AI人才争夺战引爆薪酬倒挂：应届生200万起步，老员工心态平和

大厂HC收缩与AI人才争夺并行，一个内部矛盾正在浮出水面：基础模型岗位的新人薪资，已经倒挂职级更高的老员工。这场由AI引爆的薪酬体系震荡，正在重塑互联网大厂的用人逻辑。

一、薪酬倒挂：从个案到普遍现象

猎头Mia对雷峰网透露，当前所有大厂都处于HC收缩状态，但遇到真正想要的人“通常不会卡预算”。“有牛的竞品（比如OpenAI）的人来，立马腾坑。”这种不惜代价的抢人逻辑，直接冲击了企业原有的薪酬体系。

一位互联网从业者描述，内部做基础模型的员工即便职级不高，薪酬已经吊打职级更高的同事。尽管“取消职级”的传闻尚未证实，但薪资与职级的背离，让薪酬体系的尴尬愈发明显。

这不是第一次出现薪酬倒挂。一位大厂工程师回忆，2017年前后离开公司时，薪资还没有校招新人高。当时旁边工位坐着晚一年入职的海归应届生，职级低一级，月薪却高出一万。那两年，他所在的三十多人团队“一个月流失10%，都是成群结队地走”。

薪酬倒挂的程度正在加剧。猎头Mia给出的数据是：今年做基模的应届生年包“200万元起步”，小红书、字节Seed的顶档可达400万至500万元，百度去年给基模人才的年包在200万至300万元，今年“只多不少”。对比十年前百度给顶尖校招人才开出的20万至25万元年薪，顶尖人才的价格十年间涨了近十倍。

二、高薪抢人的另一面：内部矛盾与心态分化

高薪挖角给内部带来的冲击并非没有先例。华为“天才少年”计划入选者曾回忆，薪酬在内网公开后，不少老员工认为自己的学术成果和贡献未必更小，“凭什么工资就比他们少”，甚至有人在工作中给这些天才少年使绊子。当时还有员工在内网实名发帖，逐一质疑天才少年的履历。

十年之后，面对同样的问题，许多大厂老员工已经非常平和。某大厂资深算法师表示：“旁边坐个新来的工资比我高，无所谓。”在他看来，这本身就是正常的市场薪酬机制，老员工觉得该涨没涨、资源没给够，到了时间节点自然会走，“这也符合当前的市场行情”。

但心态平和不代表问题消失。猎头Mia分享了Meta的案例：Meta推荐系统AI部门与MSL（超级智能实验室）属于平行组织，同样做生成式AI后训练，该部门薪资却偏低，有员工工作五六年职级薪酬几乎没变，而对方还是早期参与Meta基础模型研发的资深成员。薪酬倒挂并非中国独有。

PwC连续两年的《全球AI就业晴雨表》显示，AI技能在全球劳动力市场的薪资溢价已从25%涨到62%，六大洲的招聘市场都在给同一种稀缺性重新定价。最极端的案例来自Meta：开出四年约2.5亿美元的薪酬方案，只为抢到一位24岁的研究员。

三、大厂的撒钱逻辑：只买“确定性”

多位猎头告诉雷峰网，互联网大厂挖人的标准出奇一致：其一在大厂头部公司上手做过；其二有知名创业公司经验。解释是：训一两百亿参数的模型，和训千亿、几万亿参数的模型“完全不是一个量级”——后者极其烧钱，必须有经验的人才能少踩坑。

这意味着普通AI求职者的处境并不乐观。各大厂HC基本冻结，除了DeepSeek^广告和千问相对招人多一点。但冻结并不均匀：基模团队只要是好的人才照单全收，真正收缩的是应用侧。

Mia用供需关系解释薪资走势：前两年AI人才供不应求，候选人掌握议价权，校招高薪和各家互相抬价造成了今天的倒挂局面。今年市场供给已经足够（大厂也有裁员人员流出），供需趋于平衡，溢价空间在缩小。但薪资不会立刻降下来——前几年入职的校招生拿到的高薪如果突然压低新人报价，内部又会出现新的不满，薪酬调整只能是动态过程。

人才市场的分层也在加深。“优秀的人永远不愁工作，中间层的人会非常难找工作。”另一位大厂高级招聘章玉表示，真正稀缺的人依然有议价空间，能力和经验没那么突出的候选人面临更激烈的竞争。像姚顺雨、田永龙这样的顶尖人才，企业愿意投入很高成本争取，其他人关注度则弱得多。

AI市场变化太快，人才行情更替也像模型更新一样快。猎头Mia表示，目前仍处于风口的是Agent，尤其是面向协作场景的Co-worker Agent。Coding Agent是持续存在的人才缺口，Evals（模型评测）和预训练数据相关人才也开始受到重视。AI搜索热度大不如前一年，推理（reasoning）随着OpenAI o1和DeepSeek-R1相继出现，技术趋于成熟，留给人才的发挥空间在收窄。AI for Math的处境则更尴尬——各家模型能力差距尚不足以支撑国内公司大规模独立投入，除非手握充足算力、资金和研究资源。

参数规模与训练成本的量级差异

文章中提到的“一两百亿参数”与“千亿、几万亿参数”模型的训练差异，核心在于计算成本与工程复杂度的非线性增长。模型参数每增加一个数量级，训练所需算力通常增加两到三个数量级。以千亿参数模型为例，单次训练可能需要数千张GPU运行数周，成本达数百万至数千万美元；而万亿参数模型（如GPT-4、DeepSeek-V3等）则涉及数万张GPU的集群调度、混合专家（MoE）架构、通信优化和故障恢复等复杂工程问题。缺乏大规模训练经验的人，极易在数据配比、并行策略、稳定性调优等环节踩坑，导致数百万美元算力浪费。这正是大厂只认“上手做过大模型”经验的原因。

Agent、Coding Agent与Evals的概念澄清

Agent（智能体）指能自主规划、调用工具并执行多步任务的AI系统，Co-worker Agent特指面向协作场景、与人类共同完成工作的智能体。Coding Agent是专用于代码生成、调试与重构的智能体，代表产品包括Claude Code、GitHub Copilot等，其技术难点在于长上下文理解、代码执行环境隔离与多轮纠错。Evals（模型评测）则是系统化衡量模型能力的方法论与工具链，涉及基准测试设计、人工评估协议和自动化评分，是模型迭代与安全对齐的关键环节。随着模型能力提升，Evals人才稀缺性凸显，因为评测质量直接决定模型优化方向。

四、年轻公司的另一套逻辑：瓦解旧职级体系

大厂撒钱买的是“确定性”，一群年轻公司正在用另一套招人逻辑瓦解旧的职级体系。

今年首轮外部融资已完成的DeepSeek正在密集扩招，方向明显偏工程侧：服务端/后端开发，以及做Agent运行底座的Agent弹性计算/Agent Infra。在Agent产品化上，他们把模型以外的编排与运行时称为Agent Harness，对标Claude Code/Codex一类代码智能体。做Agent不能只有算法，必须有人做开发，infra同样重要。

扩张之前，DeepSeek的招人画像极为鲜明：最早偏好北大系学生，典型特征是极客精神、高度技术化、超级相信AGI、硅谷派研究员风格。章玉总结为“年纪小，没有受过大厂的‘污染’”。

Kimi是另一种答卷：团队约400余人，人才密度保持得不错，决策链路极短，连招一个实习生都要考虑很久。智谱则走向另一极端——“大量使用实习生，实习生比正式员工还多。一个团队10个正式员工配20个实习生，这在模型厂商来看很正常。”

年轻人愿意去这些公司，是因为大厂分工太细、发挥空间有限，追求技术探索和更大自主权的人反而倾向后者。章玉解释，AI圈子习惯把30岁以下、有模型成功经验的人才称为“小天才”，除了薪资，他们还会看公司是否有足够算力和资源、能否支持自己真正训出模型、是否有成功训出模型的经验。总结起来就是“画饼没用”。

校招和社招是两套话术：校招生更在意薪酬和职级是否匹配，社招更看重scope——职责范围、具体做什么事。而对于真正想要的人，话术和规则都不存在了。Mia透露，各家大模型公司针对优秀AI人才的薪酬和scope全部case by case，非常灵活。

一个值得注意的转向：海外公司反向挖角中国大模型人才的现象在2025年尤为明显。过去更多是国内公司去美国抢人，如今中国模型能力被海外看到，这条人才通道的方向开始倒转。

Agent Harness与Agent Infra

Agent Harness指围绕大模型构建的编排与运行时框架，负责任务分解、工具调用、记忆管理和多轮交互控制，相当于智能体的“操作系统”。Agent Infra（基础设施）则涵盖支撑Agent运行的后端服务，包括弹性计算调度、沙箱环境、状态持久化和安全隔离等。DeepSeek招聘工程侧人才做Agent运行底座，正是因为Agent产品化不仅依赖模型能力，更需要高可靠、低延迟的工程系统。以Claude Code为例，其背后需要管理代码执行沙箱、文件系统访问、多步推理链和错误恢复，这些均属于Infra范畴。该领域人才需兼具分布式系统与AI应用理解，目前市场供给极少。

五、倒挂之后：市场终将回归理性

每一轮技术浪潮里，企业都会为抢人打破薪酬秩序，新人贵过老人；再往后，行业供需重新平衡，溢价也随之退潮。薪酬倒挂的剧本并不新鲜，只是这一轮由AI按下了加速键。

对老员工而言，倒挂带来的失落真实存在，但市场机制也在给出出口——该涨没涨、资源没给够的人，会用脚投票。对新入行的年轻人来说，天价offer背后是极高的能力门槛，“画饼没用”倒逼企业拿出真资源。对所有参与者，这场人才战还远未到终局，而所有天价offer最终会证明同一件事：给得再多，不如招对一个。