姚星丞离开腾讯、落地Thinking Machines Lab的消息，表面看是又一笔天价薪资的八卦。但把它和OpenAI在新加坡招Forward Deployed Engineer、MCP SDK月下载量逼近5亿次、Codex输出Token占OpenAI企业客户合计输出64%这些信号放在一起——AI人才市场正在发生一次静悄悄但不可逆的结构性分裂。

不是AI人才不值钱了。是值钱的方式变了。

一、姚星丞的数千万：预训练顶端的"不可复制性溢价"

过去两年，预训练研究员是最容易被唱衰的群体。"Scaling Law到头了""架构收敛了""开源追上了""大家都去做Agent了"——每一条都在暗示：从头训练基础模型的人该降价了。

姚星丞的薪资走向却完全相反。

为什么？

论文可以公开，坑不能。

知道Transformer怎么工作，和让几千张GPU连续跑几个月不崩，是两件事。数据配比怎么定、Loss异常从哪查、训练稳定性怎么判断、Scaling到什么阶段开始失效——这些东西的载体不是arXiv，是人的身体记忆。

腾讯过去一年给了他算力、团队和大规模训练机会。这些经验一旦形成，买家就不只是国内大厂。Thinking Machines Lab加价挖人，本质上是在买"已经踩过那些坑"的确定性。

更值得注意的信号：流动方向在反转。

过去是中国买海外实验室培养出来的人；现在是中国大厂训练出来的人被海外前沿实验室重新定价。姚星丞从腾讯到Mira Murati的团队，不是"大厂留不住人"的悲情故事，而是中国算力集群已经具备培养顶级预训练人才的能力——这是产业链位置变化的一个微观注脚。

二、FDE的崛起：另一端的稀缺性

OpenAI在新加坡招Forward Deployed Engineer，要求50%出差、深入客户系统、用生产采用率和业务结果衡量效果。这个岗位不是新发明——Palantir早就在用。但在Agent时代，它突然从"交付工程师"升级为"研究和客户之间的接口"。

原因很直接：

企业现在不缺能演示的模型，缺的是能把模型接进权限、数据、流程和组织里的人。

• 模型再强，进不了生产等于零

• Agent再聪明，没有数据通道和权限体系就是玩具

• Demo到部署之间的那段距离，恰好是最多人摔跤的地方

OpenAI内部数据：
• Codex输出Token占Codex+ChatGPT合计输出的64%

• 使用最深的前10%企业，人均输出Token是典型企业的8.3倍（年初差距仅2.6倍）

• 非开发者组织用户自2025年8月以来增长189倍

这些数字说明一件事：企业用AI的方式正在从"问问题"切换到"交任务"。一旦进入真实工作流，最难的部分不再是模型能力，而是系统集成、权限管理、流程嵌入和业务验收。

FDE变贵，不是因为应用取代了研究，而是因为模型能力不再是唯一瓶颈，部署能力成了第二瓶颈。

三、中间层的困境：教程能教的东西，迟早会被工具吃掉

真正尴尬的是中间那一层。

过去两年，一个工程师如果会调API、写Prompt、用LangChain、搭RAG、做简单Agent，就足以和传统开发者拉开显著差距。不是这些能力没用，而是当时会的人少。

现在：

曾经稀缺的能力 正在发生什么

Prompt工程 模型越来越不需要精心调Prompt

RAG搭建 框架和SDK一层层封装，变成配置而非工程

Agent框架调用 MCP协议标准化，SDK月下载5亿次

简单模型封装 模型公司自己出工具链，中间商被绕过

MCP 2026年7月新版规范发布时，Tier 1 SDK接近月5亿次下载，TypeScript和Python SDK累计超10亿次。一个连接模型与工具/数据的协议，已经变成基础设施。

过去"怎么让模型接数据源"本身就是工程壁垒。现在这些连接方式标准化了，适配HTTP、企业授权、长周期任务——中间层被协议化、被SDK化、被平台化。

LinkedIn 2026劳动力市场报告：美国要求AI literacy的职位同比+70%，过去两年全球新增约130万AI-enabled岗位。需求在涨，但稀缺性在跌——这两个可以同时发生。

就像Excel：十年前会Excel是优势，后来不会Excel是缺陷，但"会Excel"本身不再能让你拿溢价。

AI literacy正在走同一条路。

四、一张图看懂AI人才市场的"两头拉"结构


高溢价 ←———————————————→ 高溢价
预训练/研究            FDE/部署/交付
（姚星丞）             （OpenAI新加坡岗）
· 大规模训练经验        · 系统集成能力
· 数据配比/稳定性       · 权限/流程嵌入
· Scaling判断          · 业务结果验收
· 踩坑经历不可复制      · 客户现场不可远程
        ↑                      ↑
        └──────── 中间层 ────────┘
          · Prompt工程
          · RAG搭建
          · Agent框架调用
          · 简单模型封装
          ⚠️ 正在被标准化、被工具化、被协议化


掉价的不是AI人才整体，是"我会用AI所以我天然比别人贵"这层溢价。

五、这意味着什么：给不同角色的判断

对从业者：
• 如果你在中间层——纯框架调用、教程级Agent搭建、简单RAG——你的窗口期可能还有12到18个月，但收缩速度会比预期快。要么往上走（理解模型原理、训练机制、系统架构），要么往下走（深入业务场景、成为某个行业的AI部署专家），停留在中间会越来越像"会Excel"。

• 如果你在做预训练——顶端溢价短期不会消失，但门槛不只是论文，是有没有机会真正跑一次大规模训练。大厂和前沿实验室的算力资源分配会越来越向少数人集中。

• 如果你在做应用——别只做"接API的人"，做"把AI送进生产的人"。行业知识+组织理解+系统集成能力，是FDE方向的核心壁垒。

对企业：
• 招聘逻辑要变：过去两年"招一个AI工程师就能转型"的思路已经过时。现在需要的是研究型人才（少数）+ 业务部署人才（中量）+ AI literacy全员覆盖的三层结构。

• 中间层的岗位不会消失，但薪资会回归到普通软件工程水平。别为"会LangChain"付溢价了。

对行业：
• AI人才市场的分化，本质上是行业从"工具期"进入"基础设施期"的标志。工具期的利润在"谁先用上"，基础设施期的利润在"谁控制底层"和"谁控制落地"。中间商永远是最先被压缩的。

• 这和云计算早期很像：最早"会AWS"的人拿高薪，后来云服务标准化了，"云架构师"分化成"底层平台团队"和"业务上云顾问"，中间那层变成了运维。

六、收口

姚星丞的数千万、FDE的扩张、MCP的5亿次下载、Codex进入非技术岗位——这些不是孤立新闻。

它们说的是同一件事：

AI行业正在分清楚，什么东西值得长期付高价。

值钱的是两种人：
1. 能把模型能力继续往前推的人（少，且越来越集中）
2. 能把模型变成业务结果的人（少，且越来越重要）

中间那层最危险的可能不是没工作，而是有一天公司发现：这些能力，很多人都会了。

这不一定是坏事。中间层"掉价"意味着AI能力的普及——而普及恰恰是下一轮创新的土壤。只是对于还停留在中间层的人来说，窗口不会永远开着。