人工智能计算进入薪资体系并改变招聘方式
在硅谷，有一个强烈的观点：用“计算能力”作为工程师的一部分薪酬，即保证获得GPU和推理能力的使用权。《商业内幕》总结这一点为“将人工智能计算视为薪酬”，而关键并不在于创意本身，而在于让其合理化的操作背景。自2015年以来，人工智能人才的需求激增，就业发布增长了257%，薪酬方案围绕专业化和交付速度进行了重新调整：在美国，人工智能人才的中位数年薪约为16万美元，对于LLM、MLOps或安全与对齐等专业的职位则有较高的奖金。与此同时，基础设施的成本不再只是技术类开支，而成为了决定销售产品及其利润的一项财务变量。
在高薪人才和昂贵基础设施的矛盾中，获取计算能力成为了一种新的货币。对于工程师来说，自有的“GPU预算”意味着可以更快地进行迭代，无需内部排队即可训练或评估模型，将想法转化为可交付成果。对公司而言，这也是一种吸引候选人的方式，而无需立即增加更多的现金或股份。消息指出，OpenAI的总统兼联合创始人Greg Brockman参与了这些讨论。这个细节非常重要，因为它揭示了一个事实：当一家专注于人工智能的公司讨论作为薪酬的计算能力时，承认了一种稀缺资源的变化——不仅是工程师本身，更是使用工厂的权利。
将“计算能力”视为薪水对两个稀缺资源的回应
第一个稀缺资源是人才。市场的数据描述了一种附加价值的经济：人工智能职位的薪水比传统技术岗位高出28%；LLM专家的薪资高出25%至40%；MLOps的薪水高出20%至35%；安全与对齐职位自2023年起上涨了45%。在这样的框架下，薪酬已不仅仅是基本工资加奖金加股票，而是提升候选人感知价值的所有杠杆。如果工程师的工作依赖于GPU的访问，那么这种访问便成为了薪酬方案的一部分。
第二个稀缺资源是基础设施。OpenAI在某份简报中提到，面临800亿美元的延期义务，预计到2026年将到期，还与微软有一项2500亿美元的计算协议，可能到2030年需要支付数千亿美元。简报中还提到，2026年将是一个因基础设施账户规模而带来的财务紧张的一年，尽管预计到2025年有200亿美元的收入，并与软银共同推动的410亿美元融资将在2026年推出。虽然并非所有公司都处于这样的极端情况，但这一模式在小规模公司中也在重复：实现人工智能所需的计算支出可能与薪资相当，吞噬利润。
当这两种稀缺资源共存时，出现了重新标签之前被视为平台成本的现象，作为员工的福利。这不是表面功夫，而是在明确的规则下分配稀缺资源，利用其作为吸引和留住人才的机制。
支付GPU的经济机制
用计算能力支付并不意味着成本的消失，而是模型中的位置发生了变化，尤其是招聘的讨论方向也发生了变化：公司承诺提供加速产出的输入。这一转变有三方面的操作意义。
首先，它将内部的瓶颈转变为人力资源的商业论点。在许多组织中，GPU的访问是集中管理的，存在排队、审批和摩擦。强有力的候选人如可选择离开去拥有更好工具或更高自由度的地方，便会重视自主权。提供分配给角色的计算能力即是在提供生产自主权。由于人工智能增加了个人的影响力，这与大科技公司已经看到的趋势相符，即支付更多的报酬以获得更大的影响力：Meta推出的“检查点”计划，其奖金可能高达目标的300%，谷歌扩大顶级表现者的奖金和股票，亚马逊允许薪水超出岗位薪水的上限。把计算能力作为薪酬恰恰与这种原则一致：奖励贡献更大的人，让他们有更多的生产能力。
其次，它将难以预测的成本转变为可分配的预算。推理和训练的开支可能因使用、实验和缺乏评估的自律而急剧增长。如果公司将计算能力定义为薪酬方案的一部分，那么它就必须测量、预算并审计其回报。这听起来不错，但要求财务成熟：否则，“福利”就会变成无底洞的补贴。
第三，重新定义了现金风险。对于没有实力的初创公司而言，承诺计算能力即是承诺未来的可变成本。它可以帮助在不提高现有薪水的情况下达成招聘，但确实形成了一项运营负债。在压力情况下，首先削减的往往是计算的访问权，这将影响生产力和公司氛围。因此，如果计算作为薪酬的一部分，它必须作为内部带有明确规则的合同义务对待。
关于治理与组织设计的启示
这个现象不仅关乎招聘，还涉及如何管理人工智能团队的工作。如果计算成为薪资，CFO和工程领导们共享了一条新的边界：定义谁有权使用何种数量的计算能力及其标准。
在实际操作中，这推动了更加扁平和以个人贡献为导向的组织模型。简报提到Zuhayeer Musa（Levels.fyi）关于“玩家教练”角色崛起的观点，这种角色既负责交付，又同时进行指导，无需管理大团队。人工智能使这种角色更具成本效益：具备强工具、好判断和获取计算能力的人员，可以替代过去需要更大团队的许多工作。在这种环境下，企业寻求吸引这一类角色的机制，而不必再扩充组织结构。分配的计算能力则作为一种机制，通过显著提高个人的影响力，而无需添加更多层级。
但成本的代价是治理。当计算“纳入薪资”后，内部将出现一些可预见的紧张：角色之间的感知不平等、分配争议，以及使用计算作为政治奖赏而非生产预算的诱惑。避免这种现象的方式并非文化，而是会计和操作上的妥当：项目的分配规则、消耗的测量和与可交付成果的明确连接。
另一个层面是企业如果将计算分配给个人，便必须加强对用途中未与业务优先级对齐者的保护。并非因不信任，而是由于经济考量。实验虽然有价值，但在规模上可能是利润流失。合理的设计倾向于将“产品计算”与“探索计算”区分开，设定界限和报告机制。
对初创企业和大科技公司商业模式的影响
对大科技公司而言，这符合其人才集中战略：付给更少的人更高的薪酬，提供更好的工具，并要求其产生影响。目前可见的一些结构中，优秀人才可以超越薪资带宽或获得特别奖金。如果再加上保证的计算能力，则薪酬方案显得更具防御性：不仅仅是金钱，也是执行能力。
对于初创公司而言，情况则更加复杂。在Meta能为高级员工提供接近七位数的薪酬包，并且D轮的初创公司向顶尖研究人员提供200万至400万美元的股票的市场中，仅凭股份竞争是相当艰难的。提供计算能力可以形成差异，但前提是初创公司拥有明确的产品论点和严谨的单元经济模型。如果产品未能迅速实现盈利，所谓“赠送”的计算能力反而可能成为伤害现金流的加速器。
这里反映了我对于销售的执念：当主导可变成本为计算能力时，没有早期盈利的公司便是在资助每一位用户和每一次内部实验。简报提到与使用补贴及大规模数据中心commitment相关的资金缺口预测。并不需要达到OpenAI这样的规模，许多公司也可以在相对规模上遭遇类似的模式。
这一模式的潜在结果是一个劳动市场，其中部分薪酬以非货币单位进行谈判：访问模型、数据和计算能力。这能够提升生产力，但也加剧了竞争：拥有更好基础设施的企业吸引人才的优势，而其余的则被迫支付更多现金以换取较少的执行力。
劳动力市场趋势的展望
这一变化预测了一个现实：基础设施已成为岗位的一部分，而不仅仅是技术堆栈的一部分。在短期内，看到更多声明预算计算、内部集群访问或供应商信用的岗位招聘信息将变得更加常见。这并非因为是“趋势”，而是因为它是与生产力相连接的一种通用语言。
对高管而言，标准并不是听上去是否现代，而是薪酬包是否与金融架构和交付机制保持一致。如果计算作为薪水提供，则必须有最低的纪律：
- 每个角色和每个项目的预算，每月消耗可见。
- 生产与研究的计算分离，期待的回报是不同的。
- 优先级规则，避免资源成为内部政治的筹码。
- 与收入的连接，因为计算属于可变成本，会对利润产生压力。
将计算作为补偿并不能解决人才争夺战，而是使其成为一种稀缺资产，已经决定了产品的速度。实施得当的公司会将平台成本转化为可测量的生产力，而把这作为工资包装表面化的公司则可能面临无法控制的可变支出，且其回报变得模糊。
