岗位暴涨15倍！月薪6.2万只是入场券！行业“抢人战”打响！|工程师|月薪|薪资

在中国，年收入过亿的人是极少数。

福布斯中国名人榜最鼎盛的2017年，全年收入过亿的明星不过十几位。药明康德董事长李革是2024年A股年薪最高的上市公司董事长，也不过4180万。

现在，一个新群体闯入这个收入层级：具身智能研究员。

抖音前段时间很火的一个问题，机器人马拉松和运动会上，那些坐在高尔夫球车上，或者跟跑在机器人身后的年轻工程师，到底拿多少薪资？

脉脉发布的2026春招数据给出了一个令整个行业侧目的数字：2026年1月至4月，具身智能相关岗位招聘量较去年同期增长15倍，岗位平均月薪从5.9万元升至6.2万元。猎聘大数据研究院的报告则显示，近一年人形机器人领域新发职位同比增长高达215.80%，平均年薪达40.61万元。

这一令人羡慕的数字背后，恰恰意味着一场围绕全面人才掠夺正式开始。

01.

薪酬金字塔：千万年薪买什么？

具身智能的薪酬结构，呈现典型的“金字塔”形态。

根据脉脉2026年春招报告，AI科学家/负责人以平均月薪13.28万元断层领先，是新经济行业中唯一月薪突破10万元的岗位类别，算法研究员、AI infra、架构师、大模型算法、AIGC算法工程师紧随其后。

而聚焦到具身智能细分赛道，这一薪酬曲线更加陡峭。例如猎聘网上某猎头公司挂出的岗位，具身智能首席科学家，月薪10万至20万元，16薪。按上限计算，年薪逼近320万元。

更夸张的是优必选，其近期发布的招聘显示，具身智能科学家岗位月薪开到了45万至50万元，折合年薪540万至600万元。岗位职责清晰，就是定义公司在人形智能与具身智能领域的长期技术战略，指导机器人基础模型和大规模学习系统的架构设计。这意味着该岗位不是在招一个工程师，而是在招一个技术路线的制定者。

这类招聘也验证了行业内部流传的一种说法：顶尖岗位“千万起，上不封顶”。

数字层面，一切都在高速旋转。然而，另一组判断却在同期流传于业内。例如脉脉创始人林凡直言，具身智能在技术成熟度上还没到ChatGPT 3.5阶段，甚至可能还在GPT-2阶段。这是整个赛道最诡异的内在张力：一个技术上尚处于前ChatGPT时代的产业，正在以后ChatGPT时代的薪资体系和招聘烈度抢夺人才。

02.

谁在付钱，买的是什么？

具身智能人才争夺白热化的原因，本质上是不同技术线的公司在同一片人才池里抢人。

一类是大模型公司。这类公司开得起高薪，也愿意开高薪。这类公司的薪资溢价机制极为清晰，因为它们的商业模式建立在算力堆砌之上，训练一次的成本可以高达数千万甚至上亿美元。一位顶级研究员如果能在算法层面节省5%到10%的算力开销，在动辄百亿美元算力投入的背景下，这项贡献对应的商业价值可能高达数十亿美元。公司为其支付数百万年薪，是完全理性的商业决策。这是成熟赛道的薪资定价逻辑，投入产出可测量。

另一类是具身智能创业公司。它们面临的是完全不同的成本结构，数据采集、硬件迭代、场景验证，每一项都需要烧钱，但每一块钱的边际回报远不如大模型公司那样清晰。清华大学助理教授、破壳机器人创始人许华哲近期就坦言，具身智能公司很难像大模型公司那样开出极高薪酬。

这就形成了一个结构性矛盾：具身智能需要的人才，恰恰也是大模型公司、AI巨头争抢的对象。DeepMind、OpenAI、Meta不仅在大模型上招人，也在机器人、具身智能方向大规模布局。一个做VLA（视觉语言动作）模型的研究员，可能在多家公司之间收到offer，而具身智能创业公司在薪酬谈判中往往处于劣势。

那具身智能公司靠什么抢人？因为产业尚处早期，规模收益还未显现，具身智能公司若要留住人，只能被迫跟进，支付与其当前商业化进展不完全匹配的薪资。这是防御性招聘，而非进攻性投资。这也使得当下具身智能的逻辑依然更接近风险溢价。

这种高薪酬不代表产业成熟，恰恰相反，它暴露了产业的高度不成熟。真正成熟的产业，人才供给是结构化的、可预期的。而具身智能当前的状态是：大量资本涌入，商业化场景开始冒头，但能够打通“感知-决策-执行”全链路的人才，全国范围内可能不超过三位数。企业不是在为“劳动力”付费，而是在为“稀缺性”定价。

但另外一种人才流动趋势也并非只有薪资的逻辑。具身智能面临的技术挑战，数据匮乏、泛化能力弱、物理交互不可控，这恰好是一批顶尖研究者眼中“值得做一辈子”的问题。他们选择加入创业公司，不是因为薪酬更高，而是因为大模型、自动驾驶等领域公司的问题已经被定义得过于清晰，而具身智能的问题还足够混沌、足够开放，尤其在产业早期阶段，长期占坑的意义大于短期的薪资需求，这些人才也更愿意为梦想买单。

这种中层技术岗位的薪资结构虽然也在逐年上升，但相对合理化。算法研究员年薪30万至70万是主流，多模态算法工程师年薪区间在60万至150万，这一薪资水平对于大量有自动驾驶、工业机器人或传统AI经验的中高级工程师而言，依然有着强烈的跨赛道吸引力。

这也使得具身智能近年来，持续有汽车领域的人才切换到具身智能。29岁的叶凯就是一个典型案例，硕士攻读计算机，毕业后从事自动驾驶，此后转入具身智能赛道，自动驾驶积累的环境感知与控制算法经验与新赛道高度互通，上手迅速。这种跨领域知识迁移的可行性，以及早期的赛道可能性、趋于统一的薪资结构，正是当前人才流动的核心驱动力。

03.

三大缺口下的教育端加速

具体来看，当前具身智能赛道核心紧缺的人才分为三类，每一类的紧缺逻辑各不相同。

第一类：算法技术人才。这是第一大缺口，也是最难补的缺口。VLA视觉语言模型、世界模型、强化学习、机器人运动控制等方向，是具身智能实现感知、决策与自主行动的核心支撑。问题是，同时懂大模型推理和机器人控制的人，少之又少。大部分算法工程师要么偏“软”，例如只是擅长Transformer、扩散模型，但对动力学、控制理论陌生；要么偏“硬”，这些人懂PID控制、MPC，但没训练过大模型。而具身智能恰恰要求两者打通。

第二类：硬件与系统工程人才。机器人关节研发、整机结构设计、电控开发、软硬件调试、系统集成，这些岗位看起来像是传统机器人行业的事，但在具身智能时代，它们的复杂度被放大了。因为具身智能的“大脑”在快速迭代，每一版新模型都可能对硬件提出新要求：扭矩、响应速度、散热、功耗……硬件团队必须在模型尚未确定的情况下做设计，这对系统工程能力提出了极高要求。

第三类：产品与商业化落地人才。这个缺口最容易被忽视，但恰恰可能是决定谁能跑出来的关键。当前具身智能的应用场景正在集中爆发，但每个场景的需求都高度定制。解决方案工程师、售前工程师、产教运营经理——这些岗位的职责是对接终端客户，理解真实需求，然后把技术能力翻译成可交付的产品。具备实际项目落地案例经验的人，其实也正在成为企业争抢的对象。

三类人才背后，是一个更深层的产业现实，那就是具身智能本质上还没有形成标准化的岗位定义和人才培养体系。一个岗位叫“具身智能算法工程师”，在A公司可能80%的时间在写Python训练模型，在B公司可能60%的时间在调PID参数。这种岗位定义的分裂，本身就是一个产业早期阶段的典型特征。

目前，机器人大讲堂还注意到，产业倒逼教育转型的迹象已经出现。2026年，教育部正式批准9所高校开设“具身智能”本科专业，包括上海交大、浙大、北航、北邮、北理工、西安交大、哈工大、南航、东北大学。首批招生规模有限，北邮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，东北大学60人。

这意味着什么？即使这批学生四年后全部进入产业，也不过三百多人。而同期行业的人才需求是多少？没有精确数字，但一个参考是：优必选一家公司，过去一年发布的具身智能相关岗位就超过50个，且大多要求3年以上经验。三百个应届生，连头部几家公司都填不满。

这是典型的产业跑在教育前面。不是教育不努力，而是当下技术迭代速度已经超出了高校四年制培养周期的设计极限。2022年大模型爆发时，高校里几乎没有对应的课程体系；2026年具身智能爆发，高校总算跟进了，但培养方案尚未经历一轮完整的教学反馈闭环，课程内容与实际需求的差距仍然很大。而且届时产业是否已经历过一轮洗牌、技术路线是否发生重大转变，都是未知数。

更现实的路径，是前述的跨领域知识迁移。自动驾驶、工业机器人、传统机器视觉背景的工程师，正以最短路径切入具身智能的各个技术层，成为当下供给侧最重要的人才水源。

04.

人才战的真正赢家

这场人才争夺战，正在重塑整个产业的权力结构，并影响地区的产业布局。

传统视角下，人才是成本中心，也导致部分公司更愿意采取第三方合同减免纠纷。但在具身智能赛道，顶尖人才正在变成战略资产。一个首席科学家的技术路线选择，可能决定公司未来三年的研发方向；一个核心算法工程师的加入，可能将一个项目的进度缩短半年。这不是夸张，因为在数据匮乏、技术路线尚未收敛的阶段，人的判断力、经验与直觉，远比算力或资金更稀缺。

与此同时，人才流动的方向也在暴露产业格局的变化。过去，顶尖AI人才的首选是大厂AI Lab或大模型创业公司。现在，一部分人开始愿意向具身智能方向迁移。叶凯的案例很典型，计算机硕士毕业，做过自动驾驶，然后转向人形机器人算法岗。他的判断是：具身智能问题还没有标准答案，这意味着更大的发挥空间。

这是一种信号，因为当一批聪明人开始从“已经被解决的问题”流向“还没有答案的问题”，产业的转折点就不远了。有咨询机构预测，到2030年，具身智能产业市场规模将达4000亿元，2035年突破万亿。

这种产业的转向，其实也带来了更多新职业，央视财经数据就显示，预计具身智能产业将带动就业岗位超100万个。这是足够宏大的叙事。例如数据采集已经成为多地布局的重心，相对应的数据采集师正在成为一个热门职业。央视财经报道中提到，一个数据采集师每天要重复泡燕麦粥的动作300次，最终采集1000条以上有效数据才算完成一项“教学”任务。这种人力密集型的生产方式，效率低下，成本高昂，但现阶段别无选择。

数据瓶颈直接影响了人才结构。懂数据采集、清洗、标注、仿真增强的人才，正在变得和算法工程师一样稀缺。而能够采集数据的地区，设计高效数据采集方案的人，更是凤毛麟角。

05.

泡沫与价值的边界

任何快速升温的赛道，都绕不开“泡沫”这个判断。具身智能也不例外。

一个相对理性的判断是，必须区分“叙事泡沫”和“能力泡沫”。叙事泡沫指的是市场对某项技术的期待远超其实际能力，这在科技行业太常见了；能力泡沫则是技术本身在快速进步，但商业化的节奏跟不上。具身智能当前更接近后者，因为其技术确实在突破，但从实验室到真实场景的转化，需要解决可靠性、成本、安全性等一系列工程问题，这不是一两年能完成的简单命题。例如马拉松比赛中的机器人摔倒了可以扶起来，工厂里的机器人摔一次，可能就是几万块的损失。这就是演示能力与商业能力之间的距离。

但话说回来，无论是新能源汽车还是手机等所有改变世界的技术，都经历过“能力不足但资本涌入”的阶段。关键在于，资本涌入是为了加速能力建设，还是为了收割短期叙事红利。从当前的人才流向、企业投入、高校响应来看，具身智能更接近前者。大量资金依然是正在被用来解决真实的技术问题，例如数据采集、模型泛化、硬件迭代，而不是单纯的营销。