AI 抢人大战退潮，“天才” 也要被挑选了 - 大模型公司曾给尚未做出工业成果的年轻人开出百万年薪。他们快速建立起团队，想尽办法找到那些聪明、有潜力的人。字节一度先把人抢过来，再给他找位置。但现在，情况正在改变。 - 今年秋招，一位 2027 届博士生带着六篇顶刊论文、两段头部大厂模型实习经历，申请了二十多家公司的人才计划，他原本预计能拿到十二三家的机会，到了 10 月下旬只有五六个意向，腾讯、阿里的结果也不如预期。高薪抢人的故事还在发生，但机会已经没那么多了。 - 履历更好了，机会却少了。有候选人完成三轮技术面试后，被 HR 告知公司技术重点调整，岗位取消；流程推进也慢，有候选人追问 HR 面试进度：“一次不回、两次不回、三次不回，后面拍一拍也不回。” 而急于招人时，HR 隔几天就会主动询问近况、持续 “保温”，甚至带鲜花到学校，为已录用的学生庆贺。这些经历，构成了求职者 “遇冷” 的体感。某头部大模型公司招聘负责人说，“各家基模团队整体在缩减校招、社招的招聘名额，这基本是今年业内的共识。” - 长期关注 AI 人才流动的 Sam 将当下人才市场称为 “K 型分化”：有大规模预训练、强化学习或万卡集群基础设施经验的人，仍能拿到高价；主要凭论文、缺少训练经验的初级候选人，机会减少。一位长期为模型公司招人的猎头说，早期推荐一个不错的人选，团队往往愿意见一见；现在，对方会把候选人和现有成员比较，他能补上哪一块缺口，或者带来多少新的能力。 - 这背后是基模研发正在发生变化，团队的工作分得更细了。一位业内人士介绍，早期大家都不知道怎么做，掌握关键技术的人很重要；训练流程明确后，“人不再是核心生产要素了”。他把基模研发比作 “制造业”：数据清洗、小模型实验、强化学习、合板。工序标准明确后，公司更清楚哪里缺人。 - 求职者的履历也越来越漂亮：Kimi、DeepSeek 实习、技术博客、数千 GitHub 星标的开源项目、奥赛金牌都可能出现在简历上，但面试官手里也有很多同样亮眼的候选人，一个人比去年准备得更充分，对手也是。但履历漂亮不等于能独立做研究，一位招聘负责人发现，有些候选人能够讲清做了什么实验、得到什么结果，却未必能说明背后的判断。随着团队更成熟，公司需要的不是只会执行任务的人，而是能够理解问题、作出判断并独立解决问题的人。 - 在这样的环境里，熟人推荐也变得更重要。一起做过项目的人知道谁提出了办法、谁真正解决了问题，论文署名和简历却很难说明个人贡献。大模型圈的校友、同门和前同事联系紧密，哪里缺人、谁想走、谁做出了什么成果，消息传得很快。一些候选人通过合作者推荐进入头部团队，获得更完整的评估；招聘也逐渐集中于少数高校和团队，能力之外，还有“某种信任的传递”。 - 但这也意味着，不在这些关系里的人更难获得机会。一位去年求职的研究员，在几家模型团队碰壁后，决定暂时不再反复投递，把时间用来做一项更好的研究。“攒代表作，发出来……等人家找吧。” 后来，确实有新团队主动联系了他，但相比熟人内推还是波折了许多。 - 找工作变难，影响的不只是收入和职位，还有年轻研究员能不能获得真正的训练机会。还有年轻研究员能不能获得真正的训练机会。相邻两届、研究背景接近的同门，可能因为毕业时间不同，一个拿到人才计划，另一个却没有。先进入核心团队的人已经参与过模型训练、积累了经验，后来者却需要先有经验，才能争取到项目。一些实习生主要做数据配比和小规模实验，真正参与模型架构等核心工作的机会越来越少。一位投资人感叹：“人才是被环境塑造出来的，现在没有那种环境可以塑造人才。” - 一位进入头部人才计划的学生说，他所在团队允许探索，但资源有优先级，公司把更多算力投向 Coding，其他方向只能往后排，“有卡才能说其他事”。这种分化甚至更早地发生在学校里，高校里的学生也需要先获得导师经费、算力或校企合作机会，再用论文争取第一段实习，最后靠实习成果换取下一次机会。履历越好，越容易获得资源；资源越多，又越容易做出成果，形成不断扩大的循环。