形容，葛小川最大的特点不是聪明，而是“几乎从不在错误的问题上浪费时间”。

Meta的广告系统被誉为全球最复杂的推荐系统之一。在Meta广告系统那几年，他第一次进入一个足够复杂、也足够诚实的领域：模型好，结果就会变好；模型不够强，再多解释都没有意义。

那三年里，他积累了广告和推荐的核心技术；早年科研和工作中写过的基建工具、数据分析脚本，在新系统建设中意外派上了用场；一路走来的挫折和困境，教会了他韧性、沟通和管理。那些曾经看似无意义的弯路，都在这个时刻汇聚成了价值。对在纯理论里兜兜转转很多年的葛小川来说，这几乎像是终于找到了自己的战场。

然后他离开了Meta。原因是想学的已经学完，再待下去只会影响职业发展速度。他开始考虑早期创业公司、自己创业，以及那些已经上市、但核心技术遇到瓶颈的公司。

  所有人都在撤，他看到了一张没人敢碰的底牌

2022年底，他收到了AppLovin的邀约。彼时的AppLovin，是一家处境极为微妙的公司。表面上，它是一家游戏公司，游戏下载量一度排在全美第一。但游戏本身并不是它真正的目标——买下那些游戏工作室，是为了获取用户行为数据，让自己的广告算法有东西可以学习。更底层的业务是广告，但这块收入在当时还不到公司总收入的30%，占大头的还是游戏。

广告系统本身更是谈不上先进。推荐算法这个领域，过去十几年经历了几代迭代：最早是基于社交关系图谱的规则引擎——你朋友下载了这个App，要不要也装一个？之后是简单的线性拟合；再之后是Facebook在2015年前后大量发表的决策树相关模型。难以置信的是，2022年，行业里很多公司用的还是这一套将近十年前的框架。AppLovin也不例外——能跑，但跑不快，卖不出好价钱，也说不清楚每一块钱投放到底带来了什么。

基础设施倒是已经搭好了。2018年前后，他们买来了帮开发者卖广告位的MAX；2021年花10亿美元买来了追踪广告效果的Adjust；2022年，在整个行业哀鸿遍野、自身股价已跌去80%的时刻（市值仅有39.1亿美元的时刻），用10.5亿美元全现金拿下了原Twitter旗下覆盖7亿日活的广告平台MoPub。拼图几乎到位了。缺的是最后一块——一套足够先进的推荐算法，能在毫秒之间判断出哪个用户值得花多少钱去买，并且完成竞价、投放、收钱的全套动作。

图片来源：AppLovin

面试时，葛小川问了当时的CTO Basil Shikin一个问题：你们现在最大的痛点是什么？对方解释了大约五分钟——算法太落后，想优化的指标优化不了，广告主花了钱但说不清带来了什么。葛小川当场说：你们这个问题，我非常擅长解决。

很多人后来回头看，会把这一切解读为一次经典的“逆势下注”。但葛小川并不觉得自己是在赌。在他眼里，真正危险的从来不是“公司现在不好”，而是“问题本身没有价值”。而AppLovin最吸引他的地方恰恰是：基础设施已经齐备，问题足够难，而且一旦解决，整个系统会发生质变。他真正感兴趣的，从来不是稳定，而是结构性的机会。

外界看到的，是AppLovin股价暴跌的一手烂牌。而那五分钟里他看到的，是一套基础设施已经齐备、唯独缺一个算法大脑的公司，而那个大脑需要做的事，正是他在Meta做了三年的事。后来他见到CEO，做事干脆，价值观甚至性格都与他有共鸣，“基本义无反顾地签了”。

他加入的动机很简单：“我来AppLovin看的不是当时的现状，是未来的机会。”他当时就已经算出了，如果公司只做应用广告，天花板在哪里；也算出了，一旦算法做好，电商是下一个自然的方向。这不是预言，是推算。他的逻辑是：确定性很高的选择，永远已经被市场充分定价；真正的机会，往往藏在别人不敢进的地方。

  三个月、五个人，以及那套没有秘密武器的算法

2022年11月，葛小川正式入职AppLovin，任VP of Engineering（工程副总裁）。他组建的核心算法团队总共不到五个人。任务只有一个：从零重构公司的整套推荐算法系统。三个月后，新一代模型Axon 2.0上线。性能的跃升是代差级别的——AppLovin的广告推荐能力，从行业落后水平直接拉到了与Google、Meta同一代的框架之上。此后三年公司的增长，基本都建立在这个地基上。

图片来源：AppLovin

但什么叫同一代？这里有一个值得展开的细节。

广告推荐算法本质上解决的是一个预测问题：给定一个用户和一个广告，预测这个用户看到这条广告之后最终会产生多少价值。最浅层的预测是点击率——用户会不会点。稍深一层是转化率——点击之后会不会下载或购买。而最难的，是直接预测用户的消费价值：这个人点击之后，会花多少钱。这三层预测之间的差异，在广告投放上的影响是截然不同的。假设你花10块钱买广告：优化点击率，能买来5次点击，但这5个人合计只消费了20块；而如果系统能直接优化消费价值，可能只买来2次点击，但这2个人合计消费了100块。对广告主来说，后者的价值是前者的好几倍。

问题在于，要做到后者极其困难——用户最终消费的信号很稀疏，发生的时间也更晚，训练数据难以获取，模型也更难拟合。这就是葛小川所说的「deep funnel」问题，也是AppLovin引以为豪的核心差异：它是目前市场上已知唯一能把这一层预测做准的公司。

以Meta为例，大多数在Meta平台投广告的品牌，并不使用Meta提供的ROAS优化产品——ROAS即广告支出回报率，衡量每花一块钱广告费能带来多少收入。不是不想用，而是Meta这一层模型的预测不够精准，广告主不信任它，宁可自己选转化率优化，然后再手动微调。而在AppLovin，广告主几乎不需要手动操作，直接告诉系统「帮我优化最终消费价值」，系统就能给出满意的结果。这省去了大量人工干预，也让广告主愿意把更多预算交给这个平台。

但为什么AppLovin能做到这一点？

葛小川的回答不是“我们有什么秘密武器”，而是：“从框架上看，头部公司其实都差不多，真正决定胜负的是对细节的无数次微小判断——每天几十个甚至上百个小决策，每一个都选得稍微准一点，日积月累就形成了别人难以追平的差距。这些细节，不会出现在任何开源代码和公开论文里。”

AppLovin内部有人说，葛小川对“系统干净”近乎执拗。当模型出现问题时，他不喜欢第一时间加规则补丁。因为规则一旦越来越多，系统会慢慢失去可解释性，最后没人知道它为什么有效。他更愿意反复调模型、重构逻辑，让系统自己收敛到正确结果。这条路更慢，也更痛苦，但长期来看，它会让整个系统变得越来越强。

还有一条更隐蔽的优势，来自数据结构本身。广告竞价系统中存在两种数据：一种是请求数据，每次有广告位出现，所有参与竞价的平台同时收到，Google、Meta和AppLovin拿到的是一样的；另一种是反馈数据，也就是用户看到广告之后的行为——点了没有，下载了没有，买了多少钱。这种数据只有赢得竞价的一方才能拿到。竞价输掉了，那个用户后续发生了什么，你永远不会知道。

这就让算法优势形成了一种自我强化的机制：模型越好，赢得的竞价越多，拿到的反馈数据越多，模型进一步变好。AppLovin每次季度财报中反复提到的「feedback loop」（反馈循环），说的就是这件事。它不是一个产品功能，而是一种结构性的领先——一旦建立起来，追赶者需要付出远超表面差距的代价。

葛小川还提到一个他称之为干净的模型的概念。当模型出现缺陷时，有两种修法：一是手动加规则纠正，简单快速，但系统会越来越混乱；二是相信模型，反复调试，直到模型自己修正，这条路慢，结果也不确定，但能保持系统干净。AppLovin始终坚持第二种。结果是，模型里的因果关系始终清晰——正确的输入，总能带来正确的输出，每个季度的业绩提升因此稳定可预期。

  华尔街错了，而且错了整整一年

图片来源：Yahoo Finance

Axon 2.0上线后，AppLovin的业绩开始快速增长。2023年全年，广告收入同比增长超40%，利润增长约80%，公司连续多个季度大幅超出华尔街预期。然后股价下跌。业绩再超预期。股价再下跌。这件事看起来荒诞，但背后有一套逻辑。在金融分析师的框架里，评估一家公司的增长，要把行业整体的增速（Beta）和公司超出行业平均的部分（Alpha）分开看。分析师们承认AppLovin的Alpha——算法确实更好——但他们低估了一件事：AppLovin的崛起本身，正在改变整个行业的Beta。

那段时间股价的波动，其实让公司内部承受着很大的压力。业绩在变好，但市场并不相信。对很多公司来说，连续几个季度股价没有反应，往往意味着战略开始摇摆、组织开始焦虑、内部开始讨论“是不是哪里做错了”。但葛小川几乎没有动摇过。因为在他看来，系统已经跑通了。剩下的问题，只是市场什么时候意识到这件事。

游戏广告市场在此之前从未被认真对待过。全球有几万甚至几十万个手机游戏和应用，每一个单独拿出来，流量都远不能和Facebook、YouTube相提并论。这些碎片化的流量分散在无数个小开发者手里，没有统一的定价，没有可靠的变现工具，广告主不知道钱花出去能带来什么，开发者也只能贱卖自己的流量。Google和Meta不是不知道这块市场存在，而是体量太小，不值得专注。正因为需求进不来，开发者赚不到好钱，也就没有动力去做更好的游戏，整个生态长期在低水位徘徊。

AppLovin的算法改变了这个循环。它让每一块钱的广告预算能够找到真正值钱的用户，开发者的收入随之提升，有了更多资源去打磨产品，游戏质量上来了，用户愿意花更多时间和钱，整个生态的可变现价值随之扩大。市场的天花板，不是固定的，是被撑起来的。

分析师们看到了AppLovin的胜出，但没有看到这个生态扩张的效应。他们用原来那个天花板不高的游戏广告市场作为分母，得出的结论自然是——增长红利已经兑现，后面没有空间了。所以每次超预期，股价反而跌，市场把每一次好成绩都解读为“把未来的增长提前兑现了”。

对于那段时间，葛小川的态度是：无奈，但不慌张。公司内部没有根据股价调整决策，也没有试图去管理市场预期。他的判断是：把业绩做上去，市场的认可只是时间问题。连续8个季度超出华尔街预期之后，2024年第二季度，股价开始真正起飞。那一年的暴涨，在葛小川看来，更多是市场对2023年业绩迟来的认可，而不是什么新的催化剂出现了。

2025年11月，葛小川正式出任首席产品及工程官（CPEO）。同月，AppLovin在旧金山市政厅举办年会，高管员工与家人盛装出席，庆祝市值突破2000亿美元。公司被外界称为“AI受益第一股”——这个标签并非因为AppLovin开发了什么大模型，而是因为它是那一轮AI能力浪潮中，最早把深度学习推荐算法转化为真实商业收益的公司之一。它从不主动往自己身上贴AI的标签，但它的算法，本质上正是AI能力商业化最直接的体现。三年，股价涨幅25倍。全公司员工不到1000人，人均创造的EBITDA约达400万美元——这个数字在全球科技公司里几乎找不到对标。

根据AppLovin 2026年4月7日官方公告，现任CTO Basil Shikin将于2026年7月1日卸任，转为杰出工程师（Distinguished Engineer）；葛小川届时接任CTO。从2022年11月加入，到2026年7月出任CTO，历时约三年半。

三年半，从工程副总裁到CTO，在硅谷这个到处是聪明人的地方，这个速度并不常见。他接手的不是一家顺风顺水的公司，是一家被市场放弃、股价跌去80%、连人才都不愿意来的公司。他带进来的不是一个成熟的团队，是不到五个人，从零开始。他用三个月完成了别人可能觉得要花两三年的事，此后每个季度的结果都在往前走，而且从未停过。

这种速度，不来自运气，也不来自资源。它来自一种从职业起点就开始打磨的能力——知道哪个问题值得解决，知道自己是不是那个能解决它的人，然后义无反顾地进去。

  做困难且正确的选择

2024年5月，葛小川与CEO、CTO在拉斯维加斯参加Google举办的行业会议。早饭还没上菜，三个人已经开始在餐巾纸上画图，讨论电商归因系统的核心架构。菜上来之前，思路定了。吃完饭回房间写代码。那个周末结束，回到湾区的时候，第一代电商归因引擎已经完成。三个人，一张餐巾纸，一个周末。没有会议，没有PPT，没有审批流。

熟悉葛小川的人会发现，他对很多事情的容忍度都很低：冗长会议、反复汇报、为了流程而流程——这些东西会迅速消耗他的耐心。他更喜欢一种极度直接的工作方式：问题出现，现场拆解；方向明确，立刻动手。在AppLovin后来的很多关键项目里，这种近乎“工程师创业团队”式的速度，逐渐变成了整个组织的一部分。

这不是偶然的工作风格，而是一种经过筛选的判断——什么事值得做，什么时候该进去做，做到什么程度算完。他把支撑这种做事方式的东西叫做“技术品味”——不只是把事情做出来的能力，而是知道什么值得做，什么才是真正影响结果的关键环节。

很多人走过了和葛小川类似的前半段——理工科出身，数学底子扎实，在大厂做出了成绩，成为团队里公认的技术骨干。但他们往往会卡在同一个位置：从最强的执行者变成做决策的人那一步。 技术骨干面对的问题通常是确定的，需求清晰，边界明确，好不好衡量得了。但越往上走，问题本身开始变得模糊：资源有限，方向不止一个，没有标准答案，结果也不是立刻可见的。这时候考验的不再是你能不能把一个问题解决得足够好，而是你能不能在信息并不完整的情况下，判断出哪个问题最值得解决——然后让整个组织跟着你的判断动起来。这条逻辑贯穿了他所有的职业选择：问题值不值得解决，自己是不是那个工具。薪资、平台、赛道热不热，都是次要的。

葛小川后来很喜欢“Spirit of the Underdog”这个词。他并不觉得自己的人生是一条标准意义上的“天才路径”。相反，从少年班到博士，再到职业前半段，他长期都处在一种“还没有找到正确位置”的状态里。也正因为如此，他对“被低估”这件事有一种天然敏感。AppLovin吸引他的，从来不是它当时有多成功，而是它被严重低估了。

AppLovin最看重员工的五个特质，首字母拼在一起是一个词：HEART。谦逊（Humility）、共情（Empathy）、能力（Ability）、韧性（Resilience）、坚毅（Tenacity）。谦逊排在第一位——不把精力放在证明自己这件事上，而是放在问题本身。

图片来源：中国科学技术大学新创校友基金会

从安徽怀远的县城，到意大利的博士宿舍，到硅谷一家股价跌了80%的公司，到旧金山市政厅那个香槟碰杯的夜晚——他走过的那些年，不是一条从A到B的直线，而是一路在没有空调的状态下，一步一步找到那个正确的问题，然后义无反顾地进去。就像他自己说的那样：“做困难且正确的选择，往往没有掌声，也没有鲜花。”

在AI时代，真正稀缺的人，就是这样不会追热点，但是能够在所有人都不相信的时候，看见结构性机会的人。他们知道什么问题值得解决，知道自己是不是那个能解决问题的人，也知道什么时候该义无反顾地进去。葛小川花了17年找到那个问题。 找到之后，他只用了三年半。

作者：Xiaoyu Xian

[1]中国科大新创校友基金会，中科大少年班校友再破华人硅谷天花板，https://mp.weixin.qq.com/s/rb6OuWlhAa9lx05IU9vZgA?scene=1

[2]M小姐研习录，【万字实录】对话千亿美金AI第一股 AppLovin 核心高管：2年市值25倍的传奇成长史，https://mp.weixin.qq.com/s/PdEFa-7E8ukmszPaewdbuQ?scene=1

[3]界面新闻，AppLovin撕开巨头裂缝的1000天：AI审判、被做空与Underdog的“弱者之心”，https://m.jiemian.com/article/14025121.html

[4]极客公园，三年时间市值翻了25倍，广告新巨头AppLovin任命了一名华人CTO，https://hub.baai.ac.cn/view/54292

[5]投资界，华人再破硅谷天花板！AI黑马新任CTO，中科大80后，https://people.pedaily.cn/202604/563161.shtml