AI高薪叙事之外:985硕士12小时连轴转,校招门槛抬到社招
晚上11点,杨涵合上电脑,12小时连轴转暂告一段落。但人下班了,神经没下,一旦数据有问题,她要24小时待命。 杨涵毕业已经3年,是985计算机本科、QS前20院校硕士,始终在AI这条线上,在几家大厂攒过实习和履历,还当过初创公司AI方向负责人。 这扎实的简历,配上超高的工作强度,按理说收入该傲视群雄。但眼下杨涵的月薪,
夜里11点,杨涵把电脑合上,连续12个小时的高强度工作这才暂停。人虽然离开了工位,神经却松不下来——数据一旦出问题,她随时得在线,24小时待命。
毕业3年,985计算机本科、QS前20院校硕士,杨涵一直在AI这条线上走,几家大厂的实习和履历攒了不少,还做过初创公司AI方向的负责人。
简历够扎实,工作强度也够高,按常理收入该甩开同龄人。可她现在的月薪,只勉强追平先进制造头部研发的水平,放到互联网大厂里也就是中等。
这跟她“急流勇退”、回研究院做基模有关。不过撇开这一层,她还有句话想说:“AI从业者,真没有外界想象的风光。”
当下的AI叙事里,最让人羡慕的工作和最令人眼红的薪资凑到了一起:大模型算法、智能体开发、AI Infra,动辄几十万起步,上不封顶;大厂的人才计划,百万年薪只是起步价。

问题是,热钱堆出来的高薪,只落在金字塔尖那一小撮人身上。这些极高的数字像一股巨大的拉力,把整个AI行业的“平均薪资”抬了上去。塔尖之下的人,体会到的是极大的落差。
投入与产出之间的巨大缺口,却要所有人用身体去填。普通人的加班时长和焦虑指数,早就跑赢了薪资涨幅。
聚光灯照不到的那一面,才是大多数人的日常。
1
门槛被抬高,校招变社招
身边同学TOP3硕士、校招零offer,陈墨每次提起这事,总被人怼回来:“净骗人,人家只是没拿到满意的offer而已。”
往年确实是这样。陈墨的学长学姐揣着算法论文和实习经历,哪怕专业不太对口,或者本科是双非,也有机会挤进AI独角兽或大厂。今年行情真变了:秋招期间他投了近200个岗位,大小公司都投,地域也不设限,结果一个都没通关。
托马斯的许多同门和朋友,海投之后同样颗粒无收。他能拿到4个offer,靠的是“985计算机本硕+AI相关论文+大厂对口实习”,每个环节都没松过劲,卷生卷死四五年,才最终脱颖而出。
“互联网开始像金融行业了,讲究‘配资’,所有的经历一定要强相关。”托马斯这样感叹竞争的残酷。过去职场新人有成长期,如今企业没了耐心,校招变成了社招。
入行门槛一步步被抬高,Mike是亲眼看着它发生的。
四年前他选研究方向时,元宇宙和区块链还是最热门的标签。没想到此后AI一路“狂飙”,从能对话演变到能作图、能生成视频。去年身边人求职的方向变成了“智能体开发”,今年大家嘴里念叨的又换成“办公智能体”了。

技术迭代太快,智能体开发、提示词专家、工作流搭建这些被追捧的新工种,还没捂热,转眼又成了进化的牺牲品。
更无奈的是,AI越变越聪明,越来越像真能干活的人,许多旧岗位也在加速被替代。
前两年Mike的同学找工作根本不犯愁。那会儿大厂在AI上猛砸钱,薪资年年往上抬。有人干脆主动延毕,晚个一年半载毕业,多刷两段实习、多凑两篇论文,简历弄得更漂亮,到第二年就能签个更好的offer。
直到coding agent出现,手写代码的溢价被抹掉了。大厂开始停招初级、清外包、合并中台。“以前一个部门要招前端、后端、测试三个人,现在可能只招一个AI全栈开发,在agent帮助下一个人干三个人的事。”
这一过程中,钱没涨多少,要求却拔高了一大截。
AI工程师吴乐如今接到领导派下来的任务,第一反应就是打开AI:背景条件交给AI分析,任务让AI完成,再让AI写一份文档供他学习,学完拿去向领导汇报。
每天的工作,七八成基础任务都由AI完成。剩下那两三成,是他给AI做判断、纠错。“说白了,我就是个高级校对员。”吴乐自嘲道。
可这活儿也不是谁都能接。AI给出的方案有时逻辑上说得通,落到业务里却对不上,还能在边界条件上不动声色地留下隐患,数据也敢煞有介事地编。没几年真刀真枪的实战经验,这类毛病根本看不出来。

公司给了AI工具之后,对产出的预期也水涨船高。原来半天交付的工作,现在领导两小时就要看到。连吴乐都常常觉得吃力,他认为自己不是在使用AI,而是被AI的节奏推着跑。
“候选人得同时具备传统开发经验和‘AI native’,也就是会用AI、能驾驭AI,缺一样都不行,刚出校门的新人压根做不到。”他直言,企业没耐心招个白纸慢慢带,更想要“进来就能上手”的人。
公司这边其实也有冷冰冰的算盘:自己能犯错的空间,已经不多了。
2
泡沫挤破进入倒计时,人得重新找位置
在AI大会听了一上午,Mike觉得自己掉进了“无限循环”。
同一家公司里,团队A做了个“云端桌面智能体”,团队B“用AI重构了行业工作流”,团队C喊的是“原生AI一键干活”。名字不一样,PPT各做各的,可底层模型是同一个,工具调用的路子也大差不差,连落地的场景都高度重合。
“三个团队抢的是同一批客户、同一张订单。”Mike说得很直接。可“赛马”早就是业内默认的做法:一家公司拆出许多独立小组,放任它们各自发展、互相竞争,最后只留一个成熟项目。
不计成本、反复试错、甚至硬碰硬地砸开缺口,每个人头上都像悬着一只倒计时,非得在秒表归零前找到那根能引爆的引线。
杨涵心里清楚,按下这只倒计时的无形之手,是“金钱”。
这是眼下最烧钱的赛道:2025年全球风险投资每投出10元,就有6元进了AI企业的口袋。今年势头更猛,一季度AI初创企业融资规模已占全球VC的81%;中美科技巨头还在不断抬高资本开支上限,千亿接着千亿地砸。

钱投得惊人,回报却一直没兑现。麻省理工分析过300多个企业AI项目,其中95%没有可量化的利润影响。
“大家已经坐在了这辆高速行驶的列车上,没人想被甩下去。”杨涵越来越觉得,时间越拖越长、投入越加越大,回本的焦虑就跟着膨胀,不管做哪个方向,团队都盼着尽快出成绩。
去年ChatGPT和Claude靠coding赚到了钱,国内做应用层的玩家一窝蜂跟着涌进去;coding又脱胎于更聪明的模型,所以主攻基模的团队,也得扛住越来越大的研发压力。
内部赛马就这么在各家公司密集开跑:几个团队同时探路,工作哪怕推进到80%,只要效果拼不过,随时可能被叫停,整条业务线说没就没。技术还在不停迭代,每更新一次,之前做的事就可能全部归零。
何况,“技术要真正跑起来,必须结合用户需求、解决真实问题、拿到数据做下一代优化。”杨涵说。可一年以后AI会以什么方式介入生活,没人说得准,眼下AI眼镜、AI耳机这些创新都还在探索,谁也拿不出清晰答案。
这既是AI当下的困境,也是所有往里砸钱的人最焦虑的地方。
落到杨涵和同事身上,就是原本排好三个月、半年的规划,下个月可能就被一个新模型的效果掀翻;团队做事的方式、架构、职位频繁变动,中层管理者尤其成了AI行业里最先塌掉的一环。
“最开始中层是香饽饽,技术不用顶尖、收入却很高,大厂人纷纷转做AI中层。”可项目一次次中断、路线一次次改,挫败感巨大,业绩指标又始终够不着,中层们一个比一个憔悴。
于是她撤出一线,不去卷最顶尖的title、branding或产品,转而往AI infra等底层走——模型训练这类事,总归一直有人做。
去年才毕业的Mike也“求稳”进了国央企。那会儿大厂还在扩招,身边朋友一门心思想挤进去,他这选择被不少人说成“浪费学历”。
但在AI研发岗实习过的他,尝过产品攻关阶段连着通宵梳理文档、升级功能的滋味,也明白这些呕心沥血的付出,可能只是领导一时兴起的一次尝试。
在拿出成功作品之前,免不了反复试错、调转方向、把原来的计划推翻再重新起步。Mike 说,这个过程里的煎熬是躲不掉的代价。他身边不少朋友天天通宵,随时准备被裁,上班抱着做“日结工”的心态,那种日子不是 Mike 想过的。
他宁愿在更长的周期里理解AI,把它当成一个黑盒——对黑盒有期待,但谨慎观望。国央企的AI相关管理岗成了不错的选择,离AI不远,也能让他走得更稳、看得更宽。
代价是年收入只有20万,可Mike反倒成了朋友们羡慕的对象:“在这个越上进越焦虑的行业里,大家都想慢下来。”
(特别鸣谢博主“托马斯回旋”对本文的支持。)
数据支持:洞见数据研究院