崗位暴漲15倍！月薪6.2萬只是入場券！行業“搶人戰”打響！

在中國，年收入過億的人是極少數。

福布斯中國名人榜最鼎盛的2017年，全年收入過億的明星不過十幾位。藥明康德董事長李革是2024年A股年薪最高的上市公司董事長，也不過4180萬。

現在，一個新群體闖入這個收入層級：具身智能研究員。

抖音前段時間很火的一個問題，機器人馬拉松和運動會上，那些坐在高爾夫球車上，或者跟跑在機器人身后的年輕工程師，到底拿多少薪資？

脈脈發布的2026春招數據給出了一個令整個行業側目的數字：2026年1月至4月，具身智能相關崗位招聘量較去年同期增長15倍，崗位平均月薪從5.9萬元升至6.2萬元。獵聘大數據研究院的報告則顯示，近一年人形機器人領域新發職位同比增長高達215.80%，平均年薪達40.61萬元。

這一令人羨慕的數字背后，恰恰意味著一場圍繞全面人才掠奪正式開始。

01.

薪酬金字塔：千萬年薪買什么？

具身智能的薪酬結構，呈現典型的“金字塔”形態。

根據脈脈2026年春招報告，AI科學家/負責人以平均月薪13.28萬元斷層領先，是新經濟行業中唯一月薪突破10萬元的崗位類別，算法研究員、AI infra、架構師、大模型算法、AIGC算法工程師緊隨其后。

而聚焦到具身智能細分賽道，這一薪酬曲線更加陡峭。例如獵聘網上某獵頭公司掛出的崗位，具身智能首席科學家，月薪10萬至20萬元，16薪。按上限計算，年薪逼近320萬元。

更夸張的是優必選，其近期發布的招聘顯示，具身智能科學家崗位月薪開到了45萬至50萬元，折合年薪540萬至600萬元。崗位職責清晰，就是定義公司在人形智能與具身智能領域的長期技術戰略，指導機器人基礎模型和大規模學習系統的架構設計。這意味著該崗位不是在招一個工程師，而是在招一個技術路線的制定者。

這類招聘也驗證了行業內部流傳的一種說法：頂尖崗位“千萬起，上不封頂”。

數字層面，一切都在高速旋轉。然而，另一組判斷卻在同期流傳于業內。例如脈脈創始人林凡直言，具身智能在技術成熟度上還沒到ChatGPT 3.5階段，甚至可能還在GPT-2階段。這是整個賽道最詭異的內在張力：一個技術上尚處于前ChatGPT時代的產業，正在以后ChatGPT時代的薪資體系和招聘烈度搶奪人才。

02.

誰在付錢，買的是什么？

具身智能人才爭奪白熱化的原因，本質上是不同技術線的公司在同一片人才池里搶人。

一類是大模型公司。這類公司開得起高薪，也愿意開高薪。這類公司的薪資溢價機制極為清晰，因為它們的商業模式建立在算力堆砌之上，訓練一次的成本可以高達數千萬甚至上億美元。一位頂級研究員如果能在算法層面節省5%到10%的算力開銷，在動輒百億美元算力投入的背景下，這項貢獻對應的商業價值可能高達數十億美元。公司為其支付數百萬年薪，是完全理性的商業決策。這是成熟賽道的薪資定價邏輯，投入產出可測量。

另一類是具身智能創業公司。它們面臨的是完全不同的成本結構，數據采集、硬件迭代、場景驗證，每一項都需要燒錢，但每一塊錢的邊際回報遠不如大模型公司那樣清晰。清華大學助理教授、破殼機器人創始人許華哲近期就坦言，具身智能公司很難像大模型公司那樣開出極高薪酬。

這就形成了一個結構性矛盾：具身智能需要的人才，恰恰也是大模型公司、AI巨頭爭搶的對象。DeepMind、OpenAI、Meta不僅在大模型上招人，也在機器人、具身智能方向大規模布局。一個做VLA（視覺語言動作）模型的研究員，可能在多家公司之間收到offer，而具身智能創業公司在薪酬談判中往往處于劣勢。

那具身智能公司靠什么搶人？因為產業尚處早期，規模收益還未顯現，具身智能公司若要留住人，只能被迫跟進，支付與其當前商業化進展不完全匹配的薪資。這是防御性招聘，而非進攻性投資。這也使得當下具身智能的邏輯依然更接近風險溢價。

這種高薪酬不代表產業成熟，恰恰相反，它暴露了產業的高度不成熟。真正成熟的產業，人才供給是結構化的、可預期的。而具身智能當前的狀態是：大量資本涌入，商業化場景開始冒頭，但能夠打通“感知-決策-執行”全鏈路的人才，全國范圍內可能不超過三位數。企業不是在為“勞動力”付費，而是在為“稀缺性”定價。

但另外一種人才流動趨勢也并非只有薪資的邏輯。具身智能面臨的技術挑戰，數據匱乏、泛化能力弱、物理交互不可控，這恰好是一批頂尖研究者眼中“值得做一輩子”的問題。他們選擇加入創業公司，不是因為薪酬更高，而是因為大模型、自動駕駛等領域公司的問題已經被定義得過于清晰，而具身智能的問題還足夠混沌、足夠開放，尤其在產業早期階段，長期占坑的意義大于短期的薪資需求，這些人才也更愿意為夢想買單。

這種中層技術崗位的薪資結構雖然也在逐年上升，但相對合理化。算法研究員年薪30萬至70萬是主流，多模態算法工程師年薪區間在60萬至150萬，這一薪資水平對于大量有自動駕駛、工業機器人或傳統AI經驗的中高級工程師而言，依然有著強烈的跨賽道吸引力。

這也使得具身智能近年來，持續有汽車領域的人才切換到具身智能。29歲的葉凱就是一個典型案例，碩士攻讀計算機，畢業后從事自動駕駛，此后轉入具身智能賽道，自動駕駛積累的環境感知與控制算法經驗與新賽道高度互通，上手迅速。這種跨領域知識遷移的可行性，以及早期的賽道可能性、趨于統一的薪資結構，正是當前人才流動的核心驅動力。

03.

三大缺口下的教育端加速

具體來看，當前具身智能賽道核心緊缺的人才分為三類，每一類的緊缺邏輯各不相同。

第一類：算法技術人才。這是第一大缺口，也是最難補的缺口。VLA視覺語言模型、世界模型、強化學習、機器人運動控制等方向，是具身智能實現感知、決策與自主行動的核心支撐。問題是，同時懂大模型推理和機器人控制的人，少之又少。大部分算法工程師要么偏“軟”，例如只是擅長Transformer、擴散模型，但對動力學、控制理論陌生；要么偏“硬”，這些人懂PID控制、MPC，但沒訓練過大模型。而具身智能恰恰要求兩者打通。

第二類：硬件與系統工程人才。機器人關節研發、整機結構設計、電控開發、軟硬件調試、系統集成，這些崗位看起來像是傳統機器人行業的事，但在具身智能時代，它們的復雜度被放大了。因為具身智能的“大腦”在快速迭代，每一版新模型都可能對硬件提出新要求：扭矩、響應速度、散熱、功耗……硬件團隊必須在模型尚未確定的情況下做設計，這對系統工程能力提出了極高要求。

第三類：產品與商業化落地人才。這個缺口最容易被忽視，但恰恰可能是決定誰能跑出來的關鍵。當前具身智能的應用場景正在集中爆發，但每個場景的需求都高度定制。解決方案工程師、售前工程師、產教運營經理——這些崗位的職責是對接終端客戶，理解真實需求，然后把技術能力翻譯成可交付的產品。具備實際項目落地案例經驗的人，其實也正在成為企業爭搶的對象。

三類人才背后，是一個更深層的產業現實，那就是具身智能本質上還沒有形成標準化的崗位定義和人才培養體系。一個崗位叫“具身智能算法工程師”，在A公司可能80%的時間在寫Python訓練模型，在B公司可能60%的時間在調PID參數。這種崗位定義的分裂，本身就是一個產業早期階段的典型特征。

目前，機器人大講堂還注意到，產業倒逼教育轉型的跡象已經出現。2026年，教育部正式批準9所高校開設“具身智能”本科專業，包括上海交大、浙大、北航、北郵、北理工、西安交大、哈工大、南航、東北大學。首批招生規模有限，北郵30人、北航30人、上交30人、浙大30人、西安交大30人，北理工120人算是多的，東北大學60人。

這意味著什么？即使這批學生四年后全部進入產業，也不過三百多人。而同期行業的人才需求是多少？沒有精確數字，但一個參考是：優必選一家公司，過去一年發布的具身智能相關崗位就超過50個，且大多要求3年以上經驗。三百個應屆生，連頭部幾家公司都填不滿。

這是典型的產業跑在教育前面。不是教育不努力，而是當下技術迭代速度已經超出了高校四年制培養周期的設計極限。2022年大模型爆發時，高校里幾乎沒有對應的課程體系；2026年具身智能爆發，高校總算跟進了，但培養方案尚未經歷一輪完整的教學反饋閉環，課程內容與實際需求的差距仍然很大。而且屆時產業是否已經歷過一輪洗牌、技術路線是否發生重大轉變，都是未知數。

更現實的路徑，是前述的跨領域知識遷移。自動駕駛、工業機器人、傳統機器視覺背景的工程師，正以最短路徑切入具身智能的各個技術層，成為當下供給側最重要的人才水源。

04.

人才戰的真正贏家

這場人才爭奪戰，正在重塑整個產業的權力結構，并影響地區的產業布局。

傳統視角下，人才是成本中心，也導致部分公司更愿意采取第三方合同減免糾紛。但在具身智能賽道，頂尖人才正在變成戰略資產。一個首席科學家的技術路線選擇，可能決定公司未來三年的研發方向；一個核心算法工程師的加入，可能將一個項目的進度縮短半年。這不是夸張，因為在數據匱乏、技術路線尚未收斂的階段，人的判斷力、經驗與直覺，遠比算力或資金更稀缺。

與此同時，人才流動的方向也在暴露產業格局的變化。過去，頂尖AI人才的首選是大廠AI Lab或大模型創業公司。現在，一部分人開始愿意向具身智能方向遷移。葉凱的案例很典型，計算機碩士畢業，做過自動駕駛，然后轉向人形機器人算法崗。他的判斷是：具身智能問題還沒有標準答案，這意味著更大的發揮空間。

這是一種信號，因為當一批聰明人開始從“已經被解決的問題”流向“還沒有答案的問題”，產業的轉折點就不遠了。有咨詢機構預測，到2030年，具身智能產業市場規模將達4000億元，2035年突破萬億。

這種產業的轉向，其實也帶來了更多新職業，央視財經數據就顯示，預計具身智能產業將帶動就業崗位超100萬個。這是足夠宏大的敘事。例如數據采集已經成為多地布局的重心，相對應的數據采集師正在成為一個熱門職業。央視財經報道中提到，一個數據采集師每天要重復泡燕麥粥的動作300次，最終采集1000條以上有效數據才算完成一項“教學”任務。這種人力密集型的生產方式，效率低下，成本高昂，但現階段別無選擇。

數據瓶頸直接影響了人才結構。懂數據采集、清洗、標注、仿真增強的人才，正在變得和算法工程師一樣稀缺。而能夠采集數據的地區，設計高效數據采集方案的人，更是鳳毛麟角。

05.

泡沫與價值的邊界

任何快速升溫的賽道，都繞不開“泡沫”這個判斷。具身智能也不例外。

一個相對理性的判斷是，必須區分“敘事泡沫”和“能力泡沫”。敘事泡沫指的是市場對某項技術的期待遠超其實際能力，這在科技行業太常見了；能力泡沫則是技術本身在快速進步，但商業化的節奏跟不上。具身智能當前更接近后者，因為其技術確實在突破，但從實驗室到真實場景的轉化，需要解決可靠性、成本、安全性等一系列工程問題，這不是一兩年能完成的簡單命題。例如馬拉松比賽中的機器人摔倒了可以扶起來，工廠里的機器人摔一次，可能就是幾萬塊的損失。這就是演示能力與商業能力之間的距離。

但話說回來，無論是新能源汽車還是手機等所有改變世界的技術，都經歷過“能力不足但資本涌入”的階段。關鍵在于，資本涌入是為了加速能力建設，還是為了收割短期敘事紅利。從當前的人才流向、企業投入、高校響應來看，具身智能更接近前者。大量資金依然是正在被用來解決真實的技術問題，例如數據采集、模型泛化、硬件迭代，而不是單純的營銷。

這也使得展望未來三年，具身智能的人才市場有幾個可以預期到的判斷。

第一，薪酬分化會加劇。頂尖的VLA算法專家、具備全棧能力的系統架構師、有量產經驗的硬件負責人，薪酬將繼續上行，年包突破500萬甚至千萬的案例會越來越多。而中低端崗位，例如單一技能的數據標注員、基礎調試工程師，薪酬增速會放緩，甚至可能被自動化工具替代。

第二，復合背景人才的溢價會持續擴大。單一懂算法或單一懂硬件的人，供需正在快速平衡；而同時懂大模型推理和實時控制的交叉型人才，供給幾乎為零。這種結構性稀缺不會在三五年內解決，因為復合能力的培養需要時間，無法速成。

第三，人才會向頭部集中。具身智能是典型的高投入、長周期賽道，小公司很難負擔頂尖人才的薪酬和硬件成本。未來兩三年，人才會加速向拿到大額融資的頭部創業公司、以及科技巨頭的新業務部門集中。中等規模、融資能力一般的公司，將面臨人才流失的壓力。

第四，教育端會加速追趕，但短期內杯水車薪。9所高校的具身智能本科專業只是第一步，碩士、博士項目的擴容已經在路上。但一個殘酷的事實是：高校培養的人才有價值，但需要時間。未來三年內，產業的核心人才供給仍將依賴“轉行”，自動駕駛、工業機器人、計算機視覺、控制理論等領域的工程師，向具身智能遷移。

06.

具身智能的人才戰，本質上是產業擴張的縮影。大模型初步解決了機器人“理解”的問題，但“執行”的最后一公里，需要的是完全不同的能力組合，既有對物理定律的敬畏，也要有對硬件限制的體感、對實時性的苛求。

這不是一個短期靠開高薪就能贏的賽道。真正稀缺的，是那些既能坐在電腦前推導公式，又能蹲在實驗室里調試電機的人；是那些既看得懂論文，也聽得懂產線工人反饋的人；是那些既相信AGI的長期愿景，又能忍受當前階段各種“愚蠢”問題的人。

他們才是這場掠奪戰真正的戰利品。而他們的人數，如今遠遠不夠。