姚星丞之后，AI人才的中间层开始掉价

文 | 奇帆商业 姚星丞的价格还在涨。 今年7月离开腾讯后，他的下一站一度被传成Meta。两个月后，答案落在Thinking Machines Lab，这家由OpenAI前CTO Mira Murati创办的AI公司。 据雷峰网援引知情人士消息，姚星丞在腾讯的年薪包大约处在数千万元人民币区间，Thinking Machines Lab给出的薪资则“明显高于”腾讯。姚星丞本人、腾讯和Thinking Machines Lab目前都没有公开确认具体数字。 这个价格之所以值得看，不只是因为高。 过去一年，AI行业一直在发生另一件事。模型越来越强，Agent框架越来越成熟，原来要一支团队折腾几个月的东西，现在一个工程师调用API、接几个工具，很快就能搭出第一版。很多过去被包装成“AI能力”的东西，正在变成普通软件工程的一部分。 照这个趋势看，AI人才理应越来越多，某些岗位的稀缺性也会下降。 姚星丞却走在相反的方向。 他负责的是混元大语言模型预训练。腾讯今年2月重建预训练和强化学习基础设施之后，还在继续扩大训练规模，姚顺雨也公开表示，腾讯仍在持续扩大预训练和强化学习规模、提升模型智能上限。 另一边，OpenAI正在新加坡招聘Forward Deployed Engineer。这类工程师不负责训练基础模型，而是直接进入客户，把模型接进企业系统，再用生产采用率、工作流改善和业务结果衡量效果。 图源：OpenAI新加坡招聘信息 一个在模型最上游，一个离客户最近。这两个位置正在同时变贵。 中间那一层，情况开始变得不一样。 01 姚星丞为什么还能值数千万 如果只看过去两年的行业叙事，预训练研究员本来是最容易被唱衰的一批人。Scaling Law的红利被反复讨论，模型架构逐渐收敛，开源模型持续追赶，越来越多公司把注意力从“再训练一个基础模型”转向Agent、Coding和商业落地。 腾讯自己也在强调实用。今年发布Hy3 preview时，腾讯明确提出要跳出容易被“刷榜”的公开Benchmark，更强调真实评估、工具调用、Agent能力和推理成本，希望模型直接进入业务。 图源：腾讯2026年4月24日混元Hy3 preview官方发布信息 但做预训练的人并没有因此便宜下来。 原因很朴素。论文越来越公开，真正完整跑过一次大规模训练的人还是少。知道Transformer怎么工作，和真的让几千张甚至更多GPU连续跑几个月，是两回事。 数据怎么配，Loss异常从哪里查，训练稳定性怎么判断，Scaling到什么阶段开始失效，这些东西很难从论文里学完整。很多模型知识已经公开了，但踩过那些坑的人没有变多得那么快。 姚星丞的价值也在这里。雷峰网在报道里专门提到，他不是普通模型工程师，而是混元大语言模型预训练负责人，也是腾讯过去一年重点引入的年轻AI研究人才之一。 Thinking Machines Lab继续加价，并不奇怪。它不是一家缺算力的小公司，而是可以直接继续做昂贵训练的前沿实验室。对一个已经拥有大规模预训练经验的研究人员来说，这种环境意味着，下一份工作不是重新从产品需求开始，而是继续在模型训练本身积累经验。 所以姚星丞从腾讯去Thinking Machines Lab，并不能简单理解成“大厂不再有吸引力”。 恰恰是因为腾讯这样的公司给了算力、团队和大规模模型训练机会，这类研究员才积累出了很难通过论文获得的经验。经验一旦形成，买家也就不再只有腾讯、阿里和字节。 过去中国大厂更多是在购买海外实验室培养出来的人。现在反方向的流动也开始出现：研究员在中国大厂完成核心训练，再被海外前沿实验室重新定价。 预训练人才没有因为Agent热潮贬值。 至少最顶端那批没有。 02 另一头的人也开始变贵 但AI人才市场里，涨价的不只姚星丞这一类人。FDE正在变成另一个值得看的岗位。Forward Deployed Engineer不是大模型时代才出现的职位，Palantir很早就在使用这种组织方式，但到了Agent时代，它突然变得更重要，因为很多企业现在已经不缺一个能演示的模型，真正难的是怎么把模型接进自己的系统。 OpenAI对FDE的要求很具体。从需求发现、技术范围界定、系统设计，一直到生产上线，FDE都要参与。评价标准也不是模型跑分，而是生产采用率、工作流有没有改善，以及客户现场的反馈能不能反过来影响产品和模型。新加坡岗位还明确要求50%的出差比例。 图源：OpenAI FDE信息 这和姚星丞做的事情几乎相反。一个人负责把模型做强，另一个人负责把模型真正用起来，但有一点是一样的：他们都不能只交一个Demo。预训练做不好，模型能力上不去；FDE做不好，模型再强也进不了生产。 现在很多企业已经不缺“会做Agent的人”，缺的是能把Agent接进权限、数据、流程和组织里，最后让业务部门愿意真的用的人。OpenAI把FDE放在研究和客户之间，本身就说明客户现场已经不再只是销售部门的事情，而开始直接影响产品和模型路线。 企业内部的使用数据也在往这个方向走。截至今年6月，在OpenAI企业客户中，Codex产生的输出Token已经占Codex与ChatGPT合计输出的64%；使用AI最深的前10%企业，人均输出Token是典型企业的8.3倍，而年初这一差距还是2.6倍。 图源：OpenAI企业codex使用数据 这说明企业用AI的方式正在变。以前更多是问问题、写摘要，现在越来越多工作开始直接交给Agent完成。模型一旦进入真实流程，最难的部分往往不再是“能不能回答”，而是能不能接权限、接数据、接系统，并且稳定地把任务做完。 这也是FDE重新变贵的原因。 它以前容易被归进“解决方案”或者“交付”，现在却越来越像研究、产品和客户之间的接口。OpenAI内部已经把法务、招聘、财务这些非技术部门也推向Codex，非开发者组织用户自2025年8月以来增长了189倍。 图源：OpenAI企业codex使用数据 模型越强，企业越愿意把真正的工作交出去。 部署越深，业务问题也就越多。 这一端的价值上涨，并不意味着应用取代了研究。它只是说明，模型能力不再是唯一瓶颈，谁能把能力送进生产，开始变得更值钱。 03 中间那层，正在失去过去的溢价 真正尴尬的是中间。过去两年，一个工程师如果会调用大模型 API，会写Prompt，会LangChain，再懂一点RAG和Agent，就足以和大量传统开发人员拉开差距。不是这些能力没用，只是当时会的人少。 这种稀缺性正在消失。 MCP的发展就是一个很直接的例子。2026年7月新版规范发布时，官方披露Tier 1 SDK已经接近每月5亿次下载，TypeScript和Python SDK累计下载量都超过10亿次。一个最初用来连接模型与数据、工具的协议，已经快速进入基础设施层。 过去“怎么让模型接数据源、接工具”本身就是一项工程能力。现在这些连接方式越来越标准化，甚至开始适配普通HTTP基础设施、企业授权和长周期任务。 以前做一个Agent，要自己搭循环、工具、状态、权限和执行环境。现在模型公司、SDK和协议层正在把这些事情一层层包起来。 中间层受到的压力还不只是框架标准化。 当普通知识工作者自己就能做数据处理、自动化和轻量工具开发，那批只