133: 4000日薪的实习生和零工化的程序员，与脉脉CEO林凡盘点25年AI人才市场 | 串台「职」无不言

摘要

• Meta 对顶尖 AI 人才开出千万美元年薪，在林凡看来首先是“投入产出”算得过来。 一家每年投入百亿美元算力的公司，若有人把成本降低 10%，就可能省下 10 亿美元；Meta 近 2,000 亿美元广告收入若提高 0.1%，也对应 2 亿美元增量。相较之下，1,000 万美元薪酬并不夸张。DeepSeek 曾被举作费用大幅下降的例子，但林凡随后用节省 10% 的保守算例说明这个逻辑。
• 比 ROI 更重要的是，硅谷核心团队仍相信 AGI 可能在三年左右实现，并把它视为竞争与生存问题。 林凡出发前并无这种预期，和 OpenAI、Google 核心人员交流后称自己被“八成说服”：强化学习让编程等理工任务发生跳变，模型又可用“眼高手低”的判断能力为其他模型提供反馈，人类与 AI 的互动还在持续制造可筛选的新数据。
• 中国大厂已经从裁员省钱切换到“增本增效”，即重新决定钱投向哪里、投给谁才能放大效率。 报告所见，自 2 月起 AI 岗位发布量每月环比增长百分之十几至二十几，每月新增约 1 万名 AI 人才标注“看机会”，7 月起 AI 六小龙约 40% 的员工进入看机会状态；大厂 AI 招聘量同比普遍增长十倍以上。高绩效比例、AI 部门内部流动和股票归属节奏也都被改造，人才竞争已从工资扩展到组织与激励制度。
• AI 对就业的近期影响不是整类职业消失，而是初级岗位缩编、能力门槛升级，并且林凡判断中国可能比美国晚一到两年。 硅谷创业公司过去需要 8—10 名程序员，现在可能由 1—2 人完成，“一个主力程序员加上 AI”约等于原来 5 人；中国嵌入式、Python、C++、数据开发、前端、测试工程师、安卓、iOS 等岗位招聘量同比下降约 20%—30%，高管岗位也下降约四分之一。林凡把当前称为短期平衡态：“没有凭空创造出一批新的岗位，也没有替代掉整个职类。”
• 人才稀缺的定价已经延伸到论文、开源代码和实习生。 顶尖 AI 人才薪酬上限约为美国 500 万—1,000 万美元、中国 500 万—1,000 万元人民币，再往上“薪资就没有意义了”；少数顶尖实习生可拿到 4,000—5,000 元日薪，实习生占 AI 招聘的比例已快速升至百分之十几。AI 人才中本科、硕士、博士占比分别约 20%、54%、25%，博士人数甚至超过本科。论文引用数和 GitHub 代码下载量也成为粗略的定价指标。
• 林凡判断工作的下一轮结构变化不是普通远程办公，而是“机器上云”之后的“人力上云”。 最近两三年，招聘会从考察个人独立能力转向考察“人和 AI 能不能一起交付结果”；五到十年内，可拆分的销售、运营、研发、会计等任务可能由云端人机混合平台调用，白领工作随之零工化。收入或大体持平、努力者甚至更高，但组织归属和职业成就感会下降，前 5% 或 10% 的人可能继续留在传统大公司。
• 对个人最紧迫的策略，是把 AI 从偶尔使用的工具变成每天至少调用十次的工作习惯。 林凡的及格线很直接：“每周才用上十次，那你就得赶紧去培养这个习惯”；更长期的防线则是复杂问题、跨领域协作和尚未被数据化的经验。他说未来可能有 95% 的人不需要工作，主持人将这一终局概括为“出生即退休”，因此兴趣爱好并非闲谈，而是工作不再提供身份之后的意义基础。

精读

1. Meta 的千万美元年薪先由成本账算出来

• 这轮人才战的起点，是 Meta 花了 140 多亿美元投资相关对象的 49% 股份，随后一位王姓人士去了 Meta；原文没有给出可确认的投资对象名称和英文姓名。此后 Meta 又持续从 OpenAI、苹果等公司高价挖人。

• 林凡把媒体渲染的戏剧冲突还原成商业常识：“回到商业的本质就是投入产出。”DeepSeek 曾被举作费用大幅下降的例子，但林凡随后用节省 10% 的保守算例说明这个逻辑。

• 以 Meta 每年百亿美元起步的 AI 硬件投入计，10% 就是 10 亿美元；花 1,000 万美元雇到能实现这一节省的人，老板“会觉得非常非常地划算”。

• 产出端同样成立：Meta 广告收入接近 2,000 亿美元，人才若只提高 0.1%，增量也是 2 亿美元。天价薪酬不是慈善，而是高经营杠杆下的一小部分投入。

2. Meta 的广告复苏来自上一代 AI，却放大了这一代人才战

• Meta 过去三年广告收入大致翻倍，林凡从内部交流得到的判断是，增长确实与技术带来的广告效果改善有关，但“AI”这个财报叙事包含了包装。

• 具体机制并非新一轮大模型，而是上一代 deep learning 与推荐技术：苹果限制 Meta 获取用于身份识别的数据后，Meta 用深度学习补全数据，修复广告效果。“你也不能说深度学习就不是 AI”，但版本差异值得保留。

• 字节早已在广告和推荐中使用同一路径；Meta 恰逢资本市场高度关注 AI，经营改善于是获得更大的股价杠杆，也强化了公司继续重金投入的能力。

3. 林凡从怀疑转向“八成相信”AGI 会在三年左右到来

• 国内及美国外围公司普遍觉得 AI 最近一年遇到数据、强化学习等瓶颈，AGI 仍遥远；但 OpenAI、Google 核心人员给林凡的感受相反，“外界看到的所有瓶颈，大家都还是有一些解法的”。

• 他去年访问硅谷时，核心团队内部仍有明显派别分歧；今年则形成了强得多的共同信念。林凡坦言自己出发前并未预期会被说服到约八成。

• 第一项信心来自强化学习带来的编程能力跳变：数学、代码都有标准答案，模型能得到清晰反馈；一旦理工能力接近人类最高水准，后续进展会明显加速。

• 第二项来自“眼高手低”：模型未必能写出最好的文章，却可能判断两篇文章哪篇更好。于是强化学习可从 RLHF 进一步转向 Agent 或机器反馈，让模型充当另一个模型的反馈机制并自行迭代。

4. 数据没有真正耗尽，模型正在从人机互动中制造下一批训练料

• 预训练阶段可用的传统互联网数据基本快被耗尽，并不等于数据增长停止；人类与 AI 的持续对话本身正在产生新数据。

• 林凡承认，这些交互数据整体质量可能低于原互联网内容，但模型可以筛出其中的高质量部分，再投入预训练。“有很多很多我们认为是瓶颈的环节”，核心团队仍在逐一寻找解法。

• 这一判断的关键不是宣布问题已经彻底解决，而是核心人员相信存在可执行解法；林凡保留了约两成怀疑，没有把三年 AGI 说成确定事实。

5. AGI 的工作定义是逐项超过人类，而理工科会最先失守

• 硅谷讨论 AGI 时借用了自动驾驶 L1—L5 的分级思路：不是先争论抽象意识，而是看 AI 在各种具体任务上的完成水平能否超过普通人，乃至最优秀的人。

• 林凡援引的标志是 OpenAI 大模型参加 IOI、取得全球第八名；在这类任务上，AI 已经超过绝大多数人类参赛者。

• 路线共识是“先把理工科的任务都搞到人类没有什么机会了”，再用机器反馈强化学习处理销售、采访等没有唯一标准答案的任务。

• 林凡把真正通用的对象概括为 Google、OpenAI，以及一个仅算“半个”、在 coding 方面特化的对象；原文名称转写含混，不能据此确定其具体公司。

6. 对 Meta 而言，AGI 船票已经从投资问题升级为生死问题

• 林凡的判断是，Meta 前面曾经往前赶了一赶，但后来又落伍了，因此非常着急；如果核心团队对三年 AGI 的判断成立，落后一轮可能动摇整个公司的竞争地位。

• 因而重金挖人有两层账：第一层是降成本、增广告收入的可计算 ROI；第二层则是“未来的竞争力，我生死”，无法只用当年利润衡量。

• 这也解释了人才大战为何在资本市场看来并非单纯工资通胀：“谁先突破 AGI，谁就能活到后面的那一轮竞争。”

7. 钱超过阈值后，文化与成就感重新成为人才流动的主变量

• 林凡用月薪 100 万与 1,000 万作类比：当两者都已远超生活需求，如果高薪平台天天否定人才、限制方向，后者仍可能回到资源够用且能做成事的公司。

• “待遇超过了一定界限之后”，候选人更在意文化、共事对象、工作舒适度、能否实现想法，以及这份异常薪酬能否持续；这也是高价挖来的人很快离开的解释。

• 他估计顶尖人才的有效薪酬区间是美国年薪 500 万—1,000 万美元、中国 500 万—1,000 万元人民币，“再往上的薪资就没有意义了”。

• 这一级别或仅占 AI 人才的千分之几：若总池子是 10 万—20 万人，对应约几百人。媒体聚焦的千万美元合同，并不代表整个人才市场的普遍工资。

8. 中美 AI 人才大致差一个汇率，也差一层原创议题能力

• 林凡观察到的不只是顶尖薪酬，而是从上到下大体都“差一个汇率”；他同时称美国 AI 界大概 60% 是华人，中美人才供给有很强的华人连接。

• 差异在最顶层：提出强化学习新方向、推动行业范式变化的仍更多是非华人；华人人才更常把其中的具体方法继续优化，承担强工程和算法改进。

• 目前尚未明显出现美国公司直接把中国境内人才大批挖走，反而是中国公司更多尝试从美国招聘；身份限制也在影响部分跨境流动。

9. 美国已经替换初级程序员，中国还处在少招而非集中释放阶段

• 美国大型科技公司对程序员普遍采取“离职不补”，特别缺人的部门也常是离开两人补一人、离开三人补一人；业绩和股价改善可以与持续缩编同时发生。

• 创业公司变化更尖锐：过去成立一家招聘、法律或数据标注公司通常需要 8—10 名程序员，现在可能只要 1—2 名。“一个主力程序员加上 AI”，产出约等于过去 5 人。

• 中国人力成本较低，企业暂时没有同等迫切的替换动力，更多表现为岗位增速变慢或不再扩招，而非大量现有人才立刻释放。

• 林凡判断中国可能晚一到两年、在明年或后年进入更明显阶段；他回国后对团队说“大家能蹦跶的日子不是很长了”，程序员们则普遍表示不相信。

10. “增本增效”意味着大厂重新花钱，而不是回到无约束扩张

• 脉脉数据中，自 2 月起 AI 岗位发布量每月环比保持两位数增长，约为百分之十几至二十几；人才侧每月新增约 1 万人把状态改为“看机会”。

• 从 7 月开始，AI 六小龙约 40% 的员工标注看机会，显示企业需求与人才流动意愿同时升温，而非只有招聘广告的单边噪声。

• 林凡把拐点追溯到 GPT-4 发布后的产业变化。经过两年瘦身，大厂继续省钱的边际收益已经很低，核心问题转为“往哪里投钱、给谁投钱、投多少钱”才能进一步提升效率。

• 因而“增本增效”并不等于全员增编：普通岗位仍可收缩，只是资本、编制和激励被更集中地投入 AI 与核心产出部门。

11. 绩效、内部转岗和股票归属都被改造成抢人武器

• 传统“二七一”绩效分布正在松动：字节等公司会让核心团队的高绩效比例提高到 30%，甚至 50%，以便让更多关键人才得到即时正反馈。

• 内部“活水”也向 AI 倾斜。腾讯员工原本可能需任职满一年才能转部门，若目标是混元、元宝等 AI 业务，门槛可降至三个月。

• 阿里股票激励原先可能第一年归属 0、第二年归属 50%，现在可能改为第一至第四年约 15%、25%、30%、30%；这有点像“少食多餐”，让工作半年的员工看到再等半年即可兑现。

• 这套制度专门对抗外部 30% 涨薪：若近期就有股票到账，候选人未必立即离开；对手可能要开到 50% 乃至 100%，才足以改变决策。

12. AI 岗位的定义已经跨出研发，但市场仍由技术职位主导

• 脉脉不是看到岗位标题带“搜索、广告、推荐”就算 AI，而是同时检查岗位名称、JD 和候选人经历是否包含大模型、deep learning 等相关技术关键词。

• 老式搜广推本身不自动纳入；若公司明确使用大模型重做搜索、广告或推荐，则计入。产品、运营、设计乃至 AI 产品销售也可计入，因为分类是“技术加职能”的综合定义。

• 当前约 85% 的 AI 岗位仍偏技术，非技术岗位约 15%；国内成熟 AI 产品尚少，能规模销售的产品不多，所以 AI 销售和售前职位尤其稀缺。

• 增长最快的环节围绕核心模型、模型应用，以及模型与具体业务之间的衔接，不是泛泛在职位名称前加上“AI”。

13. 字节与阿里领跑，但大模型人才正在从互联网扩散到制造业

• 林凡称各大厂今年 AI 招聘量较上年普遍增长十倍以上；这指招聘流量从例如每年 50 人升到 500 人，不意味着一个千人部门直接扩成万人。

• 单家公司中，字节岗位数“断崖式领先”，约为腾讯的三四倍；小红书紧随其后。阿里因淘宝、阿里云、蚂蚁等被拆开统计，合并后规模可能与字节不相上下。

• 分开统计时阿里各主体数量较少；如果合并，阿里应该排在第三或第四，腾讯排第五，之后是美团、京东、百度、华为等。

• 小米、比亚迪的 AI 人才流入流出比甚至高过一些互联网巨头。底层大模型基本趋于统一后，金融科技、自动驾驶、机器人和其他硬件领域都开始争夺同一批人才。

14. 员工士气首先跟着持股收益走，业务叙事随后获得认同

• 阿里在组织调整并强化 AI 后，内部讨论从克制转向业务战略、组织、股票和各种建议；股价从去年底低点约 80 美元升至 130 多美元，是士气恢复的重要传导机制。

• 林凡没有把这种热情浪漫化：“员工最核心关注的都还是绩效晋升，然后自己的收益。”AI 获得资本市场认可、员工持股增值，公司认同才随之上升。

• 美团处在相反方向：外卖竞争激烈、股价开始下跌，员工更焦虑护城河能否守住；京东员工也集中讨论外卖策略及公司仍可改进之处。

• 非上市公司的话题更贴产品和生活：华为员工常把汽车与小米比较；大疆产品竞争力较稳，讨论更多落在办公区、租房、衣食住行与福利。

15. DeepSeek 给创业公司带回融资，却把人才争夺推向更困难的阶段

• DeepSeek 出现前，许多投资人认为 AI 是大厂的生意；其后创业公司的 AI 投资数量和交易额都上升，投资人对创业公司有了更强信心。

• “喜”的一面是钱与干劲回来；“忧”的一面是大厂同步提高工资和待遇。创业公司即使融资改善，与大厂的资源差距仍可能达到两三个数量级。

• 大厂人才主要来自其他大厂和应届生，但体量太大，“只要歪一点，创业公司也承受不住”，六小龙 40% 看机会正是这种压力的一个信号。

• 创业公司的相对优势仍是速度：中层以下人才在大厂往往按任务推进、结果慢；若小公司有真实场景，个人可以更快验证想法并拿到完整结果。

16. AI 人才平均两年跳槽，但大厂主动离职率其实低至 3%—5%

• AI 人才平均在一家公司约两年，短于新经济科技人才约 2.9 年的跳槽周期；不过这轮产业周期本身尚短，不能简单理解为普遍八个月就走。

• 经济承压后，大厂员工主动离职率已降到约 3%—5%。除非另一家大厂开出明显高薪，大部分人进入大厂后并不愿主动流动。

• 字节是所有公司人才的主要流入方向；百度则继续扮演“黄埔军校”，是主要人才流出方向，同时也是从 AI 六小龙挖人第二多的公司。

• 腾讯与字节互挖尤其明显，许多履历直接呈现“腾讯—字节”或“字节—腾讯”；阿里各业务主体名称分散，聚合后可能也很活跃，只是在数据里不够显眼。

17. 这轮红利最集中地落在顶尖理工硕博，而不是所有计算机毕业生

• 直接受益者是 C9 加“一电一邮”范围内的理工科硕博，即 C9 及北京邮电大学、西安电子科技大学等计算机强校人才；行业仍高度依赖读论文、写论文和学术式思考。

• AI 人才学历构成约为本科 20%、硕士 54%、博士 25%，博士占比甚至超过本科。

• 招聘侧学校排序为清华、北邮、浙大、北大、上海交大、北航、中科大、华中科技大学、电子科技大学、中国科学院大学、哈工大。它不是传统综合排名的复制。

• 北邮位居第二令林凡本人也意外；他的解释只是推测：工程人才供给多、离产业近，且已被互联网公司长期验证。哈工大在 NLP、机器人等方向的积累，也说明具体学科强项比综合名次更重要。

18. DeepSeek 让实习生从储备人才变成每日日薪 5,000 元的生产力

• DeepSeek 之前，企业更相信必须从美国挖成熟核心人才；之后大家看到实习生和应届生同样可能做出关键贡献，实习生占 AI 招聘的比例迅速升到百分之十几。

• 少数顶尖实习生的日薪达到 4,000—5,000 元；公司按日计酬且不拦周末工作，若本人愿意，一个月甚至可以干到约 28 天。不过林凡强调，这只属于少数人。

• 学术人才开始按 Google Scholar 引用量粗略定价：AI 论文引用过万，在美国约年薪 300 万—500 万美元，甚至可到 1,000 万；过千约 100 万—200 万，过百约 50 万—100 万。

• 国内可粗略把美元档位“除一个汇率”。拿到 4,000—5,000 元日薪通常意味着相关论文引用至少过百；工程人才则看 GitHub 代码下载量，定价一般低于同档论文人才。

19. 标准化初级岗位先缩编，高管也因 AI 能力断层下降四分之一

• 最易受冲击的工作有两个共同点：标准化程度高、重复度高。美国已经直接替代初级开发、客服、运营和标注，中国则先表现为新增需求减少。

• 脉脉所见，嵌入式、Python、C++、数据开发、前端、测试、Android、iOS 等岗位招聘量同比下降约 20%—30%；低阶市场、行政与运营岗位也在下降。

• 高管职位下降约四分之一，幅度不逊于初级开发。原因一是过去扩张期已经储备大量管理者，二是 AI 时代需要懂 AI 的人进入核心位置，部分非 AI 背景高管更难转型。

• 主持人援引甲骨文 CEO 贝利奥夫在播客中的说法：销售和客服团队由约 9,000 人降至 5,000 人；林凡也见过国内视频网站把审核、标注和客服从 6,000 人降至 1,000 多人，只是国内企业较少公开。

20. 当前是“提效而未清场”的短期平衡态

• 林凡对 2024—2025 年的概括很克制：“没有看到凭空创造出一批新的岗位，也没有看到替代掉了整个职类的职业。”

• AI 当前主要同时提高产出数量与质量；由于中国人力仍便宜，主流形态是人机协作，而非全自动替代。市场人员与模型共创文案，算法人员把传统语音、音视频、自动驾驶技术与大模型重新整合。

• 结果是很多岗位仍存在，却不再需要原来那么多人，能力模型也被抬高；闭环短、标准化高的工作先缩编，但尚未整体消失。

• 林凡把影响比作水潭涟漪：第一圈是互联网巨头和 AI 创业公司，第二圈已到汽车、机器人、消费电子，尚未明显制造一批非技术受益职业；两三年后才可能继续波及更多产业。

21. 林凡亲历了从“两天跑出弱智模型”到暴力规模有效的反转

• 林凡 2002 年开始读机器学习方向的直博，半年后退学加入搜狗创业。彼时神经网络做到约十层，计算量已经“不可想象”。

• 他在微软亚洲研究院参与 Office 助手相关工作时，用当时最好的单机在百万级数据集上跑两天两夜，结果仍“很弱智”，于是转向 BNN、SVM 等收敛更快的简化方法。

• deep learning 首次令他震动的是视觉：从早年识别十个车牌数字都困难，发展到能从几亿人中准确识别人脸；随后广告与自然语言应用仍被他视作顺理成章的工具。

• 真正超出想象的是自然对话与代码生成。他说，早年那批“正统做 AI 的人”从未预计二十年后会发生这种跳变；算力、数据规模和网络优化最终让暴力规模战胜了过去的效率直觉。

22. 旷视“拿着榔头找钉子”的经历提醒技术领先不等于商业成立

• 林凡把 deep learning 的第一产业节点放在 2010 年前后，但他创办脉脉时仍认为移动互联网才是当下更成熟的变革。

• 他的原则是，不必永远踩在技术最前沿：“很可能变成前浪被拍死在沙滩上面”，创业还要找到技术、需求和商业化同时成熟的时点。

• 早期旷视团队拥有视觉技术，却一度“拿着榔头找钉子”：做游戏很有趣但难赚钱；为商场统计人流又显得技术过度，因为统计手机 Wi‑Fi 数量即可完成。

• 直到银行人脸验证出现清晰付费需求，业务才高速发展。这个样本也构成他看待今天 AI 应用公司的标尺：模型能力本身不是闭环。

23. 招聘是脉脉最先被 AI 重写的工作流

• 招聘方原本要搜索人才、筛简历、询问意向并了解候选人偏好的方向；林凡认为这些环节 AI 已能做到与人一样好，有时甚至更好。

• 脉脉的一项方案能在三分钟内读取 5,000 份简历；另一次从 1,600 名候选人开始，与约 1,200 人完成沟通，得到约 120 名有意向者。

• HR 的反馈是提效非常明显，“离开它就不好干活了”。林凡设想每个环节都可解耦、提速再串联，最终把以周或月计算的招聘周期压到天，甚至小时。

• 服务招聘方也会反向服务候选人：求职者可能无需对大量 HR 重复已经说明过的信息，只需亲自解释 AI 尚不知道的新情况。

24. “AI 面试作弊”只是旧考核体系与新生产方式之间的过渡冲突

• 主持人提到 Fellow Round 和另一款近期热门的面试助手；原文对后一产品名称及其投资方的转写含混。林凡认为，这类尝试本身应是过渡阶段的工具或功能。

• 他的类比是算盘、计算器与 Excel：旧社会招会计要考算盘，后来能用计算器或 Excel 交付正确结果，再坚持考算盘就考错了能力。

• 程曼祺的反驳是，招聘方有时借题目观察潜力，而不只要一次结果；林凡的回应没有否认潜力，而是追问：该看的究竟是个人裸能力，还是“会用 AI 的能力”？

• 市场岗位可在十到二十分钟内由候选人自己或借助 GPT 完成文案任务；产品经理开始写原型代码，程序员开始画设计图、做用户反馈，能力边界已经模糊。机器模拟数日试工或许会出现，但林凡认为更大的零工工作流可能更早到来。

25. 工作的三个节点是 AI 协作招聘、人力上云与“出生即退休”

• 最近两到三年，招聘会从考察候选人能否独立完成任务，转向考察其能否和 AI 一起交付结果；具体面试标准尚未形成，但变化已经开始。

• 五到十年内，白领工作可能像滴滴、美团承载蓝领任务一样平台化。销售、运营、产品、市场和研发被拆成可流转任务，由云端机器系统与少量人共同完成，这就是“从机器上云到人力上云”。

• 更远的终局是几乎所有工作被 AI 替代。林凡说可能有 95% 的人不需要工作；主持人将其概括为“出生即退休”。林凡也明确承认自己没有想清楚从大规模零工平台到全民退休之间会发生什么。

• 时间表完全取决于 AGI 进展；人力云的必要条件则更具体：工作中有多少任务可拆解、可流转。只要强耦合能被解除，云端化就有机会发生。

26. 人力云会创造平台权力，也会降低多数人的组织归属

• 程曼祺追问，若竞争对手 A、B 都把销售交给平台 C，平台将掌握消费者与供应商两端的匹配权，会不会像广告平台一样吃掉大部分利润？

• 林凡的区分是：若客户名单、拨打对象仍由企业决定，平台主要提供执行服务；若连目标选择也完全交给平台，它确实会成为广告平台式的分配者，并可能拿走很大一部分利润。

• 他预计前 5%—10% 仍可能在大公司工作，其余人大量进入外包和零工体系；并非只覆盖“一定数量”，而是仍可能让“足够数量”的人有活干，只是工作被碎片化。

• 收入或大体持平：熟练、努力者可能赚得更多，多数人比原工资低约 10%，不积极者也可以用很少的钱养活自己；职业成就感则“肯定更低”，因为使命、身份和组织归属会被削弱。

27. 一家未具名独角兽已经把程序员职业阶梯改成按周升降

• 林凡介绍了一家现实中的全球化公司：它招募程序员为 OpenAI 做数据标注，也用自有 Agent 承接华尔街任务，参与者已达到上千人规模。

• 新人先写代码；表现最差者淘汰，最好者晋升 code review。优秀 reviewer 再升级为编写 Agent，下一层则是 Agent reviewer，负责审查编写 Agent 的人，形成四级体系。

• 这个阶梯不是传统的程序员、高级程序员、系统工程师，而是按周持续评估，“可升可降”；做不好会降回上一层，职业发展没有消失，但稳定头衔消失了。

• 印度参与者年收入约 10 万—15 万美元，相当于硅谷一半工资，却可在班加罗尔生活；东欧和俄罗斯人才也参与，部分俄罗斯人需转到南美。中国身份受限，通常要借马来西亚或新加坡身份进入。

28. 大模型公司、大厂与招聘平台都可能争夺人力云入口

• 大模型公司具备底层能力，随着 AGI 增强可以向任务执行延伸；它们天然有机会从工具提供者成为劳动力平台。

• 大厂拥有可复用的人力资源与信用，逻辑类似其从自用机器发展云服务：内部程序员除服务本公司，也可能被调用去服务外部创业公司。

• 招聘公司则已有供需、评价和撮合基础。林凡明确认为脉脉有机会，但当前仍从招聘 AI 化起步，先将每段链条解耦，再尝试串成招聘乃至白领零工平台。

• 他不担心公开这个框架：“有想法的人多了去了。”相比保守 idea，更重要的是找到志同道合者，把任务拆解等现实难题做出来。

29. 每天十次使用 AI，是林凡给白领设定的最低及格线

• 林凡对所有白领的第一条建议是付费购买 AI 会员，把更强功能纳入日常工作；面对每项任务都试一次“交给 AI 看它能做到什么程度”。

• 他的量化标准是每天至少十次：“如果你每周才用上十次，那你就得赶紧去培养这个习惯。”未来两三年，人机协作能力若仍未形成，工作会逐步被淘汰。

• 第二条防线是复杂问题与跨领域协作：多头绪、多线索的业务判断，以及生物与计算机、产品与运营、产品与研发之间的协调，目前仍缺少完整数字数据供模型快速学习。

• 一项针对 1,300 多位家长的美国调查把水管工、空调系统维修、电工、护士列为最抗 AI 的工作，律师排第五；林凡认为律师已明显受冲击，具身智能也会追赶，AI 可能在 10—15 年后做护士。

30. 生物学是林凡给女儿的家庭下注，而兴趣是后工作时代的公共建议

• 林凡刚上大学的女儿最终选择生物学。他的逻辑是，硅基生命几十年进展迅速，碳基生命的基因与人类基础结构仍理解有限；大模型可能成为生物学的新工具，作用类似微积分推动物理学。

• 生化环材过去的“天坑”来自大量重复实验与概率试错，AI 和自动化可能提高搜索效率。但林凡特意收回普遍化建议：“我不推广，我只推广给我们自己家闺女。”

• 对不用工作的未来，他更愿意谈兴趣而非事业。刷短视频、购物、吃甜品不算真正爱好；适度与三五好友打麻将可以算，前提是不熬夜、不赌钱。他自己因练剑、太极会被围观，后来转向户外与登山。

• 工作目前占生命约三分之一、清醒时间近一半，已经工作很长时间的人会很难解除工作与自我认同的绑定；但未来的 native 世代未必如此。林凡以不用工作的贵族作类比：“只要能找到自己喜欢的事情，就还是会有意义的。”

Verification Notes

• 原文对 Meta 投资对象、王姓人士、coding 特化公司的名称，以及一款面试助手的名称存在转写含混；本校正未据此补写具体实体。原文还同时出现 2012 年与 2013 年的脉脉创业年份说法，因此未在正文断言具体年份。