共计 1300 个字符，预计需要花费 4 分钟才能阅读完成。
姚星丞之后,AI 人才的中间层开始掉价
姚星丞的下一站终于落定。今年 7 月离开腾讯后, 他加入由 OpenAI 前 CTO Mira Murati 创办的 Thinking Machines Lab。据雷峰网援引知情人士消息, 其薪资“明显高于”腾讯, 而他在腾讯的年薪包约在数千万元人民币区间。这一价格背后, 折射出 AI 人才市场正在发生的结构性变化。
📌 预训练人才为何依然昂贵
过去两年,预训练研究员本是最容易被唱衰的群体:Scaling Law 红利被反复讨论, 模型架构逐渐收敛, 开源模型持续追赶。但真正完整跑过一次大规模训练的人依然稀少。
知道 Transformer 怎么工作,和让几千张 GPU 连续跑几个月是两回事 。数据怎么配、Loss 异常从哪里查、训练稳定性如何判断, 这些经验很难从论文里学完整。 姚星丞的价值, 正在于他负责混元大语言模型预训练, 拥有难以标准化的大规模训练经验。
Thinking Machines Lab 继续加价并不奇怪。它不是缺算力的小公司, 而是能继续做昂贵训练的前沿实验室。对中国大厂而言, 这也意味着人才流动方向开始出现反转: 研究员在中国完成核心训练, 再被海外前沿实验室重新定价。
🔍 另一端:FDE 正在变贵
涨价的并非只有预训练研究员。OpenAI 正在新加坡招聘 Forward Deployed Engineer, 这类工程师不训练基础模型, 而是直接进入客户, 把模型接进企业系统, 用生产采用率、工作流改善和业务结果衡量效果。新加坡岗位还明确要求 50% 的出差比例。
企业内部数据也在印证这一趋势。截至今年 6 月, 在 OpenAI 企业客户中,Codex 产生的输出 Token 已占 Codex 与 ChatGPT 合计输出的 64%; 使用 AI 最深的前 10% 企业, 人均输出 Token 是典型企业的 8.3 倍, 而年初这一差距还是 2.6 倍。
💡 中间层: 稀缺性正在消退
真正尴尬的是中间层。过去两年, 一个工程师如果会调用大模型 API、会写 Prompt、会 LangChain, 再懂一点 RAG 和 Agent, 就足以和传统开发人员拉开差距。不是这些能力没用, 只是当时会的人少。
- 以前做 Agent 要自己搭循环、工具、状态、权限和执行环境; 现在模型公司、SDK 和协议层正在把这些一层层包起来。
- 当普通知识工作者自己就能做数据处理、自动化和轻量工具开发, 只负责简单连接的人自然受到挤压。
- LinkedIn 2026 劳动力市场报告显示, 美国要求 AI literacy 的职位同比增长 70%, 但需求增加与稀缺性下降可以同时发生。
📊 行业观察: 价值向两端集中
围绕“姚星丞之后,AI 人才的中间层开始掉价”，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。
🚀 总结
所谓“掉价”,不是所有人的工资都在往下掉, 掉的是那层“我会用 AI, 所以我天然比别人贵”的溢价。姚星丞还能值数千万元, 是因为真正做过大规模预训练的人还是少;FDE 走到台前, 是因为真正能把 AI 送进生产的人也不多。至于中间那一层, 最危险的可能不是没有工作, 而是有一天公司发现, 这些能力很多人都会。
