最近在关注 AI 行业就业动态时我发现了一个非常矛盾的现象一边是硅谷科技公司大规模裁员动辄上万人被优化理由几乎都指向 “AI 提效”另一边是头部 AI 企业在高薪争抢资深工程师创投圈也在追捧更年轻的 AI 创业者。直到读到《AI 到底在淘汰谁一边裁掉 12 万人一边疯抢 12 年老兵和 24 岁创始人》这篇文章里面提出的 “人才哑铃化” 观点一下点透了背后的逻辑 ——AI 正在系统性重塑整个人才市场的结构中间执行层被持续挤压两端的核心价值正在被快速放大。作为人工智能学院电子信息专业的研一学生这个趋势直接关系到我们两年后的职业选择也让我对接下来的研究生规划有了很多新的思考。一、被 AI 重构的人才市场从金字塔走向哑铃文章里三组并行的数据拼出了当下 AI 行业最真实的人才图景中间层在收缩2026 年至今硅谷科技行业已累计裁员超 12 万人规模比去年同期高出三分之二。Meta、亚马逊、甲骨文均开启万人级缩减被裁岗位集中在传统运维、初级开发、流程管理等纯执行类角色核心原因就是 AI 工具大幅提升了人效替代了大量标准化、流程化的工作。资深端在疯抢头部 AI 公司反而在高价吸纳资深工程师。以 Anthropic 为例过去一年招聘的工程师入职工龄中位数达 12.2 年13 年以上的老兵占比 44%工龄不足 3 年的应届生仅占极少数。它们不看学历、不看潜力只看一个标准有没有实打实扛过大规模生产系统、处理过线上事故的经验。年轻端在爆发创业端的风向则完全相反。YC 孵化器入选项目的创始人年龄中位数已经降到 24 岁25 岁以下创始人数量首次超过 25 岁以上群体。这批创业者是典型的 “AI 原住民”—— 从接触编程开始就有大模型辅助对 AI 能力边界的直觉是原生的不需要改造旧的工作习惯。这三组数据合在一起指向同一个结论传统的 “金字塔型” 人才结构正在被 AI 压成 “哑铃型”—— 顶层的判断经验、前端的创新直觉被 AI 指数级放大而中间大量纯执行、纯翻译、纯流程搬运的岗位正在从两端被一起挤空。二、两种被 AI 放大的核心价值哑铃的两端之所以值钱本质上是 AI 放大了两种完全不同的经验红利。1. 碳基经验被 AI 放大的产能红利资深工程师的价值从来不是写代码的速度 —— 论敲键盘的速度他们未必比得过熟练使用 AI 的年轻人。他们真正的稀缺性在于十几年攒下的 “为错误负责” 的判断什么架构看着漂亮但三个月后一定会垮、什么微小改动会在凌晨引发线上事故、什么方案看似可行但隐藏着不可控的风险。这些从失败里踩出来的经验AI 没有、也学不会因为 AI 没有真正为后果负责的经历。而 AI 的出现第一次把这种判断经验直接放大成了产能过去需要一个团队花两三年完成的系统重构一个资深架构师搭配 AI Agent两个月就能落地效率提升可达十几倍。但这种放大有一个前提 —— 必须有扎实的工程地基自动化质检流水线、多模型交叉校验、关键决策人工兜底。缺了这些AI 越快堆出来的技术债就越危险。这也是为什么头部公司宁愿高薪抢老兵也不愿招大量应届生经验是 AI 放大的本金没有本金工具再强也跑不出可靠的结果。2. 硅基原生被 AI 放大的创新红利创投圈追捧年轻创始人也不是单纯因为 “年轻人有闯劲”。核心原因在于年轻一代是带着 AI 长大的 “原住民”他们从学习编程第一天起ChatGPT、Claude、Cursor 就是默认的基础工具。对 “AI 能干到什么程度、该怎么给 AI 喂信息、什么事该交给 AI 做” 的直觉是原生生长出来的不需要推翻自己二十年的工作习惯去重新适应。上一代创业者的起手式是 “先组团队、再做产品”而 AI 原生的年轻人起手式是 “先让 Agent 跑通 demo再考虑要不要招人”。旧平台攒下的很多经验到了新范式下反而会成为包袱年轻人没有历史负担反而更容易做出完全属于 AI 时代的新产品。三、作为电子信息专硕研一我的几点思考看完这篇文章我最大的感受是焦虑 “会不会被 AI 替代” 没有意义真正重要的是想清楚 —— 我们要站在哑铃的哪一端作为偏向工程应用的电子信息专硕我们既不是纯学术路线也不是纯创业方向最稳妥的路径是主动向哑铃的两端靠拢避免卡在最容易被替代的中间执行层。1. 警惕 “工具人陷阱”拒绝做纯执行者专硕的培养偏向落地应用我们很容易陷入 “给任务、按流程、做完交差” 的舒适区调包跑通模型、按需求实现功能、照着步骤做实验。但恰恰是这种标准化、流程化的中段工作是 AI 最先、最容易替代的。不能满足于 “跑通、能用”要多往深问一层为什么选这个方案有没有更优的思路出了异常怎么排查根因把每一次课程项目、课题任务都当成攒判断经验的机会而不是完成任务的流程。2. 主动攒 “碳基经验”在项目里主动扛事研究生阶段的项目、课题不要怕出错、怕麻烦。bug 排查、方案推倒重来、线上问题定位这些看似耽误时间的 “踩坑经历”恰恰是未来最值钱的失败经验。跟着导师做项目时尽量主动承担端到端的模块而不是只做别人拆分好的一小块做课程设计时不要只满足于跑通 demo试着去考虑性能、鲁棒性、异常边界。这些踩过的坑就是未来我们能被 AI 放大的本金。3. 吃透 AI 工具构建自己的 AI 原生工作流不要只把 AI 当成 “写代码的辅助工具”要试着用 AI 重构自己的学习和开发流程。读文献、做调研时怎么用大模型快速梳理领域脉络、提炼核心问题而不是逐字硬啃写代码、做项目时怎么用 Agent 帮自己完成重复性工作、做交叉校验而不是直接要答案遇到问题时怎么提问能让 AI 最快帮我们定位根因而不是依赖 AI 直接给解决方案把 AI 从 “答案生成器” 变成 “效率放大器”培养自己对 AI 能力边界的直觉这才是我们这代人区别于前辈的核心竞争力。4. 保持对前沿的敏感度不做 “旧范式学生”AI 领域的迭代速度远超传统学科每周都有新模型、新工具、新玩法。不能只盯着课本和课堂知识要养成跟进行业前沿的习惯。不一定每个方向都深入研究但至少要知道 “现在行业里在用什么、最新的范式是什么”避免自己的知识体系还没毕业就已经过时。结语文章里有一句话让我印象很深“决定你站哪一头的从来不是年龄是你手上有没有一种能被 AI 放大的经验。”对我们研一学生来说年龄的优势是暂时的“AI 原住民” 的标签也不能当饭吃。接下来的两年与其焦虑会不会被 AI 替代不如踏踏实实攒两样东西一样是实打实的工程判断经验一样是驾驭 AI 工具的原生能力。AI 淘汰的从来不是人是只会做纯执行的岗位。而我们要做的是成为能拿着 AI 这把武器站在哑铃两端的人。参考文献[1] 蒋涛. AI 到底在淘汰谁一边裁掉 12 万人一边疯抢 12 年老兵和 24 岁创始人 [EB/OL]. 硅基时间2026-07-02. https://mp.weixin.qq.com/s/rULJeNLXwwMZVXM1D5rKrg
最近在关注 AI 行业就业动态时我发现了一个非常矛盾的现象一边是硅谷科技公司大规模裁员动辄上万人被优化理由几乎都指向 “AI 提效”另一边是头部 AI 企业在高薪争抢资深工程师创投圈也在追捧更年轻的 AI 创业者。直到读到《AI 到底在淘汰谁一边裁掉 12 万人一边疯抢 12 年老兵和 24 岁创始人》这篇文章里面提出的 “人才哑铃化” 观点一下点透了背后的逻辑 ——AI 正在系统性重塑整个人才市场的结构中间执行层被持续挤压两端的核心价值正在被快速放大。作为人工智能学院电子信息专业的研一学生这个趋势直接关系到我们两年后的职业选择也让我对接下来的研究生规划有了很多新的思考。一、被 AI 重构的人才市场从金字塔走向哑铃文章里三组并行的数据拼出了当下 AI 行业最真实的人才图景中间层在收缩2026 年至今硅谷科技行业已累计裁员超 12 万人规模比去年同期高出三分之二。Meta、亚马逊、甲骨文均开启万人级缩减被裁岗位集中在传统运维、初级开发、流程管理等纯执行类角色核心原因就是 AI 工具大幅提升了人效替代了大量标准化、流程化的工作。资深端在疯抢头部 AI 公司反而在高价吸纳资深工程师。以 Anthropic 为例过去一年招聘的工程师入职工龄中位数达 12.2 年13 年以上的老兵占比 44%工龄不足 3 年的应届生仅占极少数。它们不看学历、不看潜力只看一个标准有没有实打实扛过大规模生产系统、处理过线上事故的经验。年轻端在爆发创业端的风向则完全相反。YC 孵化器入选项目的创始人年龄中位数已经降到 24 岁25 岁以下创始人数量首次超过 25 岁以上群体。这批创业者是典型的 “AI 原住民”—— 从接触编程开始就有大模型辅助对 AI 能力边界的直觉是原生的不需要改造旧的工作习惯。这三组数据合在一起指向同一个结论传统的 “金字塔型” 人才结构正在被 AI 压成 “哑铃型”—— 顶层的判断经验、前端的创新直觉被 AI 指数级放大而中间大量纯执行、纯翻译、纯流程搬运的岗位正在从两端被一起挤空。二、两种被 AI 放大的核心价值哑铃的两端之所以值钱本质上是 AI 放大了两种完全不同的经验红利。1. 碳基经验被 AI 放大的产能红利资深工程师的价值从来不是写代码的速度 —— 论敲键盘的速度他们未必比得过熟练使用 AI 的年轻人。他们真正的稀缺性在于十几年攒下的 “为错误负责” 的判断什么架构看着漂亮但三个月后一定会垮、什么微小改动会在凌晨引发线上事故、什么方案看似可行但隐藏着不可控的风险。这些从失败里踩出来的经验AI 没有、也学不会因为 AI 没有真正为后果负责的经历。而 AI 的出现第一次把这种判断经验直接放大成了产能过去需要一个团队花两三年完成的系统重构一个资深架构师搭配 AI Agent两个月就能落地效率提升可达十几倍。但这种放大有一个前提 —— 必须有扎实的工程地基自动化质检流水线、多模型交叉校验、关键决策人工兜底。缺了这些AI 越快堆出来的技术债就越危险。这也是为什么头部公司宁愿高薪抢老兵也不愿招大量应届生经验是 AI 放大的本金没有本金工具再强也跑不出可靠的结果。2. 硅基原生被 AI 放大的创新红利创投圈追捧年轻创始人也不是单纯因为 “年轻人有闯劲”。核心原因在于年轻一代是带着 AI 长大的 “原住民”他们从学习编程第一天起ChatGPT、Claude、Cursor 就是默认的基础工具。对 “AI 能干到什么程度、该怎么给 AI 喂信息、什么事该交给 AI 做” 的直觉是原生生长出来的不需要推翻自己二十年的工作习惯去重新适应。上一代创业者的起手式是 “先组团队、再做产品”而 AI 原生的年轻人起手式是 “先让 Agent 跑通 demo再考虑要不要招人”。旧平台攒下的很多经验到了新范式下反而会成为包袱年轻人没有历史负担反而更容易做出完全属于 AI 时代的新产品。三、作为电子信息专硕研一我的几点思考看完这篇文章我最大的感受是焦虑 “会不会被 AI 替代” 没有意义真正重要的是想清楚 —— 我们要站在哑铃的哪一端作为偏向工程应用的电子信息专硕我们既不是纯学术路线也不是纯创业方向最稳妥的路径是主动向哑铃的两端靠拢避免卡在最容易被替代的中间执行层。1. 警惕 “工具人陷阱”拒绝做纯执行者专硕的培养偏向落地应用我们很容易陷入 “给任务、按流程、做完交差” 的舒适区调包跑通模型、按需求实现功能、照着步骤做实验。但恰恰是这种标准化、流程化的中段工作是 AI 最先、最容易替代的。不能满足于 “跑通、能用”要多往深问一层为什么选这个方案有没有更优的思路出了异常怎么排查根因把每一次课程项目、课题任务都当成攒判断经验的机会而不是完成任务的流程。2. 主动攒 “碳基经验”在项目里主动扛事研究生阶段的项目、课题不要怕出错、怕麻烦。bug 排查、方案推倒重来、线上问题定位这些看似耽误时间的 “踩坑经历”恰恰是未来最值钱的失败经验。跟着导师做项目时尽量主动承担端到端的模块而不是只做别人拆分好的一小块做课程设计时不要只满足于跑通 demo试着去考虑性能、鲁棒性、异常边界。这些踩过的坑就是未来我们能被 AI 放大的本金。3. 吃透 AI 工具构建自己的 AI 原生工作流不要只把 AI 当成 “写代码的辅助工具”要试着用 AI 重构自己的学习和开发流程。读文献、做调研时怎么用大模型快速梳理领域脉络、提炼核心问题而不是逐字硬啃写代码、做项目时怎么用 Agent 帮自己完成重复性工作、做交叉校验而不是直接要答案遇到问题时怎么提问能让 AI 最快帮我们定位根因而不是依赖 AI 直接给解决方案把 AI 从 “答案生成器” 变成 “效率放大器”培养自己对 AI 能力边界的直觉这才是我们这代人区别于前辈的核心竞争力。4. 保持对前沿的敏感度不做 “旧范式学生”AI 领域的迭代速度远超传统学科每周都有新模型、新工具、新玩法。不能只盯着课本和课堂知识要养成跟进行业前沿的习惯。不一定每个方向都深入研究但至少要知道 “现在行业里在用什么、最新的范式是什么”避免自己的知识体系还没毕业就已经过时。结语文章里有一句话让我印象很深“决定你站哪一头的从来不是年龄是你手上有没有一种能被 AI 放大的经验。”对我们研一学生来说年龄的优势是暂时的“AI 原住民” 的标签也不能当饭吃。接下来的两年与其焦虑会不会被 AI 替代不如踏踏实实攒两样东西一样是实打实的工程判断经验一样是驾驭 AI 工具的原生能力。AI 淘汰的从来不是人是只会做纯执行的岗位。而我们要做的是成为能拿着 AI 这把武器站在哑铃两端的人。参考文献[1] 蒋涛. AI 到底在淘汰谁一边裁掉 12 万人一边疯抢 12 年老兵和 24 岁创始人 [EB/OL]. 硅基时间2026-07-02. https://mp.weixin.qq.com/s/rULJeNLXwwMZVXM1D5rKrg
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
