# 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 晚点聊 LateTalk · 2025-09-17 脉脉创始人兼CEO林凡在《晚点聊》中与程曼祺对话，基于脉脉《2025年AI人才流动报告》和最新硅谷见闻，判断中国大厂已从降本增效重回增本增效：自今年2月起AI岗位发布量每月保持两位数环比增长，大厂AI岗位招聘规模普遍翻了10倍，字节断崖领先，岗位量约为腾讯的三四倍，小红书居第二。林凡解释硅谷AI人才大战的逻辑——顶尖人才若帮Meta省下10%算力投入或带来千分之一的广告收入增长，就值千万美元年薪；硅谷核心研究团队对三年内实现AGI的信念强于外界，认为数据瓶颈与强化学习问题已有解法。报告还显示清华、北邮、浙大是最受AI企业欢迎的应届生来源，顶尖AI方向博士生实习生日薪可达4500元。林凡进一步推演工作未来：白领工作将像滴滴司机和美团骑手一样零工化，硅谷已有独角兽以人机混合外包模式组织全球程序员为OpenAI做数据标注，按代码产出分层、周级升降级；脉脉正用AI优化简历筛选等招聘环节，目标是成为白领零工平台。他建议职场人每天至少使用十次付费AI工具，培养难以被数据化的复杂能力，并提前寻找真正兴趣。 ## Questions this episode answers ### AI实习生的日薪有多高？ 林凡说，DeepSeek之后发现实习生和应届生也能做出巨大贡献，今年实习生人才被抢疯，很多公司给实习生开的日薪就是4500，非常高。 [42:22](https://latetalk.podhood.com/e4d81a43-256f-4080-a3fe-6340bba93883?t=2542000) ### 哪些高校的AI应届生最受欢迎？ 林凡介绍，最受欢迎AI应届生院校排名第一是清华，第二是北邮，第三是浙大，之后为北大、上海交大、北航、中科大、华中科技大学、电子科技大学等；清华绝对领先，北邮的工程人才地位突出。 [39:30](https://latetalk.podhood.com/e4d81a43-256f-4080-a3fe-6340bba93883?t=2370000) ### 硅谷顶尖AI人才的薪资水平能到多少？ 林凡说，顶尖AI人才年薪约500万美金到1000万美金，再往上薪资就失去意义；中国与硅谷差一个汇率，约为500万人民币到1000万人民币。 [15:49](https://latetalk.podhood.com/e4d81a43-256f-4080-a3fe-6340bba93883?t=949000) ### 林凡说的“人力上云”是什么？ 林凡说，未来工作可能从机器上云走到人力上云：白领工作会像滴滴、美团的蓝领工作一样被平台化、碎片化外包，由云端人机混合的服务交付；终极状态是“出生即退休”。 [1:05:41](https://latetalk.podhood.com/e4d81a43-256f-4080-a3fe-6340bba93883?t=3941000) ## Key moments - **[0:00] 开场** - **[1:20] AI与程序员** - [1:41] Q: AI 让林凡更轻松还是更忙？林凡：团队拼命探索 AI 应用、学习和业务结合，反而更忙了。 - **[1:55] 硅谷见闻** - [2:25] 林凡每年硅谷之行主要考察三件事：技术进展、行业应用和人才情况；近期刚从硅谷回来。 - **[3:04] 硅谷人才战** - [3:56] 林凡算账：顶尖AI人才能把算力节省10%，Meta百亿美元硬件投入下愿付千万美元年薪。 - [4:50] Meta广告收入近2000亿美元，林凡认为千分之一增长即2亿美元，所以愿为顶尖人才付1000万美元工资。 - [5:37] 林凡称Meta广告翻倍主要靠上一代深度学习而非大模型，只是把AI当包装。 - [7:24] 林凡称硅谷核心团队相信AGI未来三年内实现，因为数据与强化学习瓶颈都有解法。 - [8:02] Anthropic算不算AGI公司？林凡：只算编程特化，不算通用AGI；程曼祺认为Anthropic也应算。 - **[8:50] AGI信仰** - [9:07] 林凡称硅谷行后被AGI信念说服八成，核心团队共识比去年强很多。 - [10:33] 林凡称AI可凭“眼高手低”相互评价生成内容，因此无需人类反馈也能自我迭代。 - [12:25] 林凡称人类与AI持续对话会产生新数据，可筛出高质量数据供预训练，解决数据枯竭。 - [12:45] Q: 硅谷核心AI人怎么定义AGI？林凡：在具体任务上比最优秀人类完成得更好。 - [13:17] OpenAI大模型今年参加信息学奥赛IOI获全球第八名，林凡视为AI超越人类顶尖水平的例子。 - [14:27] 林凡用马斯洛解释Meta人才来了又走：500万-1000万美元年薪后，钱不如文化和成就感重要。 - **[16:29] 中美差异** - [16:50] 林凡称美国AI界60%-70%是华人，但推动行业变革的顶层以非华人为主。 - [17:57] 林凡预测美国初级程序员已被AI明显替代，中国因人力成本低会晚一到两年发生。 - **[20:10] 增本增效** - [20:19] 脉脉报告：DeepSeek后2月起AI岗位发布量月环比两位数增长，每月新增1万AI人才看机会。 - [21:05] 林凡称7月起AI六小龙40%员工在脉脉把求职状态改成看机会。 - [22:23] 腾讯把活水门槛降低：员工满3个月即可转混元/元宝等AI部门，此前通常需满一年。 - [22:53] 阿里调整股票归属为第一年15%、第二年25%、后两年各30%，林凡称是为了挽留AI人才。 - [24:32] Q: 脉脉如何定义AI岗位？林凡：岗位名称或描述含AI关键词，且候选人经历含相关背景。 - [26:38] 林凡称字节AI岗位数量断崖式领先，约为其他大厂3-4倍；阿里分拆统计后排在后面。 - **[29:50] 员工与创业** - [30:10] 林凡称2025年阿里员工士气因AI和股价回升提振，美团员工因外卖战担忧股价。 - [32:10] Q: 京东员工在脉脉上讨论什么？林凡：外卖策略以及公司可改进之处。 - [33:20] 林凡称AI创业公司喜忧参半：融资变多但人才被大厂资源虹吸。 - [35:27] 脉脉数据：AI人才进大厂平均在职2年，比2019年科技行业周期短。 - [36:41] 林凡称字节从几乎所有公司挖AI人才，百度持续扮演“黄埔军校”输出人才。 - **[38:07] 人才格局** - [38:24] Q: 哪些人最直接受益于AI岗位增长？林凡：C9加北邮、西电的理工科硕博。 - [39:10] 脉脉AI人才学历构成：本科20%、硕士54%、博士25%，博士比本科更多。 - [39:30] 脉脉最受欢迎AI应届生高校：清华第一、北邮第二、浙大第三，北大排第四。 - [41:06] Q: 北邮为何AI应届生排名第二？林凡：北邮工程人才被大厂验证为摇篮。 - [42:02] DeepSeek证明实习生和应届生能做贡献后大厂疯抢，林凡称顶尖实习生日薪开到4500元。 - [43:46] 林凡称AI人才薪资参考论文引用量：过万引用对应美国年薪三五百万美元，过千约一两百万，过百约50-100万。 - **[52:19] 脉脉与AI** - [53:00] 林凡回忆读博时跑神经元网络要单机两天两夜，当时完全没想到20年后AI会出现如此跳变。 - [56:55] 林凡回忆旷视最早拿人脸技术试游戏、统计人流，直到银行人脸验证才进入高速发展。 - [58:29] 脉脉用AI筛简历3分钟读5000份；筛选1600人后AI沟通1200人，120人有意向。 - [1:01:18] AI面试作弊工具是否可取？林凡：应看交付结果，像会计从算盘到计算器到Excel；这是过渡阶段。 - **[1:03:28] 工作终局** - [1:03:34] 林凡：“最最终局是所有工作基本被AI替代，所有人出生即退休，95%的人不需要工作。” - [1:04:08] 林凡预测白领工作将像滴滴/美团一样平台化，出现“人力上云”，外包渗透知识工作。 - [1:06:02] 林凡称未来会计在AI帮助下可一人做几百家公司账，创业公司不再需要雇会计。 - [1:08:36] 林凡称白领零工化会让职业成就感变低，收入整体持平；顶级5%-10%留在大公司。 - [1:10:19] 林凡举例美国独角兽全球招程序员给OpenAI做数据标注，按代码→review→agent→agent review四级晋升。 - [1:12:52] 林凡称该零工平台程序员年薪10-15万美元，约为硅谷一半，在印度/东欧生活很幸福。 - **[1:20:06] 职业建议** - [1:20:19] Q: 林凡给白领的职业建议？：付费买最好的AI产品，每天至少用十次。 - [1:21:29] 林凡建议培养复杂问题解决和跨领域协作能力，因这些能力还没有数据让AI学习。 - [1:22:35] 美国家长调查：超50%认为水管工、空调维修师、电工、护士最抗AI；林凡称律师已开始被替代。 - [1:23:51] 林凡预测机器人/具身智能当护士需要10到15年，瓶颈在大模型大脑进展。 - [1:24:20] 林凡女儿刚上大学选生物学，他认为大模型让生物学突飞猛进，类似微积分之于物理学。 - [1:26:11] 林凡认为AI带来大量空闲时间后，最重要的是找到真正兴趣；很多人终身没有找到爱好。 ## Speakers - **曼祺** (host) - **林凡** (guest) ## Topics AI模型团队动态 ## Mentioned Anthropic (company), DeepSeek (company), Google (company), Meta (company), OpenAI (company), X.AI (company), 字节 (company), 小米 (company), 小红书 (company), 比亚迪 (company), 百度 (company), 美团 (company), 脉脉 (company), 腾讯 (company), 阿里 (company) ## Transcript ### 开场 **曼祺** [0:01] 欢迎收听 《 晚点聊 》， 我是曼祺 。 今天我们的嘉宾是脉脉创始人兼 CEO， 林凡 。 本周二 （9 月 16 日） 脉脉发布了一份 《2025 年 AI 人才流动报告 》， 分析了字节 、 阿里 、 腾讯 、 百度 、 小红书等很多公司的 AI 人才招募情况 、 待遇变化和流动情况 。 这期节目我们分享这份报告里诸多有意思的事实 、 数据和洞察 。 我们也讨论了未来的工作会怎么演变 ，AI 会给脉脉这样的职场社交平台和招聘平台带来什么新机会 。 林凡看到 ， 白领工作也有被外包和零工化的趋势 ， 硅谷已经出现了这样的创业公司 ，AI 不仅在影响具体的工作 ，也在重塑整个 " 工作 " 概念本身 。 这期节目也会在脉脉开设的播客 《 职无不言 》 中播出 ， 这是脉脉的第一期播客 。 想持续关注工作和职场变化的朋友 ， 可以关注 《 职无不言 》。 今天非常感谢脉脉的创始人林凡来做客 《 晚点聊 》。 我们来一起聊一聊脉脉观察到的 AI 人才趋势的变化 。 林凡总 ， 你可以和我们的听友简单打个招呼 。 **林凡** [1:05] 曼祺好 ， 晚点的听众们大家好 。 我是脉脉创始人兼 CEO 林凡 。在 2013 年创立脉脉之前 ， 我大概做了十多年的程序员 ， 可以说天天都在跟代码打交道 。 我们差不多和 《 晚点 》 是一年一会 ， 特别高兴来到 《 晚点聊 》 跟大家交流 。 ### AI与程序员 **曼祺** [1:20] 我有一个很好奇的个人的问题 ，因为你也说之前做了很多年的程序员 ， 然后 2023 年初的 AI 热潮以来 ，其实到现在大家会觉得程序员编程的工作是被 AI 帮助了很多的 。 比如说您自己的状态 ， 您是 AI 让您更轻松了 ， 您有更多的时间去想一些比如长期的事 ， 或者投入生活 ， 还是 AI 反而让您更忙了 ？ **林凡** [1:41] 坦白地说 ， 还是更忙了 。 因为整个团队大家都在拼命地探索说这次 AI 的变革到来了以后应该怎么应用 ， 怎么跟业务结合 ， 然后还要不断地去学习交流 。 所以整体上面来讲 ， 要比原来忙很多 。 ### 硅谷见闻 **曼祺** [1:55] 我知道您最近是刚去硅谷了是吗 ？ **林凡** [1:57] 对 。 **曼祺** [1:58] 也是在了解比如说 AI 和职业社交平台相结合的一些机会的点 。 **林凡** [2:03] 对 ， 我两周前刚从硅谷回来 ， 然后我每年一般都去一两趟 。 一般来讲是带着比较明确的目的的 ，因为中美两国都是在科技创新的这个桥头 。 然后到美国主要去研究就三个方面的事情 ： 一个是看技术本身的进展 ， 一个是看行业的应用和发展 ， 第三个是看人才的一些情况 。 那么技术的发展 ， 最核心的一件事情就是 AGI 到底什么时候会到来 ， 它是用一个什么样的节奏来到来 ， 这个其实非常非常重要的 。 以及说技术有可能带来的商业创新是什么 ， 这是看技术这一部分 。 那看行业这部分的话 ， 主要因为我们跟招聘跟人才是非常相关的 ， 所以我们其实比较多的就看说招聘领域 ， 我们的同行们 ，LinkedIn 一些创业公司等等 ，他们都在用什么样的技术 ， 用什么样的商业模式 。 那最后看人才 ，因为我们还是一个资产的平台 ， 所以我们也关注说中美两边的人才的这种发展 ， 或者说他们的状态处在一个什么样的情况 。 ### 硅谷人才战 **曼祺** [3:04] 对 ， 我们今天可以先从人才这部分开始聊 ， 然后也会 cue 到就你说的第一部分和第二部分的一些问题 。 就是在这个人才状态上 ，其实最近硅谷的 AI 人才的大战非常的戏剧化和热闹 。 然后大概从 6 月份开始 ， 最开始是 Meta 花了 140 多亿美元 ， 投资了它 49% 的股份 ， 然后 Alexa 我们就去了 Meta， 对吧 ？ 然后之后他们也陆续地花了非常非常多的钱 ， 然后很大的数额去挖 OpenAI、 挖苹果 、 挖这些别的公司的人。 但是最近又传出来说很多人来了没多久就想走 。 **林凡** [3:35] 对 ，其实那边 Meta 的同学 ， 包括跟 OpenAI 的同学 ，其实也聊过这个事情 。 总的来讲其实很简单 ， 它还是属于一个正常的人才流动 ， 被媒体可能稍微把它戏剧化了 、 放大了一点 。 我觉得背后的原理还蛮简单的 ， 就是回到商业的本质 ， 就是投入产出 。 我怎么举这个例子呢 ？ 就是说顶尖的人才 ，他能够很好地去优化算法 、 优化算力 ， 让算法和算力的消耗得到很大的节省 。 最典型的就是今年年初 DeepSeek 出来的时候 ， 就是一下费用节省到原来的十分之一 。 那我们今天不用说十分之一这么夸张 ， 我们就说省了十分之一 ， 就从原来比如说要 100 台服务器 ， 现在只要 90 台服务器 。 那么你像 Meta 这样的这种大厂 ， 一年在 AI 硬件上面的投入 、 算力上面投入 ， 大概都是百亿美金起 。 那如果一个人才能帮你省 10%， 就是 10 亿美金 ， 那你作为一个老板 ， 你愿意花多少钱去雇这个人才 ？ 如果你花 1000 万美金 ， 你一定会觉得非常非常的划算 ， 对不对 ？ 所以这个是从投入的角度上面来看 ，AI 人才大家愿意重金去挖的一个很重要的一个原因 。 那如果我们从产出的角度上面来看 ， 同样举 Meta 的例子 ，Meta 一年的广告收入大概将近 2000 亿美金 。 那么如果今天说有一个 AI 的人才能够帮你多挣 1%， 甚至都不用多挣 1%， 多挣千分之一吧 ， 就 2 亿美金 ，2000 亿美金的千分之一就是 2 亿美金 。 那从你的角度上面来看 ， 你觉得你为他开 1000 万美金的工资 ， 你是不是愿意 ？ **曼祺** [5:07] 就您说的第二个点 ，其实我之前有听到就是去美国的投资人朋友 ，他们听说就是扎克伯格在挖人的时候 ，他说的就是这个话 。 **林凡** [5:16] 对 ，因为大家可以看到说过去三年 Meta 的广告收入基本上翻了一倍 。 然后 Meta 在财报里面其实也跟大家讲说 AI 带来了巨大的变革 。 当然我跟 Meta 的内部的同学聊完以后， 我才知道说这其实还是一种包装了 。 现在基本上能够很明确地知道说 Meta 的广告收入一倍的这种增加 ， 还是由技术带来的 。 **曼祺** [5:37] 那这个包装是体现在 ？ **林凡** [5:38] 它的包装体现在什么地方呢 ？ 体现在说它其实是上一代的 AI 的技术 。 **曼祺** [5:42] 就是还是推荐代码 ？ **林凡** [5:43] 就是还是 Deep Learning 的那套的技术 ， 就深度学习的那套技术 。 它应用的场景其实核心就是数据 。 原来苹果有前几年就不允许 Meta 去取到它的那个就是鉴别识别身份的那个数据 ， 所以 Meta 广告收入其实降了很多 。 但它这两年其实用深度学习的这个也可以叫 AI 的技术了 ， 去完成了这个数据的补全 。 **曼祺** [6:04] 所以就是它不是新一波的大模型的 。 **林凡** [6:07] 不是大模型带来的 ， 还是上一波的深度学习的那一波的技术带来的 。 但是当然你也不能说深度学习就不是 AI， 对吧 ？ 所以它就是说用 AI 带来了广告的一倍的增加 。 那这种增加其实对于大部分的这些候选人来讲的话 ， 它就是一个很大的一个机会 ， 对吧 ？ 为公司创造更大的价值 ， 为自己创造更大的价值 。 **曼祺** [6:27] 其实这个事挺有意思的 ， 就是字节就是一直在干这个事 。 **林凡** [6:31] 对 。 **曼祺** [6:31] 但是因为 Meta 它刚好干这个事 ， 可能赶上现在资本市场又对这件事情非常关注 ， 非常看好 。 **林凡** [6:37] 对 。 **曼祺** [6:37] 我觉得它是放大了它的比如说股价 。 **林凡** [6:40] 没错 ， 这个其实是一个它是一个很大的杠杆效应在那个地方 。 而且这里面还有一个 ， 这刚才说的这个事情其实中美都是一样的 ， 就是你省成本和带串收 ，其实在中国在美国都是比较接近的 。 因为在中国其实你像字节它的广告收入增长得也很快 ，其实它也在大量应用 AI 的技术再去完成这件事情 。 但美国跟中国相比还有一个略微不一样的地方在于说 ， 我这次去看就是美国对于 AGI 即将到来这件事情的信仰还是非常非常的强的 。在国内 ， 包括在美国的外围的这些公司 ， 我们交流下来 ，其实大家都会觉得说好像感觉最近这一年 AI 的发展遇到了一些瓶颈 ，AGI 好像还遥不可及的那种状态 。 但是在跟 OpenAI，在跟 Google 的这种核心的人员在聊的时候 ， 就是明显能感觉到说 ， 就外界看到的所有 AGI 碰到的一些瓶颈 ， 比如说数据的问题 ， 比如说强化学习的一些问题等等 ，其实大家都还是有一些解法的 。 所以我们看到说这种核心的成员对于 AGI 会觉得说还是依然相信说在未来的三年左右时间能够实现 。 那这时候对于像 Meta 这样的公司来讲 ， 它就很着急 ，因为它基本上没有基础的沉淀 。 就是你看最核心的团队其实今天就是 Google 和 OpenAI 两个团队 ， 那 X.AI 可能还算半个 。 **曼祺** [8:02] Anthropic 应该也是 。 **林凡** [8:03] Anthropic 其实不算是真正的 AGI，Anthropic 它其实在它唯一就是在 Coding 方面它很强 。 **曼祺** [8:09] 就是你觉得它是特化了那个方向的 。 **林凡** [8:11] 对 ， 它是特化那个方向的 。 所以真正在通用的人工智能这方面 ， 基本上就两个半 ， 一个 Google， 一个 OpenAI， 然后半个就是 X.AI。 然后在最核心的团队里面 ， 大家都 believe 说 AGI 在未来的三年的时间会到来 。 对于 Meta 来讲的话 ， 它前面好像就往前赶了一赶 ，但是其实又落伍了 。 那它就非常着急说 ， 如果在三年之内它没有拉到这张船票 ， 它整个公司可能都会有很大的问题 。 **曼祺** [8:38] 所以就是前面有投资回报的问题 ，但是到这一步它就不光是一个投资回报的问题 。 **林凡** [8:42] 对 。 **曼祺** [8:42] 而是我未来的竞争力 ， 我生死 。 **林凡** [8:45] 就是生死的事情了 ， 就谁先突破 AGI， 谁就是能活到后面的那一轮的竞争 。 ### AGI信仰 **曼祺** [8:50] 您这一次去硅谷和这些比较核心公司的这些技术人员聊 ， 就他们对 AGI 的这种信仰 ，他们可能会讲他们看到了一些什么迹象 。 **林凡** [8:58] 对 。 **曼祺** [8:58] 这个事情是非常充分的说服你 ， 还是你在跟他们聊之后， 你还是会有一些有问题的地方 ？ **林凡** [9:07] 怎么讲呢 ， 我觉得可能有八成说服的那种感觉 ， 已经还算是比较我自己都很 surprise，因为我去之前我其实没有这个预期的 。 **曼祺** [9:15] 所以就是相当于你的信仰是被加强了一下的 。 **林凡** [9:17] 对 ，其实我去年去硅谷的时候 ， 我感觉说其实大家还没有这么多共识的那个地方 ，其实大家对于 AGI， 即使在 OpenAI 和 Google 的核心团队 ，其实都还是有很多的疑问的 ， 内部也分不同的派别看这个事情 。 但今年我的一个感觉就是说 ， 还是比较强的在这件事情上面有了很好的一个信仰 。 这个信仰我觉得它来自于两部分 ， 一部分是在过去一年的时间里面 ， 强化学习使得说 AI 在编程这些能力上面有了一个非常明显的跳变 。 那这件事情其实让大家觉得说 ，因为 AGI 中间有很重要一部分还是理工科的能力 ， 如果理工科这个能力能够到人类的最高的水准的话 ， 那其实 AGI 的到来的速度就会快很多 。 那另外一部分是说 ， 对于非理工科 ， 我们通常情况讲叫做没有标准答案的事情 ， 对吧 ？ 数学 、 编程 ， 这都是很容易有标准答案的事情 。 但是没有标准答案的事情 ， 比如说你今天销售去卖一款产品 ， 你跟不同人讲的话术可能都不一样的 。 记者在去跟不同的采访对象聊的时候 ， 大家聊的内容也是不一样的 。 你很难讲说哪一句话讲得更好 ， 哪一句话讲得不好 。 那在这种情况底下， 我们原来通常认为说 ， 这是机器在自我学习和自我完善的过程中间面临的很大的一个问题 。 但我举一个大家大概能听得懂的一个例子 ， 就是说人类在面对一些专业的事情上面 ， 比如说今天你在读一篇文章 ， 你可能很难写出一篇非常高水平的文章 ，但是你在看一篇高水平的文章的时候 ， 你大概还是能觉得说这篇文章写得比另外一篇不是那么好的文章要好一点 。 **曼祺** [11:01] 对 ， 就是你做判断比你创造一个事要容易 。 **林凡** [11:03] 对 ， 要容易 。 然后他说这个事情其实在 AI 身上也是一样的 ， 就是你今天一个不是那么强的一个模型 ， 它去判断另外一个模型生成出来的内容 ， 它大概可以判断出来说它讲的比那个讲得好还是讲得不好 。 那因为有这样的一个反馈以后， 那么这个模型它就可以变成另外一个模型的一个反馈的专子 。 你看我们以前都有一段去年很重要一个讲法 ， 叫做说强化学习是 HF， 就是人类的反馈 ， 帮助你机器去做更好的学习 。 **曼祺** [11:34] 基于人类反馈的强化学习 。 **林凡** [11:35] 对 ， 那现在其实基本上都是基于 agent 的 feedback， 都是基于机器的反馈的强化学习 。 那么基于刚才那个眼高手低的理论的话 ，其实机器的反馈也能够有助于 AGI 自行地去迭代 。 那一旦能够进入到自行迭代的过程中间的话 ， 大家普遍都觉得说我还是有机会能够不断地提升自己的能力的 。 另外还有一个重要的事情是说 ， 去年开始其实普遍大家都有一个叫预训练的阶段 ， 数据基本上可用的数据基本上被耗尽了 ， 就是人类产生的所有这种数据基本上都被耗尽了 。 但其实从过去这一年来看的话 ， 就是说人类在跟 AI 沟通和交流的过程中间 ，其实还在持续地产生数据 。 这份数据的质量虽然普遍地比互联网的数据的质量要再差一些 ，但是一样还是可以用 AI 来去挑选中间那些高质量的数据 ， 然后再进行预训练的提升 。 刚才只是举两个例子 ， 就是说有很多很多的我们认为说的一些瓶颈的环节 ， 那么今天我们可以看到说这些核心团队 ，他们还是非常好地在解决这些问题的 。 **曼祺** [12:37] 您这一次去硅谷 ， 您接触的这些硅谷的核心 AI 人才 ，他们对 AGI 的定义是什么样 ？ 其中比如共识的部分是什么 ？ 有分歧的是什么 ？ **林凡** [12:46] 对 ，其实大家现在普遍都是会聊到像自动驾驶的 L1、L2、L3、L4、L5 这样的一个情况 。 那么大家对于 AGI 的讲法 ， 普遍的说法是说在某些具体的任务上面 ， 那么 AI 完成的水平 、 效果比普通的人， 甚至比最优秀的人都要更好 。 比如说我们经常说的高考 ，AI 今天去完成高考的考试 ， 或者说完成更高档一点的 ， 今年 OpenAI 代表大模型去参加人类的 IOI， 就是信息学奥林匹克 。 那这是全球最高最顶尖的信息学的人才的竞赛 。 那么今年 AI 拿到了全球第八名的成绩 ， 那这个其实就代表说 AI 在这个任务上面 ， 它的完成度比人类要好 。 那我们大家普遍的定义就是 AGI 的定义就是说 ， 我们在各种各样的这种任务上面 ， 那么 AI 的完成是不是能够比人类完成得更好 。 **曼祺** [13:39] 那他们现在对这个任务也是比较共识的认为 ， 就是优先搞理工类的任务 。 **林凡** [13:43] 对 ， 现在是所有的人都说先搞理工类的任务 ， 先把理工科的任务都搞到说人类没有什么机会了 ， 然后再把非理工类的任务再用刚才说的这种强化学习的方式再继续去完善 。 **曼祺** [13:56] 那总结下的话 ， 就是刚才其实我们是聊了说为什么现在像 Meta 这个公司非常激进地在招人， 大家有人才的竞争 。 **林凡** [14:03] 没错 。 **曼祺** [14:03] 一个是其实你的投资回报某种意义上是算得过来的 ， 对吧 ？ 比如它的广告收入有一些大的增益 。 **林凡** [14:09] 成本节省也能是有很好的收益 。 **曼祺** [14:11] 然后另一方面就是其实带着对 AGI 的这种非常强的信仰 ， 这就不是一个 ROI 的问题了 。 **林凡** [14:18] 对 。 **曼祺** [14:18] 不仅仅是一个 ROI 的问题 ， 它也是一个生存的问题 ， 一个竞争的问题 。 那为什么就是 Meta 花了这么大的手笔 ， 这么高的薪酬去吸引人之后， 还是有些人待了一段时间就跑了 ？ **林凡** [14:27] 这个问题其实还蛮好回答的 。 我设想一下， 比如说就拿你来举例子 ， 那你现在的一个月的薪水不管是多少钱 ， 对吧 ？ 假设我今天我给你开一个月 100 万的薪资 ， 你肯定非常非常的开心 ， 对吧 ？ **曼祺** [14:40] 会非常惶恐 。 **林凡** [14:42] 然后你可能也给你足够多的资源 ， 你可以干出你想干的所有的就是在媒体领域上面的这种梦想的事情 。 然后突然间有一家公司说我再给你一个月 ， 我给你开 1000 万的工资 ， 对吧 ？ 比这 100 万还要高了 。 但对你来讲的话 ，其实 100 万和 1000 万都是已经是数字的差异而已了 。 但是你去了那家公司以后， 天天老板都要骂你 ， 天天老板都要 diss 你说你这个工作没做好 ， 你那工作没做好 。 那你想 ， 你是愿意在 100 万的平台上面继续往下做 ，有成就感 ， 对吧 ？ 然后有很多很多的这种成绩可以出来 ， 还是在 1000 万的公司里面 ， 然后天天有人 diss 你 ， 天天有人不让你干这 ，不让你干那 ， 然后你可能会担心说这么再过几个月 ， 你也不能够持续地拿着 1000 万的工资 。 **曼祺** [15:26] 就是说你的待遇差超过了一定界限之后 ，其实你最考虑的就不是说给我多少钱 ，而是很多别的东西 ， 文化 ， 然后我共事的人是谁 ， 我在这待得舒不舒服 ， 能不能实现我的想法 。 **林凡** [15:38] 对 ， 这是马斯洛模型非常典型的这种不同层次上面的追求 。 **曼祺** [15:42] 就是据您和硅谷的这些人聊 ， 就你感受到那边的人才市场里 ， 它这条线是在一个什么水平 ？ **林凡** [15:49] 基本上就是顶尖 AI 人才 ， 基本上我们可以认为说 500 万美金到 1000 万美金这一波的人才 ， 再往上的薪资就没有意义了 。 **曼祺** [15:58] 年薪 ？ **林凡** [15:58] 年薪 500 万美金 。 **曼祺** [15:59] 500 万到 1000 万美元 。 **林凡** [16:00] 对 ， 中国基本上就是差一个汇率差 ，500 万人民币到 1000 万人民币 。 **曼祺** [16:05] 然后再往上他们考虑的可能就不是薪资 。 **林凡** [16:07] 对 。 **曼祺** [16:07] 那实际上就是这两边的 AI 人才里面 ， 就实际上能达到这个水平的现在是什么情况 ？ **林凡** [16:14] 可能千分之几的样子吧 ， 可能在人才的 AI 人才 ， 就比如说你如果你举 10 万或 20 万的这种人才的话 ， 可能在千分之几的样子 。 **曼祺** [16:24] 千分之几 。 **林凡** [16:24] 对 ， 大概就是有几百人， 大概在这个体量和规模上面 。 **曼祺** [16:29] 其实在现在这种情况下 ，有没有一种可能是 ，其实美国的公司也可以直接把一个中国公司里的人从中国给挖走 ？ ### 中美差异 **林凡** [16:35] 现在基本上还没有看到这样子的一个现象 ， 我们还是比较多地看到是中国公司试图去挖一些美国公司的人。 但是中美肯定是有一个很大的特点 ， 就是说都是华人的人才 ， 美国的 AI 界里面 60% 到 70% 也都是华人。 **曼祺** [16:50] 就总的来说 ， 您观察到的中美目前在 AI 人才上的一些差异是什么 ？ 除了刚才说的可能最 top 的人的待遇差了一个汇率 。 **林凡** [16:58] 我觉得其实都不只是最 top 的人差了一个汇率 ， 我觉得整个的人才都差一个汇率 ， 就是从上到下的人才都差一个汇率 。 那我们自己觉得说相同点是大家都是华人， 然后差一点一个是说薪资差了一个汇率 。 那我觉得还有两个差一点 ， 一个差一点是说就美国最顶级的一些人， 就是他们真正在推动整个行业的变革的这个事情上面 ， 还是以非华人为主的 。 你比如说强化学习这个方向被提出来 ， 可能是由比如说美国的一些同学来提出来的 ，但是强化学习中间某些方法怎么再去优化 ， 变成是更好的方式 ， 那可能都是华人在做这种单干的事情 。 所以最顶尖的人才上面还会有一些差异性在那个地方 。 然后另外一个比较大的差异性是说 ， 我们看到的是对于初级的岗位 ， 美国基本上已经开始出现了比较明显的替代的 AI 替代的这种情况了 。 但是在中国因为人力的成本还是要低很多的 ， 所以现在还不是一个明显的 AI 替代的一个状态 ， 还是一个说因此可能有一些岗位的增数变少了 ， 或者是不怎么再扩招了 ，但并不是说有一些这种人才就释放出来了 。 这个是中美因为他们的人力成本差异导致的 ， 现在替代的激进的程度是不一样的 。 **曼祺** [18:22] 对 ，因为美国的一些最大的科技公司 ， 它就出现了它的业绩也在变好 ， 股价也在变好 。 **林凡** [18:27] 还在裁员 。 **曼祺** [18:28] 对 。 **林凡** [18:29] 是 ， 这个是我们看到的是说 ， 你看基本上在美国不管是头部公司 ， 比如说七巨头 ， 对吧 ？ 那他们现在基本上采用的对程序员都是只进不出 ， 就是说你可以离职 ，但是你不能补人。 那个别的这种部门或个别岗位确实人比较缺少的话 ，他们通常就会用二换一或者三换一 ， 就离职两个可以补一个 ， 或者离职三个可以补一个 。 那这样的话它其实也是一种缩编的一种状态 。 那创业公司就更明显了 ， 创业公司我们会看到说 ， 基本上原来一家创业公司要做一个 ， 比如说不管你做招聘的服务 、 法律的服务 、 数据标注服务等等 ， 不同类型的这种创业公司 ， 通常你要去 set up 一家公司 ， 创业的还可以的话 ， 至少要 10 个程序员 ， 就是 8 到 10 个程序员 。 那现在的话基本上就是一到两个程序员 ， 就基本上是一换五 ， 就是你一个主力程序员加上 AI， 基本上能跟原来的五个程序员的产出是可以相比的 。 所以你可以看到说不管是巨头还是创业公司 ，其实对于低端的初级的人才的替换是非常非常明显的 。 **曼祺** [19:37] 您觉得这个事在中国什么时候会发生 ？ **林凡** [19:40] 可能会再晚一到两年的时间 。 **曼祺** [19:42] 明年或者后年 。 **林凡** [19:43] 对 ， 所以我这次去美国回来以后， 就跟我们的程序员讲说大家能奔大的日子不是很长吗 ？ **曼祺** [19:52] 那大家有什么反应吗 ？ **林凡** [19:53] 大家都表示不相信 。 **曼祺** [19:56] 对 ， 我们接下来可以把重点就是聊聊国内的 AI 人才市场的一些变化 ， 包括你们观察到的大的科技公司 、 互联网公司的一些变化 。其实脉脉一直在做一些这种人才的报告 、 洞察 ， 然后你们马上也会有一个新的发布 ， 就是和 AI 人才相关的 。 ### 增本增效 **曼祺** [20:10] 然后你们这一次就是看到的一个主题是增本增效 ， 大厂重回增本增效时代 。 这个可以展开讲一讲 ， 就是怎么去理解这个增本增效 。 **林凡** [20:19] 对 ， 我们这次其实看到的比较明显的增本增效的信号 ，其实就是说从 DeepSeek 发布的这个时刻开始 ， 就是两个数据非常直观 。 一个数据是说从企业这边 ， 我们看到 2 月份开始 AI 岗位的发布量 ， 每个月的环比增加 ， 就是保持在两位数 。 那么就是说每个月都百分之十几 、 二十几的这种增加 ， 这个招聘的速度增加得非常快 。 第二是我们看到人才侧 ， 从 2 月份开始 ， 每个月基本上都是新增 1 万名的 AI 的人才 ，在脉脉上标注为看机会 。 然后我们看到的 AI 六小龙 ， 对吧 ？ 就是 40% 的 AI 六小龙的员工都会把自己的求职状态改成看机会 ， 这个从 7 月份开始的信号 。 那我们其实看到说 2 月份开始 ， 从企业侧 、 人才侧 ，其实都有非常明显的数据上面的信号在这个地方 。 那我们就是说增本增效的本质是什么呢 ？ 增本增效的本质是说 ， 经过过去两年的瘦身 ，其实大厂现在已经重点在琢磨的事情已经不是省钱了 ，因为省钱再带来的性价比的提升已经很低了 。 那现在应该在 AI 这个时代 ， 大家都会在琢磨一件事情是说 ， 再往哪里投钱 ， 给谁投钱 ， 投多少钱 ， 能够让整个公司的运作效率再进一步的提升 。 这个其实是一个非常有意思的一件事情在这个地方 。 我举几个例子 ， 比如说我们会觉得说大厂在我们今天看到说绩效 ， 绩效的话 ， 现在像字节 、 像一些其他一些公司 ， 对于高绩效的比例 ，以前不是都说 271 吗 ？ 现在会让 2 的比例开始变高 ，因为他觉得说在一些核心产出的部门 ， 我可能有 30% 甚至 50% 的人是可以有高绩效的 。 那这样的话 ，在这个团队里面 ， 大家可能都是干劲十足的 ， 那他对公司的贡献就会大很多 。 那再比如说很多大厂开始对于活水 ， 就是所谓的跨部门之间的这种流转 ， 开始去降低门槛 ， 鼓励大家进入到 AI 的业务部门 。 比如说原来在腾讯 ，他可能要满一年才能换到别的部门 ，但是如果说今天你要去的是混元大模型 、 元宝等等这样的部门 ， 你只要满三个月就可以了 。 所以他其实是让更多的优秀的员工能够快速地流转到目标的岗位上面去 。 那再有一些你可以听到的说 ， 还有就是这种股票 ， 对吧 ？ 大家不管是 OpenAI 也好 ， 还是阿里也好 ， 还是字节 、 腾讯也好 ，他们对股票都做了一系列的这种调整 。 有对于股票激励的生效的时间的 ， 对吧 ？ 比如说阿里我们以前都知道说 ，他其实第一年是 0， 第二年是 50%。 那现在他们会改成说第一年 15%， 第二年 25%， 然后第三年 30%， 第四年 30%。 那这样的一个分配 ， 它就会让 ， 就是你知道 AI 团队里面经常碰到的问题是什么 ？ 就是说这个人入职刚半年， 就被别的公司看上了 ， 然后别的公司就涨薪 30% 挖你走 。 那如果你想 ， 你是这个员工 ， 干了六个月 ， 你想说我的股票 ，因为这些人的股票其实都很大的 ， 说股票还要一年半才能生效 ，但那边的加薪是 30%，是立刻就可以感受到的 。 所以很多人他可能就立刻就换工作了 。 但是如果说你是一年就生效的话 ， 那你干了六个月以后， 你想说我还有六个月 ， 我就能把这笔股票拿到了 ， 要不我再等六个月 ， 对吧 ？ 拿到了以后我再说 。 那这种情况底下 ，他就会能够对这些人才起到一个即时挽留的这样的一个状态 。 **曼祺** [23:50] 有点那种少食多餐的感觉 。 **林凡** [23:52] 对 ， 然后你像 SEED 这次不还增发了百万的这种期权吗 ？ 其实都是说 ， 反正就是我让你觉得我未来的一年、 两年还是很有盼头的 。 那别人再开一个 30% 的加薪 ， 就不是那么的对我有吸引力了 ， 除非你开到 50%、100%， 那可能那时候才会有这种吸引力 。 **曼祺** [24:12] 你刚才也提到 ，其实国内很多大厂在比较基础的程序员这块 ，他们并没有再很大的扩张 。 然后您提到 AI 相关的工作 ， 你们就看到的数据 ， 它每个月 2 月开始 ， 每个月都是百分之十几 、 二十几 ， 双位数的环比的增长 。 所以哪些是 AI 相关的工作 ？ 你们怎么去定义的 ？ **林凡** [24:32] 我们基本上是这样去定义的 ， 就是说因为 AI 其实有非常多的这种术语和关键词 ， 对吧 ？ 你刚才说的什么 Deep Learning、 大模型 ，其实都是这样的一些术语和关键词 。 那我们定义就是说 ， 这个岗位里面 ，在岗位名称或者岗位描述里面 ， 它是包含这些 AI 的关键词的 。 同时这个人才过去的这种背景和经历里面 ，也需要有这种岗位的这种关键词 。 **曼祺** [24:57] 比如说搜广推的话 ， 它还在你们的 AI 人才的定义里吗 ？ **林凡** [25:02] 老的搜广推 ， 就是单纯出现搜索 、 广告 、 推荐这样的词 ， 它还不算在我们的人才定义里面 。 但是搜广推在我们看来 ， 它是一个岗位的职能 。 它现在我们其实看到说越来越多的公司 ， 它其实是用了大模型的技术来去实现搜广推的这种做法 。 **曼祺** [25:19] 所以它是看 JD 的描述的 。 **林凡** [25:21] 对 ， 所以我们要看它实际上真正用到了什么样的这种技能 。 **曼祺** [25:25] 那如果产品相关的在你们这个范围里吗 ？ **林凡** [25:27] 一样的 ， 只要它处理的是大模型或者新一代的这种技术相关的这种背景的话 ， 我们都是算的 。 **曼祺** [25:33] 那就是更业务上的一些 ， 比如说销售 AI 产品什么的 ， 售前 。 **林凡** [25:38] 那个也是算的 。 **曼祺** [25:38] 也是在里面算的 。 **林凡** [25:40] 对 ，是的 。 它并不是仅仅是一个技术人才的定义 ， 它还是一个技术加上职能的这样的一个综合的定义 。 但从我们现在的情况来看的话 ， 还是说大部分的岗位 ， 差不多有 85% 的岗位还是偏技术感的 ， 只有 15% 的这种岗位是非技术感的 ， 比如说像产品 、 运营 、 设计 。 因为你刚才提到像 AI 的销售等等这些岗位 ，其实现在还非常非常少在国内 ，因为现在成熟的这种 AI 的这种产品 ， 能够大批量去售卖的还比较少 。 **曼祺** [26:10] 那就是在你们看到的这些 ，因为 AI 岗位里也分很多 ， 就是它增长的最明显的是一些什么 ？ **林凡** [26:16] 增长最明显的还是技术感 ， 核心的模型 、 模型的应用 ， 然后模型和业务的结合的这种衔接的这些环节 ， 都是我们今天看到的最明显增速最快的这种岗位 。 另一个事情我们能觉得说 ， 就是说公司之间的差异也很明显 ， 比如说我们能看到说字节可能就是一个断崖式的领先的 ，在疯狂的招人的这样的一种情况 。 **曼祺** [26:38] 就它岗位的数量是断崖式的领先 。 **林凡** [26:40] 对 ， 当然其实跟字节同样的 ， 应该阿里也是跟字节是基本上是同样规模的 ，但因为阿里它现在分拆成不同的公司 ，在我们的统计数据里面是分成了什么淘宝 、 什么阿里云 、 蚂蚁等等不同的都分开来的 。 所以它的分开来的时候是比较少的 ，但合并起来以后应该跟字节差不多 。 **曼祺** [27:01] 字节的断层式的领先 ， 它是比其他的公司 ， 比如说比腾讯 ， 它是多一个数量级 ， 还是多两倍 ？ **林凡** [27:08] 可能三四倍的样子 ， 就是没到一个量级那么夸张 ，但是还是很高的 。 **曼祺** [27:12] 我们可以聊一些重点公司的情况 ，因为刚才其实提到了一些 ， 就您有提到说字节它放出来的 AI 相关的人才数 ， 岗位数量是最多的 。 那比如说其他公司有一些什么特点和情况 ？ **林凡** [27:24] 我们看到说基本上所有的大厂 ， 今年比去年都增长了 10 倍以上 。 **曼祺** [27:30] 10 倍以上 。 **林凡** [27:30] 对 ， 整个 AI 的人才的这种扩张 。 **曼祺** [27:32] 你说的是岗位数量增长 。 **林凡** [27:34] 岗位数量 。 **曼祺** [27:34] 那他们实际上真的招进去的大概是多了多少了 ？ **林凡** [27:37] 从我们入职的那个情况来看的话 ， 基本上也是 match，也是一个同比例在增加的这样一个情况 。 比如说我原来这个部门有 1000 人， 对吧 ？ 我原来每年招可能 50 个人， 然后那我现在招 500 个人， 那他可能那个部门的数量并不是人员有 10 倍的扩张 ，但他的招聘的规模有 10 倍的扩张 。 然后我们看到说最高的可能是字节 ， 然后再往下就是小红书 。 如果把阿里巴巴都合在一起的话 ，因为我们这边统计是分开来的 ，是阿里巴巴 、 蚂蚁是排在第三 、 第四的这个位置 ， 然后第五是腾讯 ， 然后是美团 、 京东 、 百度 、 华为等等这些公司 。 所以你可以看到说整个大厂其实大家的增强人才的都是同样的努力和积极的 。 **曼祺** [28:23] 然后我看你们统计的数据里面 ，有些就是比较有意思的公司 ， 它不是互联网科技大厂 ， 它是一些跟先进制造业相关的 。 因为你们有一个指标是人才流入和流出比 ， 然后这个指标里其实像小米 、 像比亚迪都是很高的 ， 还比腾讯 、 比阿里这些都高 。 就你可以先讲讲就是 AI 人才的流入流出比 ， 它反映一个什么东西 ， 就我们可能大概能从这里面看到什么样的趋势 ，以及为什么像小米还有比亚迪这样的公司它是挺高的 。 **林凡** [28:49] 流入流出比就代表说 ， 就是说我今天流入两个人才 ， 流出一个人才 ， 那我的流入流出比就是 2， 就意味着说我的净水是大于出水的 。 那刚才看到所有这些公司都是一点几几 ， 那就说明说它们都是净流入的这种情况 。 那流入高就说明说它们对于 AI 人才的获取的渴望程度更强烈一些 。 我们今天看到的这些硬件公司 、 车的公司 ， 它们的流入流出比很高的原因 ，其实它背后是一个非常简单的关键的趋势 ， 就是说今天大模型 ， 它已经不仅仅是服务于互联网公司了 ， 它在很多的千行百业里面 ，不管是金融科技也好 ， 自动驾驶也好 ， 机器人也好 ， 还是其他的这种硬件的这种领域里面也好 ， 它都有非常好的应用的场景 ，因为它 底层的大模型基本上都统一了 。 所以今天我们会看到说所有的行业里面的这些公司 ，其实它都在争先恐后的引入 AI 的人才 。 ### 员工与创业 **曼祺** [29:50] 因为 24 年 4 月就是 《 晚点 》 来跟您聊的那一次 ，其实您当时有讲到就是你观察到的不同大公司的员工在脉脉上的这种精神面貌 ，因为脉脉是一个这种职场社交平台 。 那相比于就是 24 年 4 月过了一年多 ， 你现在看到的这些不同公司的员工的面貌的变化是什么样 ？ **林凡** [30:10] 其实每个公司差别还挺大的 。 我记得去年当时说阿里的员工其实变得更克制一些 。 **曼祺** [30:16] 对 ， 你说阿里没那么高调了 。 **林凡** [30:18] 对 ，但今年明显因为整个阿里的 AI 做得很好 ， 然后它的业绩和股价都很好 ， 所以我们可以看到说内部的士气是明显提振了 。 大家更喜欢开始聊业务战略 ， 更喜欢聊组织 ， 更喜欢谈公司的股票 ， 然后喜欢提各种各样的这种建议 。 但是你看另外一个对比的公司 ， 就像比如美团 ， 外部业务跟阿里打得非常的激烈 ， 所以我们明显能感觉到说他们内部的讨论比以前是要焦虑很多的 ， 还是有很多员工非常担心说自己能不能守得住 ， 能不能有这种护城河 ， 到底够不够宽广这个护城河 。 对 ， 所以大家这种讨论都是还是挺有各个公司自己的这种特色和特点的 。 **曼祺** [30:58] 因为其实您自己也经常看就是脉脉上的一些内容 ， 就据您自己的体感 ， 阿里的气势提振 ， 它到底是 AI 的作用比较大 ， 还是外卖大战的作用比较大 ？ **林凡** [31:08] 其实是 AI 就开始了的 。 从去年阿里做完组织结构调整以后， 然后开始重点在 AI 上面 ， 我们就能看到说阿里对于 AI 的内部的讨论区对于 AI 的综合层在持续提升 。 当然我从另外一个角度 ， 我认为说因为员工最核心关注的都还是绩效晋升 ， 然后自己的收益等等 ， 大家为什么会说是 AI 引起的 ，是因为说 AI 引起以后， 资本市场就对股票开始进行认可了 。 因为股票 ， 我手上的股票的钱变多了 ， 我对公司的认可度和热情就会变高了 。 **曼祺** [31:43] 对 ， 它从就是去年底低点应该是 80 美元左右吧 ， 七八十美元 ， 现在到 130 多了 。 **林凡** [31:49] 对 ， 所以我们认为说你看美团的员工 ，他的焦虑也是因为说他的股价开始跌了 。 所以就是员工他其实比较朴素 ， 就是如果我的利益得到了好处 ， 我可能对于公司的士气就会开始有提振的那个状态 。 如果利益受到了损失 ， 大家就会开始处在一个焦虑和不那么积极的那种状态里面 。 **曼祺** [32:10] 京东的员工在脉脉上讨论什么 ？ **林凡** [32:12] 他讨论的还是跟很多外卖的策略相关的一些事情 ， 就觉得公司可能在很多地方做的还是有可以提高的地方 。 **曼祺** [32:19] 其他的一些公司了 ， 你刚才就讲到比如说大部分公司确实都是上市的 ， 大家会受这种股价的影响 ， 比如像华为 、 像大疆这种 ， 它不上市的公司 。 **林凡** [32:29] 基本上大家都会跟自己的产品的讨论和就是一些具体的竞争对手的这种讨论会有关系 。 比如说华为可能很多时候就跟小米在比车 ， 然后像大疆的时候其实因为大疆的产品还是比较有竞争力的 ， 所以很多时候大家可能讨论产品的反而会少一点点 ， 更多讨论自己的这个就是衣食住行 、 公司福利的这些事情会更多一点 。 **曼祺** [32:53] 衣食住行 、 公司福利 。 **林凡** [32:54] 对 ，有的时候比如说我在哪个办公区 ， 然后我租哪个房子会更合适一点点 ， 类似这样的一些东西 。 **曼祺** [33:01] 我觉得这些公司的变化确实挺有意思的 。 然后另一方面就是我们刚说都特别大的公司 ， 就是创业公司 ， 从脉脉上来看的话 ，不管是说从员工士气还是说 AI 人才的一些流动的变化上， 你看到的现象是什么 ？ 刚才稍微提了一个 ， 就是你有说到 7 月之后六小龙里有 40% 的 AI 相关的人说是要看机会 。 **林凡** [33:20] 对 ， 今年对于创业公司来讲的话 ，其实是怎么讲的 ， 叫喜忧参半 。 我们看到的事情是说一方面是因为 DeepSeek 的这种横空出世 ， 会让很多投资人对于创业公司有了更强的信心 。 之前其实在 AI 这个时代刚刚开始的时候 ， 很多投资人都觉得说未来是大厂的菜 ， 就跟创业公司没什么关系 。 所以投资人其实不那么重视创业公司 ，但今年 DeepSeek 之后， 整个投资的发生的数量和交易额其实都开始有提升 。 那这时候对于创业公司来讲 ， 它拿到的钱其实变得更多了 。 那这是大家喜的那部分 ， 就大家更有动劲去干这个事情 。 那优的是什么呢 ？ 优的就是刚才说到这个人才大战 ， 就是说因为现在大厂其实都在拼了命的提高薪水 、 提高待遇去挖人。 那么很多这种人才 ， 虽然你融到的钱变多了 ，但是今天你真的跟大厂相比 ， 你手上拥有的资源还是差的 ， 都不只是一个量级 ， 可能是两三个量级的这种差异 。 所以你真正能给员工开出的比较有吸引力的这种薪资和待遇是很有限的 。 所以这时候你的人才其实比较多的进入到大厂的体系里面 。 虽然我们也分析过就是说大厂的人才的主要的来源可能还是来自大厂的人才和应届生 ，但是它的体量很大 ， 所以它只要挖一点 ， 创业公司的人也有点受不了 。 所以我们自己看到就是说喜忧参半的这个现象还是挺明显的 。 **曼祺** [34:52] 那大厂有相对劣势的地方吗 ？ 刚才听起来好像都是在人才上是优势的地方 。 **林凡** [34:56] 大厂的相对劣势的地方就在于说它做事慢 ， 它的就是有很多你的人才进去以后， 如果你是中层或者底层的这些人， 那么你都是听着老板的布置任务去做很多事情 。 那这样的话你能拿到的结果和能产出的结果相对来讲就比较小 、 比较慢 。 但是你在创业公司里面 ， 如果这个创业公司确实有比较好的应用场景的话 ， 那么实际上你能拿到一个比较好的机会 ， 能够去验证自己的一些想法和一些这种能力 ， 那它拿到结果的速度会快很多 。 **曼祺** [35:27] 就是你们观察到的 ， 比如说在这种大公司里面 ， 一个 AI 人才进去之后， 它平均能待多长时间 ？ 我看你们报告统计的数据是平均两年， 这个数字是算短还是算长呢 ？ **林凡** [35:38] 那相比其他的新兴科技行业的这些人才 ，2019 年的调查周期来讲 ， 相对还是短的 。 **曼祺** [35:44] 这个是就是 23 年之后才会有这个变化的是吗 ？ **林凡** [35:47] 没错 ，是的 。 因为整个周期其实还没多长的这个时间 ， 我们看到了大厂的大部分进到大厂里面 ， 相对来讲还是稳定的 。 **曼祺** [35:55] 因为之前会有些现场传闻 ， 比如会说什么公司什么部门平均在职时间只有八个月之类的 。 **林凡** [36:02] 对 ，但是你看上一次字节不是自己也在内部公开说它的数据吗 ？ 其实我们看到这两年因为经济承压 ， 所以大部分的员工如果他进入到大厂以后， 相对来讲他的主动离职率低到了非常非常低的这种情况 。 基本上你可以认为说就是 3% 到 5% 的这种主动离职率是非常非常低的 。 除了说个别的就是大厂这些护娃开出了一个很高的一个薪资以外， 大部分的时候人才是不会倾向于主动流动的 。 **曼祺** [36:31] 谁和谁之间护娃最激烈 ？ **林凡** [36:34] 我们可以看到说首先字节是所有的公司的主要的流入 。 **曼祺** [36:40] 流入方向 。 **林凡** [36:41] 对 ， 就是大部分的公司主要都会流入到字节 ，但是同时百度是所有的公司的流出的 。 **曼祺** [36:49] 就是百度仍然在扮演黄埔军校的角色 。 **林凡** [36:52] 是一个很好的黄埔军校 ， 对 ， 这样的一个情况 。 然后我们也可以看到说 ， 比如说字节其实不仅是挖所有的这种大厂 ， 它比如六小龙的最多的也是字节挖的最多 。 当然这个时候百度就其次了 ， 就说明说百度还相对于很多创业公司来讲 ， 它还是有优势的 。 所以百度是挖六小龙第二多的公司 。 **曼祺** [37:14] 腾讯是不是挖字节的人 ？ 竞争是比较激烈的 。 **林凡** [37:17] 护娃比较多 。 **曼祺** [37:17] 他们人才上 。 **林凡** [37:18] 对 ， 就是腾讯和字节我们看到大量的 case， 就有好多的脉脉上面的这些经历 ， 就是上一份腾讯 ， 下一份字节 ， 或下一份字节 ， 下一份腾讯 ， 就有好多好多这样的人。 **曼祺** [37:28] 为什么这里面插不进阿里 ？ **林凡** [37:30] 我觉得是因为说阿里还是说阿里可能分成了几家公司 ， 所以它统计起来不那么明显 。 **曼祺** [37:36] 就没有那么聚焦的那种感觉 。 **林凡** [37:38] 对 ，因为你想就是上一份是字节 ， 下一份是淘宝 ， 跟上一份是高德 ， 下一份是字节 ， 这个看起来它就没有那么的集中 。 但实际上你如果把它都聚合成阿里的时候 ， 可能它也会有这种感觉 。 **曼祺** [37:51] 因为其实阿里的 AI 还是做得很强的 。 这个其实也确实是它股价从一个相对比较低的点到现在 ， 就是又涨幅比较多的一个核心的支撑 。 **林凡** [38:01] 所以我们说总的阿里的 AI 人才的规模还是就是跟字节是不相上下的 。 **曼祺** [38:07] 那刚才这些我们都是从公司的角度在讨论这个 AI 人才市场的变化 。 接下来我们想更多从人的角度 ， 就是从雇员的角度 。其实刚才也说到了一些 ， 就是说有一些人即使在现在这种情况下， 可能还是会选择创业公司 ，是因为创业公司也许能让自己的成长速度更快 ， 然后能让自己更快拿到一个结果 。 ### 人才格局 **曼祺** [38:24] 我们可以先说说就从求职者 、 从雇员的角度大面上来说 ， 你们观察到哪些人是最直接受益于就是现在这个 AI 相关岗位的增长的 ？ **林凡** [38:35] 我觉得基本上就是 TOP 高校的毕业的理工科的硕博人才 。 **曼祺** [38:41] 这个 TOP 高校的范围要怎么算 ？ **林凡** [38:43] 我们基本上就认为说是 C9 加一电一油 ，C9 的高校 ， 然后加上北京邮电大学和西安电子科技大学 ， 就这几个是我们可以认为说是 TOP 的高校 。 **曼祺** [38:56] 就是计算机比较强的 TOP 的高校的应届生 。 **林凡** [38:59] 对 ， 然后他们的硕士 、 博士 ， 你看我们有个数据就是说所有的 AI 人才中间 ， 这些高校里面本科只占 20%， 硕士占 54%， 博士占 25%。 你看博士比本科升度多 ， 所以这个是很明显的 ， 就硕博人才实际上是非常重要的 。 因为 AI 这波浪潮其实大家都要会读论文 ， 要写论文 ， 然后要能够用这种学术的这种思考的方式来去解决很多问题 。 **曼祺** [39:25] 就是在 TOP 的之中，C9 加一电一油里面 ， 什么学校最受欢迎 ？ **林凡** [39:30] 那肯定还是清华 。 **曼祺** [39:32] 它这个排名我觉得它可能跟这个学校的综合排名可能是不一样的 ，是不是 ？ 比如说第一是清华 ， 第二是 ？ **林凡** [39:38] 我们这边看到是北邮 。 **曼祺** [39:39] 第二是北邮 。 **林凡** [39:40] 对 ， 然后第三是浙大 。 **曼祺** [39:42] 第三浙大 。 **林凡** [39:43] 对 ， 我其实觉得说它跟几个方面都有关系 ， 一个方面是说它靠近哪个区域也会有关系 ， 第二是这个学校的供给的人数也会有关系 ， 第三个事情其实跟就是这个学校里面有哪些领域和方向跟 AI 的相关性更高也会有关系 。 就它这里面有蛮多的因素在影响这个学校 ， 它不是简单的综合排名的那个问题 。 **曼祺** [40:05] 因为大家会觉得 TOP 是清华和北大嘛 。 **林凡** [40:07] 对对对 。 **曼祺** [40:08] 但是其实在就是你们看到的这个 AI 相关的应届生的求职上， 它不是这样的 。 **林凡** [40:12] 对 ， 我举个例子 ，因为比如说我们就举个哈工大这样的例子 ， 哈工大其实它在很长的时间里面 ， 它在 AI 领域 、 自然语言处理等等这些方面 ， 都是一个比较领先 ，在国内比较领先的这样的一个学校 。 但它的综合排名其实并没有那么的高 ，但我们其实在很多 AI 人才的时候 ， 我们都能看到说哈工大的这个身影还是比较明显的 。 **曼祺** [40:35] 对 ，因为哈工大的自然语言处理和机器人都是它历史比较悠久的 、 比较强的这种具体的专业 。 **林凡** [40:42] 是的是的 。 **曼祺** [40:42] 您可以把这个就学校排名和我们说完吗 ？ 就是清华 、 北邮 、 浙大 。 **林凡** [40:49] 怕引起这个 。 **曼祺** [40:50] 怕引起学校的讨论 。 **林凡** [40:52] 说头十个 ， 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 。 **曼祺** [41:02] 就是您可以给非理工科背景的人解释一下为什么北邮它排名很高吗 ？ **林凡** [41:06] 这个我们其实也很好奇 。 我们觉得说北邮 ，因为北邮可能还是出了很多的比较好的工程类的人才 。 我自己觉得说在这一波里面 ，因为工程也是一个很重要的基础 ， 它要把大模型底下底层的这种框架能够搭建好 、 构建好 。 那北邮其实在过去的十年的时间里面 ， 它已经各大互联网公司都被 prove 说 ， 被证明说是一个很好的工程人才的摇篮 。 对 ， 所以我觉得说可能是这个原因 ，但我们没有仔细的研究 。 那天我看到这个列表的时候 ， 我也有点诧异 。 **曼祺** [41:40] 你主要就是对北邮诧异 。 **林凡** [41:42] 就只对北邮我有点诧异 。 因为浙大其实它的人才供给非常大 ， 它规模很大 ， 所以说浙大排在北大前面 ， 我觉得还是可以理解的一个事情 。 **曼祺** [41:50] 所以北大是和它的招生规模是有关系的 。 **林凡** [41:52] 我觉得可能是有关系的 。 **曼祺** [41:53] 但确实在 AI 上清华还是非常强 。 **林凡** [41:57] 绝对的领先 。 **曼祺** [41:58] 实习生是不是也是很多公司非常青睐的 ， 就是没有毕业的博士生 。 **林凡** [42:02] 对 ，其实这个其实也要回到 DeepSeek 时刻 。在那个之前 ， 基本上所有的人都觉得说我今天还是要从美国去挖一些核心的人才的 。 然后直到 DeepSeek 发现说用一批的实习生和用一批的这种应届生也能做出巨大的贡献 。 所以今年的整个实习生的人才都抢疯了 。 就是我们看到说很多公司就是给实习生开的日薪就是 4500 的这种日薪 ， 还是非常非常高的 。 **曼祺** [42:29] 因为有些工作其实一个月的工资也就 4500。 **林凡** [42:32] 对啊 。 **曼祺** [42:33] 它实习生的日薪就是 4500。 **林凡** [42:35] 而且实习生其实大家有的时候也会努力的 ， 比如周六也干干活什么之类的 。 **曼祺** [42:39] 就是说它一个月也许能干 28 天是吗 ？ **林凡** [42:42] 只要你愿意都是可以的 。 **曼祺** [42:44] 就是公司不拦着 。 **林凡** [42:45] 公司不拦着 。 之所以开日薪就是因为说公司不拦着 。 **曼祺** [42:48] 您可以讲讲就是在数据的反应上， 就比如说实习生 、 应届生 ， 相比我已经有一些工作经验的 ，他们这个增长的比例上的区别是什么 ？ **林凡** [42:57] 我们好像没有非常具体的这么一个比例 ，但我们现在能看到的事情是说在整个的招聘 ， 就是 AI 人才这块 ， 实习生的比例已经快速的增长到百分之十几的这样的一个规模了 。 以前其实大家还是以就是工作两三年， 甚至更长的时间为核心的主力 ，但实习生现在其实明显的已经变成了就是重要的新兴的力量 ， 特别是绝大部分的大厂其实对于实习生这块是非常非常看重的 。 **曼祺** [43:25] 什么背景履历的实习生可以到 4500 的日薪 ？ **林凡** [43:28] 那这个还是有一定的要求的 。 **曼祺** [43:31] 应该还是少数 。 **林凡** [43:32] 对 ， 还是少数 。 我们可以看到就是说有一个很有意思的 ， 中美现在对于 AI 人才的一个量化的一个标准 ， 论文的引用数 ， 你知道 Google Scholar 这个软件 ， 它实际上是有每一个人他的论文被对到论文引用的 。 然后你基本上可以认为说就是在 AI 相关的论文上面 ， 如果你发布的论文的引用数过万了 ， 那基本上你在美国就是三五百万美金的年薪的情况下， 甚至能到千万美金的年薪 。 然后如果你是过千的话 ， 就 AI 相关的这个论文你是过千的话 ， 你大概能够到一两百万美金的年薪 。 然后如果说是过百的话 ， 那你可能大概能够到 50 万美金或者 100 万美金 ， 就是大概是这样的一个情况 。 那国内的话 ， 你可以基本上把这个数字除一个汇率 ， 如果说今天国内有一些就是刚才说到说日薪能够 4500 的话 ， 就一定意味着说他们在 AI 相关的领域里面发布的论文至少是过百的引用 。 那还有另外一部分是工程人才 ， 现在大家公认的都是 GitHub 上面的代码被下载的规模 ， 同样的也是说你下载规模可能比如说在 10 万或者怎么样以上的 ， 那它又是一个价格 ， 然后再比如几千的又是一个价格 ，但这个可能会比就是有论文的要再便宜一点 。 **曼祺** [44:47] 我们刚才说的是就是受益的一些人， 那直接可能受就是大模型的浪潮冲击的专业或者说职位是什么 ？ **林凡** [44:57] 我们觉得说如果我们看最本源的原理的话 ， 如果这个工作的标准化程度比较高 ， 然后工作的重复度比较高的话 ， 那么这类的这种岗位是比较容易受到 AI 的冲击的 。 那刚才也说到说美国其实比中国更明显 ， 我们看到说很多这种初级的这种开发岗位 ， 然后一些客服的岗位 ， 一些这种运营的这些岗位 ， 标注的岗位等等 ，在美国其实大量的这种岗位其实都是被直接替代了的 。 那在中国的话 ， 我们看到就是说岗位的量开始下降 ， 招聘的量开始下降 。 刚才说到 AI 是每个月环比两位数的增加 ， 对吧 ？ 但我们现在看到同比降幅超过百分之二十 、 三十的 ， 可能有一些比如说像嵌入式的开发 、Python 的开发 、C++ 的开发 ， 然后一些数据的开发 、 前端 、 测试工程师 、 安卓 、iOS 的开发等等 ， 就这些低端的开发岗在我们这边的看到的招聘的数量和规模是在缩减的 。 然后那还有一些比如说我们看到一些市场 、 行政的一些这种运营 ， 一些低阶的这种岗位其实也在下降 。 然后我们看到还有一个挺有意思的 ，但是它其实可能跟 AI 无关 ， 就高管的岗位也在下降 。 **曼祺** [46:10] 高管的管理者的岗位在下降 。 **林凡** [46:12] 对 ，因为当然这个可能是因为说过去的若干年， 大家因为在快速的扩张的过程中间都储备了足够多的这种高管的 。 那现在的话 ，因为有很多其实是 AI 来了以后， 会有很多需要懂 AI 的人能够进入到一个比较核心的管理岗位 ， 那这时候它就会把原来的一些这种高管的 ， 就是非 AI 背景的一些高管从这个地方淘汰出去 。 **曼祺** [46:35] 它这个下降能到什么幅度 ？ **林凡** [46:36] 四分之一 。 **曼祺** [46:37] 所以它可能比就是您刚才提到的有一些这种基础的开发岗下降的幅度还大 。 **林凡** [46:42] 对 ，是 。 **曼祺** [46:42] 这些数据背后我觉得都有很多故事 。 **林凡** [46:44] 是的 。 **曼祺** [46:45] 因为高管可能它已经就职业发展到一个中期阶段了 ， 它这个时候要再转应该也不太容易 。 **林凡** [46:51] 不容易 ，不容易 。 **曼祺** [46:53] 然后另一方面就是很多非常年轻的求职者 ，但可能他不是一个就是很资深的这种研究者的背景 ，他想找一个初级入门的工作也变得很难 。 **林凡** [47:03] 对 ， 现在其实确实是这样的一个情况 ， 就是说对于刚毕业的这些同学 ， 如果他们不是刚才说到的这种就是 TOP 的高校的硕博岗位 ，他们其实去找到一个能够比较好的出路资产的这种岗位的难度其实是在明显的增加的 。 但这个其实在美国是比较是更明显的 ，在中国还没有那么明显 ，因为刚才讲到说中国的人力成本其实比美国人力成本要低很多 。 **曼祺** [47:29] 所以它替代没有这么迫切 。 **林凡** [47:31] 对 ， 所以这时候很多时候大家还愿意花一点钱去雇佣一些年轻人 ，因为他们也积极也能干 。 **曼祺** [47:38] 您说到这个让我想到 ， 应该去看一下四年前张雪峰推荐了一些什么样的专业 。 **林凡** [47:43] 我觉得他那时候应该推荐不准吧 ，因为 AI 的整个替代是在这两年才发生的 。 **曼祺** [47:49] 就有的时候因为大学其实时间很长的 ，因为现在技术是在加速变化的 ， 然后你四年前选的这个专业到你毕业的时候也许已经有非常大的变化了 。 **林凡** [47:59] 是的 。 **曼祺** [47:59] 我觉得这个确实不管是给已经在工作的人和将要步入职场的人， 我觉得都带来了挺多的一些新的挑战 。 包括您刚才说的客服的这个事 ，其实像最近甲骨文的 CEO， 就是贝里奥夫 ，他就有在一个播客上说他们是怎么把他们自己的销售客服从 9000 人减到了 5000 人。 但美国的 CEO 可能还比较愿意公开说这些 。 **林凡** [48:23] 对 ，其实国内也有这样的情况 ， 就是我认识一个朋友其实当时在做这个分享的时候就说过 AI 会替代这些工种 。 然后他是一家视频相关的网站的 HR 负责人， 然后他们回去以后也是在内部推行 ， 就是把大家都知道说视频其实还会有很多审核 、 标注和客服的这个工作 ， 所以他们把这个团队从 6000 人降到 1000 多人。 就是其实国内也有 ，但他可能不太敢分享 。 但是这样同样的事情其实在中国也是有这样的一个情况的 ，但是不那么明显 ，因为国内即使是这样的一个团队 ， 它整体在整个公司的成本结构里面也还是一个很小的一个比例 ， 所以它并不是一个大家会第一优先级想要去解决的问题 。 **曼祺** [49:11] 那你们有观察到一些什么 ， 它不是直接和 AI 相关的 ，但是因为 AI 热潮来了之后， 它其实也受益的一些岗位和求职方向吗 ？ **林凡** [49:19] 这个阶段还没有 ， 就是因为我们认为说就是整个技术的变革 ， 它其实是有点像水潭里面的涟漪一样 ， 就是一圈一圈一圈一圈的往外去延展和递延的 。 那么一般来讲的话 ， 就是说你受益的时候一定是说这一波的涟漪已经到了你所在的产业 ， 发生了一些流程和结构上的变化 ， 使得这个工种消失了 ，但另外一个工种就出现了 。 但我们现在看到的不管是中国还是美国 ，其实这一圈的涟漪还在比较核心的公司里面 ， 就是刚才说到说最先的肯定是像互联网的一些巨头 ， 然后以及互联网相关的创业公司 。 然后现在我们看到往外走了一圈 ， 就刚才说到像汽车 、 机器人 、 消费电子等等这样的一圈的人才 。 那么在这两波的变化的过程中， 我们还没看到说有非技术相关的这种岗位的获益的人群 。 你要硬说的话 ， 就是会有数据标注相关的 。 **曼祺** [50:21] 就如果总结一下的话 ， 从 24 年到 25 年的现在 ， 就是在更广泛的人才市场中， 脉脉看到了哪些 AI 带来的变化 ？ **林凡** [50:30] 我们总结来讲的话 ， 就是说我们没有看到凭空创造出一批新的岗位 ， 我们也没有看到替代掉了整个职类的这种职业 。 现在基本上看到的在国内就是说对很多的岗位是做了一个提效的一个工作 ， 然后以及说对于很多岗位的能力模型也提出了升级的要求 。 那为什么这么讲呢 ？ 是因为说就我们今天看到的 AI 对工作的影响 ， 主要还是在提高了工作的产出数量和产出质量 ， 就数量和质量 AI 都能够帮助去提高 。 但是因为中国的人工也没有很贵 ， 所以现在的主流的工作模式就是人和 AI 一起来完成工作 。 比如说我们可以看到说技术相关的岗位 ， 可能都是说我原来的传统的算法和现在的大模型如何能够进行一些整合和升级 ， 比如说以前的语音识别 、 音视频 、 自驾 ， 都是我们看到的在新的大模型的情况底下需要一起来去做的 。 那另外一方面就是有很多的这种岗位 ， 它其实是说就是招聘的数量开始收缩了 ，但它就是因为它的数量和质量在提升 ， 所以就不要那么多人了 。 那我们可以看到说今天的很多做市场的同学 ，他原来的文案就要冥思苦想 ， 现在都是跟大模型一起去聊 ， 然后一起去共创 。 所以我们总结一下就是说标准程度高 、 工作闭环周期短的这些工种 ， 那么它其实今天都面临的说就是在缩减 ，但是它还没有到说替代的这样的一个状态 ， 既没有大规模新增 ，也没有大规模替代 ，但我觉得这是一个短期的平衡态 ， 可能再过两到三年的时间以后， 就会有刚才说的一层一层的涟漪再开始往外走的时候 。 **曼祺** [52:15] 就这个会波及到更多产业 ， 然后更多人会感受到这个变化 。 **林凡** [52:18] 是的 。 **曼祺** [52:19] 最后这部分是想讨论一下就是您自己还有脉脉是怎么来用 AI 的 ， 这个我们可以往回就是倒早一点 ，因为您自己是 98 级清华计算机系的嘛 。 ### 脉脉与AI **林凡** [52:28] 对对对 。 **曼祺** [52:29] 就是然后在那之后是有参与 SOGO 的早期创业 ， 然后也一直是就像您说的在创立脉脉之前 ，其实您做了很久的程序员 。 **林凡** [52:38] 对 。 **曼祺** [52:39] 就计算机技术背景之下， 你来看 AI 的进展哪些地方是会让你挺吃惊的 ？ **林凡** [52:44] 因为我是个程序员 ， 然后并且我同时原来在大学和博士退学之前读的都是 AI 这个方向 。 **曼祺** [52:52] 那会儿就是有人工智能方向 。 **林凡** [52:54] 对 ， 我读的就是机器学习这个方向 。 **曼祺** [52:56] 那您应该是 2002 年开始读博士吗 ？ 读研究生 。 **林凡** [53:00] 对 ， 读博士 ，但是读直博 。 **曼祺** [53:02] 2002 年就是直博开始学 ， 那会儿应该叫机器学习 。 **林凡** [53:06] 对 ，是的 。 **曼祺** [53:07] 的时候 ， 您当时对 20 年后的 AI 可能发展到什么程度是怎么想的 ？ **林凡** [53:12] 就实话实说 ， 那个时候完全没觉得说会在 20 年之后看到 AI 的这一次跳变 ，因为我们那个时候在做最早的神经元网络 ，因为那个时候神经元网络大概只能跑到能到 10 层的神经元网络 ， 那个计算量已经到了不可想象的那个地步 。 我们当时曾经有一段时间我们在微软亚洲研究院做那个 ， 当时有一个 office 助手 ， 就是给你提各种各样的这种建议的 ， 我们大概在一个百万的数据集上面去跑这种神经元网络 ， 差不多跑两天两夜 ， 就是拿当时最好的计算机 ，但那个时候也没有太多的集群 ， 就只有单机 ， 跑两天两夜 ， 跑出来的结果就是你可以认为说它很弱智 。 所以那个时候就开始用非常多的简化的网络 ， 所谓的 BNN， 所谓的 SVM 等等这些简化的网络来去替代神经元网络 ， 来去做一些所谓的 ROI 更高或效率收敛速度更快的这种算法 。 但是现在的话你会发现说 ， 就是因为说它的算力足够了 ， 数据规模足够了 ， 用暴力的这种网络的这种规模去做这个计算 ， 当然也做了很多的这种优化 ， 那确实它的效果要比当时要好非常非常多 。 所以我们这些原来做正统的做 AI 的这一拨人 ，其实从来都没有想象说 AI 会发展到今天这样的这种地步 。 **曼祺** [54:33] 那中间有什么时候开始感觉有这个苗头了吗 ？ **林凡** [54:36] 我觉得第一波是 Deep Learning。Deep Learning 的这个应用在视觉方面当时解决了 ， 你看我印象中最早的时候在九几年的时候 ， 当时所谓的车牌识别 ， 就识别十个数字都是非常非常难的 。 然后那 Deep Learning 当然还没到 Deep Learning 的时候 ， 这些问题都已经解决了 ，但到 Deep Learning 的时候 ， 人脸识别开始变成说在几亿人中间去识别一张脸是非常的准确嘛 。 这种对我这种脸盲来讲的话 ， 我在几百个人中间都不能识别准确说哪个人是哪个人的时候 ， 你就会觉得说已经非常非常的神奇了 。 对 ， 然后那当然了 ，Deep Learning 后面在广告 ，在很多其他这种领域的这种使用 ， 包括说它在就是当时的这种自然语言这块的一些应用 ， 都还是让人觉得是蛮神奇的 。 但那个节点跟今天的能够跟人自然对话 ， 能够帮助大家去写代码 ， 那又完全不是在一个量级 。 **曼祺** [55:31] 那您说那个节点应该差不多是在 12 年前后 。 **林凡** [55:34] 10 年前后 。 **曼祺** [55:34] 10 年前后，XLite 那前后对吧 ？ **林凡** [55:37] 对 。 **曼祺** [55:38] 当时您是一个什么状态 ？ 因为那会儿您不是说已经博士 ， 就您博士是没有读完的 。 **林凡** [55:44] 我没读完 ， 我读半年就退学了 。 **曼祺** [55:45] 读了半年就退学了 。 **林凡** [55:46] 对 ， 我就回来去创业了 ， 跟小陈也一起去创业 。 **曼祺** [55:50] 就去 SOGO 了 。 **林凡** [55:51] 对 ， 我觉得那个时候其实你认为说它还是一个很好的技术去用在互联网的一些场景里面 ， 比如说就是 Deep Learning 最典型的就在广告的这个场景里面去使用 。 所以那时候还没有太多的经验 ， 就是还是觉得说它是一个顺理成章的一件事情 。 它很像当年像 Google 推出整个 Hadoop 什么这些 ， 就是大数据平台这种推出的时候那种感觉 ， 就还觉得说这是一个工具 。 **曼祺** [56:20] 所以当时您是在 SOGO 然后做业务时候关注到这个变化 ， 你觉得它有可能是作为工具是能用于你们的一些业务一些产品 。 **林凡** [56:28] 对 ， 对 ， 对 ，是的 。 **曼祺** [56:29] 然后您 12 年创业的时候并没有想过是往这个方向做什么 。 **林凡** [56:32] 对 ， 那个时候肯定移动互联网还是最大的变革 。其实我觉得说很多时候你不是说一定要就是踩在技术的最前沿的 ， 你很可能变成前浪被拍死在沙滩上面的 。 所以你肯定还要找到当下最适合的技术的方式 。 **曼祺** [56:48] 因为那会儿确实有了那一波最早的一些创业公司 ， 比如说旷视是 11 年左右成立的 ， 商汤大概是 13 年 。 **林凡** [56:55] 我跟旷视还挺熟的 ，因为大家是师弟嘛 ， 我们当时一起在讨论说创业该做些什么 。 **曼祺** [57:01] 就是他没有创业 ， 你说硬气吗 ？ 还是唐文斌 ？ **林凡** [57:04] 那时候是唐文斌 ， 硬气还没有回国 。 那个时候唐文斌在国内主追各种各样的这种探索 ， 那时候他们已经创业了 ，但是大家还没有找到方向 。他们是特别典型的拿着蓝头找钉子的 ，因为他们有这个人脸的视觉的技术 ，但不知道应用什么场景 。 所以当时他们会去探索说比如说游戏 ， 当时我就拿这个玩 ， 我说玩还是蛮好玩的 ，但是就是这玩意儿怎么赚钱呢 ？ 这玩意儿怎么再往后呢 ？ 他们也没想好 。 然后在后面他们就去比如说研究说怎么搬山产去统计人流 ， 就是因为山产需要统计人流 ， 然后来看哪个是环境万户 。 **曼祺** [57:39] 什么进店 ， 什么地方走线比较好之类的 。 **林凡** [57:42] 然后结果后面发现说这个技术用在这地方太高深了 ，因为你实际上直接去统计进来的手机 WiFi 的数量就可以更多 。 **曼祺** [57:51] 对 ， 用 WiFi 围栏什么一些别的东西也能做 。 **林凡** [57:53] 对 ， 你可以用那种方式来去做这种统计 。 然后他们还尝试了好几个不同的这种方向 ， 直到最后就是发现说在银行做这种人脸的这种验证 ， 那个节点开始他们其实才进入到一个高速发展的一个状态 ， 否则头两三年特别特别的痛苦 。 **曼祺** [58:09] 那这一次这个 AI 的机会 ， 您觉得就是可以给脉脉 ， 就给你们在做的这个事情 ， 比如说职场社交平台 ， 或者说你们之后的一些发展带来一些怎样的机会 ？ **林凡** [58:18] 我觉得这个可能是一次对这个行业的一个比较大的一个颠覆性的一个机会在 ，因为我们现在其实用它主要来做招聘的一些这种优化和改进 。 大家都知道说今天可能招聘对于 HR 来讲的话 ， 它其实要解决人才收缩的这些问题 ， 然后它要去筛选简历 。 那么这些事情其实 AI 做基本上能做得跟人一样好 ， 甚至有的时候比人还要好 。 第二部分就是说比如说跟候选人去沟通一些意向 ， 就是你有没有意向 ， 如果你有意向的话 ， 你对什么方向的这种岗位就是会看得更多一点点 ， 类似这样的一些沟通的工作也是非常大量的这种沟通的这个事情 。 所以我们可以看到说当我们开始推出一些具体的一些解决方案 ， 比如说帮助 HR 去筛选简历的这种解决方案 ， 我们可以看到说三分钟能够帮他读 5000 份简历 ，他们是非常非常的能够节省时间的 。 然后包括意向的这种沟通 ， 我们用 AI 的这种简历去筛选 ， 筛选出 1600 人以后， 我们跟 1200 人能够就是聊天聊好 ， 然后有 120 个人有意向 ， 然后 HR 反馈就是说这个提效还是非常非常的明显的 ， 然后他离开他就不好干活了 。 所以我们自己觉得说整个的招聘的场景中间 ， 每一个环节其实都可以用 AI 去做这种有效的这种提效 。 那么这个其实是一个很大的对于整个招聘的业务的一个助力 ， 甚至可能到了某一天 ， 可能整个的招聘的全流程都可以用 AI 来去基本上全自动的完成 。 **曼祺** [59:55] 所以你们目前主要的切入点是服务招聘这一方 。 **林凡** [59:58] 对 ， 我们现在主要是服务招聘这一方 。其实你在服务招聘这一方的时候 ， 同时也在服务候选人。 因为你对于候选人来讲的话 ， 现在找工作的压力其实也比较大 ， 那么你要投很多很多份工作 ， 然后要跟很多很多 HR 去聊 ， 你才有可能找到一份可能合适的这种工作 。 但这部分的这个工作当它开始被 AI 去取代的时候 ， 那么你可能需要解释的或者需要去聊的只是之前没有说过的那部分 ， 说过的其实 AI 都可以帮你去解决 。 **曼祺** [1:00:27] 您在国内和硅谷看到了什么 AI 和招聘结合的比较有意思的新的尝试吗 ？ **林凡** [1:00:32] 我们自己包括就是美国的一些这种创业公司 ，其实大家都在做一个所谓的 AI 猎头的这样的一个产品或这种功能 ， 就是说 AI 在帮助双方去做更好的这种撮合 ， 能够让彼此之间的求职和招聘的效率得到巨大的一个提升 。 对于求职和招聘来讲的话 ， 我们现在其实都是用周或者月这个级别来衡量我们一个找工作和招人的这样的一个时间 。 那真正有了 AI 以后， 有可能会降到天这个级别 ， 甚至是小时这个级别 。 **曼祺** [1:01:06] 比如说其实在硅谷有一些你可以说它比较颠覆或者说有点质疑的做法吧 ， 就比如说帮求职者在面试的时候 ， 它有一个 AI 的助手 ，其实是有点作弊的嫌疑 。 前段时间其实我们聊了一个这个公司的创始人 ，他们公司是叫 FollowRound， 然后另外最近比较火的还有 H2Z 投资的 ClueLean， 就是您怎么看这种尝试 ？ **林凡** [1:01:28] 我觉得这种尝试本身它应该是一个过渡阶段的一个工具或一个功能 ，因为只有我们内部其实在招人的时候 ， 我们也在讨论这个事情 ， 就是说以前我们去面试一个程序员或面试一个 whatever 什么样的职位的一个人的时候 ， 我们都希望说他自己有这个能力 ， 就是说他能够完成我这个任务 ，他是用自己能力来完成我这个任务的 。 但今天的所谓的 AI 的作弊 ，其实本身也是说你人怎么用好 AI 来完成这个任务 。 **曼祺** [1:02:00] 所以你还是交付了一个结果的 。 **林凡** [1:02:02] 其实你更多的看重的是那个结果本身 ，而不是是它具备这个能力 ， 还是它利用工具具备这个能力 。 我举个不恰当的例子 ， 就是说以前可能你去招一个以前旧社会的时候 ， 你去招一个会算账的人 ，他一定要会打算盘 ， 你在面试的时候你通常会考察他算盘的能力好不好 ，但是后面大家可能按计算器也能够做好这个事情 ， 甚至在后面用 Excel 就能做好这个事情 ，他的技能已经不是算盘了 。 这时候你还用算盘来考察他的时候 ， 你就会有这个问题 。 **曼祺** [1:02:33] 不过对有一些招聘方来说 ， 它其实也不完全是要这个结果 ，而是它想通过这些面试的题目 ， 它想是去看这个人的能力 ， 它想要看这个人的潜力 。 **林凡** [1:02:43] 对 ， 那现在其实核心就是说你看的那个能力是他自身的能力 ， 还是他会用 AI 的能力 。 **曼祺** [1:02:49] 这是一个我觉得 AI 对就是这个职业市场带来的一个新的问题吧 。 **林凡** [1:02:53] 是的 ， 所以我是觉得说就整个这个体系会发生一个巨大的变化 ，但在这个变化的过程中间 ，因为有很多公司还在用传统的能力上限来看候选人 ，而候选人这时候借助了像 Final Round 这样的这些面试的工具 ， 可以有比较好的 AI 的作弊的方式去解决这个问题 。 那这我觉得其实是一个过渡阶段 ， 这一两年、 两三年发生什么事情都是很正常的 。 **曼祺** [1:03:21] 那您觉得过渡阶段之后， 它一个就相对比较长期的阶段 ， 我们这个求职的整个链条会怎么变 ？ **林凡** [1:03:28] 这个很难讲 ， 就是或者说很不好讲清楚 。 我们先讲说最最终局的事情 ， 最最终局的事情是什么呢 ？ ### 工作终局 **林凡** [1:03:34] 最最终局的事情是说所有人的工作基本上都是被 AI 替代了 。 **曼祺** [1:03:37] 所以就不需要求职了 。 **林凡** [1:03:38] 对 ， 就是说这时候所有人其实出生即退休 ， 就是你完全不用考虑工作这件事情 。 **曼祺** [1:03:44] 这应该算是无数种未来之中比较乐观的一种什么 。 **林凡** [1:03:48] 对 ， 我觉得说这是 so far 看起来还比较概率大一点的这种情况 ， 可能会在这样的一种状态底下， 从这些往前倒推 ， 那就变成说我们觉得在前面有一个阶段叫做说未来的白领的工作有可能会像今天的滴滴美团的蓝领的工作一样开始被平台化 。 就是你看今天有很多 ， 就是有一些一家公司雇佣具体的招几个销售 ， 招几个运营 ， 招几个产品 ， 招几个市场 ， 然后凑在一起 ， 然后一起去做某一件事情 。 这是由公司来去做这种雇佣 ，但这些你雇佣这些人在做什么呢 ？ 其实都在交付一些具体的一些产出 ， 比如销售可能是帮你把客户找到 ， 然后把线索找到 ， 然后再把钱收进来 ， 然后可能比如说运营或者一些研发去把这个结果给交付出去 。 那其实他们本质上面都在交付一些很具体的一些任务 ， 那这些具体的任务很有可能会在未来的某一天是由云端的某些人机混合的公司来帮你去解决 。 **曼祺** [1:04:51] 所以可以理解成就是说外包从蓝领的工作 ， 它渗入到白领的工作 ，而且甚至它这个外包可能也不是人干的 ， 是一个机器系统干的 。 **林凡** [1:04:59] 机器系统和人混合一起来干的一个事情 ，因为总有一些具体的事情可能需要人再去做一些变通和适配 ，但是大部分可能是由机器来干的 。 所以这时候你看我们从最终的那个所有人都不用干活 ， 到了次一级的这个状态叫做说有大量的外包公司 ， 这种外包公司是未来让很多公司开的都越来越容易了 。 你看刚才讲到说硅谷有很多就一两个人他就可以开出这样的这个公司了 ， 未来可能这样的会越来越容易 ，因为以前可能就现在看到所谓的一两轮的公司还是 AI 和代码相关的这种公司 ， 就是所谓的科技公司 ，但未来可能很多很多的公司都有可能是用这种服务能够开起来了 。 所以我们认为说从那个阶段就是从机器上云到人力上云 ， 就是所有的这些人力都变成是云端的服务 ， 可以被所有的公司去调用 。 **曼祺** [1:05:51] 对 ，其实就是今天跟您聊之前跟您同事也聊到 ， 就是比如在你们的平台上有一些会计 ，他们就会说自己给一个公司做一年的账 ，他只收 2000 块钱 ， 这并不是他所有的收入 ，他一个人给好多公司 。 **林凡** [1:06:02] 是的 ，他可以给几十家公司做账 ， 那未来可能你在 AI 的帮助下， 你可能可以给几百家公司做账 ， 对吧 ？ 那到那个时候所有的创业公司都不需要雇佣会计 。 **曼祺** [1:06:11] 就在这个情景下就会有些衍生的问题 ， 比如说我把有一个职能平台化 ， 我外包给某一个平台 ，但是在一个行业里大家可能是竞争 ， 就不同的公司之间是竞争关系 ， 比如说 A 和 B 是竞争关系 ，他们都让 C 平台来给他做销售 ， 这种问题要怎么解决了 ？ **林凡** [1:06:30] 我觉得没有关系 ， 它本身没有太大的区别 ， 就跟今天就 A 公司和 B 公司都要用一个云服务 ， 这个云服务可能都会去有一个网站 ， 都会去服务消费者是一样的 。 **曼祺** [1:06:40] 那有一种可能就是平台会获得中间的很多的话语权 ，因为一边是消费者 ， 然后一边就以我刚才说的这个例子 ， 就是如果是销售 ， 你是让一个平台做的话 ， 一边是消费者 ， 一边是可能还有很多的这种同类产品的供应商 ， 那它中间肯定是有一个匹配效率的一个逻辑 。 **林凡** [1:06:58] 是 ， 你看现在最典型的就是广告公司 ， 广告平台就是这样的 ， 它基本上把很多公司的利润都吃走了 。 **曼祺** [1:07:05] 对 ， 就是我推谁不推谁 ，其实这个是在平台这一层 。 **林凡** [1:07:08] 是的 ， 我觉得那个时候可能没有那么的夸张 ，是因为说就是整个的销售的体系 ， 它还是有很多 ， 比如说你到底给哪些客户打电话 ， 这件事情可能你还是由比如说这家创业公司它自己要去解决的 ， 它不是交给平台来去解决的 。 但如果它真的把这个事情都交给平台来解决的话 ， 那今天的平台就跟广告平台是一样的 ， 它还是有可能有非常大的可能吃掉非常大头的利润 。 **曼祺** [1:07:33] 那在您说的这个过渡阶段 ， 就是人力上云的这个阶段 ，是不是其实真正要找工作的人也少了很多了 ？ **林凡** [1:07:39] 对 ， 这个时候其实大家都是受雇于一家外包的巨头 。 **曼祺** [1:07:43] 而且我觉得它雇的人可能也是有限的 ，因为它是人机混合的吗 ？ **林凡** [1:07:46] 不一定 ， 它会变成它会把工作碎片化 ， 所以就会跟今天这样一样的 ， 就是说比如说失业的人多了 ， 开滴滴的司机就多了 ，但是每个人可能还多少都还有点活干 。 只是未来就变成说现在失业的人多了以后 ，他好像只能去跑滴滴 ， 只能去跑外卖 ，但未来的话他可能还可以去做客服也好 ， 去做销售也好 ， 去做各种各样的这种工作也好 ，他有更多的白领的工作他可以去做 。 **曼祺** [1:08:12] 白领工作零工化 ， 就是您认为它还是能覆盖一定数量的就业人群 ？ **林凡** [1:08:17] 我觉得它还能覆盖足够数量的就业人群 ，而不是一定数量的就业人群 。 **曼祺** [1:08:21] 足够意思就是说该就业的人。 **林凡** [1:08:23] 对 ， 都还是能够就业的 ， 只是说大家普遍的被碎片化了 ， 工作被碎片化了 。 **曼祺** [1:08:27] 那你觉得在这种状态下大家的收入是变少了还是变多了 ，以及说大家的职业成就感 ， 就零工给你带来的职业成就感是变少了还是变多了 ？ **林凡** [1:08:36] 首先我觉得说先回答后面那个问题 ， 那个问题好回答 ， 就是职业成就感会变低的 ， 这是肯定的 ，因为一般来讲人是需要意义感和使命感 ，其实才会有更强的职业成就感 。 **曼祺** [1:08:48] 就是你的自我认同和你归属于一个什么组织或者集体 ，其实是人的安全感很重要的一部分 。 **林凡** [1:08:54] 对 ，但是没办法 ， 它就跟今天的滴滴司机和外卖小哥一样 ， 它其实也没有那么多的认同感 ，但是它就是反正有一份工作能养家糊口也还不错 ， 就这样的一个情况 。 当然我觉得说可能 top 的 5% 或 10% 的有一小部分人群 ，他还是在这种大公司里面工作 ，但是绝大部分的人他可能就在这种零工和外包这种方式里面去工作 。 那回到前面那个问题就是说 ， 就是大家的钱变多了还是变少了 ， 我自己的感觉是说可能大家的收入基本上会处在一个持平的状态上面 。 它为什么会这么去描述呢 ？ 是说其实你看今天的跑滴滴和跑外卖 ，其实有些小哥如果你足够拼的话 ，也能赚到非常非常多的钱 。 **曼祺** [1:09:38] 我们同事前段时间为了写外卖大战去跑过外卖 ， 就是如果你没跑过的话 ， 你的收入就非常差 ， 就你没有经验你就非常差 。 **林凡** [1:09:46] 对 ， 就是你要懂这行 ， 要懂这个 ， 然后还要足够拼 ， 还要足够努力 ， 你的收入就有可能非常非常的高 。 那么其实是这样的 ， 就是说在白领的零工的这个平台上面的话 ， 我觉得努力干活的人， 积极干活的人 ，他的收入肯定会比以前还要再高一些 ， 然后就是大部分的人他可能比原来的工资是会略低一点点 ，但是可能差个 10% 也差不了多少 。 那你如果不愿意干活的 ， 或者说就是有一顿没一顿的那种 ， 那其实你也可以就是用很少的钱养活自己 。 **曼祺** [1:10:16] 那白领的零工的职业发展是什么 ？ **林凡** [1:10:19] 我用我们现实生活中间 ， 就是在美国的有一家公司 ，他们内部的所谓的白领的这个零工的这个给你再讲一个很真实的例子 ， 就他们在全球各地招程序员给 OpenAI 去做数据标注 ，他们所有进来的人先做第一份工作叫做写代码 ， 你能理解吧 ？ 就是 AI 给他就是相当于是给他一个任务 ， 然后他就去完成这个任务 。 那这个任务里面首先这 10 个人都在写代码 ， 然后 AI 会评估说谁写得好 ， 谁写得不好 ， 写得最不好的那个就淘汰 ， 然后写得最好的那一个就是人和 AI 一起评估完以后会说你就不做写代码了 ， 你做 code review， 就做代码的审查的那个人。 那就变成说这个人他就开始晋级了 ，他就做成说做代码审查了 ， 然后代码审查的这些人又会做得好 ， 做得不好 ， 做得不好再降级成为说写代码的那个人， 做得好的那个人他可以被他挑选来去写 AI 的 agent， 你能理解吧 ？ 就是说他开始改 AI 的核心层了 。 那这个同学又在这个体系里面再往下走 ，他又会变成好和不好 ，不好就降级 ， 好和再升级就变成什么呢 ？ 写 agent 的 review， 就是做 agent 这个人 ，他在审查做 agent 这个人。 所以你看他的这个零工外包这个平台在全球范围内服务的 ，他就分成了四个层级 ，他还是有他的升级的状态的 ，但是他升级的状态跟今天我们所谓的程序员 、 高级程序员 、 什么系统工程师什么这些就完全不一样了 。 **曼祺** [1:11:49] 它是一个比较灵活的可升可降的状态 。 **林凡** [1:11:51] 对 ， 它是按周级别在不断的迭代 。 **曼祺** [1:11:54] 您说这个事是已经发生了是吗 ？ **林凡** [1:11:56] 已经发生了 ， 就是现在它在国外就是这么运作的 ， 是一家很大的公司 ，也是一家独角兽公司 。 **曼祺** [1:12:01] 那他们就是现在有什么 agent 需要大家 review？ **林凡** [1:12:04] 他们大概有几百个 agent，他们的 agent 不仅仅在干帮 OpenAI 提供代码这件事情 ，他们 agent 还有帮华尔街做一些 task。他们这些 agent 是他们自己开发的 agent， 自己来 review， 就不是第三方的 ，不是别人的 。 **曼祺** [1:12:17] 不是别人的 ， 很有意思 。 **林凡** [1:12:18] 对 ， 这个很有意思 。 我觉得每一个领域其实都会有这样的一个情况 。他们这个体系里现在组织了多少就是写代码的人 ？ 千这个规模 ，但是他们没有渗透到中国是吧 ？ 还没招募中国写代码的人是吗 ？ 美国不允许招募中国的 。 **曼祺** [1:12:32] 我们有所所感 。 **林凡** [1:12:32] 你要真的是中国人的话 ， 你就必须得到马来西亚或者是新加坡 ， 用那边的身份来去做这个事情 。 美国现在大公司对于中国的身份还是非常敏感的 。 **曼祺** [1:12:42] 那就是在这个平台里的这些程序员 ，他们的收入能到什么程度 ？ 比如说他和印度的本地的比较好的公司的程序员比是什么情况 ？ **林凡** [1:12:52] 那要高很多 ， 它相当于是硅谷的一半的工资 ，10 万美金到 15 万美金左右 。 **曼祺** [1:12:57] 硅谷一半的薪资 ， 然后在班加罗尔生活 。 **林凡** [1:13:00] 对 ， 非常幸福的 。 **曼祺** [1:13:01] 对 ， 那我觉得对这部分人来说 ，他可能确实是至少他的薪资待遇上是有很大的提升 。 **林凡** [1:13:06] 是的 ，而且不只是印度 ， 现在包括东欧 ， 包括俄罗斯 ， 当然俄罗斯他们都很多到南美那边去 。 **曼祺** [1:13:12] 俄罗斯的人也得从俄罗斯出来 。 **林凡** [1:13:15] 对 ， 包一层 。 **曼祺** [1:13:16] 你们自己接下来有什么这种类似的计划吗 ？ **林凡** [1:13:19] 对 ，但是现在还没到 ， 我们现在还在做招聘的 AI 化的这件事情 ，因为我们觉得招聘是一个非常典型的 ， 就是每一个链条都可以结偶 ， 然后每一个链条都可以用 AI 去提效和提速 ， 把它们全部串在一起的时候 ， 我们今天就有可能做成一个招聘的零工平台 ， 白领零工平台 。 **曼祺** [1:13:39] 所以那我们可以去把这个过程说完 ， 你刚刚说最终极的状态 ， 然后说往回退了一个 ， 可能是人力上云的这么一个状态 。 **林凡** [1:13:46] 然后再往前退一步就是说 ， 如何大家都已经开始用好 AI 来去解决工作中的这个问题 。 那这个时候其实就这时候它意味着什么 ？ 就是大家的面试的方式都已经发生了变化 ，以前面试的方式是用某些任务去考察你的潜力和能力 ，但现在可能知道你会用 AI 了 ， 那它会设计一些新的面试的方式去考察你的应用 AI 的能力 。 那这个节点其实又是一个节点 ， 我觉得这三个节点是我觉得未来就是完全不同的社会的变化的情况 。 我真正没想清楚的是从大规模的零工平台到全员都退休的这个过程中间会发生什么 ， 这个是我其实没想好的 。 但从现在到大规模的零工平台 ， 白领零工平台这件事情 ， 我觉得其实还是慢慢的对它有感觉了 。 **曼祺** [1:14:38] 回到刚才说的那三个节点 ， 就离我们现在最近的这个节点 ， 就是招聘要变成去考察这个人他能不能和 AI 一起来工作的这个能力 。 **林凡** [1:14:47] 对 ，是的 。 **曼祺** [1:14:47] 这个已经看到了哪些具体的变化吗 ？ 比如说你们自己也做了一些什么这方面的调整吗 ？ **林凡** [1:14:53] 我们自己其实现在还在做这种讨论 ， 还没有真正形成一个标准 ，但是我想我可以表达的事情就是说 ， 我举个例子 ， 比如说我们通常说今天招市场的同学需要考察他的文案的工地 ，但现在其实你可以不用考察文案的工地 ， 你其实可以给他一个任务 ， 让他说不管是你自己还是用 GPT 还是用什么方式 ， 你可能在比如说 10 分钟之内或者 20 分钟之内 ， 你给我一个比较好 的一个结果 ， 我觉得这个结果是满意的 ，其实就代表说你有这个能力 ， 能够用好 AI 去帮助你解决文案工地上面的这些问题 。 所以这只是一个很小的例子 ， 程序员其实也会有类似这样的例子在 。 所以我们自己觉得说这个事情本身 ， 它不管在美国我们看到这种创业公司 ， 还是在中国我们自己在招的一些 AI 相关的一些人 ，因为比如我们今天在想说产品经理和程序员之间的边界在变得模糊 ，因为今天的很多产品经理已经开始可以调用 AI 来实现他的想法了 ， 今天的很多程序员可以通过 AI 来帮他去画设计图了 ， 去做用户的访谈了 。 所以这些东西其实我们就会发现说 ， 你就可以看到说所谓的能力边界在模糊 。 **曼祺** [1:16:02] 上次我和 FerroRound 的创始人聊 ，他讲到有一个事有点意思 ，但这是展开想象了 ， 就是他觉得面试的方式可能也会变 ，因为现在面试它就是比较像一个考试 ， 它是一次性或者说我有中间很多次 ， 然后他说有一种情形是其实我们可以创造一个工作环境 ， 硅谷现在很多创业公司就比较小的团队 ， 它招人的方式其实让这个人比如到我这来工作个两三天或者一周 ， 我们 相互就是有这样一个磨合和体验 ， 然后他说其实也可能可以用机器来构造一个这样的环境 ， 然后你在这个环境里去体验来代替面试的这种方式 。 **林凡** [1:16:34] 我觉得这一步如果单纯从我的观点角度上面来讲 ， 这一步可能都还没走到的时候就会进入到下面那一步 。 **曼祺** [1:16:41] 就会进入到零工的时代 。 **林凡** [1:16:43] 对 ， 我觉得这两个可能是同时在快速往前走的 。 我自己认为说面试本身的这种能力的技巧的演变或方式的演变 ， 它是一个很小的变革 ， 它是一个细节上面的这种变革 ，但整个工作流的变革是一个最大的变革 。 **曼祺** [1:17:01] 就是人力上云这是个大的变革 。 **林凡** [1:17:02] 对 ， 我觉得这个是工作流的变革 ， 它是一个更大的一个变化 。 **曼祺** [1:17:05] 您觉得第一个节点 、 第二个节点大概都会在什么时候发生 ？ **林凡** [1:17:08] 我觉得第一个节点可能在最近的两到三年时间就会发生 ， 第二个节点可能在五到十年的时间会发生 ，但都取决于 AGI 真正的速度是什么时候 。 **曼祺** [1:17:19] 您和一些其他的创业的朋友 、 企业家讨论过就是第二个节点的这个情况吗 ？ **林凡** [1:17:23] 讨论过 。 **曼祺** [1:17:23] 大家有些什么反馈可以讲讲吗 ？ **林凡** [1:17:27] 还不多 ，但是基本上跟我讨论的人都觉得说这是一个未来 。 就是说大家的反馈是说很多人他在最开始的时候他可能没往这个方向上面去想 ，但是我们在进行了比如说半个小时到一个小时讨论以后 ，他可能会觉得说有可能是确定性的 ，因为它其实取决于说到底工作中间有多少的事情是强耦合的 ，有多少事情是可以就是分开来的 ， 就是可以拆解开来的 ， 就 是这个任务之间是不是可流转可拆解的 ， 只要任务是可流转和可拆解的 ， 那么它就有可能被云端化 。 **曼祺** [1:18:01] 那你觉得谁有可能成为这种人力上云的一个平台了 ？ **林凡** [1:18:05] 我当然觉得是招聘公司了 。 **曼祺** [1:18:06] 对 ， 我觉得肯定在你的设想中肯定你们是有希望就是往那个方向发展 。 然后另一方面就是它有可能是一个全新的 ， 一个新的公司吗 ？ 一个现在还没出现的一个东西 。 **林凡** [1:18:16] 我觉得有几类公司会是很有可能的 。 一类公司就是所谓的大模型公司 ， 就是这些大模型的公司它本身因为它具备了底层的能力 ， 你有点相当于说 Cursor 干的活 ， 然后最后 GPT 自己也能干 ，ChatGPT 自己也能干 。 所以这个其实是大模型当它的 AGI 能力开始变强的时候 ， 它会往外衍生 ， 就是一类的这个公司可以去干 。 第二类公司就是大厂 ，因为大厂它其实它可以把它的业务 ，因为你看今天的很多云的公司其实也是由大厂去做的 ，因为它首先它自己就有足够多的 ， 原来是它有足够多的机器去做这种复用和这种就是灵活使用 ，但它未来它其实也有足够多的人力资源来去做这种复用和灵活使用 。 你想想说如果一个大厂的程序员可以跟除了服务大厂以外还能服务社会上很多创业公司 ， 那它一定还是有它的 credit 在那个地方的 。 那第三类可能是我们这种招聘公司 ， 那我觉得这三类是比较有希望在下一个时代里面能够进入到这个领域里面的公司 。 **曼祺** [1:19:16] 但是您现在并不担心去传播这个想法是吗 ？ 你不担心别人知道你这个 idea 了吗 ？ **林凡** [1:19:21] 有想法的人多了去了 ， 我更希望说找到一些志同道合的人一起来干 。 **曼祺** [1:19:26] 就是说这个事到底怎么实现 。 **林凡** [1:19:27] 对 ，因为它现在可能是一个 ， 我觉得它是个很有意思的框架 。 但它的还有很多具体的现实上面的一些挑战和困难 。 **曼祺** [1:19:34] 我们刚才就推演了一下未来这个工作可能会因为 AI 怎么变化 ， 然后林凡总是总结了三个节点 。 第一个节点可能未来两到三年就会发生 ， 就是说招聘这个事本身会被改变 ，而且更多我不是在考察这个人的能力 ，而是他和 AI 一起能不能一起交付一个结果 。 然后第二个节点更远一点的 ，也是你觉得可能有很大的机会的 ， 就是人力上云 。 然后第三个就是更终局的 ， 就是大家出生即退休 ， 大部分人可能并没有在工作 ，也不需要去面试和招聘 。 **林凡** [1:20:04] 对 ，是的 ，95% 的人可能都不需要工作 。 ### 职业建议 **曼祺** [1:20:06] 那我们现在可以从这个就是一些远期的展望 ， 我们可以回到就是最近的一些建议 。 就最后我是希望就是您可以从脉脉上看到的一些数据 ， 给大家一些教育选择 、 职业选择的一些建议 。 **林凡** [1:20:19] OK， 教育选择就像刚才说的其实挺难的 。 **曼祺** [1:20:22] 挺难的 。 **林凡** [1:20:23] 对 ， 很难 。 我先讲职业选择吧 。 我觉得职业选择上面的话 ， 先对所有人都有用的事情是说 ， 我觉得一定要花钱买 AI 的会员 ， 然后把 AI 变成日常的使用习惯 ， 日常工作中间的所有的任务都想一想说我能给 ，不是想一想 ， 都试一试说我能给 AI 干 ， 它能干成什么样 。 那我们有一个很简单的一个衡量的标准叫做说 ， 如果你用不管用 ChatGPT 还是用什么样的这种 ， 用豆包什么样的这种 AI 的工具 ， 你每天能用上十次才能算是及格 。 如果你每周才用上十次 ， 那你就得赶紧去培养这个习惯了 。 **曼祺** [1:21:02] 这是您给外卖员工提的一个指标是吗 ？ 每天十次 。 **林凡** [1:21:05] 对 ，其实我们内部包括我对外部其实都是一直在讲这个事情 ， 就是每天十次是一个基础的这个线 。 如果没到这个线的话 ，其实你在未来那个时代上面 ， 你的工作一定会慢慢的被淘汰 。 因为我们刚才讲说未来两三年其实 AI 跟自己的工作的这种结合度就非常非常的高了 。 **曼祺** [1:21:22] 您说的这个是比较就是在白领工作这个范围里 。 **林凡** [1:21:25] 对 ， 白领工作 ， 对 ， 蓝领肯定是 。 **曼祺** [1:21:27] 对 ，因为有些我感觉用不上确实用不上 。 **林凡** [1:21:29] 是 ， 然后我现在主要的建议还都是在白领这块 。 还有一个就是说 ， 我建议说所有人其实都要去投入在这个就是 AI 暂时还不好替代的这个核心能力 ， 就是比如说一些解决一些复杂问题的这种能力 ， 就是你有多个头绪 、 多个线索 ， 或者说你对于自己的这个业务本身有足够多的了解和经验的这部分的能力 ，以及说领域之间的这种协调的这种能力 。 就是比如说你今天举个例子 ， 比如说你可能生物和计算机结合 ， 或者是产品和运营结合 ， 产品和研发结合 ， 就这种跨领域的协作 、 复杂问题的协作 ， 它最主要的特点都是说就在整个数字世界里面都还没有这些数据存在 ， 所以 AI 还不能够通过这些数据快速的去掌握这些能力 。 **曼祺** [1:22:18] 所以总结下就是一个是要开 AI 的会员 ， 要付费用好的功能 。 **林凡** [1:22:23] 对 ， 每天用十次 。 **曼祺** [1:22:24] 每天用十次 。 然后第二个是找那些本质上现在其实没有被数据化 ， 所以 AI 也没有学到的复杂的能力 。 **林凡** [1:22:31] 对 ， 复杂的能力 。 **曼祺** [1:22:32] 我最近也是看到就是美国 ，也就是今年 6 月 ，他们对 Z 世代 ，他们的 Z 世代大概就是 95 后到 05 后左右出生的孩子的家长 ，他们做了一个这种未来职业生涯选择的一个数据 ，但这个就不限于白领了 。其中有一个项目就是问这些家长认为什么工作是最抗 AI 的 ， 就是我可能不太容易被 AI 替代的 ， 然后有超过 50% 的人选了水管工 。 **林凡** [1:22:56] 水管工 ， 对 ， 我看到那个统计了 。 **曼祺** [1:22:58] 对 ， 然后第二个是 ， 第二个也是超过 50% 的 ，是空调系统的这种维护师 、 维修师 。 **林凡** [1:23:04] 技师 。 **曼祺** [1:23:05] 第三个是电工 。 **林凡** [1:23:06] 对 。 **曼祺** [1:23:06] 然后第四个是护士 。 **林凡** [1:23:08] 护士 ， 对 。 **曼祺** [1:23:09] 但不过到第五个就算是有白领工作 ， 就是律师 。 **林凡** [1:23:11] 我觉得律师其实也会被取代了 ， 现在在美国已经很明显了 。 **曼祺** [1:23:14] 对 ， 包括什么 Harvey 这些公司 ，他们也是在做这个方向 。 **林凡** [1:23:17] 没错 ，是的 。 **曼祺** [1:23:18] 对 ， 它这个应该是对就是各行各业的这种家长 ，1300 多个家长做的一个调查 。 **林凡** [1:23:23] 对 ， 这个怎么讲呢 ， 就是说也对也不对 。 对的事情是说确实今天大模型还做不了前面那几个四个事情 ，但是今天的那个具身智能其实也在这方面努力 ，他们的瓶颈都来自于大模型本身的 AGI 的能力的这种进展 。 **曼祺** [1:23:39] 但是它对你的稳定性 、 安全性的要求可能会非常高 。 **林凡** [1:23:42] 可能没你想象的那么难 。 就是它完全取决于说就是它的大脑本身 ， 就大模型本身什么时候能够做好它的那个大脑 。 **曼祺** [1:23:49] 您觉得什么时候它有可能能当护士了 ？ **林凡** [1:23:51] 10 到 15 年 。 **曼祺** [1:23:52] 那不算一个特别激进的预测 。 **林凡** [1:23:54] 不算 ， 现在确实有很多吹的比较多一些 。 **曼祺** [1:23:57] 对 ，因为现在的很多预测普遍是要比这个要激进一些 。 **林凡** [1:24:00] 那我倒没有那么激进 。 **曼祺** [1:24:02] 因为您自己其实也是家长嘛 ， 您女儿应该是刚高考了是吧 ？ **林凡** [1:24:06] 对 ， 刚上大学 。 **曼祺** [1:24:07] 对 ， 比如说她选专业是你会给她一些建议吗 ？ 还是她就是按照自己的兴趣她就选了 ？ **林凡** [1:24:12] 我们还是做了比较深入的讨论的 ， 最后她选了生物学 。 **曼祺** [1:24:17] 21 世纪是生物科学的世纪是吗 ？ **林凡** [1:24:20] 我觉得马上就要到了 。 **曼祺** [1:24:21] 那你可以讲讲就是比如说你的这个逻辑是什么 ， 就你们讨论的逻辑大概是什么 ？ **林凡** [1:24:26] 我觉得就还是说最基础的逻辑就是说碳基生命和硅基生命 ，其实明显的硅基生命在过去这几十年的进展速度是非常快的 ，但碳基生命其实我们一直对于基因 ， 对于很多这些人类的基础的这种构架介入和理解是比较少的 。 但这件事情其实在大模型来了以后， 它反而就变成了一个很好的工具 ， 能够去帮助我们去解决在生物学上面 ，在人类的各种各样的这种遗传表征上面的所有的一些问题 。 所以就是当你拥有了一个很好的工具的时候 ， 这个学科可能会进入到一个突飞猛进的时候 ， 就有点像当时的物理学在牛顿 、 莱比尼兹发明了微积分以后， 就物理学就会有了一个非常好的一个进展 。 那同样的 ， 我觉得生物学在大模型的这个工具 ready 了之后， 它其实也会有一个非常大的一个进展 。 **曼祺** [1:25:14] 因为生化环材之前被认为是理工科里的比较天坑的专业 。 **林凡** [1:25:19] 对 ，是 。 对 ，因为他们原来的天坑都在于说 。 **曼祺** [1:25:22] 比如他做实验要重复 。 **林凡** [1:25:24] 他们要对 ， 要重复无数次才有可能找到一个 ，他是凭概率 、 凭运气去找到那个可能的这个结果 。 **曼祺** [1:25:32] 对 ， 就是 AI 是一个比喻意义上的炼丹 ， 然后它那个是有点像真的在炼丹 。 然后你觉得就是 AI 包括一些自动化的东西是会大大提升这个效率的 。 **林凡** [1:25:42] 对 ， 所以你要勉强说对选专业有什么建议 ， 我反而可能会建议这种天坑的专业 ，但这个我觉得不作数的 。 **曼祺** [1:25:50] 你不推广给别人。 **林凡** [1:25:51] 我不推广 ， 对 ， 我只推广给我们自己家闺女 。 **曼祺** [1:25:54] 对 ， 然后刚才因为聊的都是一些比如说这个跟职业相关的一些建议 ，其实我也想聊聊就是更广泛的生活上你觉得未来会怎么样 。 因为确实很多人觉得有可能以后我们的工作时间会大大减少 ， 甚至有不少人是不用工作的 ， 那我们多出来的时间就我们怎么去投入到生活上 。 **林凡** [1:26:11] 就培养自己的兴趣 ， 我觉得这个事情特别特别的重要 。 **曼祺** [1:26:15] 你现在还练剑和打太极吗 ？ **林凡** [1:26:16] 那倒还没有了 。 **曼祺** [1:26:18] 对 ，因为你之前就是在清华的时候 ， 你是代表清华的武术队去北京参加这个武术比赛嘛 ， 都是得了名次了 。 **林凡** [1:26:25] 是 ，因为我实在没有办法解决说练剑和打太极的时候被人围观的这个问题 ， 对于爱人来讲实在是太难受了 。在学校你有专门的训练的场馆 ， 你跟武术队的朋友是一起去训练的 ， 然后毕业以后有一段时间我早上去健身馆基本上还没人。 对 ，但现在其实就很难找到这样的这种没有人的这种场景 ， 所以我就改成是户外和登山了 。 **曼祺** [1:26:48] 所以你说最重要的是爱好 。 **林凡** [1:26:50] 对 ， 我觉得兴趣和爱好可能是最重要的 。其实很多人终其一生都没有找到自己真正喜欢干的事 。 **曼祺** [1:26:56] 我觉得因为有时候大家会把你真正喜欢干的事和兴趣爱好分开 ， 比如说打太极和这个练剑 ， 我如果不把它作为一个职业 ， 我不是像吴京一样什么我要去比赛得名次什么的 ， 我觉得它更多还是给我带来一些这个修养 、 修身养性 。 但是如果是一个要一生追求的 ， 你真的想追求的事业 ， 它里面肯定有非常多很痛苦的部分 。 **林凡** [1:27:17] 那是 ， 那我觉得说不是追求事业这一块 ， 我还是只说兴趣爱好这一部分 。 **曼祺** [1:27:22] 你说很多人一生没有找到自己的兴趣爱好 。 **林凡** [1:27:24] 对 ，因为大家很多时候所谓的刷抖音 、 看 、 买购物 、 吃甜品什么这些东西 ， 这不能叫兴趣爱好 。 **曼祺** [1:27:31] 那你觉得什么才叫兴趣爱好 ？ 那其实这个范围也挺广的 。 **林凡** [1:27:33] 对 ，其实挺广的 。 **曼祺** [1:27:34] 比如说你比较节制的和三五好友打麻将什么的 ， 我觉得也算 。 **林凡** [1:27:39] 也算 。 **曼祺** [1:27:40] 就是你别熬夜或者怎么样 。 **林凡** [1:27:41] 不赌钱 。 **曼祺** [1:27:42] 对对对 。 **林凡** [1:27:42] 对 ，因为你想到时候你生命中间有三分之一的时间 ， 你清醒的时候的二分之一的时间本来是用来工作的 ， 现在不用了 。 **曼祺** [1:27:50] 你觉得我们能接受这种认知上的巨大的变化吗 ？ 尤其是那些本来就已经工作了很长时间的人。 **林凡** [1:27:57] 我觉得这个都是所谓的叫做 native 的那一代 ， 就是你可以说当时大家接受互联网也很难 ， 对吧 ？ 但是 native 的生存的这一代 ，他就不会觉得很难 。 **曼祺** [1:28:07] 对 ， 就是更后面的一代他可能觉得不难 。 **林凡** [1:28:09] 是 ， 对于我们所有这些已经工作过很长时间的人， 肯定都很难 。 **曼祺** [1:28:14] 对 ，因为我觉得已经工作过比较长时间的人 ，他确实是会比较把自己的自我认同和工作是结合在一起的 ，但是可能这也并不是人的本性 。 从就是人类有人类以来 ，并不是说我们价值就是工作 ， 只是现代社会以来我们的很大价值是工作 。 **林凡** [1:28:31] 对 ，因为现在其实有 ， 包括有一些这种所谓的科幻作品或文艺作品在讨论说 ， 就是人在那个地方去会失去意义感 ， 然后就生活会变得更加的困难 ，但其实我觉得并不是这样的 ，因为以前的贵族基本上也不用工作 ， 对吧 ？ 然后但是你并没有觉得说那些贵族他就活不下去了 ， 或者是就是失去了意义感 。其实我觉得只要能找到自己喜欢的事情 ， 就还是会有意义的 。 **曼祺** [1:28:58] 今天非常感谢脉脉的林凡总做客 《 晚点聊 》 和我们分享了他在硅谷感受到的 AI 人才趋势的变化和见闻 ，以及我们着重聊了脉脉通过他们自己详尽的数据看到的中国 AI 市场的变化 ，以及所有大厂在重回增本增效的这样一个大的趋势 。 然后我觉得特别有意思的部分是最后就是您推演的未来这个工作人力资源本身会怎么变化 ， 然后有三个节点 ， 两个可能比较近的 ， 一个就是我们要去考察你和 AI 一起来工作的能力 ， 第二个是人力上云 。 那非常感谢林凡总的做客 ， 我们今天节目就到这里 ， 各位拜拜 。 **林凡** [1:29:33] 谢谢大家 ， 拜拜 。 **曼祺** [1:29:37] 本期节目就到这里 ， 欢迎收听 。 如果你对今天聊的话题有观察 、 好奇或疑问 ， 欢迎在评论区分享想法 ， 这也会成为我们节目的一部分 ， 让整个讨论更完整 。 你也可以把我们的节目分享给对这个话题感兴趣的朋友 ， 欢迎推荐更多你想听的主题和嘉宾 。 你可以从小宇宙 、 苹果 Podcast 等渠道关注 《 晚点聊 LateTalk》，也欢迎关注我们的公众号 《 晚点 LatePost》。 下期再见 。 --- 本节目库由 PodHood（https://podhood.com）提供支持——播客网站平台。