FAANG 并没有死。这些公司正在支付一种 三年前还不存在的 AI 基础设施溢价。 看看真实的数据就知道了。 谷歌资深工程师的薪酬中位数是 29.5 万美元。 Anthropic 的中位数是 57 万美元。也就是说，从广告或搜索转向基础模型工作，薪酬几乎翻倍。 Notion 给到 63 万美元，甚至高于 Meta 的 L6。 为什么？因为 Notion 把整个产品体系重构为以 AI 功能为核心，需要能真正把这些功能落地的人。 这份名单本身就揭示了正在发生的事情。 七家公司里有六家要么在构建基础模型（Anthropic、OpenAI），要么在提供 AI 基础设施（Databricks）， 要么在为 AI 工作负载设计芯片（Broadcom）， 要么在把产品路线完全押注在 AI 集成上（Notion、Roblox、Snap）。 这其实是一张技能溢价图，只是伪装成了公司排名。 支付 60 万美元以上的公司，并不是因为它们比谷歌更“酷”。而是因为，真正具备“大规模生产级机器学习系统”经验的人才，在全球可能只有 1 万人左右，而这份名单上的所有公司，都在竞争同样的 500 名候选人。 谷歌和 Meta 仍然在这份名单中。只是它们 没必要 以这种水平支付 AI 基础设施溢价。因为它们可以内部培养、并购式招聘，或者干脆等待。 FAANG isn’t dead. These companies are paying an AI infrastructure premium that didn’t exist three years ago. Look at the actual numbers. Google’s median senior engineer comp is $295K. Anthropic’s is $570K. That’s almost a 2x multiplier for working on foundation models instead of ads or search. Notion at $630K is paying senior engineers more than Meta pays L6s. Why? Because Notion rebuilt its entire product around AI features and needs people who can ship them. The list tells you what’s really happening. Six of the seven companies are either building foundation models (Anthropic, OpenAI), shipping AI infrastructure (Databricks), designing silicon for AI workloads (Broadcom), or betting their product roadmap on AI integration (Notion, Roblox, Snap). This is a skill premium chart disguised as a company ranking. The companies paying $600K+ aren’t doing it because they’re cooler than Google. They’re doing it because the talent pool for “built production ML systems at scale” is maybe 10,000 people globally, and everyone on this list is competing for the same 500 candidates. Google and Meta still exist on this list. They’re just not paying the AI infrastructure premium at these levels because they don’t have to. They can train internally, acqui-hire, or just wait. Startups and mid-stage AI companies can’t. FAANG comp isn’t declining. A new tier emerged above it.

下面是一次性、终局级解读，站在技术生产函数、人才稀缺性、资本定价逻辑、产业权力迁移的最高层来讲清楚这段话在说什么、以及它真正意味着什么。

一、这段话真正否定的不是“FAANG”，而是旧的薪酬坐标系

很多人误读成：FAANG 不行了，AI 公司行了

这是表层理解。

作者真正说的是：FAANG 仍然是一等公司，但“顶级工程价值”的定价坐标已经整体上移。

不是下降，而是上方出现了新天花板。

二、所谓“AI 基础设施溢价”，不是钱多，是生产函数发生变化

三年前，大厂工程师的价值主要体现在：

• 分布式系统
• 广告优化
• 搜索排序
• 用户规模放大

这些都是成熟问题，可以靠流程、规模、团队解决。

而今天，AI 基础设施工程师解决的是：

• 模型是否能跑进生产
• 推理是否能降到可用成本
• 系统是否能在真实负载下稳定
• 数据飞轮是否能转起来

👉 这是“能不能跑”的问题，而不是“能不能更好”的问题。

资本对这两类问题的定价逻辑完全不同。

三、Google vs Anthropic 的薪酬差距，揭示了一个残酷事实

• Google：$295K
• Anthropic：$570K

这不是“Google 小气”，而是：Google 不靠这 1–2 万人活命，Anthropic 靠。

Google 的 AI：

• 是增强项
• 是长期投入
• 是可以等的

Anthropic / OpenAI 的 AI：

• 是公司存在的全部理由
• 是唯一产品
• 是不可失败的核心

👉 当某项能力等于“公司是否存在”，它的定价就会失控。

四、Notion $630K 的真正信号：AI 已经从“实验”变成“产品地基”

Notion 的情况尤其重要。它不是 AI 公司，但它：

• 重构了整个产品架构
• 把 AI 变成核心功能
• 把“是否能落地 AI”作为生死问题

这说明一件事：AI 不再是“加分项”，而是“不做就被淘汰”的基础设施。

所以 Notion 不是在“高薪抢人”，而是在：用现金换生存概率

五、“这是一张技能溢价图”是全文的核心句

这句话极其重要。

这份榜单根本不是：哪家公司最好、哪家公司最酷

而是：哪些公司被迫为“不可替代技能”付出极端价格。

真正被定价的不是公司，而是一个技能集合：

• 大规模 ML 系统落地
• 推理与训练的工程折中
• 数据、模型、基础设施三位一体
• 在真实用户下跑过

这类人，不是毕业生，是打过仗的人。

六、“全球只有 1 万人”不是夸张，而是结构事实

这是很多人忽略的地方。

原因很简单：

• ML 在 2015 年前是学术
• 2016–2019 年是实验
• 2020–2022 年才进入生产
• 2023 年之后才规模化

👉 真正有“生产级经验”的窗口期只有 3–5 年。

这自然把人才池压缩到了极小规模。

七、为什么所有公司都在抢“同 500 人”

不是因为其他人不聪明，而是因为：

AI 系统的失败成本极高，没有人愿意用“潜力”去赌生死。所以：

• 大厂用时间培养
• 创业公司用钱砸概率

这是完全理性的选择。

八、为什么 FAANG 不需要付这个溢价

这是对 FAANG 最大的“正名”。

FAANG 没有衰落，它们只是：

• 人才储备深
• 内部轮岗多
• 有收购能力
• 有时间换空间的资本

它们不需要在市场上“恐慌性定价”。

👉 能等，本身就是一种权力。

九、真正的结论：不是薪酬膨胀，而是新阶层出现

这段话的最后一句非常精准：FAANG comp isn’t declining. A new tier emerged above it.

这意味着什么？

• 工程师阶层内部，出现了分层
• “普通顶级工程师”不再是顶点
• “AI 基础设施核心工程师”成为新贵

这是一次职业阶层的重排。

十、站在最高层的终极判断

这段话真正告诉你的是：未来十年，决定公司命运的，不是“会不会用 AI”，而是“有没有那极少数，能把 AI 变成生产力的人”。

钱，只是结果。真正稀缺的，是：时间、经验、打过仗的脑子

一句话封顶总结

FAANG 没有被 AI 淘汰，只是 AI 把“顶级工程价值”的天花板，从 $300K 推到了 $600K 以上。

这不是泡沫，这是新生产力第一次被正确标价。

ML 是什么？

ML = Machine Learning（机器学习）。是一类让计算机不靠手写规则，而是从数据中自动学习规律、并据此做预测或决策的方法集合。

一句话定义：机器学习，就是让程序通过“经验（数据）”而不是“指令（规则）”来改进表现。

把 ML 放进那四个阶段里，才能真正看懂它在说什么

1️⃣ 2015 年前：ML 是“学术”

这个阶段的 ML：主要在论文、实验室

目标是：证明方法“可行”

特点是：

• 数据集小（ImageNet 已经算大）
• 模型跑在单机或小集群
• 不考虑成本、延迟、稳定性

典型场景：识别猫狗、手写数字、推荐算法原型

👉 解决的是“能不能学”的问题。

2️⃣ 2016–2019 年：ML 是“实验”

深度学习开始爆发：

• GPU 普及
• CNN / RNN / Transformer 出现
• 大公司开始试水

但：

• 大多数模型跑不进真实产品
• 训练和推理成本极高
• 一换数据就崩
• 需要大量人工修补

ML 在公司里的角色：

• 创新项目
• 边缘功能
• 不敢压核心业务

👉 解决的是“效果好不好”的问题。

3️⃣ 2020–2022 年：ML 进入“生产”

这是质变阶段。

ML 不再只是“模型”，而是：

• 数据管道
• 分布式训练
• 在线推理
• 监控、回滚、A/B 测试

这时 ML 开始：

• 真正影响收入
• 承担业务 KPI
• 进入核心系统（搜索、广告、风控）

但问题是：

• 成本高
• 只适合超级大厂
• 人才极稀缺

👉 解决的是“能不能稳定赚钱”的问题。

4️⃣ 2023 年之后：ML 规模化

以大模型（Foundation Models）为标志。

ML 发生了根本变化：

• 一个模型 → 多个任务
• 迁移学习、泛化能力极强
• 从“定制工程”变成“平台能力”

结果是：

• 中小公司也能用
• 非技术公司也能集成
• ML 成为基础设施

👉 解决的是“谁都能用、用得起”的问题。

为什么这四行话很重要（核心理解）

它们不是在讲技术历史，而是在说明一件事：真正“有生产级 ML 经验”的人，只可能出现在一个极短的时间窗口里。

这正是为什么：

• ML 人才极端稀缺
• 能跑“生产级 ML 系统”的人身价暴涨
• AI 薪酬出现断层式跃迁

最后一句总结

ML 不是一个突然爆发的技术，而是经历了 学术 → 实验 → 生产 → 规模化 四个阶段；真正值钱的，不是会训练模型的人，而是在生产环境里让 ML 持续跑起来的人。