姚星丞之後，AI人才的中間層開始掉價

奇帆商業2026.09.19 16:28 · 來自上海全文4060字00:00 / 11:35AI人才的價值正在向兩端集中，中間層的稀缺性開始消退。文 | 奇帆商業姚星丞的價格還在漲。今年7月離開騰訊後，他的下一站一度被傳成Meta。兩個月後，答案落在Thinking Machines Lab，這家由OpenAI前CTO Mira Murati創辦的AI公司。據雷峰網援引知情人士消息，姚星丞在騰訊的年薪包大約處在數千萬元人民幣區間，Thinking Machines Lab給出的薪資則“明顯高於”騰訊。姚星丞本人、騰訊和Thinking Machines Lab目前都沒有公開確認具體數字。

這個價格之所以值得看，不只是因為高。過去一年，AI行業一直在發生另一件事。模型越來越強，Agent框架越來越成熟，原來要一支團隊折騰幾個月的東西，現在一個工程師調用API、接幾個工具，很快就能搭出第一版。很多過去被包裝成“AI能力”的東西，正在變成普通軟件工程的一部分。照這個趨勢看，AI人才理應越來越多，某些崗位的稀缺性也會下降。姚星丞卻走在相反的方向。他負責的是混元大語言模型預訓練。騰訊今年2月重建預訓練和強化學習基礎設施之後，還在繼續擴大訓練規模，姚順雨也公開表示，騰訊仍在持續擴大預訓練和強化學習規模、提升模型智能上限。

另一邊，OpenAI正在新加坡招聘Forward Deployed Engineer。這類工程師不負責訓練基礎模型，而是直接進入客戶，把模型接進企業系統，再用生產採用率、工作流改善和業務結果衡量效果。圖源：OpenAI新加坡招聘信息一個在模型最上游，一個離客戶最近。這兩個位置正在同時變貴。中間那一層，情況開始變得不一樣。01姚星丞為什麼還能值數千萬如果只看過去兩年的行業敘事，預訓練研究員本來是最容易被唱衰的一批人。Scaling Law的紅利被反覆討論，模型架構逐漸收斂，開源模型持續追趕，越來越多公司把注意力從“再訓練一個基礎模型”轉向Agent、Coding和商業落地。騰訊自己也在強調實用。

今年發佈Hy3 preview時，騰訊明確提出要跳出容易被“刷榜”的公開Benchmark，更強調真實評估、工具調用、Agent能力和推理成本，希望模型直接進入業務。圖源：騰訊2026年4月24日混元Hy3 preview官方發佈信息但做預訓練的人並沒有因此便宜下來。原因很樸素。論文越來越公開，真正完整跑過一次大規模訓練的人還是少。知道Transformer怎麼工作，和真的讓幾千張甚至更多GPU連續跑幾個月，是兩回事。數據怎麼配，Loss異常從哪裡查，訓練穩定性怎麼判斷，Scaling到什麼階段開始失效，這些東西很難從論文裡學完整。很多模型知識已經公開了，但踩過那些坑的人沒有變多得那麼快。

姚星丞的價值也在這裡。雷峰網在報道里專門提到，他不是普通模型工程師，而是混元大語言模型預訓練負責人，也是騰訊過去一年重點引入的年輕AI研究人才之一。Thinking Machines Lab繼續加價，並不奇怪。它不是一家缺算力的小公司，而是可以直接繼續做昂貴訓練的前沿實驗室。對一個已經擁有大規模預訓練經驗的研究人員來說，這種環境意味著，下一份工作不是重新從產品需求開始，而是繼續在模型訓練本身積累經驗。所以姚星丞從騰訊去Thinking Machines Lab，並不能簡單理解成“大廠不再有吸引力”。

恰恰是因為騰訊這樣的公司給了算力、團隊和大規模模型訓練機會，這類研究員才積累出了很難通過論文獲得的經驗。經驗一旦形成，買家也就不再只有騰訊、阿里和字節。過去中國大廠更多是在購買海外實驗室培養出來的人。現在反方向的流動也開始出現：研究員在中國大廠完成核心訓練，再被海外前沿實驗室重新定價。預訓練人才沒有因為Agent熱潮貶值。至少最頂端那批沒有。02另一頭的人也開始變貴但AI人才市場裡，漲價的不只姚星丞這一類人。FDE正在變成另一個值得看的崗位。

Forward Deployed Engineer不是大模型時代才出現的職位，Palantir很早就在使用這種組織方式，但到了Agent時代，它突然變得更重要，因為很多企業現在已經不缺一個能演示的模型，真正難的是怎麼把模型接進自己的系統。OpenAI對FDE的要求很具體。從需求發現、技術範圍界定、系統設計，一直到生產上線，FDE都要參與。評價標準也不是模型跑分，而是生產採用率、工作流有沒有改善，以及客戶現場的反饋能不能反過來影響產品和模型。新加坡崗位還明確要求50%的出差比例。圖源：OpenAI FDE信息這和姚星丞做的事情幾乎相反。

一個人負責把模型做強，另一個人負責把模型真正用起來，但有一點是一樣的：他們都不能只交一個Demo。預訓練做不好，模型能力上不去；FDE做不好，模型再強也進不了生產。現在很多企業已經不缺“會做Agent的人”，缺的是能把Agent接進權限、數據、流程和組織里，最後讓業務部門願意真的用的人。OpenAI把FDE放在研究和客戶之間，本身就說明客戶現場已經不再只是銷售部門的事情，而開始直接影響產品和模型路線。企業內部的使用數據也在往這個方向走。

截至今年6月，在OpenAI企業客戶中，Codex產生的輸出Token已經佔Codex與ChatGPT合計輸出的64%；使用AI最深的前10%企業，人均輸出Token是典型企業的8.3倍，而年初這一差距還是2.6倍。圖源：OpenAI企業codex使用數據這說明企業用AI的方式正在變。以前更多是問問題、寫摘要，現在越來越多工作開始直接交給Agent完成。模型一旦進入真實流程，最難的部分往往不再是“能不能回答”，而是能不能接權限、接數據、接系統，並且穩定地把任務做完。這也是FDE重新變貴的原因。它以前容易被歸進“解決方案”或者“交付”，現在卻越來越像研究、產品和客戶之間的接口。

OpenAI內部已經把法務、招聘、財務這些非技術部門也推向Codex，非開發者組織用戶自2025年8月以來增長了189倍。圖源：OpenAI企業codex使用數據模型越強，企業越願意把真正的工作交出去。部署越深，業務問題也就越多。這一端的價值上漲，並不意味著應用取代了研究。它只是說明，模型能力不再是唯一瓶頸，誰能把能力送進生產，開始變得更值錢。03中間那層，正在失去過去的溢價真正尷尬的是中間。過去兩年，一個工程師如果會調用大模型API，會寫Prompt，會LangChain，再懂一點RAG和Agent，就足以和大量傳統開發人員拉開差距。不是這些能力沒用，只是當時會的人少。這種稀缺性正在消失。

MCP的發展就是一個很直接的例子。2026年7月新版規範發佈時，官方披露Tier 1 SDK已經接近每月5億次下載，TypeScript和Python SDK累計下載量都超過10億次。一個最初用來連接模型與數據、工具的協議，已經快速進入基礎設施層。過去“怎麼讓模型接數據源、接工具”本身就是一項工程能力。現在這些連接方式越來越標準化，甚至開始適配普通HTTP基礎設施、企業授權和長週期任務。以前做一個Agent，要自己搭循環、工具、狀態、權限和執行環境。現在模型公司、SDK和協議層正在把這些事情一層層包起來。中間層受到的壓力還不只是框架標準化。

當普通知識工作者自己就能做數據處理、自動化和輕量工具開發，那批只負責在業務和模型之間做簡單連接的人，自然會受到擠壓。這不意味著AI崗位正在消失。事實甚至相反。LinkedIn 2026勞動力市場報告顯示，美國要求AI literacy的職位同比增長70%，過去兩年全球新增約130萬個AI-enabled崗位。問題在於，需求增加和稀缺性下降可以同時發生。十年前，會Excel是一項優勢。後來不會Excel才變成問題。AI literacy也在往這個方向走。

會Prompt、會調API、會搭一個基礎RAG，不會消失，但越來越可能成為軟件工程師、產品經理、諮詢顧問甚至運營人員的基礎能力，而不是一個可以長期單獨拿高溢價的標籤。所以這裡說的“掉價”，不是所有人的工資都在往下掉。掉的是那層“我會用AI，所以我天然比別人貴”的溢價。一個只會按照教程搭Agent的人，面對的不只是另一個工程師，還要面對越來越強的模型、越來越完整的SDK，以及越來越標準化的協議。模型最上游，需要真正跑過訓練的人繼續處理那些很難標準化的問題；靠近客戶的一端，需要有人進入真實組織，處理數據、權限、流程和交付結果。中間這層反而最容易被工具吞掉。越容易寫成教程的東西，越容易被標準化。

姚星丞的數千萬元年薪、FDE崗位的擴張、MCP接近每月5億次的SDK下載，以及Codex開始進入非技術崗位，其實可以放在同一張圖裡看。AI人才市場並不是簡單從“研究型人才”轉向“應用型人才”。它更像是在往兩頭拉。一頭是能繼續把模型能力往前推的人，另一頭是能把越來越強的模型真正變成業務結果的人。過去兩年最熱鬧的中間地帶——Prompt、RAG、通用Agent搭建、框架調用和簡單封裝——正在慢慢從稀缺能力變成普通工程能力。這不是AI人才整體不值錢了。而是行業開始慢慢分清楚，什麼東西值得長期付高價。

姚星丞還能值數千萬元，是因為真正做過大規模預訓練的人還是少；FDE開始走到臺前，是因為真正能把AI送進生產的人也不多。至於中間那一層，最危險的可能不是沒有工作。而是有一天，公司發現這些能力，很多人都會。