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。
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。
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。
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。
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。
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。
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，那批只负责在业务和模型之间做简单连接的人，自然会受到挤压。
这不意味着 AI 岗位正在消失。
事实甚至相反。LinkedIn 2026 劳动力市场报告显示，美国要求 AI literacy 的职位同比增长 70%，过去两年全球新增约 130 万个 AI-enabled 岗位。
问题在于，需求增加和稀缺性下降可以同时发生。
十年前，会 Excel 是一项优势。后来不会 Excel 才变成问题。
AI literacy 也在往这个方向走。会 Prompt、会调 API、会搭一个基础 RAG，不会消失，但越来越可能成为软件工程师、产品经理、咨询顾问甚至运营人员的基础能力，而不是一个可以长期单独拿高溢价的标签。
所以这里说的 " 掉价 "，不是所有人的工资都在往下掉。
掉的是那层 " 我会用 AI，所以我天然比别人贵 " 的溢价。
一个只会按照教程搭 Agent 的人，面对的不只是另一个工程师，还要面对越来越强的模型、越来越完整的 SDK，以及越来越标准化的协议。
模型最上游，需要真正跑过训练的人继续处理那些很难标准化的问题；靠近客户的一端，需要有人进入真实组织，处理数据、权限、流程和交付结果。
中间这层反而最容易被工具吞掉。
越容易写成教程的东西，越容易被标准化。
姚星丞的数千万元年薪、FDE 岗位的扩张、MCP 接近每月 5 亿次的 SDK 下载，以及 Codex 开始进入非技术岗位，其实可以放在同一张图里看。
AI 人才市场并不是简单从 " 研究型人才 " 转向 " 应用型人才 "。
它更像是在往两头拉。
一头是能继续把模型能力往前推的人，另一头是能把越来越强的模型真正变成业务结果的人。过去两年最热闹的中间地带—— Prompt、RAG、通用 Agent 搭建、框架调用和简单封装——正在慢慢从稀缺能力变成普通工程能力。
这不是 AI 人才整体不值钱了。
而是行业开始慢慢分清楚，什么东西值得长期付高价。
姚星丞还能值数千万元，是因为真正做过大规模预训练的人还是少；FDE 开始走到台前，是因为真正能把 AI 送进生产的人也不多。
至于中间那一层，最危险的可能不是没有工作。
而是有一天，公司发现这些能力，很多人都会。
