当AI成“烧钱”生意：为何上亿美元薪酬对模型人才并非不理性

当 AI 成“烧钱”生意：为何上亿美元薪酬对模型人才并非不理性

观点     在资本极度密集的 AI 时代，异常优厚的人才薪酬并非“离谱”，而是优化资本效率的理性选择。

要点速览

Meta 对 AI 的资本开支预计达 660–720 亿美元；在此规模下，投入数十亿美元薪酬以保障硬件效率并非不理性。

模型训练是资本密集型业务，薪酬占比反而较小，因此可对少量关键人才支付异常高薪。

AI 生成内容（AIGC）既是对 UGC 平台的威胁也是机会，推动社交平台加码投入。

对关键员工的争夺还可能带来对竞争对手技术的洞见，进一步提高高薪的商业合理性。

类比：Netflix 的内容投入高达 180 亿美元，使其能稳定支付高于市场的薪酬；而劳动密集型企业则必须对薪酬更敏感。

资本与薪酬的权衡：为何“高薪”反而更省钱

Meta 因向 AI 模型构建者提供前所未有的薪酬包登上头条，金额超过    1 亿美元（有时分多年发放）。公司计划今年在资本开支（如数据中心）上花费    660–720 亿美元，其中相当一部分将用于 AI。从纯财务角度看，为确保这些硬件被高效利用，再多花几十亿美元在薪酬上并非不理性。

与典型的软件应用创业公司不同——后者可能将   70–80%的资金花在薪酬上、5–10%用于房租、10–25%用于其他运营费用（云、软件许可证、市场、法务/会计等）——扩展模型时的资本投入极其庞大，   薪酬仅占总体开支的一小部分。这让企业可以向相对少量的员工支付异常优厚报酬：当你在 GPU 硬件上投入数百亿美元，拿出其中的十分之一用于薪酬，反而可能是提升整体回报率的最佳方式。

事实上，即便在 Meta 最近的报价之前，AI 模型训练人员薪酬已非常高，许多人年薪在   500–1000 万美元之间，而 Meta 进一步将这个数字推向了新高。

AIGC 的威胁与机遇：为何社交平台必须“重仓”AI

Meta 业务广泛：Facebook、Instagram、WhatsApp、Oculus 等。但其 Llama/AI 训练相关业务尤为   资本密集。Meta 的许多资产依赖用户生成内容（UGC）来吸引注意力并通过广告变现。若 AI 生成内容（AIGC）能替代 UGC 来吸引用户并售卖广告，   社交媒体版图将被重塑。

因此，Meta（以及 TikTok、YouTube 等平台）高度关注 AIGC，并在 AI 上进行重大投资是合理之举。     此外，招募关键员工不仅是为了其未来产出，也可能获得对竞争对手技术的   洞见；这进一步提升了高薪的商业合理性（前提是不对公司文化造成不良影响）。

一位指挥家的剪影在发光的数据中心前引领演出，观众在剧院中观看。红色幕布为画面构图，象征着 AI 模型的编排与调度。

类比与对照：资本密集型如何塑造薪酬结构与文化

资本密集型企业为员工开出异常优厚薪酬的模式并不新鲜。比如，   Netflix预计今年在内容上的支出高达    180 亿美元。这使向其约14,000名员工支付的薪酬仅占总支出的一小部分，     从而得以常态化地支付高于市场水平的薪资。此类支出也塑造了其独特文化，包括“我们是一支运动队，而不是一个家庭”等元素（这对 Netflix 有效，但并不适合所有组织）。

相对地，像富士康这类劳动密集型制造企业，在全球雇佣超过100 万人，不得不在薪酬上更加   价格敏感。

从“表格优化”到“GPU 倾斜”：十年变迁

早在十年前，当我领导团队扩展 AI 规模时，我就建立过电子表格来建模预算在薪酬与 GPU 之间的分配（使用一个自定义模型来估算   N 名员工与M 张 GPU能产生多少有效产出，从而在预算约束下优化N与M）。自那以后，     扩展 AI 的业务已显著将支出倾斜至 GPU。

结语：为创造“世界级影响”的工作付薪

我为那些获得高额薪酬的人感到高兴。无论个人薪酬如何，我都感谢每一位从事 AI 工作者的贡献。     AI 领域的每个人都应得到体面的薪酬；尽管薪酬差距在扩大，但这反映了一个更广泛的现象：     在当下这个历史节点，从事 AI 的开发者拥有创造巨大影响、开展改变世界工作的机会。

一句话总结：在 AI 成本结构中，关键人才是驱动海量算力产出最大化的“杠杆”，为此支付上亿美元薪酬，更多是资本效率问题，而非奢侈问题。