Anthropic 工程师画像深度洞察：为什么 AI 公司最缺的不是博士，而是基础设施老兵？

一、一个违背直觉的工程团队

最近，科技行业招聘专家 seb@hiiinternet 对 Anthropic 1680 名工程师的公开 LinkedIn 履历进行了一次硬核背景普查。抓取 5306 份标注 Anthropic 为当前雇主的资料，筛选出 1680 名工程岗位，分析其过往 7986 条岗位描述，得出一系列与大众认知严重不符的数据：

• 闪电式扩张：过去 18 个月搭建起来的工程组织，现任员工任职时间中位数仅 10 个月，53% 的人加入不到一年
• 极度排斥新人：几乎只招「资深工程师」——工程经验中位数 12.2 年，小于 3 年经验的仅 50 人，应届生招聘基本为零
• 基础设施底色：40% 员工背景出现「基础设施」经历，分布式系统、数据库、安全各占 ~20%，强化学习背景仅 3.3%
• 博士神话破灭：工程团队中仅 13.7% 持有博士学位——每七人中才有一个 PhD
• 最大人才源不是 AI 实验室：遥遥领先的第一来源是 Google，其次才是 OpenAI、DeepMind 等友商
• 去科层化设计：80% 共享「技术组成员（Member of Technical Staff, MoTS）」头衔

这些冰冷数字的背后，隐藏着 AI 行业正在发生的深层范式转移——它不是 HR 部门的一时兴起的招聘偏好，而是 AI 产业化进程的必然映射。

二、根本原因：从「算法竞赛」到「系统战争」

2.1 技术收敛后的竞争焦点转移

当 Transformer 架构成为共识、RLHF 技术路线趋于成熟，AI 公司的核心竞争力已经悄然位移：

• 训练稳定性：万卡集群连续运行数周不出一次故障——这是分布式系统的可靠性问题
• 推理效率：将每个 token 的生产成本降至可商业化水平——这是系统工程优化问题
• 数据管道：PB 级数据的清洗、标注、管理——这是数据基础设施问题
• 部署可靠性：面向数亿用户的服务稳定性——这是 SRE 与运维问题

这些问题，本质上是系统问题，不是数学问题。它们不需要更多的算法洞见，而是需要大量见过真实生产环境大规模故障、亲手搭建过分布式系统的资深工程师。

2.2 Scaling Law 的系统代价

Scaling Law 的持续有效隐含着一个被忽视的前提：你的基础设施能支撑得起更大规模的训练。Anthropic 正在部署十万卡级别的训练集群，这带来的挑战是：

• 跨数据中心分布式训练的网络拓扑优化
• GPU 利用率从 60% 提升到 90%+ 的调度策略
• 每天数百万次训练任务的编排与容错
• 万亿参数模型的高效推理

这些都不是论文能解决的问题。这需要的是在 Google 等超大规模云厂商摸爬滚打十年，处理过真实生产环境事故的系统工程师。

2.3 商业化的强制加速器

从研究实验室到产品公司，组织能力的转型必然伴随人才结构的重塑。Anthropic 在 18 个月内将工程团队从 200+ 扩张到 ~1700 人，这种速度决定了它无法慢慢培养新人——它需要的是「拿来即用」的老兵。

这和互联网早期的模式如出一辙：Amazon 在 2000 年代初从电商转型为云服务商时，大量招募的是系统工程师而非研究人员。每一次「从实验室到工厂」的跨越，都伴随着人才结构的剧烈重构。

三、时代动力：AI 进入「工程驱动」阶段

用技术成熟度模型可以清楚地看清这个变化：

Anthropic 的招聘数据是一个清晰的信号：我们正处在从第二阶段向第三阶段跨越的拐点。AI 公司的竞争，已经从「谁的模型更好」变成了「谁能以最低成本、最高效率地训练和部署同等水平的模型」。

这不是一个边际变化，而是 AI 行业价值链的根本重构。模型的「创造性」溢价在下降，「可靠性」溢价在上升。这恰恰解释了为什么招聘池里最贵的不是顶级 AI 研究员，而是经历过万次代码评审、百次线上故障的资深工程师。

四、对工程师的启示：技能组合的重新定义

两个黄金赛道

路径 A：深水区构建者（匹配 12 年经验标准）

这是绝大多数工程师应该走的路。核心技能组合：

• 分布式系统：共识算法、分布式事务、CAP 权衡
• 大规模存储：对象存储、KV 存储、分布式文件系统
• 高性能计算：GPU 编排、网络拓扑、异构计算
• 底层基础设施：Linux 内核调优、网络协议栈、存储 I/O

典型养成路径：Google/Amazon/Meta 等云厂商 → AI 公司。Stripe、Databricks、Snowflake、Palantir 等工程硬核公司也是理想的中间站。

优势：不可替代性强，越老越值钱。12 年经验中位数不是歧视，而是对这个领域「经验积累有价值」的高度认可。这不是年轻人的游戏。

路径 B：天才少年通道（匹配竞赛/论文标准）

这是极小众的通道，数据上仅占 3-10%。172 名经验不足 6 年的「年轻例外」，其进入门槛高度异乎寻常：

• 顶级实习（50%）：Meta、Google、DeepMind 或顶级量化机构的实习经历
• 量化交易转场（9%）：来自 Jane Street、Two Sigma、Citadel 等，通常是 IOI 银牌以上、Codeforces 2900+ 的顶级选手
• 对齐方向 fellowship（6%）：深度参与 MATS、SERI、Redwood 等 AI 对齐研究计划

这条路的天赋门槛极高，供应量极小，不具备普遍参考价值。

工程师的战略选择

1. 不要被「AI 公司需要 PhD」的叙事迷惑——数据证明绝大部分工程岗位不需要博士，需要的是系统能力。PhD 只占 13.7%

2. 基础设施技能是真正的护城河——Python 框架可以几周学会，但分布式系统的直觉需要十年锻造。AI 公司的简历应该像「基础设施公司」而非「研究实验室」——展示你构建并扩展过的系统，而不是你读过的论文

3. 跨学科价值被低估——Anthropic 的哲学系员工挤进前 20 专业，13 名哲学背景的工程人员在技术公司极不寻常，这与 AI 安全、对齐方向需要多元思维有关

4. 不要被职级体系困扰——Anthropic 的天才设计：80% 持同一头衔「MoTS」，无论前身是 Instagram CTO 还是 Stanford 大牛。这消除了办公室政治和晋升焦虑，让你专注在事上

5. 长期主义是回报率最高的策略——12 年经验中位数意味着这个领域认可「积累」，不是所谓的「35 岁危机」。当你拥有十年以上分布式系统的实战经验，你在 AI 公司的人才市场上就是稀缺品

五、对投资人的启示：AI 的「铲子」在哪里？

当所有人都去淘金时，卖铲子的人才是稳赚的。

Anthropic 的数据揭示了一个投资机会的层次结构：

第一层：物理基础设施（确定性最高）

AI 对算力的渴求正在催生数据中心建设狂潮。每个 Anthropic 这样的公司都需要：

• 数据中心设计与运营：万卡以上集群的供电、散热、空间
• 电力基础设施：核电、光伏+储能——AI 集群是电老虎
• 液冷散热：高密度 GPU 机柜需要新型散热方案
• 网络设备：400G/800G 交换机、高速光电互联

这些是 AI 军备竞赛的「硬通货」，无论哪个模型胜出，这些基础设施都会持续被消耗。

第二层：基础设施软件（高增长、高毛利）

构建和运维超大规模 AI 集群的工具链：

• GPU 编排与调度：新一代 Kernel for AI——管理十万 GPU 的训练任务
• 分布式训练框架：大规模并行训练的效率优化
• AI 专用存储：满足训练数据高吞吐、低延迟的存储系统
• 推理部署工具：模型量化、推理引擎、服务化

这一层的特征是软件边际成本低、客户粘性高。如果能被 Anthropic、OpenAI、Google 同时使用，就是战略性投资标的。

第三层：人才养成所（长线逻辑）

Anthropic 的前五大人才来源公司——Google、Stripe、Databricks、Snowflake、Palantir——它们本身就是值得关注的投资标的。这些公司或许不是直接的 AI 公司，但它们是 「AI 公司的工程师养成所」：

• 这些公司培养了大量具有超大规模系统构建经验的工程师
• AI 公司抢人竞争越激烈，这些公司的工程师「出厂价」越高
• 未来十年，这个人才池只会越来越贵

关键投资洞察

• AI 公司的研发成本结构正在从「养博士」转向「搭系统」——基础设施工程师的薪资溢价将逐步超过算法研究岗
• 纯粹算法初创公司的估值将承压——当模型能力趋于同质化，没有系统积累的 AI 公司缺乏护城河
• 基础设施服务商的利润率会提升——AI 军备竞赛中，所有玩家都需要它们的产品，而供给有限

六、反方视角与回应

反方 1：这不只是 Anthropic 一家公司的情况，不能以偏概全。OpenAI 可能更重视研究人才。

确实，每家公司的人才策略不同。但 Anthropic 作为仅次于 OpenAI 的头部 AI 实验室，其策略具有信号意义。如果连最重视「安全研究」的 Anthropic 都在大规模招募基础设施工程师，说明这个趋势具有普遍性。Google 正在做的 Gemini 训练同样需要大量系统工程师。

反方 2：当模型架构出现新的重大突破时，算法天才的价值会重新凸显。

对。但历史上每一次技术突破后的产业化路径都遵循类似的规律：突破依赖天才——工程化依赖系统——规模化依赖成本。对于投资人来说，短期的「突破不确定性」风险太大，而「工程化确定性」的可预测性高得多。

反方 3：基础设施老兵可以高薪招聘，但 AI 公司的核心竞争力终究是模型能力。

这是一个常见的误区。当所有公司都能用同样的模型架构（Transformer）、同样的硬件（H100/B200）、同样的算法（RLHF/DPO），核心竞争力恰恰体现在系统能力上——谁能更快迭代、更低成本、更稳定运行。基础设施老兵直接决定这些指标。

七、结语

这个数据集的启示远不止于招聘策略。它是 AI 产业化的一个清醒信号：当技术突破完成、工程定型之后，剩下的都是苦活累活——大规模系统的稳定性、成本、效率。而这些苦活累活，恰恰是决定最终胜负的关键。

对于工程师来说，系统的深度比算法的广度更有价值。 对于投资人来说，赌「算法天才」不如赌「工程老兵」。

AI 的下一幕，不是天才的独角戏，而是老兵的集体战。

参考资料

• 原文：机器之心报道《从 1680 份 LinkedIn 数据看 Anthropic 到底需要什么样的人》 mp.weixin.qq.com/s/ygwv56xi7BGMcJD1wCqxOw
• 原文引用的原始分析：seb@hiiinternet 对 Anthropic LinkedIn 履历抓取分析