2026-06-18 — views

實體AI人才爭奪戰 — 誰在贏得自動駕駛與機器人工程師的競賽

實體AI競賽本質上是人才競賽。具身AI工程師、AV系統專家與機器人硬體人才極為稀缺，人才短缺是AV規模化部署的隱藏限制因素。

實體AI基準系列第108篇 — 實體AI人才爭奪戰：誰在贏得自動駕駛與機器人工程師的競賽，以及為何人才稀缺是AV規模化部署的隱藏限制因素

實體AI競賽從根本上說是一場人才競賽。訓練用於自動駕駛的端對端神經網路、打造人形機器人、以及在城市規模部署無人駕駛車隊，都需要同樣稀缺的資源：理解具身AI的ML工程師、能夠在模擬與現實世界之間架橋的機器人專家，以及能夠構建可靠安全關鍵軟體的系統工程師。Tesla、Waymo以及少數幾家公司正在競逐一個成長緩慢但資本流入卻快速增加的人才池。

自2022年以來，流入自動駕駛與機器人領域的創投資本大幅加速，但合格工程師的供應管道卻未能同步跟上。一位機器人或具身ML領域的博士需要五至七年才能培養出來；功能安全專業知識需要多年的領域學徒期。資本流速與人才管道速度之間的落差，是制約每家公司規模化進程的隱藏限制因素——無論技術本身變得多麼優秀。

本文梳理了關鍵人才類別、各公司為爭取人才所支付的薪酬基準、重塑生態系的人才流動模式，以及對Waymo、Tesla與新興機器人陣營的戰略影響。

第一節 — 關鍵人才類別

在實體AI脈絡下，並非所有工程師人才都同樣珍貴。以下幾個類別代表真正的供給稀缺——需求大幅超過供給，且缺口對部署速度造成可量測的制約。

人才類別	稀缺原因	競逐的主要雇主
ML/AI研究工程師（具身AI）	為實體系統訓練端對端神經網路需要少見的ML深度與實體系統理解力組合；在這個交叉點受訓的博士相當稀少	Tesla AI、Waymo Research、Google DeepMind、Boston Dynamics（現代）、Figure AI、Physical Intelligence (Pi)、1X Technologies
機器人工程師（硬體與軟體）	人形與移動機器人開發需要機械工程加控制加感測器整合加軟體——這種組合很少見於同一個人身上	Tesla Optimus團隊、Boston Dynamics、Figure AI、Agility Robotics、Apptronik、1X
自動駕駛系統工程師	安全關鍵軟體加感測器融合加即時系統加AV專用ML；15年以上的AV開發培育出一個規模不大但經驗豐富的人才池	Waymo、Tesla FSD、Aurora、Mobileye、Zoox（Amazon）、Motional
模擬工程師	為大規模訓練與測試構建物理精確模擬；遊戲引擎專業知識與AV領域知識的稀有交集	所有主要AV公司；NVIDIA Omniverse團隊
安全工程師（功能安全、ISO 26262）	汽車功能安全專業知識加AI系統驗證；兩個領域都受訓的工程師極少	Waymo、Tesla、建立AV項目的汽車OEM
資料標注與ML Ops大規模應用	為訓練構建PB級資料管道；不像上述類別那麼稀缺但在運營上至關重要	Tesla（內部）、Waymo（內部）、Scale AI（外部廠商）

最受限制的類別是第一個：兼具神經網路訓練研究層次理解力和實體系統直接經驗的ML工程師。一位能夠訓練大型視覺語言動作模型，同時還能排查機器人在不熟悉環境中無法拾取新奇物體原因的研究人員，是在兩個困難學科的交叉點上運作。Physical Intelligence（Pi）等公司已明確圍繞這種組合組織招聘，直接與Google DeepMind和OpenAI競逐同一批研究人員。

第二節 — 薪酬基準（估算）

吸引頂尖實體AI人才所需的薪酬自2023年以來大幅上升，原因是來自大型AI實驗室的競爭——這些機構提供研究聲望和高薪，但不需要應對實體系統工作的硬體複雜性。

職位	公司	估算總薪酬（估）	備註
資深ML工程師（AV/機器人）	Tesla AI	$400K–600K/年總薪酬（估）	底薪+RSU+獎金；Tesla RSU隨股價表現大幅增值
資深ML工程師（AV）	Waymo	$400K–700K/年總薪酬（估）	Alphabet支持；RSU架構比上市前公司更保守
首席工程師（AV系統）	Waymo	$600K–900K/年總薪酬（估）	資深技術人員層級
ML研究科學家	Google DeepMind	$500K–800K/年總薪酬（估）	Alphabet為研究聲望付費；機器人團隊與AV雇主競爭
機器人工程師	Figure AI	$300K–500K/年總薪酬（估）+ 股權	若公司成功股權價值可觀；Figure估值較高（估）
機器人工程師	Physical Intelligence (Pi)	$300K–600K/年總薪酬（估）+ 股權	Pi尚未營收但知名度高；Google和Amazon為投資方（估）
備注	—	所有數字均為來自公開職缺、LinkedIn薪資資料和行業報告的估算	範圍較大，反映職級與地點的差異；非公司確認數字

薪酬資料揭示了一種結構性張力。資金充裕的大型新創公司——Figure、Pi、1X——必須提供可觀股權加上具競爭力的現金，才能與Alphabet支持的Waymo和Tesla的RSU計劃競爭。新創股權主張的吸引力完全取決於公司最終是否成功；在Figure和Waymo之間權衡的工程師實際上是在對兩種截然不同的風險回報概況下注。

第三節 — 人才流動：誰在失去工程師，誰在獲得

在任何人才市場中，最具啟示性的信號不是薪酬水準，而是流動方向——工程師往哪個方向移動，是什麼在驅動他們。實體AI人才生態系在過去三年中經歷了幾個重大流動事件。

流動	方向	備注
Google/Waymo 至 Tesla	歷史上顯著的流動	Tesla的使命和馬斯克因素在2015至2020年間吸引了許多Google和Waymo工程師；Andrej Karpathy（Waymo研究員→Tesla AI總監→OpenAI）是最具代表性的例子
Cruise 至 Waymo/Tesla/Aurora	停業後的分散	Cruise於2023年底因事故暫停無人駕駛運營；估計逾千名工程師進入市場；許多人落腳Waymo、Aurora、Tesla及新創公司（估）
Apple AV（Titan計畫）至其他公司	縮減後的分散	Apple據報於2024年初大幅縮減或停止其AV計畫；工程師分散至Tesla、Waymo和其他AV公司（估）
學術界至產業	加速中	頂尖機器人與ML博士項目（CMU、史丹佛、MIT、柏克萊、苏黎世聯邦理工）向產業輸送人才；頂尖畢業生在AV和機器人公司的就業率接近100%（估）
中國AV公司至美國	受簽證和出口管制限制	百度、Pony.ai、文遠知行工程師在美國就業面臨簽證限制；部分人透過加拿大或歐盟轉道（估）
Tesla 至新創公司	持續進行	前Tesla工程師已創立多家AV和機器人新創公司；Tesla校友網絡是重要的新創公司孵化器

2023年底的Cruise分散是AV歷史上單次最大的人才供給事件。約千名擁有直接且近期無人駕駛運營經驗的工程師同時進入市場。Waymo、Aurora和規模較小的公司吸收了大量這批人才——以正常招聘需要數年才能實現的速度加速了各自的計劃。這一時機恰逢AV和機器人領域投資增加，因此需求足以吸收幾乎所有可用供給。

第四節 — Waymo vs. Tesla 人才模型

Waymo和Tesla代表實體AI人才策略譜系的兩端。理解各公司如何吸引和留住工程師，揭示了各自的競爭優勢和限制。

維度	Waymo	Tesla
研究文化	學術與研究導向；對基礎AV研究的深度投入；發表論文並參與研究會議（估）	產品優先；學術發表較少；從研究到生產的快速迭代文化
薪酬結構	Alphabet RSU加薪資；更傳統的大科技公司薪酬	Tesla RSU波動較大但上行空間高；馬斯克直接匯報文化創造高強度環境
地點	山景城（總部）；奧斯汀（成長中）；舊金山運營	帕羅奧圖和奧斯汀總部；佛利蒙工廠；德州超級工廠；柏林
招聘規模	精選式——Waymo擴充人數的速度不及車隊成長速度（估）	大批量——Tesla AI團隊已成長至數千人（估）
核心優勢	Alphabet資源加研究聲望加研究人員的清晰職涯路徑	使命緊迫性加股權上行空間加直接接觸全球最大生產AV資料集
留才挑戰	與AI實驗室（OpenAI、DeepMind）為同一批人才付出研究溢價而競爭	高壓文化；工程師流動率據報高於業界常規（估）

這個比較中最重要的維度是核心優勢部分的最後一行：Tesla的車隊。擁有超過600萬輛啟用FSD的車輛在路上行駛（估），Tesla產生的資料優勢在近期內無人能及。對於在乎大規模訓練的ML工程師來說，有機會使用全球最大的真實自動駕駛資料集本身就是強大的動機。這種資料優勢具有自我強化的特性：更好的模型吸引更好的工程師，後者又構建更好的模型。

第五節 — 人才作為實體AI規模化速度的限制因素

資本充足。技術在進步。監管環境在演進。然而部署速度仍慢於投資步伐。人才稀缺是這一差距中被低估的解釋之一。

制約因素	對規模化的影響	正在追求的緩解方案
ML工程師短缺	限制模型迭代速度；每季實驗更少意味著改進曲線更慢	ML Ops管道自動化；合成資料生成以減少人工標注需求
機器人硬體工程師	人形機器人開發（Optimus、Figure）受制於真正稀缺的機電整合專業知識	收購引才；大學合作；內部機器人培訓計劃（估）
安全工程師短缺	功能安全驗證是監管核准的最長瓶頸；更多安全工程師意味著更快的認證	形式化方法和自動測試工具以減少人工審查負擔（估）
地理集中	舊金山灣區集中了估計60至70%的美國AV和機器人人才；生活成本限制了許多候選人的競爭薪酬招聘（估）	奧斯汀、匹茲堡（緊鄰CMU）和底特律（汽車人才基地）作為次要中心
通用AI的競爭	OpenAI、Anthropic、Google Gemini團隊支付的研究溢價直接與AV和機器人研究職位競爭	實體AI使命差異化；機器人被定位為具有切實現實世界影響的「更難」問題
Waymo人才上限	Waymo招聘速度不能超過Alphabet整體人員控制所允許的速度；組織帶寬限制逐城市擴展的速度（估）	第6代Waymo One架構據報更簡單，降低了每個城市的人員配置要求（估）
Tesla人才優勢	600萬以上啟用FSD的車輛產生全球最大的自動駕駛資料集；工程師希望使用最多的資料	自我強化的反饋循環：最佳資料吸引最佳工程師，後者構建更好的模型

地理集中問題具有結構性，難以快速解決。灣區的人才集中反映了數十年積累的機構知識——史丹佛、柏克萊、NVIDIA、Google，以及在那裡運營的幾代AV公司。匹茲堡以卡內基梅隆大學機器人研究所和在那裡運營的AV項目（Uber AV、Aurora、Argo AI）為錨，是第二大中心最有力的主張。奧斯汀因Tesla超級工廠和2020年代更廣泛的德州科技移民而成長為次要中心。

第六節 — 實體AI人才基準

對於實體AI基準系列，人才代表競爭地位的一個獨特維度——這個維度比車隊規模或每次脫離接管里程數更不顯眼，但對長期規模化軌跡同樣重要。

基準維度	Waymo地位（估）	Tesla AI地位（估）	新興機器人陣營（Figure、Pi、1X）（估）
ML研究深度	強——Alphabet資源和研究文化吸引頂尖研究人員	強——資料優勢和規模吸引想要生產影響力的ML工程師	成長中——尚未盈利但從頂尖實驗室獲得高知名度招聘
機器人工程深度	中等——主要以AV為重點；人形機器人能力有限	成長中——Optimus團隊快速擴展（估）	核心競爭力——主要重點是具身機器人
安全工程	強——AV公司中最成熟的功能安全態勢	成長中——FSD安全審查流程趨於成熟	早期——安全工程在大多數機器人新創公司是新興功能
人才管道（學術界）	強——在CMU、史丹佛、MIT、柏克萊建立了穩固的招聘管道	強——強大品牌吸引頂尖畢業生；馬斯克關聯推動使命驅動招聘	中等——知名度高但規模較小；競爭同一池
留才	中等——因OpenAI和通用AI實驗室而流失（估）	參差——據報流動率高但大量入職量加以補償（估）	風險——新創不確定性造成留才壓力（估）
資料作為人才磁鐵	中等——Waymo資料集大但封閉；學術發表管道有限	強——600萬以上車輛車隊是自我強化的人才磁鐵	弱——此階段真實世界部署資料有限

第七節 — 對實體AI規模化時間線的影響

人才稀缺並非AV和機器人規模化的唯一制約——監管核准、單位經濟效益和技術準備程度都很重要——但它是相對於其實際影響而言受到最少系統性關注的制約。一家縮短技術差距但無法招聘和留住維護及擴展技術所需工程師的公司，將看到其優勢侵蝕的速度快於資本市場通常預期的。

對實體AI基準的啟示是，主要公司的人員成長、頂尖項目的博士招聘率，以及人才流動事件（收購引才、裁員後吸收和離職到新創公司）應作為規模化速度的領先指標追蹤——而不是公司健康狀況的落後指標。Cruise分散加速了Waymo和Aurora的時間線，不是因為資本或技術，而是因為人才。Apple AV縮減以有經驗工程師種下了一代AV新創公司的種子。

理解誰在贏得人才爭奪戰——以及在哪些特定類別中贏了多少——是對實體AI競賽現狀進行任何嚴肅分析的必要背景。

備注： 本文中所有薪酬估算、人員規模數字和人才流動評估均為基於截至2026年中期公開可用資訊的方向性估算。標有「（估）」的數字不應被視為已確認資料。本文不構成投資建議。