AI博士，远没有外界想象中风光。

　　毕业即享百万年薪的传奇，仅属于金字塔尖的一小撮人。绝大多数普通AI博士并不具备市场议价权。

　　他们中，有人为凑够顶会论文无奈延毕，有人因缺少熟人推荐与心仪岗位失之交臂，有人因研究方向并非热门在企业难觅用武之地。

　　顶端人才被企业重金争抢，平庸的AI博士则在人才鱼塘里徘徊张望。这个群体的就业图谱，正呈现出残酷的两极分化。

大厂够不上，中厂养不起

　　邮件开头“很遗憾”三个字映入眼帘，王浩然意识到自己只是招聘方的一个“备胎”。他没有继续往下读，直接删除了这封来自心仪公司的邮件。 

　　王浩然是上海某985院校大模型算法专业的博士研究生，这一专业方向正值AI赛道的风口。不过，由于就读的学校不算顶尖，且论文成果仅达到毕业基本要求（两篇顶会论文），去年参加秋招时，王浩然接连遭到多家公司拒绝。 

　　公司拒绝的方式，被他戏称为“泡池子”。 

　　从初面到终面，走完一套面试流程通常需要一周左右。终面结束后，王浩然总会陷入漫长的等待，十天半个月的沉默期已是常态。

　　最终等到“很遗憾”这句回复，意味着公司在候选人比中“钓到了更大的鱼”，而他则被留在了人才鱼塘里，没被对方捞起。 

　　经历四五次这样的期待落空后，王浩然已逐渐习惯。但这一次被拒，还是出乎了他的意料。 

　　这个岗位来自国内一家头部互联网大厂。由于研究方向与岗位需求高度契合，王浩然顺利进入了终面。

　　终面时轻松融洽的氛围，他至今印象深刻——直属领导气质亲和，聊起自己在学校做的科研项目时，王浩然不止一次从领导的眼镜片后看到肯定的目光。

　　领导不仅明确对他表达了欢迎，甚至提前告知了他加入团队后将担任的具体工作，让他有种“明天就要上岗”的错觉。 

　　可一周后，王浩然却收到了这家公司的拒绝信。

　　大模型算法岗位在行业内虽炙手可热，但大厂放出的招聘名额通常有限。王浩然面试过的大厂，岗位招录比至少在10：1，应聘的一家国企研究所，招录比甚至高达200：1。 

　　想到自己仅有两篇论文成果，王浩然没有死磕大厂，他同时投递中小厂作为保底。

　　但在中小厂的面试中，他通常撑不过二面。比起大厂，中小厂更注重用人性价比，期待高薪聘请的博士人才，能直接匹配公司业务需求。

　　在校期间，王浩然主要研究AI编程类课题。由于编程涉及AI应用的底层架构，该方向的算法能力可迁移至不同领域，这使他获得了医疗、金融领域大模型岗位的面试机会。 

　　然而，当面试官发现他需要时间熟悉具体业务场景时，便终止了后续流程。毕竟对中小公司而言，高薪聘请人才后还需投入时间培养业务熟悉度，成本过高。 

　　金九银十的招聘旺季已接近尾声，各家公司的招聘名额所剩无几。王浩然的微信里新增了十几位HR联系人，却仍未获得保底offer。 

　　在社交媒体上，王浩然经常刷到同行们的 “凡尔赛贴”。贴子里，优秀的AI博士们正被“幸福的烦恼”缠绕，不知该拿百万年薪去大厂打拼，还是留在学界当一名高校教师。在这种对比下，王浩然自认为属于“平庸的博士”。 

　　他仔细收藏了这些帖子，时刻关注着“大佬”们的最终选择。因为一旦有人确定去向，其他公司就可能空出新的岗位，自己也就有了被“捞走”的机会。 

　　“平庸的博士”在鱼池中徘徊观望，处在金字塔尖的博士们正在搅动时代风浪。

　　企业对顶尖人才的争夺持续白热化。字节跳动的“Top Seed”计划、华为“天才少年计划”、阿里T-Star计划等，为博士人才提供了极具吸引力的条件：科研自由、资源优先、百万年薪，这些只是最基本的诚意——前提是人才足够顶尖。 

　　有消息称入选这类人才计划的应届AI博士，综合年薪已突破200万元，同时还能获得远低于市场价的期权等额外福利。而通常能进入这类项目的博士，名校出身、有重磅研究、竞赛大奖、实践丰富等标签几乎一样不少。 

　　对于这类人才引进计划，王浩然从不点开。他觉得，如果不是刚好研究方向踩在了行业风口，自己可能连面试机会都难得到。

博士4年，攒不够入场券

　　踏入人才市场前，论文是AI博士的硬性入场券。对于非热门研究方向的博士，则需要更多的论文来加持。

　　在博士二年级实习时，研究计算机视觉方向的张艺凡就意识到了这一点。

　　他在企业公开的招聘帖上看到，企业对AI博士的要求是拥有一至两篇顶会一作论文。但正在求职的师兄师姐告诉张艺凡，要是没参与过业界极具知名度的项目，想拿到面试机会，至少得有5篇论文成果才行。对业界来说，这是为数不多能衡量博士能力的可量化标准。

　　博士学制通常四五年，一篇论文从实验、撰写到发表常需一年，时间本就紧张。为达到就业门槛，张艺凡不得不体会“凑”论文的苦。

　　比起火热的大模型，计算机视觉是更传统的研究领域，研究历史久、技术成熟，想在熟悉范围内找创新点很难。师兄师姐说，一篇论文得有3个创新点才能中稿，有时迫于时间，张艺凡只能“为创新而创新”。

　　他曾研究恶劣天气下模型的环境感知，为增加创新点，他把常见的“在模型感知关键节点注重训练数据一致性”改为让模型在每一节点都注重。

　　实验后，虽然测出效果提升不大，但为了稿件能顺利中选，他还是硬着头皮写进了论文。

　　学界靠“策略”发论文的情况不少见。张艺凡发现，有些论文看似不同，实则在证明同一个已知结论，算不得真创新；有时跑通前人论文中的模型，却发现结果或数据与论文不符，除了吐槽几句“套路深”，也只能放弃。

　　讽刺的是，这些质量参差的文章，不少都登在行业顶会期刊上。

　　AI行业火热，学术界也拥挤。顶级会议AAAI今年主要技术领域接收近2.9万篇论文，几乎是去年的两倍，中国投稿占三分之二；五年前AAAI-21仅收9034篇，还不及现在零头。

好博士不一定是好牛马

　　博士阶段需常年深耕单一领域，张艺凡觉得这就像在狭长隧道里埋头摸索，等走到出口，才发现外面的世界和想象中全然不同。

　　2025年年初，张艺凡进入国内某头部互联网大厂，参与多模态大模型研究项目实习。此前，他曾耗时10个月研究自监督训练原理，找到一套节省训练数据成本的方法，本期待能将这项成果在业界落地。

　　可认知脱节很快袭来：大厂坐拥充足的算力与数据资源，他在学校担忧的数据成本问题根本不存在，企业也不会在这类细枝末节上投入精力。

　　“此前的研究有用，但不多”，张艺凡无奈发现。

　　他在计算机视觉领域积累的专业知识，同样难在业界派上用场。当下行业聚焦商业化，大厂更倾向于打造“通用大模型”，靠全面的应用功能抢占用户入口，而非深耕单一功能的优化——就像如今各类AI应用的花式功能，多停留在“能用”层面，远未到“专业好用”

　　即便身为AI博士，多数企业需要的仍是能助力变现的牛马。

荐稿人：lxl 2025-11-09　执行编辑：ffy 2025-11-12　责任编辑：lyh 2025-11-18