如果你最近刷脉脉或翻看猎头的朋友圈，会发现曾经被高薪争抢的大模型算法工程师，正在主动聊起“VLA”“世界模型”“真机数据”这些词。而另一边，具身智能公司的招聘帖里，来自互联网大厂和大模型公司的简历占比越来越高。
这不是零星的个人选择。脉脉创始人林凡在《AI圆桌π对》中透露了一个数据：2026年1-7月，具身智能新发岗位量同比增长6至7倍，但相关岗位的平均薪资仅为大模型岗位的三分之二。薪资更低，岗位却暴增，人才还在涌入——这背后一定有别的东西在起作用。
大模型赛道正在“收窄”
大模型赛道爆发进入第三年，一个此前被高速增长掩盖的事实开始浮出水面：这个行业容纳不了那么多人。
Meta在2025年对AI部门进行了大规模裁员，约600个职位被削减，波及FAIR研究部门及AI基础设施团队。国内AI“六小虎”之一也传出了组织调整的消息。据脉脉《2025年度人才迁徙报告》显示，AI领域人才供需比首次超过1，意味着人才供给已经大于需求。林凡的判断更为直接：“真正把模型做好的核心团队，可能只需要一两百人。”
大模型公司的竞争格局正在收敛，头部几家公司确立了基础模型的位置，剩下的玩家要么转向应用层，要么寻找新的技术方向。对于大量在中腰部公司从事模型训练、微调、部署的工程师来说，天花板变得清晰可见。
与此同时，大模型的“能力外溢”效应正在催生一个新的叙事。当语言和视觉的理解能力被证明有效，下一步自然是让它进入物理世界。这个方向，就是具身智能。
一个“GPT-2阶段”的战场
当前的具身智能就如同十年前的自动驾驶，研究者和创业者拥有巨大的方向判断与技术创新的空间。清华助理教授刘淼说得准确：具身智能尚未形成统一路线，意味着这个领域更需要真正做过研究、理解技术边界的人才。
在大模型领域，Transformer架构、Scaling Law、RLHF路线已经高度标准化，一个工程师的价值越来越取决于他经历过多少轮大规模训练、节省过多少算力成本。
在具身智能领域，VLA模型该怎么做、数据从哪来、仿真和真机如何配比，几乎每一个环节都是开放问题。而技术栈的高度同源，则让迁移的成本远低于预期。大模型工程师在预训练、多模态对齐、推理优化上积累的经验，恰恰是具身智能“大脑”最稀缺的能力，星海图、银河通用等公司的招聘需求中，VLA算法和世界模型方向的岗位起薪普遍在6万元以上。
更深层的变化：人才能力的重新定价
如果只看薪资，具身智能目前还给不了大模型级别的回报。但这个赛道真正的吸引力不在于当下的薪资包，而在于它正在重新定义“什么样的人值钱”。
林凡观察到一个关键特征：最顶尖的AI人才往往具备数学功底扎实和跨领域复合背景两个共同点。具身智能恰恰是这两个能力的“压力测试场”——它要求工程师不仅懂模型，还要理解机器人的运动学约束；不仅会调参，还要面对真机数据采集的高成本和低复用性。数据瓶颈是这个领域的“第一性难题”，而解决它需要的不是单一环节的深度，而是打通采集、标注、仿真、训练的系统思维。
换句话说，具身智能在奖励“六边形战士”。那些在大模型公司被分工体系切割成专才的工程师，在这里重新获得了从全局判断技术路线的机会。这也解释了为什么字节机器人“01号员工”孔涛会带着一批旧部跳槽小米，为什么理想、地平线系的技术高管密集涌入具身创业。
这场人才迁徙刚刚开始。具身智能的技术成熟度大概还在GPT-2阶段，离真正的“ChatGPT时刻”还有距离。但方向判断的窗口期往往比技术成熟期更短，等到路线收敛的那一天，机会就不属于“转型者”，而属于“定义者”了。
