[AI 解析] AI新職缺背後的薪資神話與產業真相
摘要 : 拆解AI三類新職缺的薪資神話、資料荒與企業落地真相。
內容:
近期網路盛傳一種AI職缺起薪三萬元、月薪最高十萬元，另有期權、簽字費，年薪可達一百五十萬元。追查來源後發現，最初是美國年薪二十萬美元的資料，換算約人民幣一百三十六萬元；中文報導先將其寫成「年薪百萬」，後續自媒體又加工成月薪十萬元、年薪一百五十萬元，卻只在文末註明「個人原創，僅供參考」。
實際招聘行情沒有傳聞中那麼誇張。阿里雲相關職缺標示月薪兩萬至五萬元、十六薪；阿里健康在LinkedIn上開出的區間約為每月三萬至六萬元。財經媒體訪問五名實際從業者後發現，幾乎沒有人真正拿到外界所說的百萬年薪，甚至有北京實習生每天僅領兩百元，每週工作五十小時。
不過，這類職缺也並非完全炒作。美國招聘平台上的相關職缺，一年內由643個增加至5,330個，成長超過八倍。LinkedIn執行長Ryan Roslansky曾預測，未來五年將有三類工作快速成長：資料標註員、前沿部署工程師，以及資料中心相關職位。
第一類是資料標註員，英文為Data Annotator。大型模型要持續進步，需要大量人員依照自身專業，判斷模型回答是否正確、哪些內容合理、哪些存在錯誤。不同領域和語言，都需要相應的專業人士參與評測。
第二類是前沿部署工程師，簡稱FDE。他們進入客戶公司，理解業務流程，協助模型真正投入工作，並將現場問題轉化為產品與模型的改進方向。
第三類則是資料中心相關工作，包括建設機房、安裝伺服器，以及管理供電、散熱、網路和運算資源的人員。
LinkedIn也曾表示，AI在平台上創造了將近130萬個新職缺。但其統計方式，是計算2023年至2025年間幾種指定職稱的招聘貼文數量，並沒有扣除同期消失的工作。因此，130萬代表的是招聘廣告數量，不能直接等同於淨增加130萬個工作機會。
這項統計至少能證明，相關人才確實正被大量招聘。更值得注意的是，這三類工作並不是彼此獨立的機會，而是AI產業發展的三個階段：資料標註員負責餵養模型，前沿部署工程師負責教模型進入企業工作，資料中心人員則為模型建立運作空間。
三者背後共同的核心，是資料正在變得愈來愈昂貴。
過去，網路上的公開文字幾乎可以免費取得。2023年4月，Reddit執行長公開表示，平台上的語料非常有價值，沒有理由免費提供給全球最大型的科技公司。到了2024年，Reddit進一步要求內容爬取者先簽訂協議，並透過修改robots.txt限制未獲授權的搜尋引擎取得新內容，將資料轉化為一道收費閘門。
Epoch AI曾估算，全球有效的公開文本存量約為三百萬億個詞元，可能在2026年至2032年間被高品質模型訓練需求消耗殆盡。確切年份仍可討論，但方向很明確：容易取得的公開資料正在減少，企業接下來必須付費購買或自行製造。
Anthropic便曾購買數以百萬計的紙本書，切除書脊後逐頁掃描，再銷毀紙本。相關事件後來進入司法程序。法院認為，使用合法取得的內容訓練模型本身可構成合理使用；真正造成法律問題的，是從盜版書庫下載並長期保存作品。後續和解金額達十五億美元，涉及四十八萬多部作品。
中文網路一度將此事簡化成「燒書」，甚至與焚書坑儒相比，但法院其實區分了合法購書掃描與下載盜版內容。外界擔心絕版書或珍貴紙本遭到不可逆破壞，也並非毫無道理，因此馬斯克後來曾主張保留原書，採用不破壞紙本的掃描方式。
真正值得關注的是，一家估值數百億美元的公司，為了取得文字資料，願意做到逐本購買、拆解與掃描。這個動作本身，已足以說明資料的價值。
資料標註工作也因此出現分化。傳統上，人們想到的是在螢幕上框選圖片、貼標籤的低薪流水線工作，這類任務確實存在，而且正逐漸被自動化取代。現在真正昂貴的，是專業評測：醫學問題要由醫師判斷，法律問題要由律師審查，程式碼則需要工程師評估。
當模型已能產出八成看似合理的回答，剩下兩成錯在哪裡，往往只有真正的專業人士能看出來。因此，這類工作的門檻並不在「標註」本身，而在標註者原本具備什麼專業。
Scale AI是其中具代表性的公司。2024年5月，其估值約138億美元；一年後，Meta以143億美元取得49%股份，將公司估值推高至290億美元以上，並承諾每年至少採購4.5億美元服務。
然而，Scale AI背後約有24萬名分布全球的標註人員。若將採購金額平均分配，每人每年不到1,900美元，實際報酬當然會依任務而異：專業領域可能達每小時30至50美元，普通任務則約15至25美元。這也說明，高估值平台、專業人才與底層低薪標註員，可能同時存在，求職者不能把不同層級的職缺混為一談。
至於前沿部署工程師，模型公司願意付出高昂成本，讓年薪數十萬美元的工程師長期進駐客戶公司，目的並不是直接取得客戶資料。
OpenAI的服務協議指出，除非客戶明確同意，否則不會使用客戶內容開發或改進服務；Anthropic的商業條款禁止使用客戶內容訓練模型；Palantir也表示不會利用客戶資料訓練AI。
這些工程師真正帶回公司的，是現場訊號與評測結果。他們要找出模型在哪些環節無法工作，形成評測驅動的反饋，再影響產品和模型的發展路線。資料是原料，評測則是一張清楚指出「模型哪裡不行」的清單，後者有時比原始資料更有價值。
實際工作內容通常是「六分溝通、四分技術」。有北京實習生每週三天待在客戶公司或前往客戶的路上；也有深圳的年輕從業者表示，自己雖是公司第一位專職FDE，薪資仍接近產品經理，並沒有網路傳聞那般驚人。
這其實是一種翻譯工作：企業不懂模型，模型也不懂企業，FDE負責在兩者之間轉譯需求。這項能力的價值，取決於兩端的距離有多大。當企業與模型未來能夠直接溝通，中間人的重要性也可能下降。
Palantir長期被質疑本質上是一家諮詢公司，派大量工程師到客戶現場從事人工服務，不具備純軟體公司的經濟效益。但Palantir的毛利率一度達86%，相較之下，埃森哲約為32%。
關鍵差異在於，派出去的人帶回了什麼。如果工程師只是替單一客戶完成工作，成本就是一次性的服務工時；如果他們把現場卡點帶回公司，轉化為平台功能，這些成本便成為能持續累積的研發投入。
Palantir在年報中也將前沿部署工程師定位為「替平台發現研發機會的第一線」。同樣是派人進駐客戶，一種結果是諮詢服務，另一種則可能沉澱為可重複銷售的產品。
Anthropic也曾聯合黑石、Hellman & Friedman與高盛，成立面向中型企業的AI服務公司，首輪投入15億美元，目標之一就是普及前沿部署工程師模式。這顯示即使是以通用人工智慧為目標的公司，也認為企業落地仍需要大量人工服務。
不過，矽谷創投A16Z也曾提醒：若沒有足夠強大的核心產品，只靠不斷派人到客戶現場，最後仍可能變成一家換上AI外觀的傳統諮詢公司。這門生意是否成立，不在於派出多少工程師，而在於這些人回來時，能否帶回可被產品化的成果。
企業AI落地的缺口，在許多中小型團隊中尤其明顯。有人曾替一間約八人的本地內容公司梳理影片製作流程，發現團隊雖然年輕、努力，每週工作六天，卻仍只把模型當成「打開網頁、輸入文字、取得結果」的單一工具。
他們效率不高並不是因為懶惰，而是沒有人教他們如何把AI放進完整工作流程。類似企業在大型城市裡數量龐大，也形成了部署、整合與基礎設施人才的實際需求。
麻省理工曾有研究指出，95%的企業AI專案未能產生可衡量的回報。這項數字的定義較窄，不宜完全照單全收，但它反映的方向值得注意：許多公司已經購買和安裝AI，卻仍無法真正使用。
這也是資料中心與部署人才存在的原因。他們不只是蓋機房，而是要讓伺服器、算力、供電、散熱、網路、排程及軟體生態真正運轉。
市場上會同時出現「算力嚴重短缺」與「大量機房空轉」兩種說法，而且兩者都可能是真的。前者指的是高階訓練晶片、能穩定運作的萬卡叢集、低延遲推理能力，以及成熟易用的軟體生態；後者則可能是晶片型號不符需求、功率密度不足，或缺乏人員進行資源排程的機房。
換句話說，「算力」之下其實包含兩種不同的資產：一種是真正可投入生產的有效算力，另一種只是名義上存在、實際上難以運用的硬體設備。
這類工作至今甚至沒有統一職稱。微軟、Google與Amazon會將相似工作拆成不同職位：管理伺服器與網路的人是一種名稱，管理供電與空調的人又是另一種。美國勞工統計局也尚未為其建立獨立職業代碼，各方公布的利用率可能是20%、30%或36.8%，但有人計算晶片時數，有人計算機櫃，缺乏一致標準。
一個連職稱和統計口徑都還未統一的產業，恰恰說明它仍處於非常早期的發展階段。
然而，AI落地最終仍要通過商業帳目的檢驗。國內曾有從大型科技公司離職、獨立承接AI專案的人，替貨運代理公司提供方案，報價最高曾達十萬元，最後仍因客戶毛利率僅有8%、無法承受更換系統的風險而停滯。當數位員工每月消耗的算力成本過高，即使技術可行，專案也未必具備經濟效益。
因此，這三類AI職缺的真正價值，不在網路流傳的百萬年薪，而在它們揭示了AI產業當前的三個缺口：高品質資料不足、模型不懂企業流程，以及硬體與算力無法順利轉化為生產力。
它們確實正在成長，但同時也可能只是過渡性工作。資料充足、模型更成熟、企業與AI能直接溝通、基礎設施更加標準化之後，部分職務可能被自動化或重新定義。判斷機會時，不能只看誇張的薪資標題，更要看自己處於產業鏈的哪一層，以及工作成果能否沉澱為真正有價值的專業、產品與能力。
