鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

AI冰火两重天,一边是巨头招揽年薪上亿,一边是冷酷裁员哀鸿遍野

编程导航
编程导航
2025-09-23 12:30
阅读 259
编程导航
2025-09-23 12:30
阅读 259

AI大潮冰火两重天:一边是科技巨头哄抢技术精英,亿万富翁亲自求着人才加盟,不惜开出上亿美元合同;一边则是AI普及大量取代基础岗位,资本家直言不需要那么多员工,冷酷裁员毫不留情血流成河。

军备竞赛人才为王

硅谷现在技术潮流什么最热?毫无疑问是人工智能。

那现在硅谷什么最贵?英伟达芯片?是的,科技巨头都在争相囤积英伟达的AI芯片,生怕输掉军备竞赛就输掉未来。

云基础设施?是的,甲骨文云基础设施的剩余履约金额已经超过了4500亿美元,光是OpenAI一个合同就价值高达3000亿美元。

但是,这些都不如核心技术人才贵。毕竟芯片和合同,科技巨头有钱就能买到。而争夺顶级人才,既要有芯片和基础设施,还要有公司愿景和高昂薪酬,甚至还要超级富豪亲自出面,用个人魅力亲自招揽。

AI行业的军备竞赛已经度过了囤积芯片提升算力的初级阶段,进入了吸引核心研发人才的新阶段。哪家公司能吸引和留住最顶级的人才,就能在这场白热化竞争中占据上风。而华裔技术人才更是成为了精英中的精英。

扎克伯格在商战中崇尚简单粗暴直接。过去几个月时间,他的Meta展开了一场“人才闪电战”,对OpenAI、谷歌、苹果等公司展开了一场突袭,用难以置信的报价直接大量挖走顶尖AI技术人才。

OpenAI对此深受其害,今年7月甚至一次性被挖走了八名核心技术骨干,其中还包括了刚从谷歌挖来的DeepMind人才。

OpenAI首席研究官马克·陈(Mark Chen)怒火中烧地说,他有一种发自内心的感觉,就像有人闯进自己家偷了东西。 而OpenAI CEO山姆·奥特曼(Sam Altman)更是向媒体爆料,Meta给一些人开出的薪酬包超过了1亿美元。

这些数字并不夸张。毕竟Meta挖走的那几位都是OpenAI GPT-4的核心架构师。而且,这不是一年的薪水,也不是全现金,而是包括了签约奖金、基本薪水、与业绩挂钩的股权授予、逐渐解锁的忠诚奖股权等等。

但算下来,这些顶级人才每年薪酬也高达数千万美元甚至更高,已经看齐了梅西、詹姆斯这样的体育巨星年薪。

超级富豪礼贤下士

值得一提的是,Meta随后挖走苹果大模型负责人庞若名(Ruoming Pang),同样开出了两亿美元的超级大合同,折算下来他的新年薪比苹果CEO库克还高(库克去年薪酬总计7400万美元)。

这种合同规模让苹果根本无法匹配,也没法留住人才。

这种挥舞着支票本的挖人手段简单粗暴又高效直接,让Meta从竞争对手那里挖来了不少核心技术人才,但同时也是一柄双刃剑,也扰乱了Meta现有员工的团队士气。

他们看着外来的和尚拿高薪得重用,也希望出去闯荡一番,没准重新加盟才能得到更高的年薪。

顶级人才关系到公司的技术研发实力,更直接关系到AI大战的实力,关系到科技巨头们的市场估值。

因此,各家公司都将AI人才视为了核心竞争力,诸多超级大佬们更是直接在社交平台上挖人。

根据媒体报道,扎克伯格甚至亲自出马挖OpenAI的研究负责人马克·陈,开口就是“十亿美元你愿意考虑一下吗?”

看似心高气傲的马斯克,在挖技术骨干时候却总是礼贤下士、三顾茅庐、谦卑有加。

当初OpenAI成立时,他亲自从谷歌挖来首席科学家伊利亚·苏茨克维 (Ilya Sutskever)。

而在为xAI组建团队时,工作日程极忙的马斯克再次亲自出面,向OpenAI、谷歌和微软等公司的顶尖AI研究员一一发送邀请,利用自己的个人魅力和远景规划,成功说服多位重量级AI科学家加入xAI,其中包括曾参与开发ChatGPT-4的多位技术骨干。

马斯克对顶级人才有多谦逊?为了请特斯拉前Autopilot业务负责人卡巴奇(Andej Karpathy)回来,马斯克甚至公开称卡巴奇是“自己失散多年的兄弟”,恳请他回来和自己一道共事。

这或许是他最谦卑主动的一刻,仅次于对特朗普总统的“直男之爱”。

冷酷裁员血流成河

然而,诸多巨头大佬带着笑脸争先招徕与厚待AI人才的谦卑面背后,则是他们毫不留情实施大规模裁员的冷酷面。

在AI人才受到各家公司热捧与高薪追求的同时,则是诸多初级程序员以及基础岗位的大批流失与衰亡,他们成为了AI大潮的第一波牺牲品。

AI普及程度有多高,裁员比例就有多高。

2025年上半年,美国科技公司总计宣布了超过7.6万个职位削减,而初级程序员看起来是最早失业的。

今年4月,谷歌CEO皮查伊(Sandar Pichai)表示,谷歌超过三成的代码是由AI生成的;微软CEO纳德拉(Satya Nadella)也透露了同样的比例。

今年年初亚马逊CEO安迪·贾西(Andy Jassy)表示,AI工具的普及广泛提升了员工的效率;但这句话的另一半则是,因此公司将进行裁员。随后贾西宣布亚马逊会在全球裁减1.4万名管理岗位(裁员比例13%),节省21亿-36亿美元。

今年上半年,微软几乎每个月都在宣布裁员,累计裁减了1.5万名员工。这些裁员消息都是与微软宣布的800亿美元AI投资直接相关。为了减少负面冲击,微软选择了每个月宣布裁员,而不是一次性宣布大规模裁员。

今年7月,微软CEO纳德拉在宣布裁员9000个职位后,似乎略带愧疚地表示:

“从每个客观衡量标准来看,微软都在蓬勃发展?然而与此同时,我们进行了裁员。这就是在一个没有特许经营价值的行业中成功的谜题。进步不是线性的。它是动态的,有时是不协调的,而且总是充满挑战的。但这也为我们提供了一个新的机会,让我们能够塑造、引领并产生比以往更大的影响。”

裁员万人无比激动

看起来,纳德拉这样的表述已经算是同理心了,因为更多的老板是怀着激动地心情,欣欣然宣布裁员。

商用软件巨头Salesforce今年已经裁员了整整一万人,裁员比例接近15%,这不是因为企业陷入困境,而是因为AI普及取代了初级岗位。

在超过一万人失去工作的同时,创始人兼CEO贝尼奥夫(Marc Benioff)贝尼奥夫却表示,今年以来大规模运用AI,是他职业生涯最激动的阶段。

用AI大规模取代人类工作,这位身价百亿美元的超级富豪是这样想的,也是这么做的。

本月早些时候,Salesforce完成第二波裁员4000人之后,贝尼奥夫直言不讳地表示,AI已完成公司30%至50%的工作。“有了AI,我们不再需要那么多人了。”

工程职位的招聘已基本暂停。事实上,Salesforce第一季度超过半数的招聘都是内部招聘。

企业家看重的是AI带来的工作效率,失业问题显然不是他们的关注点。贝尼奥夫在宣布裁员的同时,又骄傲地表示公司“AI代理平台”带来了客户服务效率提升,处理的支持案例数量下降,公司不再需要补充支持工程师职位。

他显然希望通过自身的裁员来证明自家AI平台,因此可以获得更多的企业客户。

CS专业难找工作

传统的毕业生就业市场形态也正在发生急剧转变。多年来,计算机科学学位或编程训练营证书似乎是获得可持续、高薪工作的金票,但随着AI编程的普及,各家企业对初级程序员的需求已经大幅下滑,在科技公司纷纷裁员入门岗位的同时,曾经是最热专业的计算机科学,如今在职场上却变成了“求职老大难”,甚至比传统难找工作的文科生更难找工作。

纽约联邦储备银行今年4月发布的《大学毕业生就业调查》显示了残酷的潮流逆转:

如今美国计算机工程专业的毕业生的失业率高达7.5%,在所有专业中排名第三,而计算机科学毕业生的失业率高达6.1%,甚至远远高于原本被认为不好找工作的艺术史和新闻学专业(分别为3%和4.4%)。

苹果iPod的共同发明者托尼·法德尔在接受采访时进一步警告说,这不仅是计算机专业毕业生的艰难处境,所有行业的初级职位都面临AI淘汰的高风险,学校需要把学生当成中级员工来培训。

法德尔解释说:“企业不会像过去那样来培训新人,像以前那样招实习生耐心从头教起。他们需要有经验的人才,不仅是工具使用经验,还有工作经验,才能真正进入就业市场。”

新工业革命冲击巨大

这也是每一次工业革命的特征。每一次革命性新技术的普及,都会直接取代诸多现有岗位,毫不留情地带来失业大潮;但另一方面,新技术又会同时创造全新的行业,显著提升工作效率,降低商品成本,刺激经济与消费增长。

英伟达CEO黄仁勋多次在公开场合,将AI 比作软件和互联网,认为它们并没有消灭工作,而是改变了工作性质并创造了新的工作。“当然,一些工作会变得不必要,一些人会失去工作。但很多新工作也会被创造出来。世界会因此变得更有效率。”

但Anthropic联合创始人兼CEO达里奥·阿莫代(Dario Amodei)似乎没有黄仁勋那么乐观。

他公开预测,"AI 可能会在未来一到五年内取代一半的入门级白领工作,并可能将美国的失业率推高至 10-20%。" 他强调,目前的社会并没有为这场即将到来的变革做好准备,并认为大多数人低估了技术发展的速度。

如此大规模的失业必然会带来巨大的社会冲击。阿莫代没有试图掩饰自己对未来的迷茫。

“当一项技术变革发生得如此之快时,你无法确定。它可能比我想象的发生得更快,也可能更慢,或者发生一些完全不同的事情。但我觉得它发生的可能性非常高,以至于我们觉得有必要向世界发出警告。”(郑峻)

原文链接: AI冰火两重天,一边是巨头招揽年薪上亿,一边是冷酷裁员哀鸿遍野
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230