AI年薪百万，不代表普通人进入AI就能挣大钱

最近几年，关于AI人才薪酬的新闻越来越夸张。Meta曾被报道向OpenAI研究人员开出高达1亿美元的签字奖励，一些顶级研究人员的多年期薪酬包甚至达到数亿美元。路透社也曾报道，OpenAI最顶尖的研究人员每年总薪酬可以超过1000万美元。

看到这些数字，很容易产生一种错觉：AI正在创造一个遍地黄金的就业市场，只要学会使用几个大模型，或者转到AI行业，就有机会获得百万美元年薪。

事实并非如此。

首先，媒体所说的“百万美元年薪”，通常不是基本工资，而是总薪酬，包括现金工资、奖金、签字费、留任奖励和股票。尤其是OpenAI、Anthropic和一些未上市AI公司的股票，往往按照最新一轮融资估值计算。账面价值很高，但能否按照这个价格变现，还取决于公司未来的融资、上市和股票出售安排。

从我在微软工作的时候所见，普通意义上的AI岗位虽然收入很高，但距离百万美元仍然很远。微软AI目前招聘的中高级Applied Scientist，基本工资大约在12万至30万美元之间；Principal Applied Scientist在旧金山湾区和纽约的基本工资上限约为30.4万美元。OpenAI的研究工程师和研究科学家岗位，公开现金薪酬大约为29.5万至55.5万美元，另加股票；Anthropic部分前沿预训练岗位的公开年薪范围则达到35万至85万美元。

这已经是美国科技行业收入最高的一批岗位，但即使在这些公司，百万美元总薪酬也不是每一个AI从业者的标准配置。真正拿到百万甚至千万美元薪酬包的人，是极少数处于技术金字塔顶端的人才。

这些人大致可以分成三类。

第一类是直接推动前沿模型突破的研究科学家。他们不仅了解现有模型，而且能够提出新的训练方法、模型架构、强化学习算法或者推理机制。OpenAI对Research Scientist的公开要求之一，就是候选人必须证明自己能够提出新的机器学习思想，通常表现为有影响力的第一作者论文，或者产生过重要影响的研究项目。

这类人的价值不在于“会使用AI”，而在于他们能够决定下一代AI应该怎样训练。

例如，Meta高薪招募的一批OpenAI研究人员中，Shengjia Zhao参与创造了ChatGPT、GPT-4、GPT-4.1和o3；Jiahui Yu参与开发了GPT-4o、GPT-4.1、o3和o4-mini。这些人并不是普通的软件工程师，而是已经证明自己能够对全球最重要的基础模型产生直接影响的核心研究人员。

第二类是顶级研究工程师和AI基础设施专家。他们可能不像学术研究者那样发表大量论文，但能够设计和运行大规模分布式训练系统，解决GPU利用率、模型并行、通信效率、数据管线、推理延迟和训练稳定性等问题。

OpenAI对Research Engineer的要求包括设计和改进大规模分布式机器学习系统，编写高可靠性的机器学习代码，并实现高性能深度学习算法。Anthropic的预训练岗位则明确提到，把训练任务扩展到数千张GPU、优化Transformer结构、设计容错系统和提高训练吞吐量。

这类人才同样极为稀缺。训练一个前沿模型可能需要投入数十亿美元的计算资源。如果一个工程师能够把训练效率提高几个百分点，或者避免一次大规模训练失败，他为公司节省的成本就可能达到数千万甚至上亿美元。因此，公司愿意用极高的薪酬争夺他们。

第三类是已经领导过重要基础模型项目的技术负责人。例如，Ruoming Pang曾负责苹果的基础模型团队，后来加入Meta，据报道获得了超过2亿美元的多年期薪酬包。公司购买的并不只是他的个人编程能力，还包括他组织大型研究团队、制定模型路线、分配计算资源和把研究成果转化为产品的能力。

因此，“发过几篇论文”只是一个表面指标。真正决定这些人价值的，是他们是否已经在前沿模型、强化学习、推理系统、预训练、后训练、模型安全或者大规模基础设施方面，做出过少数人无法复制的成果。

以我在微软工作的观察，Applied Scientist本身也是一个跨度很大的职业。普通的Applied Scientist可能是在成熟模型上进行微调、评估、数据分析和产品落地；Principal级别则可能需要制定多年的研究路线，建立新的模型方法，并影响整个产品和组织的技术方向。微软目前的Principal Applied Scientist招聘中，不仅要求候选人能够推动多年研究计划，还希望其拥有论文、专利或者被广泛采用的方法，并能够影响Director或VP层面的技术决策。

所以，AI岗位的高收入是真实的，但这种高收入呈现出非常明显的金字塔结构。越接近基础模型、核心算法和大规模计算基础设施，人才越稀缺，议价能力越强；越接近调用现有模型、编写简单Prompt、制作普通AI应用，技术壁垒就越低，竞争也越激烈。

更值得注意的是，AI一边抬高少数顶级人才的价格，一边也在压缩初级岗位。

很多初级程序员、分析师和内容人员过去承担的工作，恰恰是编写基础代码、整理信息、制作初步分析、测试简单功能和处理标准化任务。这些工作也是生成式AI最容易自动化的部分。斯坦福数字经济实验室的研究发现，在AI暴露程度最高的职业中，22至25岁年轻人的就业已经明显下降。达拉斯联储对该研究的总结显示，自2022年以来，这些高度暴露职业中的年轻人就业人数下降了约13%，而资深员工的就业相对稳定甚至有所增长。

这形成了一个看似矛盾、实际上非常符合技术进步规律的现象：AI公司愿意花数百万美元争夺一个能够训练下一代模型的人，却可能不再需要几十个完成常规编码、数据整理和初步分析的新人。

因此，AI热潮并不意味着人人都能通过AI获得高收入。它更可能造成一种“超级明星市场”：少数能够推动技术边界的人获得前所未有的回报，大量普通从业者则面临技能贬值、岗位重组和更激烈的竞争。

对于年轻人来说，真正有价值的不是把简历上的职位名称改成“AI”，也不是只学习调用API或者Prompt Engineering，而是建立难以被模型替代的能力：扎实的数学与机器学习基础，大规模系统工程能力，独立设计实验和判断结果的能力，以及把AI真正应用到复杂行业问题中的专业知识。

AI确实正在创造财富，但它创造的不是一个所有人都能轻松进入的金矿。相反，技术越强大，市场可能越不需要大量只会完成基础任务的人，而越愿意为极少数能够创造、训练和控制这项技术的人支付天价。