AI人才价格战彻底失控？顶级研究科学家新聘股权冲上5000万美元

当企业还在讨论“AI Engineer到底应该比普通软件工程师多付多少工资”时，AI人才市场本身已经发生了更深层次的变化。

Pave 与 Nua Group 最新发布的《The State of AI Talent: A Compensation & Workforce Report》基于 Pave 覆盖 9,000+ 家企业的实时薪酬数据库，对 15,000+ 名映射至AI和机器学习岗位的员工进行分析。Pave的数据通过企业 HRIS、ATS 和 Equity Management Systems 持续连接，并结合企业融资、规模和上市状态等信息进行分析。

从 NACSHR 的角度看，这份报告最值得关注的并不是“某些AI人才拿到了数千万美元股权”这样吸引眼球的数字，而是一个更重要的变化：AI人才正在从一个笼统的技术标签，演变成多个拥有不同岗位定义、人才供给、薪酬曲线和股权策略的独立人才市场。

AI人才已经不能再放在一个“AI Engineer”岗位里管理

过去几年，很多企业招聘AI人才时，常见做法是在 Software Engineer 基础上增加“AI”标签，然后适当提高薪酬。但 Pave 和 Nua Group 认为，这种方式已经越来越难以准确反映市场。

报告将技术人才从传统软件开发到前沿AI研究划分为五个连续层次：Software Engineer、AI-Capable SWE、AI Engineer、ML Engineer 和 AI Researcher。其中最容易产生混淆的是 Software Engineer 与 AI Engineer 之间的 AI-Capable SWE，这并不是一个已经高度标准化的独立岗位，因此在职位名称和 Level 判断上最容易产生混乱。

AI Engineer 与 ML Engineer 的差异则更加明确。AI Engineer 主要工作在 application layer，将现有模型和算法嵌入产品、API、基础设施和生产系统；ML Engineer 更靠近 model lifecycle，负责模型开发、优化、统计方法以及支撑模型运行的数据和工程管道。

实际人才结构也已经出现明显分层。在 Pave 数据库的AI/ML员工中，ML Engineering 占56.2%，AI Research Scientist占23.4%，AI Engineering占17.0%，Computer Vision Engineering占2.2%，MLOps Engineering占1.2%。

这意味着，对于企业HR而言，“我们要招聘AI人才”已经不是一个足够明确的人才需求。真正的问题应该是：企业究竟需要开发模型的人、优化模型的人，还是把模型转化为产品和业务能力的人？

基本工资并没有失控，真正拉开差距的是股权

AI人才薪酬市场最值得注意的一个现象，是基本工资和股权正在呈现完全不同的走势。

从 Base Salary 看，三个核心AI岗位族之间实际上相对接近。P6级别的中位基本工资中，ML Engineering为 $321K，AI Research Scientist为 $311K，AI Engineering为 $294K；到了M6管理级别，三者分别为 $347K、$340K和$304K。也就是说，在高级岗位上，ML Engineering的基本工资甚至高于AI Research Scientist。

真正出现巨大分化的是 Equity。

AI Research Scientist 的 P6 中位新聘股权达到 $4.09M，M6达到 $4.72M。相同P6级别，AI Engineering为 $1.48M，ML Engineering为 $1.60M；M6则分别约为 $1.12M和$2.02M。AI Research Scientist的股权价值已经超过另外两个岗位族两倍。

需要特别说明的是，这里的数字不是“年薪”。报告定义的是 New Hire Equity（Gross, Intended, Annualized），即新员工股权奖励的预期毛值年化价值。把“$4.72M”直接描述成“AI科学家年薪472万美元”是不准确的。

但这个数据仍然揭示了一个非常重要的趋势：企业争夺顶尖AI人才的主要竞争工具，正在从现金工资转向股权。

5000万美元级别的股权不是普遍行情，但顶端市场确实已经被重新定价

更加惊人的数字出现在报告第18页。

Pave针对一个非常具体的市场进行了筛选：AI Research Scientist、San Francisco Bay Area、私营企业、累计融资$1B–$5B+。在这个高度竞争的人才市场中，P6和M6级别90分位的新聘股权已经进入 $45M–$60M 区间，其中报告特别展示了 $51.4M 的90分位股权价值。

这个数字需要正确理解。

它不是“美国AI Research Scientist普遍可以拿5000万美元”，而是代表在旧金山湾区、融资规模达到数十亿美元、争夺最顶尖AI研究人才的少数私营科技企业中，企业为了赢得某个关键候选人，已经愿意突破传统薪酬体系的边界。

这也是为什么现在市场上不断出现顶级AI研究人员获得巨额 package 的新闻。这些案例不是普通市场价格，却已经成为顶端人才市场的真实价格信号。

人才越高级，AI Research Scientist的溢价越明显

另一个容易被忽略的问题，是三个AI岗位族本身的人才结构并不相同。

AI Engineering明显更加年轻，P1–P2初级人才占 23.97%；ML Engineering这一比例只有 9.13%，AI Research Scientist为 11.26%。相反，AI Research Scientist中P5–P6高级人才占比达到 22.76%，是三个岗位族中最高的。

这意味着AI Research Scientist薪酬更高并不仅仅是因为“Research Scientist”这个Title更值钱，而是因为这个岗位市场本身更集中于高级、稀缺并能够直接影响模型能力的专业人才。

而且股权差异随着Level提升迅速扩大。AI Research Scientist从P4开始明显拉开差距，到P6中位新聘股权达到 $4.09M，大约是其P1水平的20倍。

因此，对企业而言，AI人才成本真正危险的地方往往不是招聘一个普通AI Engineer，而是当业务突然决定需要一位能够改变产品、模型或技术路线的高级AI研究人才时，传统薪酬Band可能瞬间失去参考价值。

企业规模越大，AI岗位体系越开始专业化

AI人才的组织成熟度同样存在明显差异。

只有 12% 的1–99人企业拥有至少一名AI/ML人才，而在3,000人以上企业中，这一比例达到 91%。

管理体系的差距更加明显。在已经拥有AI/ML Individual Contributor的公司中，1–99人企业只有 17% 配备专门的AI/ML Manager，而3,000人以上企业达到 72%。很多中小企业的AI人才仍然由普通Engineering或Data Science负责人管理。

更值得关注的是大型企业正在快速拆分AI岗位。3,001人以上企业中，只拥有一种AI/ML Job Type的比例从2024年的 52.4%下降到2026年的19.0%；同期拥有三种及以上AI/ML Job Types的比例则从 14.3%提高到50.0%。

这反映出的不仅仅是招聘需求增长，而是 AI Job Architecture正在成熟。

过去企业可能只有一个“AI Team”，未来则会逐渐形成 Research、ML Engineering、AI Engineering、MLOps、Computer Vision等不同岗位体系，对应不同Level、Career Path、Compensation Band和Manager结构。

AI人才不仅贵，也更难留

企业面临的第二个挑战是Retention。

Pave数据显示，过去12个月AI/ML Individual Contributor的Turnover为 21.8%，而同一批企业Software Engineering为 16.8%；Manager层面，AI/ML为 22.6%，Software Engineering为 18.9%。报告中的Turnover同时包含主动和非主动离职。

这说明AI人才市场正在形成一个典型循环：外部市场价格快速上涨，新员工以更高价格进入，现有员工发现自己的市场价值变化，随后带来Retention、内部公平和薪酬压缩问题。

对于HR和Total Rewards团队而言，仅仅解决“Offer能不能发出去”已经不够，还需要同时考虑 New Hire Equity、Refresh Grant、Internal Equity以及关键人才Retention。

AI人才竞争仍然高度集中在美国，尤其是California

AI人才市场的另一个现实是地域高度集中。

在Pave样本中，California集中了美国49.3%的AI/ML人才，其中大部分位于San Francisco Bay Area。

从全球看，美国拥有 57.3%的AI/ML人才，明显高于美国在全球Software Engineering人才中的44.8%占比。United Kingdom分别为6.3%和4.5%；India的情况正好相反，拥有全球13.2%的Software Engineering人才，却只有5.6%的AI/ML人才。

对于北美企业尤其是希望在湾区之外建立AI团队的公司，这意味着“Remote”并不会自动解决人才供给问题。真正成熟的AI人才池依然高度集中，地域竞争仍然会直接影响招聘周期和薪酬价格。

不是所有企业都应该和OpenAI式公司争夺Research Scientist

Nua Group在报告最后提出了一个非常值得企业管理层关注的框架：Know Your AI Lane。

它把企业分成三种类型。

第一类是 AI Innovators。这类企业自己建设基础模型和核心AI基础设施，需要AI Research Scientist、ML Engineer和AI-Capable SWE。对于这类企业，现金薪酬可能直接脱离传统Band，而股权成为争夺核心人才的主要工具。

第二类是 AI Integrators。这类企业不是开发基础模型，而是把AI嵌入自己的产品中。核心岗位通常是AI Engineer，只有在需要深度模型定制时才大量使用ML Engineer，AI Research Scientist通常并不是必要岗位。

第三类是 AI Implementers。这类企业主要利用现有AI提高内部运营效率，往往需要AI Engineer和AI-Capable SWE，把现成模型接入企业流程和系统，而不是自己重新训练基础模型。

对应的薪酬策略也完全不同：AI Innovators往往需要突破标准薪酬Band，并使用大额新聘股权；AI Integrators可以采用标准薪酬Band加结构性AI Premium，并适度提高股权；AI Implementers则更多保持标准Band，只对少数关键岗位给予溢价和股权。

这可能是整份报告对大多数企业最有价值的提醒：不要因为AI很重要，就误以为每家公司都需要最昂贵的AI人才。

NACSHR观察：AI时代，HR首先要解决的不是“付多少钱”，而是“究竟在买什么能力”

过去企业面对人才短缺时，最常见的问题是：“市场P50是多少？我们需要付到P75还是P90？”

AI正在改变这个逻辑。

企业首先需要完成Job Architecture：明确AI Engineer、ML Engineer和AI Research Scientist分别承担什么任务，什么情况下需要AI-Capable SWE，什么情况下才真正需要Research Scientist。岗位没有定义清楚，再精准的薪酬Benchmark也没有意义。

其次，HR需要把Cash和Equity作为两套不同的竞争机制管理。Pave的数据已经证明，Base Salary并不是顶级AI人才价格分化最大的部分，真正能够突破传统市场曲线的是Equity。

第三，AI人才Benchmark的更新速度必须高于传统岗位。报告最后建议Compensation Team把AI/ML Pay和Equity Band视为一个“moving target”，保持足够宽度，并比其他Engineering岗位更加频繁地重新审视。

最后，企业必须先回答一个战略问题：我们究竟是一家AI Innovator、AI Integrator，还是AI Implementer？

如果企业只是希望用AI改善客服、销售、HR、财务或内部运营，却按照顶级AI实验室的方式招聘Research Scientist，不仅会大幅增加人才成本，也可能出现“花了最贵的钱，却买错了能力”的情况。

AI人才市场正在进入新的阶段。下一轮企业之间真正的差距，不只是“谁愿意给更高的工资”，而是谁能够更准确地定义工作、识别关键能力、设计岗位体系，并把现金、股权和人才战略放在同一个框架中管理。

对于HR来说，这也意味着AI带来的变化已经从“如何招聘AI人才”，进一步进入了 Job Architecture、Compensation Design、Equity Strategy和Workforce Planning 的核心领域。

来源：Pave + Nua Group，《The State of AI Talent: A Compensation & Workforce Report》，2026年8月。