百万年薪招揽人才的故事还会在 AI 时代继续上演吗?

近期，一则有关 DeepSeek 百万年薪招聘人才的消息引发了热议。据消息，DeepSeek 开出最高 98 万元年薪招聘 UI 设计师。网友们进一步挖掘之后发现，这家公司正在以极具竞争力的薪资招聘各种工程师，即便是非算法岗，也提供令人瞩目的待遇，最高月薪 9 万（合年薪 126 万）。特别是核心系统研发工程师，甚至包括了“校招应届生”这一范畴。

百万年薪招揽人才的故事是否还会在 AI 时代继续上演？什么样的人才才有可能吃上这波红利？本文整理自 InfoQ 策划的 DeepSeek 系列直播第五期节目。在直播中，极客邦科技创始人 &CEO 霍太稳对话中国人民大学信息学院院长、计算机系教授柴云鹏，深入探讨了 DeepSeek 爆火背后，高薪招聘是否会长期持续，以及从业者如何在 AI 时代保持学习和成长。  

下文为直播部分内容精选，完整直播回放可点击链接查看：https://www.infoq.cn/video/1dIxSUHMDKm4ZoOu7DP8

以下为柴云鹏院长的分享实录部分（经编辑）：

从 ChatGPT 到今年 DeepSeek 的爆火，AI 的发展进程正如多年前的预测一样，正在加速推进。这也给我们的教育和人才培养带来了机遇与挑战。

AI 的热度不断攀升，尤其是 DeepSeek 百万年薪招聘人才的新闻引发了广泛讨论。从更长的时间维度来看，AI 的发展始于 2013 年至 2014 年的深度学习技术突破。当时，AlexNet 在 ImageNet 比赛中夺冠，其性能提升令人震惊，但许多人仍对 CNN 的潜力持怀疑态度。然而，仅一年多后，深度学习便成为 AI 领域的主流方向，大量研究人员纷纷转向这一领域。

AI 领域高薪是必然，但可能不会长期持续

在随后的几年中，AI 的薪资水平也经历了起伏。算法岗位曾因稀缺性和高需求而薪资高涨，但其稳定性较差。由于互联网业务的复杂性，深度学习和机器学习的应用效果并不总是理想，导致算法岗位的人员流动较大。许多人中途转向系统、安全等其他方向，薪资水平也因此波动。相比之下，系统岗位和研发岗位因稳定性更高而受到青睐。

随着 ChatGPT 的出现和大模型时代的到来，AI 的能力和影响力实现了质的飞跃。机器学习时代，AI 的应用落地较为有限，主要集中在视频、安防和娱乐等少数领域，企业营收和薪资水平也难以持续高涨。但 大模型技术的突破使 AI 真正“破圈”，不再局限于少数赛道，而是广泛应用于普通人的生活和工作中。例如，深圳已经开始尝试使用“ AI 公务员”，仅用几天时间就能完成过去几十天的工作量，这引发了人们对职业未来的广泛焦虑和对 AI 的学习热潮。

如今，AI 已成为高阶工具，在多个领域展现出强大的生产力，推动薪资水平不断上升。在北京等头部高校，AI 相关专业的毕业生薪资已远超百万，甚至刚毕业的博士生也能拿到 200 万、300 万甚至更高的年薪。DeepSeek 等头部企业之所以能开出如此高的薪资，一方面是因为 AI 技术解决了更多问题，为企业带来了可观的收入；另一方面，AI 领域的供需失衡导致人才稀缺，企业为了在激烈的市场竞争中占据优势，不惜重金吸引核心人才。

从宏观角度看，AI 的发展带来了巨大的市场需求，尤其是对核心技术和大模型训练、推理以及系统级加速设计等方面的专业人才。这些岗位薪资极高，也带动了相关岗位的薪资上涨。然而，这种高薪现象可能不会长期持续，随着 AI 技术的逐渐普及和人才供给的增加，薪资水平可能会有所回落，但仍可能保持在较高水平。

AI 发展需要人才基数，更需要核心技术人才

从国际视角来看，AI 领域的人才现状呈现出明显的两极分化。目前，中美两国在基础研究投入、企业创新程度、算力资源和人才储备等方面处于领先地位，其他国家与之相比仍存在较大差距。这种格局颇为耐人寻味。过去，我们曾反思中美在科研领域的激烈竞争，批评这种过度追逐热点、竞争激烈的模式，认为这种风格过于浮躁。相比之下，欧洲和日本的科研风格似乎更“佛系”，尤其是欧洲的教授们，他们似乎更注重舒适的研究环境，但即便如此，他们在企业和高校中也做出了许多扎实且高质量的研究成果。然而，在当前 AI 技术快速突破的背景下，中美两国这种相对激进的科研策略反而取得了显著成效，成为了全球 AI 领域的主要竞争者。

在国内，过去 20 年计算机人才的培养质量不断提升。以前，清华大学计算机专业的优秀学生大多选择出国深造，但 近年来，越来越多的顶尖学生选择留在国内，甚至竞争导师资源。这表明国内高校的水平已经与美国顶尖高校具有相当的可比性。从全球范围来看，中国的人才储备整体具有优势，发展态势健康。当然，与美国最顶尖的高校相比，国内部分高校仍有差距，但正在快速提升。

AI 领域的快速发展使得人才需求和培养面临巨大挑战。AI 人才并非一个单一概念，而是高度细分的领域。在 AI 领域，人才培养的重要性不言而喻。这就好比足球比赛，虽然需要 11 名球员组成完整的队伍，但真正决定比赛胜负的往往是少数关键球员。

同样，在 AI 领域，尽管需要大量的人才基数作为支撑，但那些少数具备核心技术和创新能力的关键人才才是推动技术突破和发展的决定性力量。在未来，随着 AI 技术的不断演进，人才的重要性将愈发凸显，而薪资体系的差异也将进一步扩大。那些能够掌握核心技术、引领创新的关键人才，将获得更高的回报。

AI 领域需要多维度人才画像

AI 领域的人才画像可以从多个维度来分析。

首先，对于专业人才而言，良好的数学和统计学基础是必不可少的，同时还需要扎实的计算机和编程能力，包括对数据结构、算法以及计算机系统的基本理解。此外，掌握基础的机器学习、深度学习和大模型技术，以及大数据相关技术，也是硬核技能的重要组成部分。如果专注于特定领域，如计算机视觉等，还需要具备相关的专业知识。

软技能方面，AI 行业变化迅速，从业者需要能够跟上快速发展的技术节奏，例如及时了解最新的研究论文和技术动态，并善于利用 AI 工具提升学习和解决问题的能力。沟通能力和团队协作能力也是必备的，同时创新精神尤为重要。目前，尽管 AI 的能力已经很强，但大多数人仍未充分掌握如何高效利用 AI 提升工作效率，尤其是在商业和产品开发中。因此，创新精神、想象力、执行力以及对工作的热情都是推动 AI 应用落地的关键因素。

在教育背景方面，顶尖公司通常更倾向于招聘具有优秀教育背景、专业背景的人才，尤其是来自知名高校或海外院校的毕业生。这是因为 AI 领域相对较新，目前大部分人才供给来自新毕业的学生，而企业内部有经验的人才相对较少。随着 AI 人才的积累，未来企业对教育背景的要求可能会逐渐放宽，尤其是在有丰富相关经验的情况下。

从能力体系来看，AI 时代的人才画像与传统计算机人才培养体系有所不同。核心是大模型技术，其支撑包括计算机系统的高效计算能力（如软硬件协同、芯片算力、分布式网络等）。数据是 AI 能力的关键，尤其是高质量、独特的数据集对于模型的优化至关重要。同时，安全可信也是重要领域，因为大模型存在幻觉、合规性和安全隐患等问题，需要专业的解决方案。未来，大部分人才将集中在利用 AI 解决各行业垂直领域的具体应用，这也是时代的主旋律。

对于 AI 专业人才而言，除了掌握大模型技术外，还需要在以下至少一个方面形成专长：强大的数学功底和对模型的深入理解；数据处理和分析能力；系统设计和软硬件结合能力；或者安全和软件工程能力。仅仅停留在对大模型的熟悉和应用层面是不够的，因为这样的技术路线容易被替代。相反，具备独特专长的人才才能在竞争中站稳脚跟。

每个人都有机会借助 AI 实现创新和突破

非 AI 领域的人其实也有很大的机会参与到 AI 的浪潮中。首先，大家需要积极拥抱 AI 技术，即使不是理科生，学习和使用 AI 也并不难。计算机行业一直致力于将技术变得更易用、更“傻瓜化”，而 AI 时代的到来进一步降低了门槛。过去，我们使用电脑需要通过命令行（shell），后来有了图形用户界面（GUI）和鼠标操作，再后来智能手机的触控屏让操作更加便捷，甚至小孩和老人都能轻松上手。如今，随着 ChatGPT 和大模型技术的出现，我们只需要通过自然语言交流，就能与 AI 深度互动，完成复杂任务。这使得 AI 的应用范围更广、深度更强，即使零基础的人也能通过自然语言的描述进行游戏开发、软件设计等工作。

实际上，AI 的学习途径非常丰富，关键在于持续学习、锻炼接受新事物的能力以及培养创新精神。AI 的真正爆发将发生在众多垂直领域和具体应用场景中，而非仅仅局限于 AI 技术本身。像 DeepSeek 这样的专业公司或大厂，在 AI 核心技术研发方面需要少量顶尖人才，但整体而言，AI 的应用和推广需要大量跨领域的人才。在这些领域，AI 的使用门槛并不高，每个人都有机会通过 AI 颠覆传统领域，实现创新和突破。

总而言之，AI 领域的人才前景依然广阔，无论是否是计算机或 AI 专业出身，每个人都有机会在这场浪潮中找到自己的位置。然而，如果不能适应变化，被替代也是不可避免的。为了避免被淘汰，首先需要积极拥抱 AI，学会熟练运用 AI 工具，这样才能在竞争中脱颖而出。随着 AI 的发展，一些岗位可能会被替代，但同时也会涌现出新的方向，而能否率先把握这些新机会，取决于我们是否具备主动学习和适应的意识。

从人才和薪资的发展趋势来看，目前 AI 领域正处于一个火爆的阶段，但未来必然会经历起伏，薪资水平也会随着市场供需关系的变化而有所调整。尽管如此，AI 的发展无疑将带来前所未有的社会变革和生产力提升，整个行业的发展方向是向上的。不过，AI 时代的人才需求变得不再像过去那样明确。在没有 AI 的时代，知识和技能的需求是清晰的，能力越高，薪资也越高。但现在，随着 AI 的发展，一些原本由人类完成的工作正在被 AI 所取代。这就要求我们必须不断提升自己，找到新的立足点，才能在 AI 的浪潮中生存下来。而生存下来，就意味着有更大的机会去追求更好的发展。

因此，我们应该以更积极的态度去拥抱 AI，主动实践和学习。不必过于恐慌，因为 AI 的普及和替代是一个缓慢的过程，那些热爱学习、不断进取的人，最终都会在这个时代找到自己的位置。

以下为对话实录部分（经编辑）：

InfoQ：2 月 17 日，埃隆·马斯克旗下的 xAI 公司正式发布了其最新的人工智能模型 Grok-3，并称其为“地球上最聪明的人工智能”。对于科研人员、IT 从业者以及企业员工来说，AI 到底替代不了哪些领域？

柴云鹏： 目前我还没有总结出一个特别完美的模式，但可以反过来思考：AI 能做什么？AI 拥有人类最大的知识库，因此它在横向关联能力上特别强，能够 实现跨学科、跨方向的应用。比如，即使你对游戏开发一窍不通，但只要掌握一点编程知识，借助 AI 的帮助，你就可以生成代码并制作出一个 3D 游戏。这种跨领域的学习能力使得 AI 的应用范围非常广泛，且成本较低。

然而，在任何特定领域，AI 的能力都有其局限性。以游戏开发为例，虽然 AI 可以替代部分美工工作，生成图像，但如果整个游戏完全由 AI 生成，其质量肯定是有限的。在绘画领域，如果你的绘画技巧非常高超，那么你可能仍然比 AI 更出色，因为 AI 生成的图像可能还需要依赖你提供的高质量素材。在研究和系统开发中，AI 可以生成一些基本方案，但很难解决那些最复杂、最困难的问题。

换句话说，如果你的工作内容相对简单，就像站在一座低矮的山上，即使你爬到了山顶，也很容易被 AI 替代。但如果你所在的领域本身复杂且难度较高，你可以在这个领域内不断向上攀登，那么 AI 就不太容易替代你。AI 好比洪水模型，它会横扫各个领域中水平较低的部分，这种判断是基于宏观逻辑的。当然，也有些领域 AI 可能无法替代人类，比如艺术、感性表达，或者需要与人沟通、提供帮助和娱乐的领域。这些领域中，人类的某些能力是 AI 难以替代的，因此这些领域仍然具有很大的价值。

之前一些看似复杂的专业领域，比如金融和投资决策，虽然看起来很厉害，但实际上它们的工作内容相对单一，主要是做决策，而且这些决策大多是数字化的。这样的工作很容易被 AI 替代，但顶尖的投资决策可能仍然需要人类的参与。目前，AI 可能还无法完全实现量化投资，而是需要人类与机器协同工作。总之，在任何一个领域，只有不断向纵深发展，才能在 AI 时代保持竞争力。

InfoQ：我们发现，DeepSeek 招聘主要针对应届毕业生，包括本科生、硕士生，甚至实习生，似乎很少从市场上招聘有经验的专业人士。从您的角度来看，背后的原因是什么？

柴云鹏： 实际上，在计算机领域，尤其是工科，很多人的创造力最活跃的时期是在 20 多岁到 30 出头。这个年龄段的人学习能力强，也有一定的经验。但到了 40 岁左右，学习能力可能会变慢，整体节奏也会放慢。特别是在 AI 时代，适应新事物的能力会变弱，而 AI 团队需要快速响应，一旦有新的思路，就要争分夺秒地去实施。加班能力也很重要，而年轻人在这方面更有优势。

从这个角度看，吸引刚毕业或工作没几年的年轻人是比较划算的。比如，我们人大信息学院的进人策略也是这样，主要精力放在引进年轻人。我们只需要少量有经验的人来带领团队。比如，一个有经验的人带领十几个年轻人，这样的战斗力可能是最强的，性价比也很高。从头培养年轻人有很多好处，比如增强归属感和协同沟通能力。

理想的创新团队年龄结构不能太大。从这个角度看，DeepSeek 的策略是合理的。此外，AI 领域与其他领域不同，它本身就很新，资深人士的经验作用并不大，甚至可能因为固定的思维方式而产生阻力。

InfoQ：高校培养出来的 AI 人才和培训机构培养出来的 AI 人才有什么区别？

柴云鹏： 实际上，人与人之间的差异更大，不能简单地一概而论。但从宏观上看，这有点像我们当年上学时的情况。比如，学计算机的人会问：软件工程和计算机科学有什么区别？软件工程的课程比较务实，注重各种开发环境的实践；而计算机科学的课程则更偏向底层知识，比如计算机组成原理、操作系统、编译原理等。高校培养的计算机专业人才，基础课程体系更完善，数学和计算机底层基础打得更扎实。这种教育模式有助于学生形成对计算机和 AI 技术的完整认知，即使有些知识在实际工作中不一定用到，但对理解问题的深度和广度很有帮助。学生在工作岗位上仍需自学新知识，但高校教育锻炼了他们的学习能力。

相比之下，培训机构的课程更加直接和务实，注重实战技能的培养，适合那些已经在职场中、时间有限的人。他们很难像高校学生那样全身心投入学习，因此培训机构的课程更注重实用性。如果你通过培训发现自己对某个领域感兴趣且有能力，可以进一步深入学习更基础的内容，比如数学和计算机底层知识。如今，无论是基础课程还是实战应用，都有大量资源可供选择，包括培训课程、慕课、国外开放课程等。对于年轻人来说，先从实战入手，再学习更基础的知识，对长期发展更有帮助。当然，培训机构可能也有基础课程，但 对于那些希望深入钻研、追求专业的学生来说，建议不要忽视基础学习。

InfoQ：大家都在讨论要积极拥抱 AI 并多加应用，但究竟到什么程度才能算得上是擅长使用 AI，或者是最会用 AI 的“打工人”呢？

柴云鹏： 我认为这个标准其实很简单，关键在于你自己从事的工作或爱好，加入 AI 后，你能提升多少工作效率？是否能实现效率的倍增甚至更高？是否能切实解决你最关心的问题？如果你只是浅尝辄止，比如用 DeepSeek 问两个问题就觉得写得很好，但没有深入挖掘，那就不算真正用好了。

你应该找到自己的痛点——哪些工作是重复性的、浪费时间的，或者你希望提升质量、节省时间的。围绕这些痛点，你可以利用 AI 与它交流、获取建议，甚至借助 AI 工具解决问题。如果你能通过 AI 解决自己的痛点，那你就成功了，说明你已经很好地掌握了 AI 的能力。这种以痛点为切入点的方式，也是判断自己是否擅长使用 AI 的标准。痛点解决得越好，说明你对 AI 的运用越熟练。

InfoQ：大模型目前仍存在幻觉问题，对齐和准确度也有待提高，短期内难以实现真正的产业化。当下有什么解决办法吗？

柴云鹏： 幻觉问题是大模型技术固有的一部分，它无法达到 100% 的准确率，但可以通过技术改进来降低幻觉出现的概率。以特斯拉自动驾驶为例，其故障率从过去的每多少公里一次故障，已经大幅降低到远低于人类驾驶的水平。尽管如此，自动驾驶仍不能保证绝对的零故障，但通过研究和改进，其可靠性已经达到了一个合理的水平。类似地，大模型的幻觉问题也在不断通过研究得到改善。

幻觉问题并不影响大模型的产业化。 人类自身也会犯错或产生“幻觉”，但这并不妨碍人们正常工作。因此，我们不能因为大模型存在幻觉就歧视它。实际上，大模型已经达到了一定的可靠性和可用性，尽管仍有错误，但已经足够让普通用户愿意使用。例如，DeepSeek 之所以被广泛接受，是因为它已经达到了一个让用户觉得“靠谱”的水平，尽管它仍有错误，但比过去有了显著提升。

大模型目前无法完全替代人类，但它可以作为工具使用。目前，人们主要使用大模型结合 RAG 技术处理私域数据。未来，人们将更多地开发工具层，包括智能体、多智能体交互以及各种 AI 工具。这些工具将使 AI 能够调用更多资源和功能，从而扩展其能力。通过这些工具，AI 可以作为人类的助手，由人类把控关键决策，从而提高效率，甚至实现人类无法做到的事情。这就好比从骑自行车到驾驶汽车、坦克，甚至坦克群，AI 的能力不断增强，能够完成的任务也越来越多，这就是生产力的提升，也是产业化的一部分。

在某些相对封闭的领域，如自动驾驶，AI 甚至可能达到比人类更低的错误率，从而实现完全替代人类监督的自动化。但这并不影响大模型在其他领域的产业化应用。从研究角度来看，如何减少幻觉、实现安全可信的 AI 系统，本身就是一个重要的研究方向。

InfoQ：程序员想要转型为 AI 技术人员，有没有比较快速的学习方法？

柴云鹏： 要成为一名 AI 技术人员，首先需要明确具体的方向，比如是从事算法开发、AI 应用开发，还是 AI 系统设计等。

从加速学习的角度来看，AI 技术的发展极大地简化了知识传递的过程。过去，知识的传授依赖于教师的讲解，学生可能难以跟上思路。如今，借助 AI 工具，比如 DeepSeek，学习者可以通过提问获得解答，这种互动式学习模式比传统的被动接受更为高效。AI 能够快速传递基础知识，降低了学习成本。

对于想快速入门的人来说，关键在于建立对 AI 的基本认知。例如，程序员可以在短时间内通过与 AI 交流，理解 AI 的基本原理、思路和逻辑。不必深入学习底层的数学原理，只要掌握如何使用 AI 即可。接下来是实践环节，选择一个具体的问题，比如开发一个 AI 应用或处理一个 AI 模型相关的任务，借助 AI 工具完成任务。通过一两个任务的实践，学习者将对领域有更深入的理解，遇到新问题时也会知道如何寻求解决方案。

从学习曲线来看，快速认知、实践和与 AI 频繁交流相结合的学习方式，比传统的被动学习更高 效。虽然快速学习法可能会遗漏一些细节，但如果目标是速成，可以采用这种策略。例如，可以选择一些轻量级的课程，利用社会资源和培训课程加速学习过程。总之，学习 AI 技术仍然需要刻意练习。人需要像训练模型一样，通过输入数据（学习和实践）来提升能力。虽然可以减少学习样本的数量，但这个过程是必不可少的。

InfoQ：您自身在平时的日常工作和日常生活中，有哪些地方用到了 AI？在使用过程中有什么特别深刻的体会吗？

柴云鹏： 我的工作直接写材料、代码或论文的时间较少，更多的是从事思考和交流。因此，像 AI 开会总结这类工具对我的影响并不大，因为我的工作重复性任务本身就较少。不过，我最近对教学方面的 AI 应用感受颇深，尤其是 AI 在课程建设上的效果，超出了我的预期。未来，这方面的应用可能会越来越多。

最近我还发现，用 DeepSeek 进行思考和交流很有启发性。我更多地将它当作一个开拓思路的“助理”，而不是用于处理事务性或重复性的工作。这种使用方式不算特别重度，但对于像我们这样的年轻人，尤其是同学们，AI 在代码开发上的应用已经显著减少了工作量——至少减少 50%，有些重复性高的任务甚至能减少 80% 的代码量。文档方面更是如此。

目前 AI 工具的辅助功能可能还不够强大，但相信在未来一两年内，那些善于拥抱新技术的人会逐渐习惯这种新的工作方式，并从中获得比传统方法更好的效果。比如，在项目初期，就应该利用大模型来开拓思路、进行设计，而不是仅仅把它当作一个生成报告的工具。很多人认为大模型存在幻觉，生成的内容不如人类可靠，但实际上，这种看法低估了大模型的作用。它不仅能在最后一步发挥作用，更能在项目前期的许多环节提供帮助。

InfoQ：目前大模型领域竞争激烈，最后会不会只剩下几家头部模型厂商？对于普通用户而言，现在应该如何选择和使用这些大模型？

柴云鹏： 从互联网多年的发展经验来看，在热门领域最终能够存活下来的往往只有少数几家头部企业。即使中美市场完全割裂，各自也只会剩下少数几家主导企业。在美国，像 OpenAI、Google 和 Meta 等公司已经比较明确地占据了领先地位。而在中国，目前市场还稍显混乱，既有传统大厂，也有新兴的 AI 企业。但 未来一到两年内，市场很可能会迅速整合，最终只剩下少数几家主流厂商。2025 年将是极为关键的一年，大家都在努力寻找合适的位置，争夺生存空间。

对于普通用户而言，选择大模型时可以参考口碑，因为切换成本并不高。无论是简单的对话功能还是 API 调用，学习成本都相对较低。因此，用户完全可以根据自己的需求选择体验更好的模型。从大模型的竞争来看，虽然目前 DeepSeek 等模型非常热门，但新的模型不断涌现，包括阿里等国内企业以及国外的竞争对手都在迅速跟进。实际上，这些模型之间的差异并不大。从宏观角度看，一旦某个模型取得领先，其竞争对手也能很快追赶上来。尽管 OpenAI 曾经遥遥领先，但其他企业最终也能迎头赶上。更重要的是，用户需要培养使用大模型的习惯和思维方式，而不是纠结于具体使用哪个模型。在科研领域，我们也可以把大模型当作一个可插拔的组件，就像电池一样，更关注的是如何利用这些模型完成其他任务，而不是纠结于如何选择基础模型。