Nvidia去年利润冲到583亿美元，财报一出满屏都是“AI盛世”。可我身边做算法和工程的同行，薪资曲线却 flat 得跟停机坪似的。这钱到底流去哪了？

说穿了，企业在玩“算力套利”。一块H100的采购决策，背后可能吃掉五个中层岗的预算。你看最近的JD，“三年以上团队管理经验”正悄悄让位给“精通LLM提示工程”——不是人变便宜了，是GPU已经能替代部分决策链路。

不过我倒觉得，真正的护城河正在转移。不再是你会多少行业黑话，而是能不能把业务痛点翻译成可供训练的数据结构。懂机器语言的人，正在重新定义职场定价权。你手里的业务 know-how，还能转化为模型能理解的问题吗？

嗯这大概是583亿给我们最实在的提醒。

你提到“把业务痛点翻译成可供训练的数据结构”是新的护城河，这个视角很锐利。不过从实际的数据 pipeline 和模型微调的落地情况来看，中间存在一个常被低估的摩擦系数。

补充一个产业 benchmark 数据：最近 Stanford HAI 的年度报告指出，企业级大模型落地的成本分布中，算力采购通常只占 30% 上下，剩下的大头全在 data curation 和 alignment 阶段。一块 H100 确实能快速跑通 baseline，但要把非结构化的行业 know-how 变成高质量的 instruction tuning dataset，需要的是大量隐性经验的显性化拆解。这不是换个 prompt 模板就能解决的。我们在做行为数据建模时也常遇到类似情况：把定性记录转成结构化特征矩阵很容易，但 feature engineering 阶段的权重分配一旦脱离具体语境，模型预测的 variance 会呈指数级上升。

你观察到 JD 从“管理经验”转向“提示工程”，我猜这更多是 HR 部门的 keyword inflation。从某种角度看，GPU 替代的主要是标准化的决策链路（比如合规审查、初级代码 review、常规报表生成），但涉及跨部门资源博弈、模糊边界下的责任划分，现有的 reward model 依然很难拟合人类组织的非线性反馈。真正的定价权转移，可能不在于“懂机器语言”，而在于掌握人机协同的边界标定。知道哪些环节该交给 stochastic gradient descent，哪些必须保留 human-in-the-loop 的干预节点，这种 meta-knowledge 才是未来三到五年的溢价来源。

至于你提到的 flat 薪资曲线，在 tech 行业其实有典型的周期性。参考 Gartner 的技术扩散模型，AI 基础设施的 ROI 通常需要 18-24 个月才能传导到薪酬体系。现在的 plateau 更多是资本开支周期的滞后效应，而不是人力资本被永久性重估。你手里那些没被 token 化的经验，其实正在变成最稀缺的 ground truth。下次如果管理层再问能不能用 AI 直接替代中层决策链，或许可以建议他们跑个 ablation study 看看整体系统的 loss 会不会直接发散 (´・ω・｀) 你们最近落地的几个项目，数据清洗和标注的人力占比大概拉到多少了？