2026-06-18 👁️ — views

實體AI人才爭奪戰——頂尖工程師的去向與科技領導權預測

2026年頂尖ML研究員與機器人工程師的人才流向，預測2028年的科技領導格局。

實體AI基準系列第27篇——人才作為領先指標

資金追隨人才，科技領導權追隨資金。在自動駕駛車輛、人形機器人與具身基礎模型等實體AI領域，2026年的招聘決策是預測哪些組織將於2028至2029年掌握技術領先地位的直接指標。本文梳理頂尖ML研究員、機器人工程師與自動駕駛系統架構師的集中方向，分析哪些組織正贏得人才戰，並預測未來兩至三年的競爭格局。

人才配置之所以是領先指標，在於實體AI從招聘到產品落地的週期相當漫長。一位感測器融合工程師通常需要六到十八個月才能在新系統上達到完整生產力。一位研究員開發新操控策略，需要硬體存取、資料蒐集與多輪迭代才能看出成果。2026年組建最優秀團隊的組織，正在建立將於2028年實現差異化能力的人才管線——而這些信號現在就已可見，在能力正式推出之前。

第一節——人才集中分布圖

下表彙整主要實體AI組織的估計AI/ML/機器人人數、關鍵人才池、招聘重點與人才來源。所有人數均為2026年中根據LinkedIn公開資料、公司公告、職缺發布及產業報導所得的估計值，各公司均未公開精確的工程人數分類。

解讀說明： Tesla與Waymo在自動駕駛叢集中佔據原始人數的主導地位。Figure、Agility與Boston Dynamics支撐人形機器人叢集。OpenAI Robotics與DeepMind引領基礎模型叢集。這三個叢集有截然不同的人才來源動態、薪酬結構與技術賭注，並正開始競爭同一批核心人才。

第二節——三大人才叢集

實體AI人才市場已結晶為三個截然不同的叢集，各具不同的來源動態與戰略邏輯。

A叢集——應用自動駕駛（Waymo、Tesla、Cruise殘餘、Mobileye）

重點： 今日就必須在商業部署中運作的系統。

核心技能： 感測器融合工程師、安全驗證、軟體可靠性、高清地圖。

人才來源： 傳統汽車自動駕駛部門（福特、通用）、前Uber ATG（2020年關閉後分散的約1,200名工程師）、前Cruise工程師（2023年10月計畫暫停後）。

競標動態： Tesla在2022年裁員後大幅提升薪酬，積極挖角Waymo人才。Waymo以Alphabet級別的福利與工作穩定性作為反制——在自動駕駛業界已見多起高知名度關閉的情況下，這是有意義的訴求。

人才集中的預測： 應用自動駕駛人才正在優化近期商業表現——每次脫離介入里程數、安全指標、車隊可靠性。贏得此叢集的組織將在基礎模型組織追上之前擁有可部署的系統。

B叢集——人形機器人（Figure、1X、Agility、Boston Dynamics、Physical Intelligence）

重點： 全身控制、靈巧操控、現實世界泛化。

核心技能： 運動-操控整合、強化學習、運動規劃、硬體-軟體協同設計。

人才來源： CMU機器人研究所、MIT CSAIL、前Boston Dynamics員工（許多人在現代收購後因公司文化轉變而離開）。

薪資溢價： 人形機器人新創估計以高出市場20–40%的薪資吸引學術界與大型公司的人才。Figure的6.75億美元B輪與1X的OpenAI支持給予這些公司足夠的資本競爭。

人才集中的預測： 人形叢集正在下一個十年的賭注——通用雙足機器人在2030年代初期的倉儲與輕製造環境中具有商業可行性。此處的人才集中是嚴肅資本與工程人才相信該賭注具有可融資性的最強信號。

C叢集——基礎模型機器人（OpenAI Robotics、DeepMind、Tesla Dojo、1X/OpenAI重疊）

重點： 以網路資料與機器人資料訓練的通用策略。

核心技能： 大規模RL、世界模型、模仿學習、視覺-語言-動作（VLA）模型。

人才來源： 正在跨訓練至具身AI的NLP與LLM研究員；直接從博士班招募的頂尖ICLR、NeurIPS與ICRA論文作者。

戰略賭注： 誰能打造機器人的「GPT時刻」——一個能在多元實體環境中運作的單一通用策略——就能贏得贏家通吃的市場。若成功，下游價值巨大；若失敗，投入的資本與人才難以重新部署。

人才集中的預測： OpenAI、DeepMind與Tesla同時追求基礎模型機器人，表明業界相信此方法技術上是可行的。若世界上最具能力的四家AI研究組織中有三家都在朝此目標招聘，2028–2030年出現早期通用機器人策略的時間窗口是合理的。

第三節——Tesla的資料飛輪作為人才磁石

Tesla的招聘訴求在結構上不同於本文所有其他組織。它提供的東西是任何獲資助的新創與任何其他成熟公司都無法匹配的：全球最大的現實機器人資料集。

獨特優勢：

• 超過600萬輛Tesla車輛每日在全球規模生成帶標記的駕駛資料，創造出比任何專用資料蒐集車隊成長更快的訓練語料庫。
• Dojo——Tesla定制AI訓練超級電腦——讓工程師擁有定制晶片架構的實戰經驗。對於職涯發展中的工程師，「我為Dojo設計了訓練基礎設施」是其他雇主無法提供的履歷差異化。
• Optimus是第一款具有可信消費者規模製造路徑的人形機器人。想在真正可能大量出貨（而非研究原型）的人形機器人上工作的工程師，選擇極少。

反向信號：

Tesla AI幾起高知名度的離職——包括前AI總監Andrej Karpathy——引發對管理文化、決策速度與研究自主性的質疑。Tesla AI主要以資料規模和使命競爭；其工作環境聲譽比Waymo、DeepMind或頂尖人形機器人新創更為複雜。對於重視發表論文、學術合作與研究自主性的研究員，Tesla的吸引力相對較弱。

預測： Tesla的資料優勢隨時間複利累積。每年部署更多車輛，就在現實駕駛資料上擴大差距。想在全球最大機器人資料集上訓練的工程師只有一個目的地。Tesla的人才挑戰是留住研究員足夠長的時間以實現多年資料優勢的複利效應——在優勢具體化之前的流失是關鍵風險。

第四節——Waymo的穩定溢價

Waymo在人才市場中佔據結構上獨特的地位：它是唯一能可信地宣稱擁有規模化全商業無人駕駛服務的組織。這個事實顯著改變了其人才面貌。

穩定優勢：

Alphabet支持意味著Waymo可以提供頂尖市場的整體薪酬，而無需面對人形機器人新創所伴隨的生死存亡風險。親眼目睹Cruise、Argo、Aurora消費者轉型以及Uber ATG關閉或重組的工程師，現在將「這家公司三年後還在嗎」視為真實的職涯考量。Waymo對這個問題的回答獨樹一幟。

Waymo也擁有自動駕駛業界最深厚的組織知識。其工程師解決感測器融合、邊緣案例安全與車隊運營問題的時間比任何競爭對手都長。對於資深自動駕駛工程師而言，在積累的領域知識上繼續深耕——而非在新創從頭重建——是有意義的差異化。

穩定代價：

Waymo的決策週期比新創慢。想快速出貨、迭代原型、主導端到端產品決策的工程師，可能會對Waymo較大型組織的運作動態感到挫折。Waymo職位的股權上行空間小於IPO前的Figure或1X。對於優化財務報酬的工程師群體而言，人形機器人新創的風險調整後期望值可能超過Waymo的穩定溢價。

預測： Waymo將繼續吸引曾在一個或多個計畫取消中存活、現在優先考慮組織持久性的資深自動駕駛工程師。它將失去部分風險承受度較高的年輕人才給人形機器人新創。對Waymo的策略而言，這筆交易可能是正確的：它需要生產級可靠性多於前沿研究賭注。

第五節——值得關注的關鍵人才指標

下表將五個可觀察的人才信號映射至其生成的預測以及追蹤方法。這些是在未來十二至二十四個月內一致追蹤後，將預測哪些組織正在建立持久技術優勢的領先指標。

2026年最重要的信號： OpenAI的機器人團隊是否在十二個月內從估計的100–200名研究員成長至500名以上。若OpenAI以投入LLM相同規模的資源承諾具身AI，將重塑整個實體AI叢集的競爭格局——同時從DeepMind、人形機器人新創與學術界吸引人才，可能在DeepMind與Tesla之外，在基礎模型機器人領域創造第三個機構規模玩家。

第六節——關於本系列

本文為實體AI基準系列第27篇。前26篇已涵蓋：進展指數、人形機器人競賽、法規、資本、算力、感測器、單位經濟學、全球競賽、高清地圖、車隊運營、軟體與OTA、保險與責任、消費者需求、合作夥伴關係、競爭護城河、Cybercab對比Model Y、安全資料、Waymo第六代、Optimus製造、三次計分卡快照、2030年熊/基/牛預測、投資者框架綜合、Waymo城市擴張管線（第24篇）、Tesla州監管地圖（第25篇）與自動駕駛天氣及氣候限制（第26篇）。本文引入人才配置作為預測科技領導權的領先指標視角。

核心發現：實體AI人才已結晶為三個叢集——應用自動駕駛、人形機器人與基礎模型機器人——各具截然不同的來源動態與戰略賭注。Tesla以資料飛輪勝出，Waymo以組織深度與穩定性勝出，人形機器人新創以股權上行與使命契合度勝出。基礎模型研究員是關鍵的搖擺人才池：他們在未來十二個月的集中方向，是哪個能力叢集將於2028年實現突破性成果的最高信號預測指標。

來源

• Waymo 職涯與團隊 — Waymo官網 ↗
• Figure AI B輪融資公告 — Figure AI部落格 ↗
• ICRA 2026論文集 — IEEE Robotics ↗
• OpenAI機器人研究團隊 — OpenAI部落格 ↗

標籤