AI时代人才新秩序：拓荒的愿力与能力成为上牌桌的关键

过去一年，AI带来的变化，远不只是技术在进步、应用在落地。更真实、也更容易被忽视的是——人才正在流动，路径正在被改写。一方面，大厂人才持续流向创业公司；另一方面，海外AI人才回流明显加速，尤其集中在机器人、大模型和Agent等关键方向。从“往哪去”，到“为什么去”，再到“什么样的人更值钱”，这场流动，正在重塑行业的竞争格局，也在悄然改变每个人的职业选择逻辑。无论你是企业决策者，正在组建或升级AI团队，还是身处其中的从业者思考下一步职业路径，来自深耕AI招聘5年的一线猎头Renee带来的洞察都值得花5分钟细读。

01.这一轮AI浪潮，人才正在“往不确定的地方走”

Michael Page：近两年，AI人才的流动方向和节奏发生了什么变化？背后的原因是什么？跨公司跳槽的薪资涨幅平均是多少？AI领域高级别的跳槽相比往年有哪些变化？

Renee Huang:我觉得最大的变化用一句话概括：这一代AI人才正在经历属于他们的“下海潮”。80年代改革开放，父母辈从铁饭碗、体制内走出来下海经商，那是一代人的集体转向。今天我们看到的AI人才流动，本质上是同一件事——年轻人从安稳的大厂涌入创业赛道，百花齐放，充满生命力，资本也跟着涌进来。你看现在聚光灯下的公司，无论是具身智能还是Agent应用，大部分是这两三年成立、却迅速成长起来的创业公司。人才流动的节奏明显加快了。以前一个资深AI工程师的跳槽周期大概是2-3年，现在压缩到了12-18个月。整个市场处于一种”加速换手"的状态，人才在用脚投票，他们在赌赛道，也在赌窗口期。

人才的迁移路线可以分四条：第一，也是最让我兴奋的一条：越来越多的年轻人，尤其是00后“小天才”们，开始选择自己创业，而不是加入某家公司。在清华、北大这样的学校，这种现象特别明显。很多人手里有一个ground breaking research的论文或者demo, 辍学出来拿融资。他们不再把“进大厂”当作人生第一站，而是认为“我要定义下一个时代”。这些创业公司成立时间极短, 有的甚至只有几个月就能拿到过去需要好几年才能融到的资金量级，融资规模和速度都是前所未有的。资本对这群顶尖小天才的追捧已经到了“逮到就投”的程度。这跟80年代那批下海经商的年轻人，精神上一脉相承。第二，智驾人才大规模流向机器人行业。 2024年自动驾驶赛道进入了"总决赛"阶段，格局基本定型，大量感知、规控、仿真方向的人才净流出，涌入具身智能和机器人公司。这是过去一年最大规模的人才迁徙。第三，互联网人才跨界涌入。特别是模型层的算法人才和有战略视野的大产品经理，纷纷从互联网进入机器人和大模型应用/Agent赛道。他们带来了互联网的产品化思维和工程化能力，和硬件背景的团队形成互补。第四，大厂向创业公司的单向流动加速。创业公司的创始团队画像非常典型——顶尖高校出身、在海外或者头部大厂/学术圈做过突破性研究的科学家开始创业，再搭配从硬科技大厂出来的工程管理者，外加一批现在调模型的算法年轻人。这种”技术牛人+工程老兵+模型新鲜血液”的组合，是资本最买单的团队结构。

薪资涨幅：机器人专业的毕业生终于等来了春天！从级别来说，资深级别50%-100%，中级30%-50%，初级10%-25%属于正常情况。但最值得说的是应届博士和硕士的行情。过去几年最火热的是纯计算机科学背景，但现在，机器人专业毕业的候选人可以说是终于迎来了属于自己的春天。特别是有过具身相关项目经验的应届博士，百万年薪已经是起步价，顶尖的能到四五百万年包，外加丰厚的长期激励——干股、企业早期期权，还有从0到1的体系搭建。更极端的案例也不少见，有的人才博士还没毕业，就已经锁定了顶级美元基金的融资，直接出来做模型层的创业。资本对顶尖AI人才的追逐已经前置到了校园阶段。

高级别跳槽的变化：资深人才跳槽的谈判焦点也逐渐明显。以前更多的是从一个大厂跳到另外一个大厂，现在更多的是从一个瞄准一个明星初创团队，一起组队拿原始股赌一把，跟随者资本市场的迅速推进在这个火热的市场中争取自己的一席之地。

Michael Page：海外AI人才回流的咨询量在过去6个月有显著增加吗？他们的方向主要是大模型基座、AI基础设施，还是Agent应用层方面？

Renee Huang:海外人才AI回流咨询量在过去两年增加非常明显。过去半年，很多人认识已久的海外候选人从观望状态转为主动询问状态。回流的驱动力是多方面的，除了国内的薪资开始慢慢追赶以外，我们还可以进行以下拆解：

• 落地速度：中国的AI产品验证的迅速程度是海外的几倍，一个想法从概念到产品，在中国可能是一两个月就能跑通。这种”做了就能看到结果”的正反馈，对很多在美国大厂做中间环节的工程师来说非常有吸引力。
• 用户体量：十几亿的用户基数，模型一旦上线就是真实世界的大规模验证，这种成就感和做研究不一样。
• 硬件供应链的断崖式领先优势：海外模型优势明显，但是一旦涉及到要做和硬件挂钩的赛道像AI硬件和具身智能，珠三角以及长三角一带累积了几十年的供应链优势可以迅速发挥出来。
• 天花板问题：很多中国工程师在美国大厂做到Staff/Principal就比较难再上去了（当然现在顶尖华人科学家正在突破这一边界）。回国之后，同一个人可能更容易拿到核心和高薪的岗位，无论是在大厂还是初创公司。

从方向分布上看，具身智能占了绝对大头，这是我最强烈的体感。做机器人方向，尤其是新一代机器人基础模型的海外博士，回国后能直接拿到核心岗位或者直接组队创业融到大钱，国内创业公司给的决策权远高于他们在美国一线大厂的定位。其次是大模型基座和Agent应用层，有发过前沿顶会、产品闭环以及工程落地的候选人都是很受欢迎的。值得一提的是，如我们上面所说的互联网人才正向硬件行业迁移，不少之前大模型厂商的候选人流向了具身模型和AI硬件做Agent的赛道。

02.AI开始替代人之后，什么样的人反而更值钱？

Michael Page：在日常工作中发现，AI人才最关注的因素是什么？是薪资、股权等物质激励，还是研究自由度、公司战略方向、团队文化等非物质因素在AI领域权重更高？

Renee Huang:我接触的候选人里，决策因素和他们所处的职业阶段高度相关：初级人才看的是平台品牌 + 成长速度。他们需要一个能给自己简历“盖章”的名字，像一些互联网大厂、或者一些明星创业公司（某些细分赛道的明星初创已经成为这个时代意义上的大厂）。他们大部分人对期权无感，因为算不清也等不起。中级人才最看重的是技术纵深 + 期权上行空间。这一层是“机会窗口意识”最强的群体，他们很清楚自己是在用几年青春押注一个赛道，因此会非常认真地评估：公司的技术路线是否正确、期权是否具备真实的上行空间。资深人才关注的是0-1的机会和赛道判断。到了这个级别，钱早就不是第一决策因素。我经手过很多case，最后打动候选人的不是整体薪酬总包涨了多少，而是创始人说“这块业务全权交给你，你自己组团队”。职业生涯里是否有一段0-1的经验，现在有没有开过荒，开过什么荒，开成了什么荒非常重要。

但AI人才有一个独特的共性诉求，和传统互联网人才很不一样——他们极度在意研究自由度（既然行业内技术路线还没手链）和能不能被看到（直接影响了下一次跳槽）。现在企业要找的AI人才，绝不只是找打螺丝的工程师。企业想要的是那种能发现问题、制定策略、构建方案、交付结果的“全栈型人才”，本质上是在找有主人翁意识和创业家思维的工程师。这种人极度稀缺，在全球范围都是如此。

另一个很有意思的变化是，简历正在逐渐失去权重，可直接展示的成果变得越来越重要。现在小红书、视频号已经成为 AI 领域非常重要的招聘阵地，工程师会通过短视频展示自己做过的机器人实物演示、模型效果以及开源项目成果。这本质上是一份既有说服力、又容易传播的个人作品集。不论是作为企业方还是猎头，我现在在评估一名高阶候选人时，都会重点参考他这些成果展示所形成的影响力和传播度，这往往比简历上写过哪些岗位更有参考价值。

Michael Page：在你们经手的案例中，有没有出现将“算力预算/Token额度”作为吸引人才的筹码？一些大厂为员工提供免费Token，鼓励使用AI，目前企业方对于Token额度的重要性与薪资、股权相比处于什么位置？2026年是否真的会成为“工程师按Token谈薪”的标志性年份？

Renee Huang:头部大厂已经普遍给算法团队配备内部大模型API额度，从几百万到无限量Token都有。创业公司这边，Token资源充足, 卡管够也成为了招聘标配卖点。但是，Token额度目前还没有上升到和薪资、股权同一量级的谈判地位。在我经手的实际Offer谈判中，候选人对于自己的Scope和薪资/期权的分配还是最关注的。Token对于严肃做AI的公司来说会成为员工的标配。

关于“2026年工程师按Token谈薪”的说法：这个目前来看2026年算力资源会变成明牌，候选人绝大部分在一面的时候就会直接问，公司的算力配置如何，如果得到的答案不符合他们预期，可能就会直接把这个机会pass掉，不打窝囊的账。但这个还不至于替代现金和股权的主导地位。

Michael Page：AI工具和Token的普及是否正在改变企业对不同层级人才的需求结构？比如原来需要多个初级工程师完成的任务，现在可能1个资深工程师+智能体就能搞定？初级工程师的岗位是否在被压缩？企业更倾向于招聘什么样的AI人才？

Renee Huang:这个趋势正在改变，而且非常剧烈。最直接的体感是初级岗位的需求在断崖式下降。打螺丝的工程师（前段后段运维测试）的岗位我们已经很少见到了。一个资深工程师配合Claude Code这些AI工具，产出效率确实能顶过去几个人。

但这里面有一个很重要的赛道差异，纯软件方向的初级岗位确实在被大幅压缩。但涉及物理世界的方向，像具身智能、AI硬件、数采这些反而在扩招。因为机器人需要实际调试、现场debug、和物理环境交互，这些需要know-how的行业AI工具短期内替代不了。

企业的人才需求正在形成一个“哑铃结构”，我们有塔尖的少量“超级个体”，一个人等于过去一个小团队，拿的薪资也是几倍于过去。在变薄的中间塔基，大量被压缩的初级岗位，还有大受冲击的打螺丝3-5年经验的中级工程师。

企业现在最想要什么样的AI人才？ 我总结为一句话：能发现问题、设计策略、构建方案、交付结果的全栈型人才。本质上不是在找工程师，是在找有技术能力和产品感知力的创业者。这种人现在我们叫AI Native，把整个工作方式和AI深度融合，用AI来重新定义一个产品。他们端到端的独立拉通能力，从问题定义到产品上线的全链路，而不是只懂某一段，再结合他们对某个具体领域有深度认知，可以把AI的能力翻译成业务价值。这种类型的人才在全球范围都极度稀缺，中国在非常激烈地争抢。

03.在AI加速分化的时代，一个人该如何下注自己的职业路径

Michael Page：从人力资源的角度来看，会对目前AI领域初级或中高级的求职者给出哪些建议？

Renee Huang:第一，尽早熟悉使用AI，而且不要把AI当作一个单纯的智能问答工具。 很多人对AI的使用还停留在“问它一个问题、得到一个答案”的阶段，但真正的AI Native是把AI融入到自己整个工作流程里——用它写代码、做分析、搭流程、辅助决策。我可以预见到，再过一段时间，很多公司即使在面试非技术岗位，也会询问应聘者使用AI的能力和习惯。这不再是加分项，而是基本素养。

第二，让自己“被看到”。 简历的权重在下降，可展示的作品的权重在上升。开一个小红书、GitHub、视频号、X，把你做的项目、demo、模型效果展示出来。我现在看到一个候选人，如果他有公开展示的技术项目，我对他的兴趣度会远高于一个只有一页PDF简历的人。你的简历应该是活的、公开的、可验证的。

第三，选赛道比选公司重要，而且要趁早选。 做风口上的事可以事半功倍，但窗口期不等人。举个最简单的例子，两年前智驾方向的感知工程师转机器人，企业的接受度是比较高的，因为市场上没有足够多有机器人经验的人。但到了今天，当大量智驾人才已经完成转型并在机器人公司积累了真机经验之后，企业更倾向于找在对标机器人公司有过真机实战经验的人，而不是再从跨行的人里选一个来培养，尽管底层很多技术栈是相通的。所以赛道要选对，更要选得早，等到所有人都看明白了再转，门槛就已经上去了，也没你什么事了。

第四，第一份工作找“高密度学习”的环境，这比薪资重要太多了。 趁年轻尽早把自己打磨成全栈，把技术练硬。三个关键词：明星公司、明星团队、核心项目。如果你的第一份工作能同时命中这三个，哪怕薪资比别的offer低20%，也毫不犹豫地选它。职业早期的学习密度，决定了你后面十年的天花板。

第五，敢于下场到创业公司，而不是等这些公司变成大厂再加入。 很多人的想法是“等公司稳了再进去”，但现实是，等它稳了，你就只能进去打螺丝，然后打个几年再被AI替代。早期核心团队的席位是有限的，一旦坐满就难进了。而加入早期团队的回报是巨大的，从0到1完整交付过一个产品的经历，可以直接让你下一份工作的市场身价翻倍。这不是夸张，是我在实际候选人定价中反复验证过的事实。资本看团队，企业看履历，“0-1交付经验”在当下这个市场里就是最硬的通货。