AI時代需要什么樣的人：從DeepSeek招聘清單說起

最近，DeepSeek在官網發布了一張招聘清單。表面上看，這是一次公司擴招：7大類、33個崗位，從全棧開發、核心系統、運維、產品，到模型數據策略、深度學習研究和職能部門，幾乎覆蓋了一家AI公司運行所需的全部環節。

這輪招聘之所以值得研究，不是崗位數量，而是它背后那套關于AI人才的判斷。DeepSeek官網“加入我們”頁面寫著：“我們投身于探索AGI的本質，擁抱對AI有熱情的你。”這句話很宏大，但人才清單本身更具體。它告訴我們，一家前沿AI公司究竟如何劃定自己的關鍵人才。

第一層人才觀：AI人才首先不是一種人，而是一支隊伍

這份清單最先說明的，是DeepSeek并不把AI人才理解為單一的算法人才。它一端連接Frontier研究、預訓練、后訓練和多模態理解，另一端連接高性能算子、通信、編譯器、訓練框架、推理框架和分布式存儲。但清單并沒有停在這里。智能體、AI搜索、前后端產品、數據中心、平臺運維、算力可靠性，再到法務、財務、采購、行政和人力資源，都被放進了同一張表里。

據公開報道，這輪招聘并不是少量補人，而是所有部門規模至少擴大一倍，意在搭建更完整的人才梯隊，補齊從底層基礎模型研發到前端商業化應用的產業鏈能力。這個布局說明，AI公司已經從“研究突破階段”進入“組織能力階段”。一個大模型從實驗室走向真實世界，要經過多道關口。模型要訓練，算力要穩定，數據要有效，推理成本要下降，產品體驗要讓人愿意持續使用。再往后，數據合規、采購周期、財務投入，也都會影響一家AI公司能不能長期跑下去。

所以，AI公司的競爭不是幾個天才之間的獨角戲，而是系統能力之間的較量。早期突破可以依靠少數人，但長期競爭必須依靠一支結構完整的隊伍。研究員負責突破邊界，系統工程師負責效率和穩定性，數據策略人員決定模型吸收什么，產品和運維團隊決定能力能否被持續使用，職能部門則保證擴張不被合規、預算和供應鏈拖住。

這一點也提醒我們，觀察一家AI公司，不能只看它有沒有明星研究員、有沒有模型發布、有沒有榜單成績，還要看它有沒有形成完整的人才結構。只看前臺的模型能力，而忽視后臺的數據、算力基礎設施、產品和組織支撐，就容易把AI競爭誤解為少數算法科學家的技術競賽。DeepSeek這張招聘清單真正攤開的，是一個被模型光環遮住的事實：AI公司要走得遠，不能只靠聰明人單點突破，而要依靠一套能夠持續迭代的組織能力。

第二層人才觀：真正重要的不是崗位標簽，而是關鍵接口

如果你仔細閱讀DeepSeek數據中心團隊的招聘文案，會發現它把今天的數據中心寫成了“從傳統機房演進為支撐AI訓練與推理的大型工業系統”。電力、制冷、網絡和計算系統將深度耦合，強調每一度電、每一瓦制冷、每一次調度都會影響最終算力輸出。這個表述背后的人才觀是：只要你處在關鍵接口上，你就不是邊緣崗位。

一個電力工程師，如果只把自己理解為管配電的人，他離AI很遠；如果他理解的是超大規模算力集群的能耗、冗余、調度和穩定性，他就進入了AI基礎設施。一個法務人員，如果只把自己理解為審合同的人，他離AI很遠；如果他理解的是模型開源、數據合規、用戶協議和跨境數據流通，他就進入了AI公司的風險邊界。一個采購人員，看似離技術更遠，但當采購對象變成GPU、服務器、光模塊、液冷系統和電力設備時，他面對的其實是AI公司的生命線。

這對普通人很有啟發。AI時代并不是要求每個人都轉行做算法，而是要求每個專業重新判斷自己的位置：我掌握的能力，能不能嵌入新的技術系統？我是否連接了模型和算力、數據和知識、產品和用戶、技術和合規、采購和供應鏈？關鍵接口型人才的價值就在這里：他們不一定負責發明模型，卻決定模型能不能低成本、穩定地進入現實。

第三層人才觀：不迷信履歷漂亮，只問貢獻是否可驗證

DeepSeek設置了“AI跨界技術人才”崗位，不設專業背景限制。它列出的加分項很有意思：學科競賽成績，在某個領域做到極致，著名開源項目貢獻，個人技術博客或書籍，創業經歷，從零到一做成有影響力的事情，以及“不走尋常路”。它還表示“不尋找天才”，而是尋找“自身閃亮發光”的人。這些條件有一個共同點：它們都不是簡歷標簽，而是可驗證貢獻。

傳統招聘喜歡看確定性：學校、專業、學歷、名企、年限、職級和證書。這些仍有參考價值，但它們更多說明一個人的過去路徑是否比較清晰、訓練是否完整、履歷是否穩定，卻不能完全證明他能否解決新問題。AI前沿恰恰充滿新問題，很多任務沒有標準答案，也沒有成熟流程。這個時候，只能看一個人是否把某件事做到超出平均水平，是否長期鉆進一個難題，是否在資源不完整的條件下從零到一搭出東西。

因此，AI時代的人才評價會越來越從“你是誰”轉向“你做成過什么”。這對年輕人尤其關鍵，未來簡歷的核心問題，不只是“我學過什么”“我在哪里待過”，而是“我解決過什么問題”“我留下了什么作品”“我的貢獻能否被他人驗證”。AI前沿真正稀缺的，不是履歷看起來完整的人，而是能在不完整條件下做成事情的人。

有人能寫出優秀代碼，有人能搭出復雜系統，有人能處理高質量數據，有人能理解醫學、法律、小語種等專業知識并把它轉化為模型訓練材料，有人能把用戶需求轉化為產品，有人能把機房、網絡、電力、制冷這些看似傳統的事情做到極致。只要這些能力能夠被驗證、被復用、被放進AI系統中，它們就不再只是個人經歷，而是進入下一輪競爭的能力憑證。

第四層人才觀：新人不是從邊角料開始，而是在核心任務中被篩選

DeepSeek所有崗位均接受實習申請，同時提出：“把最重要的事情交給新人，新人才能快速成長為核心。這不是風險，這是我們選擇的管理方式。”這一點值得注意。很多單位也說重視青年人才，但真實做法是讓年輕人先熟悉流程、先寫材料、先做輔助、先跑腿，等資歷夠了再接觸核心任務。這種組織邏輯在穩定行業里也許能運轉，但在AI前沿會很慢。

DeepSeek的表達是，“你不會從邊角料做起，第一天就面對最核心的挑戰。”這背后是一種更激進的培養邏輯：不是先把人安放在安全地帶，而是讓人盡早進入真實問題。真實任務本身就是訓練場，也是篩選機制。AI前沿沒有多少標準答案。模型如何變強，Agent如何可靠執行，推理成本如何下降，系統如何穩定，用戶為什么使用或放棄一個產品，都要在真實任務中學習。年輕人如果長期只接觸低價值事務，最后學到的不是解決復雜問題的能力，而是適應流程的能力。

當然，把核心任務交給新人，不等于冒險放任。它必須配套強導師、強評審、強工程規范和清晰的容錯邊界。否則，所謂“核心任務練兵”就會導致組織失控。但這個方向本身是明確的：人才不是在旁觀中培養出來的，而是在真實問題中被篩選、被塑造出來的。

這對其他組織也有提醒。很多單位說重視年輕人，卻長期把年輕人放在流程末端，只要求不出錯，很少讓他們接觸真實用戶、真實數據、真實成本和真實風險。這樣培養出來的，往往不是解決復雜問題的人，而是熟悉流程的人。一個人如果從未接觸核心矛盾，自然不可能成為解決核心矛盾的人。

第五層人才觀：真正的跨界不是泛泛復合，而是極深遷移

DeepSeek一邊設置“AI跨界技術人才”，一邊招聘小語種、醫學法律等專業領域數據產品經理，還在崗位描述里強調電氣、暖通、液冷、自動化、工程建設、運營管理、能效優化都可以深入。這說明它理解的跨界，不是“什么都懂一點”的松散復合，而是能把一種深能力遷移到新系統的人。

數學競賽訓練出來的是抽象推理能力，開源項目訓練出來的是工程協作能力，創業經歷訓練出來的是從零到一能力，技術博客和書籍訓練出來的是表達和系統化能力，專業領域訓練出來的是知識結構和問題敏感度。AI時代并不要求每個人都轉行做算法。更現實的問題是：你原來那項最硬的能力，能不能被帶進新的技術系統。

所以，AI時代不需要更多“復合型空心人”，而需要“單點極深、邊界可擴”的人。單點極深，意味著你必須有一項硬能力，不是泛泛了解，而是真的能打。邊界可擴，意味著你不能把自己封閉在原來的專業身份里，而要愿意進入新問題、新工具、新系統。只有這兩者結合，才是真正的跨界。

這對學生選擇專業也有啟發。不要簡單地問哪個專業最熱。熱門專業會變，崗位名稱會變，工具會變，但底層能力會長期重要：數學和邏輯能力，工程實現能力，系統思維能力，真實問題感知能力，表達能力，持續學習能力，以及把一件事做深做透的能力。

如果沒有這些底層能力，即使站在熱門專業里，也可能很快被淘汰。如果有這些能力，即使起點不是最熱門專業，也有機會在新技術系統中找到位置。

DeepSeek招聘清單給普通人的啟發，最終可以歸結為一句話：未來不是屬于“最會貼標簽的人”，而是屬于“最能進入問題的人”。AI時代并不是只給少數算法天才留下位置，也不是要求所有人都改行去訓練模型。這份清單更像一次重新定位：在一個被AI重組的世界里，你原有的能力還能不能接入新的系統？你能不能解決一個真實問題？你能不能讓自己的經驗、知識和判斷，在新的技術條件下繼續產生價值？

AI時代的人才，不是被某個新專業命名出來的，而是在真實系統里被重新識別出來的。

（作者胡逸為數據工作者，著有《未來可期：與人工智能同行》一書）

來源：胡逸