以前大家研究 AI 公司，无非就是读论文、看发布会、追新闻。

但最近研究机构 Epoch AI 换了个思路：他们把 DeepSeek、阿里、字节、MiniMax、月之暗面、智谱这六家公司的 1600 多份招聘信息，全给扒下来了。

为什么要看招聘？

因为论文说的是这家公司已经做成了什么，而招聘透露的是它接下来打算干什么。

公司可以在采访里讲愿景，可以在论文里秀成果，但招聘不会骗人。岗位上写着需要什么样的人，就意味着公司准备把资源投向哪里。

很多人以为 AI 公司最缺的是算法研究员，真去看招聘，才发现根本不是这么回事。

就拿 DeepSeek 来说，真正招预训练研究员的岗位并不算多，更多岗位集中在数据治理、模型评测、Agent、系统工程、高性能计算、数据中心、能源、散热、运维、算力平台等方向。

今天新一代大模型发布早就不是在 AI 实验室里光靠几个天才研究员写代码就能完成的了。

Epoch AI 还发现，中国 AI 公司目前依然高度依赖英伟达生态。招聘里大量出现 CUDA、TensorRT-LLM、高性能 GPU 优化等要求，这说明英伟达仍然是主力平台。

但与此同时，国产算力也已经进入实战阶段。

字节跳动、智谱等公司都在招聘熟悉华为昇腾、寒武纪等国产芯片的异构计算人才。智谱甚至在招聘信息里提到，他们的 GLM-Image 图像模型已经完成了基于国产芯片的端到端训练。

当然，这并不意味着国产芯片已经全面替代英伟达。

更准确地说，行业正在形成一种比较务实的路线：推理、小模型和部分后训练开始越来越多使用国产芯片，而超大规模预训练仍然主要依赖英伟达，两条路线同步推进。

算力布局也是一样。

除了租用云厂商资源，越来越多公司开始建设自己的智算中心。

MiniMax、DeepSeek、月之暗面都发布了数据中心相关岗位。DeepSeek 在内蒙古乌兰察布的数据中心招聘，就是一个典型例子。

再看这些公司的招聘需求，电力、暖通、能源、散热、运维等岗位越来越多，就会发现，大模型竞争早就不仅发生在算法层面，而是在向整个基础设施延伸。

与此同时，各家公司走的路线也开始越来越不一样。

MiniMax、月之暗面更偏向 C 端，招聘里市场、产品和海外岗位占比很高。MiniMax 甚至在旧金山、伦敦、新加坡等多个城市持续招聘，其相当一部分收入已经来自海外市场。MiniMax 约 70% 的收入来自面向个人消费者的 AI 产品。

智谱则明显偏向 B 端，大量招聘 B2B 销售和解决方案岗位，重点面向政府、能源、金融等行业客户。在 2025 年，有 73.7% 的收入来自于在客户的基础设施上运行模型。

而阿里、字节这样的平台公司，则开始把 AI 延伸到机器人、汽车、可穿戴设备等更多硬件场景。

把这些岗位全摊开看，就会发现 AI 公司真正想要的人，大致可以分为两类。

第一类是基础功特别扎实的人。

数学、物理、统计、计算机系统、操作系统、编译原理、计算机网络、体系结构 …… 这些前几年很多学生觉得 " 太基础 "" 工作用不上 " 的课程，如今重新成了核心竞争力。

原因很简单：模型越做越大，瓶颈反而越往底层走。怎么提高 GPU 利用率？怎么优化节点间通信？怎么把训练成本打下来？到最后全是数学和系统工程的问题。AI 往深了走，拼的全是这些硬基础。

第二类是在某个领域钻得特别深的人。

医学、法律、金融、教育、文学、小语种 …… 这些专业现在反而越来越受 AI 公司欢迎。

因为当模型越来越会写东西之后，真正稀缺的不再是 " 会写 "，而是 " 会判断 "。

模型能生成答案，但这个答案靠不靠谱，最后还是得靠真懂行的人来拍板。

所以以后想进 AI 行业，真不一定非要报 " 人工智能 " 这个专业。真正重要的是，得在某一个领域拥有足够深的专业能力。

整个行业的人才结构，其实越来越像一个哑铃。

一端是数学、工程、计算机这些硬基础。另一端是医学、法律、金融等专业知识。

连接两端的，则是判断能力，以及熟练使用 AI 工具的能力。真正尴尬的，反而是两边都会一点，却都不够深入的人。

Epoch AI 还统计了一个很有意思的数据：美国头部 AI 实验室招人的时候，平均要求 5.5 年工作经验；而中国这六家公司，平均只要求 1.6 年，接近 20% 的工程岗直接招应届生。

DeepSeek 在招聘公告里直接写到：DeepSeek 的用人原则是，让新人直接承担最核心、最重要的任务。

乍一看好像门槛降了？但再往后看就知道，岗位职责描述里都要求基础特别扎实，代码能力极强。

说白了，它降的是简历上的工作年限门槛，不是能力门槛。公司不关心你工作了几年，只关心你到底能不能干活。

最近加入 DeepSeek 的清华特奖顾煜贤就是最好的例子。

他读博期间一直研究大模型效率，从预训练数据筛选到模型压缩再到高效架构，做出来的 MiniLLM 现在谷歌、阿里、英伟达都在用，新搞的 Jet-Nemotron 把推理速度提了一大截，论文引用快 5000 了。

真正让他进入核心团队的，不是年龄，也不仅仅是学历，而是已经完成的工作。

在 AI 这个行业，作品现在就是比简历管用。

看到这里，很多人可能会说：既然所有岗位都要求会用 AI，那是不是从大一开始就天天抱着 AI 用，越熟练越好？

最近有个跟踪了 2.6 万个中国中学生、持续了 30 个月的研究，给出了个很值得警惕的答案。

这两年 DeepSeek、豆包这些工具普及之后，学生用 AI 写作业的比例从 0 涨到了 80%。结果呢？平均写作业时间从 64 分钟降到了 45 分钟，作业分数提高了 18%。

但与此同时，闭卷考试的成绩，降了差不多 20%。

更坑的是这个影响是滞后的：月考成绩半年后才开始掉，中考高考这种大考的影响，要两年才完全显现出来，最后整体掉了 18% 到 24%。

研究最后发现，问题根本不是用不用 AI，而是怎么用。

那些作业完成得特别快、作业成绩很高、考试却很差的学生，很可能只是把思考过程交给了 AI。

而另一部分学生虽然也使用 AI，但完成作业花费的时间和其他同学差不多，他们的考试成绩并没有明显下降。

AI 本身不是洪水猛兽，真正的问题，是让 AI 替代了思考。

这个结论跟最近 Anthropic、伯克利、瑞士商学院几个研究的结果基本一致：AI 确实能提效，但如果它替代了学习过程，长期反而会削弱理解能力、批判性思维和知识迁移能力。

企业从来不需要最会给 AI 写 prompt 的人。它们要的是知道什么时候该信 AI、什么时候该自己动脑子的人；是能用 AI 放大自己能力，而不是让 AI 替自己干活的人。

这也是为什么我觉得招聘信息比什么行业报告都值得看。它不只是一张招人清单，也是一张明明白白的未来能力地图。

论文告诉你昨天有了什么突破，新闻告诉你今天发生了什么，而招聘告诉你，未来三到五年，整个行业的钱和人，会往哪儿流。