硅谷 AI 人才市场正陷入前所未有的 “乱纪元”：招聘方喊着 “招不到核心人才”，资深从业者纠结于 “留在原地像亏钱” 的机会成本，新人则面对高不可攀的门槛望而却步。艾伦人工智能研究所（AI2）研究科学家、后训练领域大牛 Nathan Lambert 在博客中直言，这是 AI 快速迭代下的结构性困境 —— 语言模型的复杂度与进展速度，彻底重构了人才供需逻辑，而谷歌 AI 研究科学家 Yi Tay 等业内人士的反驳，则让这场关于 “AI 时代该如何招人、如何求职” 的讨论更具深度。
一、乱纪元的核心矛盾：人才供需的双向拉扯
当前 AI 招聘市场的混乱，本质是 “快速变化的技术需求” 与 “相对滞后的人才供给” 之间的错配，具体体现在三个层面：
-
招聘方的困境：想要的人招不到，能招到的不匹配
企业最急需的是能 “定方向、控全局” 的资深人才，但这类人要么被现有公司高薪绑定，要么对新机会的要求极高，连聊一聊的意愿都不强；而投递简历的新人中，能真正证明自己 “不可替代” 的寥寥无几，多数人只能做重复性工作，容易被 AI agent 替代。
-
资深从业者的焦虑：机会成本太高，陷入 “选择悖论”
手里的工作明明不错 —— 项目优质、团队靠谱、生活稳定，但外界夸张的薪酬数字不断冲击心理防线，总觉得 “不跳槽就是在亏钱”。这种焦虑并非源于当前工作不满，而是源于对 “错失更高回报” 的恐惧，形成 “跳也纠结、不跳也不安” 的两难。
-
新人的绝境：门槛飙升，难寻突破口
初级岗位的要求早已不是 “会基础技能”，而是要 “有实际成果、能快速落地”。AI 工具的普及让企业对 “可替代性高” 的初级工作需求锐减，新人必须在某个细分领域形成深度积累，才能跨越 “被 AI 替代” 的鸿沟，但缺乏指导和机会的他们，往往无从下手。
二、Nathan Lambert 的人才观：AI 时代，什么样的人更有价值？
在 Nathan 看来，AI agent 的崛起正在重塑人才价值坐标系 —— 它把人类往组织结构更上层推，工程师要懂系统设计，研究员要会运营实验室，而不同层级的人才，需要用不同方式证明自己的价值。
1. 资深人才：“方向感” 比 “执行力” 更稀缺
资深员工之所以抢手，核心不是因为技术更熟练，而是拥有 “长期上下文”—— 知道复杂系统的演进规律，能在 AI agent 完成增量功能时，把控正确方向，避免项目被零碎改动锁死。随着 AI 工具越来越强，资深员工的影响力会加速放大，甚至比单纯增加初级成员更能提升团队效率。
2. 初级工程师：“进展导向” 是唯一通行证
Nathan 筛选初级工程师时，最看重 “近乎狂热的进展导向”—— 既要能快速提升个人理解，更要能推动模型性能或系统效果的实际进步。他认为，初级工程师必须在狭窄领域深耕，形成真正的 ownership，才能避免被 coding agent 替代。而这种特质很难通过简历判断，更多是一种 “vibes”—— 比如有人会直白表达 “自从 ChatGPT 出来后，我完全沉迷 LLM”，这种发自内心的热情，比堆砌技能清单更有说服力。
3. 初级研究员：“证据洁癖” 胜过 “论文数量”
相比初级工程师，研究员的环境更宽容，但 Nathan 强调 “证据洁癖” 是核心竞争力：任何观点都要有数据支撑 —— 说想法能提升模型，就要说清原理；说性能有提升，就要明确评测指标的具体变化。他批评很多新人过早追求 “广度”，在多个项目里刷存在感，却没有任何一个方向的深度积累，而优秀的研究者往往是 “先做深、再扩宽”。
三、争议焦点：这些人才建议，到底对不对？
Nathan 的博客引发了业内激烈争论，核心集中在三个关键问题上，不同视角的碰撞让人才标准更清晰：
1. 争议一：“资深” 与 “初级” 的标签，还有意义吗？
-
Nathan 的观点：这里的 “资深”“初级” 不是职级，而是能力 —— 资深意味着 “能定方向、控全局”，初级则是 “需指导、做执行”，AI 时代这种能力差异会更明显；
-
Yi Tay 的反驳：LLM 时代是 “等级无关” 的世界，个人贡献者的价值取决于天赋和执行力，而非职级。L4 和 L6 的独立研究员（IC）取得突破的概率没有差异，过度强调 “资深 vs 初级” 会忽略真正有潜力的人；
-
共识：职级标签正在失效，但 “能力分层” 依然存在。企业需要的不是 “资深头衔”，而是 “能解决复杂问题” 的实际能力，无论职级高低。
2. 争议二：封闭实验室 vs 公开输出，哪种路径更优？
-
Nathan 的观点：封闭实验室存在 “被公司机器吸收” 的风险 —— 缺乏公众可见度，只能依赖 “责任 + 执行力”，若做的产品无人使用，执行力也无法转化为外部价值；而公开输出（如开源贡献、高质量博客）能积累职业声誉，带来额外收益；
-
Yi Tay 的反驳：这种想法搞错了重点。如今最有价值的是 “站在 AGI 前沿”，而非追求社交媒体影响力。不在核心赛道，再高的曝光度也没用，而且不是所有人都想对外曝光，低调深耕同样能成长；
-
共识：路径选择无绝对优劣，关键看个人目标。想做行业 KOL、积累外部机会，公开输出是好选择；想专注前沿研究、避免外界干扰，封闭实验室更合适。
3. 争议三：初级研究员 “中间作者太多” 是负面信号吗？
-
Nathan 的观点：是明确的负面信号。这本质是 “论文造假” 和 “署名堆砌”，反映出研究者缺乏深度积累，只想刷存在感；
-
Yi Tay 的反驳：这是陈旧的学术思维。现代 AI 研究强调大规模协作，只要有实质贡献，参与多个项目、做中间作者完全没问题。过度执着于 “第一作者” 会阻碍合作，“做有贡献的中间作者” 反而体现谦逊和协作能力；
-
共识：核心是 “是否有实质贡献”，而非 “署名位置”。空挂名的中间作者确实会减分，但能说清自己在项目中具体贡献（如设计实验、优化模型、分析数据）的中间作者，反而能证明协作能力。
四、破局指南：招聘方与求职者该如何行动？
面对 “乱纪元”，Nathan 和业内人士给出了针对性建议，无论是招人还是求职，都能找到明确方向：
1. 招聘方：跳出传统框架，找 “对的人” 而非 “完美的人”
-
聚焦核心信号：别只看简历上的技能清单，初级工程师看 “进展导向”（如个人项目成果、开源贡献），研究员看 “证据意识”（如论文中的实验设计、数据支撑）；
-
拓宽招聘管道：优秀候选人往往不在海量投递中，而是藏在高质量博客、开源社区、行业交流中。一封 “能提供价值” 的邮件，比千篇一律的招聘启事更能吸引人才；
-
重视文化适配：小团队中，“能否茁壮成长” 比 “能力强不强” 更重要。组织文化是个体互动的副产品，快速扩张时要主动引导，避免文化失控。
2. 求职者：打造 “不可替代性”，用信号证明自己
-
初级工程师：深耕细分领域，形成 ownership。比如专注某类模型优化、某个工具开发，用实际项目成果（如优化后的模型性能、落地的工具插件）证明自己，而非罗列技能；
-
初级研究员：培养 “证据洁癖”，先做深再扩宽。不要追求 “参与多个项目”，而是在一个方向上做出清晰成果，用数据和实验证明自己的观点，避免写 “AI 水文”；
-
资深从业者：明确核心诉求，拒绝 “盲目跳槽”。如果当前工作能提供优质项目和成长空间，不必被外界薪酬数字绑架；若确实遇到瓶颈，优先选择 “人靠谱、方向对” 的团队，而非只看薪资；
-
打造正面信号：写一篇高质量博客、做一次有价值的开源贡献，比堆砌论文或项目经历更有效。文字是极具穿透力的沟通方式，能快速证明你的理解力和思考深度。
3. 新人破局：两条路径，低门槛切入
Nathan 建议新人从 “开源贡献” 或 “加入开放研究组织（如 EleutherAI）” 入手：
-
开源贡献：不用追求 “大改动”，哪怕是修复一个 bug、优化一段代码、完善一份文档，都能证明自己的能力。coding agent 能降低实现门槛，但想脱颖而出，需要品味、创造力和耐心；
-
小成本实践：花几千美元配置设备，跑一些小模型，在 HuggingFace 等生态中做迭代，既能积累经验，又能形成可展示的成果，比单纯投简历更有说服力。
五、结语：乱纪元的本质是 “重构”，而非 “混乱”
AI 招聘市场的 “乱”，不是无序的混乱，而是旧有人才规则被打破、新规则正在建立的过渡状态。AI agent 的崛起没有淘汰人类，而是重新定义了人类的价值 —— 从 “做重复工作” 转向 “定方向、做决策、搞创新”。
对于招聘方而言，需要放下 “按标签招人” 的惯性，聚焦 “实际能力” 和 “文化适配”；对于求职者而言，需要摆脱 “堆砌技能” 的思维，打造 “不可替代的核心价值”。当供需双方都适应了 AI 时代的人才逻辑，“乱纪元” 终将结束，取而代之的是更高效、更匹配的人才生态。
说到底，AI 时代的人才竞争，从来不是 “和 AI 比谁做得快”，而是 “和同龄人比谁更有深度、更有方向感、更能创造独特价值”。无论是招人还是求职，抓住这个核心，就能在乱纪元中找到破局之道。