2026-06-18 — views

实体AI人才争夺战 — 谁在赢得自动驾驶与机器人工程师的竞赛

实体AI竞赛本质上是人才竞赛。具身AI工程师、AV系统专家与机器人硬件人才极为稀缺，人才短缺是AV规模化部署的隐藏限制因素。

实体AI基准系列第108篇 — 实体AI人才争夺战：谁在赢得自动驾驶与机器人工程师的竞赛，以及为何人才稀缺是AV规模化部署的隐藏限制因素

实体AI竞赛从根本上说是一场人才竞赛。训练用于自动驾驶的端到端神经网络、打造人形机器人、以及在城市规模部署无人驾驶车队，都需要同样稀缺的资源：理解具身AI的ML工程师、能够在仿真与现实世界之间架桥的机器人专家，以及能够构建可靠安全关键软件的系统工程师。Tesla、Waymo以及少数几家公司正在竞逐一个成长缓慢但资本流入快速增加的人才池。

自2022年以来，流入自动驾驶与机器人领域的风险资本大幅加速，但合格工程师的供给管道却未能同步跟上。一位机器人或具身ML领域的博士需要五至七年才能培养出来；功能安全专业知识需要多年的领域学徒期。资本流速与人才管道速度之间的落差，是制约每家公司规模化进程的隐藏限制因素——无论技术本身变得多么优秀。

本文梳理了关键人才类别、各公司为争取人才所支付的薪酬基准、重塑生态系的人才流动模式，以及对Waymo、Tesla与新兴机器人阵营的战略影响。

第一节 — 关键人才类别

在实体AI脉络下，并非所有工程师人才都同样珍贵。以下几个类别代表真正的供给稀缺——需求大幅超过供给，且缺口对部署速度造成可量测的制约。

人才类别	稀缺原因	竞逐的主要雇主
ML/AI研究工程师（具身AI）	为实体系统训练端到端神经网络需要少见的ML深度与实体系统理解力组合；在这个交叉点受训的博士相当稀少	Tesla AI、Waymo Research、Google DeepMind、Boston Dynamics（现代）、Figure AI、Physical Intelligence (Pi)、1X Technologies
机器人工程师（硬件与软件）	人形与移动机器人开发需要机械工程加控制加传感器集成加软件——这种组合很少见于同一个人身上	Tesla Optimus团队、Boston Dynamics、Figure AI、Agility Robotics、Apptronik、1X
自动驾驶系统工程师	安全关键软件加传感器融合加实时系统加AV专用ML；15年以上的AV开发培育出一个规模不大但经验丰富的人才池	Waymo、Tesla FSD、Aurora、Mobileye、Zoox（Amazon）、Motional
仿真工程师	为大规模训练与测试构建物理精确仿真；游戏引擎专业知识与AV领域知识的稀有交集	所有主要AV公司；NVIDIA Omniverse团队
安全工程师（功能安全、ISO 26262）	汽车功能安全专业知识加AI系统验证；两个领域都受训的工程师极少	Waymo、Tesla、建立AV项目的汽车OEM
数据标注与ML Ops大规模应用	为训练构建PB级数据管道；不像上述类别那么稀缺但在运营上至关重要	Tesla（内部）、Waymo（内部）、Scale AI（外部供应商）

最受限制的类别是第一个：兼具神经网络训练研究层次理解力和实体系统直接经验的ML工程师。一位能够训练大型视觉语言动作模型，同时还能排查机器人在不熟悉环境中无法拾取新奇物体原因的研究人员，是在两个困难学科的交叉点上运作。Physical Intelligence（Pi）等公司已明确围绕这种组合组织招聘，直接与Google DeepMind和OpenAI竞逐同一批研究人员。

第二节 — 薪酬基准（估算）

吸引顶尖实体AI人才所需的薪酬自2023年以来大幅上升，原因是来自大型AI实验室的竞争——这些机构提供研究声望和高薪，但不需要应对实体系统工作的硬件复杂性。

职位	公司	估算总薪酬（估）	备注
资深ML工程师（AV/机器人）	Tesla AI	$400K–600K/年总薪酬（估）	底薪+RSU+奖金；Tesla RSU随股价表现大幅增值
资深ML工程师（AV）	Waymo	$400K–700K/年总薪酬（估）	Alphabet支持；RSU架构比上市前公司更保守
首席工程师（AV系统）	Waymo	$600K–900K/年总薪酬（估）	资深技术人员层级
ML研究科学家	Google DeepMind	$500K–800K/年总薪酬（估）	Alphabet为研究声望付费；机器人团队与AV雇主竞争
机器人工程师	Figure AI	$300K–500K/年总薪酬（估）+ 股权	若公司成功股权价值可观；Figure估值较高（估）
机器人工程师	Physical Intelligence (Pi)	$300K–600K/年总薪酬（估）+ 股权	Pi尚未盈利但知名度高；Google和Amazon为投资方（估）
备注	—	所有数字均为来自公开职位、LinkedIn薪资数据和行业报告的估算	范围较大，反映职级与地点的差异；非公司确认数字

薪酬数据揭示了一种结构性张力。资金充裕的大型初创公司——Figure、Pi、1X——必须提供可观股权加上具竞争力的现金，才能与Alphabet支持的Waymo和Tesla的RSU计划竞争。初创股权主张的吸引力完全取决于公司最终是否成功；在Figure和Waymo之间权衡的工程师实际上是在对两种截然不同的风险回报概况下注。

第三节 — 人才流动：谁在失去工程师，谁在获得

在任何人才市场中，最具启示性的信号不是薪酬水平，而是流动方向——工程师往哪个方向移动，是什么在驱动他们。实体AI人才生态系在过去三年中经历了几个重大流动事件。

流动	方向	备注
Google/Waymo 至 Tesla	历史上显著的流动	Tesla的使命和马斯克因素在2015至2020年间吸引了许多Google和Waymo工程师；Andrej Karpathy（Waymo研究员→Tesla AI总监→OpenAI）是最具代表性的例子
Cruise 至 Waymo/Tesla/Aurora	停业后的分散	Cruise于2023年底因事故暂停无人驾驶运营；估计逾千名工程师进入市场；许多人落脚Waymo、Aurora、Tesla及初创公司（估）
Apple AV（Titan计划）至其他公司	缩减后的分散	Apple据报于2024年初大幅缩减或停止其AV计划；工程师分散至Tesla、Waymo和其他AV公司（估）
学术界至产业	加速中	顶尖机器人与ML博士项目（CMU、斯坦福、MIT、伯克利、苏黎世联邦理工）向产业输送人才；顶尖毕业生在AV和机器人公司的就业率接近100%（估）
中国AV公司至美国	受签证和出口管制限制	百度、Pony.ai、文远知行工程师在美国就业面临签证限制；部分人通过加拿大或欧盟转道（估）
Tesla 至初创公司	持续进行	前Tesla工程师已创立多家AV和机器人初创公司；Tesla校友网络是重要的初创公司孵化器

2023年底的Cruise分散是AV历史上单次最大的人才供给事件。约千名拥有直接且近期无人驾驶运营经验的工程师同时进入市场。Waymo、Aurora和规模较小的公司吸收了大量这批人才——以正常招聘需要数年才能实现的速度加速了各自的计划。这一时机恰逢AV和机器人领域投资增加，因此需求足以吸收几乎所有可用供给。

第四节 — Waymo vs. Tesla 人才模型

Waymo和Tesla代表实体AI人才策略谱系的两端。理解各公司如何吸引和留住工程师，揭示了各自的竞争优势和限制。

维度	Waymo	Tesla
研究文化	学术与研究导向；对基础AV研究的深度投入；发表论文并参与研究会议（估）	产品优先；学术发表较少；从研究到生产的快速迭代文化
薪酬结构	Alphabet RSU加薪资；更传统的大科技公司薪酬	Tesla RSU波动较大但上行空间高；马斯克直接汇报文化创造高强度环境
地点	山景城（总部）；奥斯汀（成长中）；旧金山运营	帕洛阿尔托和奥斯汀总部；弗里蒙特工厂；德州超级工厂；柏林
招聘规模	精选式——Waymo扩充人数的速度不及车队成长速度（估）	大批量——Tesla AI团队已成长至数千人（估）
核心优势	Alphabet资源加研究声望加研究人员的清晰职业路径	使命紧迫性加股权上行空间加直接接触全球最大生产AV数据集
留才挑战	与AI实验室（OpenAI、DeepMind）为同一批人才付出研究溢价而竞争	高压文化；工程师流动率据报高于行业常规（估）

这个比较中最重要的维度是核心优势部分的最后一行：Tesla的车队。拥有超过600万辆启用FSD的车辆在路上行驶（估），Tesla产生的数据优势在近期内无人能及。对于在乎大规模训练的ML工程师来说，有机会使用全球最大的真实自动驾驶数据集本身就是强大的动机。这种数据优势具有自我强化的特性：更好的模型吸引更好的工程师，后者又构建更好的模型。

第五节 — 人才作为实体AI规模化速度的限制因素

资本充足。技术在进步。监管环境在演进。然而部署速度仍慢于投资步伐。人才稀缺是这一差距中被低估的解释之一。

制约因素	对规模化的影响	正在追求的缓解方案
ML工程师短缺	限制模型迭代速度；每季实验更少意味着改进曲线更慢	ML Ops管道自动化；合成数据生成以减少人工标注需求
机器人硬件工程师	人形机器人开发（Optimus、Figure）受制于真正稀缺的机电整合专业知识	收购引才；大学合作；内部机器人培训计划（估）
安全工程师短缺	功能安全验证是监管核准的最长瓶颈；更多安全工程师意味着更快的认证	形式化方法和自动测试工具以减少人工审查负担（估）
地理集中	旧金山湾区集中了估计60至70%的美国AV和机器人人才；生活成本限制了许多候选人的竞争薪酬招聘（估）	奥斯汀、匹兹堡（紧邻CMU）和底特律（汽车人才基地）作为次要中心
通用AI的竞争	OpenAI、Anthropic、Google Gemini团队支付的研究溢价直接与AV和机器人研究职位竞争	实体AI使命差异化；机器人被定位为具有切实现实世界影响的”更难”问题
Waymo人才上限	Waymo招聘速度不能超过Alphabet整体人员控制所允许的速度；组织带宽限制逐城市扩展的速度（估）	第6代Waymo One架构据报更简单，降低了每个城市的人员配置要求（估）
Tesla人才优势	600万以上启用FSD的车辆产生全球最大的自动驾驶数据集；工程师希望使用最多的数据	自我强化的反馈循环：最佳数据吸引最佳工程师，后者构建更好的模型

地理集中问题具有结构性，难以快速解决。湾区的人才集中反映了数十年积累的机构知识——斯坦福、伯克利、NVIDIA、Google，以及在那里运营的几代AV公司。匹兹堡以卡内基梅隆大学机器人研究所和在那里运营的AV项目（Uber AV、Aurora、Argo AI）为锚，是第二大中心最有力的主张。奥斯汀因Tesla超级工厂和2020年代更广泛的德州科技移民而成长为次要中心。

第六节 — 实体AI人才基准

对于实体AI基准系列，人才代表竞争地位的一个独特维度——这个维度比车队规模或每次脱离接管里程数更不显眼，但对长期规模化轨迹同样重要。

基准维度	Waymo地位（估）	Tesla AI地位（估）	新兴机器人阵营（Figure、Pi、1X）（估）
ML研究深度	强——Alphabet资源和研究文化吸引顶尖研究人员	强——数据优势和规模吸引想要生产影响力的ML工程师	成长中——尚未盈利但从顶尖实验室获得高知名度招聘
机器人工程深度	中等——主要以AV为重点；人形机器人能力有限	成长中——Optimus团队快速扩展（估）	核心竞争力——主要重点是具身机器人
安全工程	强——AV公司中最成熟的功能安全态势	成长中——FSD安全审查流程趋于成熟	早期——安全工程在大多数机器人初创公司是新兴功能
人才管道（学术界）	强——在CMU、斯坦福、MIT、伯克利建立了稳固的招聘管道	强——强大品牌吸引顶尖毕业生；马斯克关联推动使命驱动招聘	中等——知名度高但规模较小；竞争同一池
留才	中等——因OpenAI和通用AI实验室而流失（估）	参差——据报流动率高但大量入职量加以补偿（估）	风险——初创不确定性造成留才压力（估）
数据作为人才磁铁	中等——Waymo数据集大但封闭；学术发表管道有限	强——600万以上车辆车队是自我强化的人才磁铁	弱——此阶段真实世界部署数据有限

第七节 — 对实体AI规模化时间线的影响

人才稀缺并非AV和机器人规模化的唯一制约——监管核准、单位经济效益和技术准备程度都很重要——但它是相对于其实际影响而言受到最少系统性关注的制约。一家缩短技术差距但无法招聘和留住维护及扩展技术所需工程师的公司，将看到其优势侵蚀的速度快于资本市场通常预期的。

对实体AI基准的启示是，主要公司的人员成长、顶尖项目的博士招聘率，以及人才流动事件（收购引才、裁员后吸收和离职到初创公司）应作为规模化速度的领先指标追踪——而不是公司健康状况的落后指标。Cruise分散加速了Waymo和Aurora的时间线，不是因为资本或技术，而是因为人才。Apple AV缩减以有经验工程师种下了一代AV初创公司的种子。

理解谁在赢得人才争夺战——以及在哪些特定类别中赢了多少——是对实体AI竞赛现状进行任何严肃分析的必要背景。

备注： 本文中所有薪酬估算、人员规模数字和人才流动评估均为基于截至2026年中期公开可用信息的方向性估算。标有”（估）“的数字不应被视为已确认数据。本文不构成投资建议。