1亿美元——这个数字一出来，整个硅谷都在怀疑自己是不是听错了。

Meta曾被曝出向少数顶级研究员开出了接近1亿美元量级的总薪酬包。这绝非孤例。Epoch AI的调研显示，顶尖AI研究员的年薪可能超过1000万美元；而OpenAI一名L4-L5级别研究员的年总包，公开数据粗估约在100万美元量级。这中间，差了10倍。

再往下看。一个AI博士后的年薪，大约在5万到6万美元之间。从博士后到顶尖研究员，差距接近200倍。

AI研究员年薪粗估。从博士后约5万美元，到OpenAI L4-L5研究员约100万美元，再到顶尖研究员超过1000万美元量级，差距跨越三个数量级。

这合理吗？顶尖研究员真的比普通博士强200倍？

如果只论能力，答案显然是否定的。

真正的秘密，藏在一个底层杠杆里：用户规模。

2026年2月，OpenAI官宣ChatGPT周活跃用户突破9亿，距10亿只差一步。底层是同一批模型，任何一个改进，都能瞬间同时触达每一个用户。哪怕只强那么一点点，乘以9亿，就会被指数级放大。

45年前那篇论文，预言了今天的1亿薪酬包

要理解AI研究员的薪酬结构，得先回到1981年。

那一年，芝加哥大学经济学家Sherwin Rosen在《美国经济评论》上发表了一篇影响深远的论文，提出了“超级巨星效应”（superstar effect）。

Rosen的发现是：在某些行业，极少数人赚走了几乎全部的钱，即便他们的能力并非远超同行。

2012年伦敦奥运会100米决赛，Usain Bolt夺冠，他的名字全世界都知道。那么银牌是谁？大多数人答不上来。事实上，他落后Bolt的距离，不过0.12秒。

Epoch AI按Spotify日播放量和每次播放约0.004美元粗估，Taylor Swift的Spotify年收入约为6000万到7000万美元；Ed Sheeran、Blackpink、Lana Del Rey等顶级歌手，则大致落在500万到2500万美元区间。差距在3到12倍之间，但没有人会说Taylor Swift的嗓音比这些人好3到12倍。

2025年Spotify头部歌手年收入估算。Taylor Swift遥遥领先，Ed Sheeran、Blackpink、Lana Del Rey等差距达3到12倍。

Rosen的理论点明了问题的关键：超级巨星效应被触发，需要两个条件同时成立。

第一，一个人的工作能够触达巨大市场。一场演出可以通过录像传遍全球，一首歌可以在Spotify上播放几十亿次。触达的人越多，顶尖者获得的溢价就越大。

第二，数量无法替代质量。你不能用去看100场Ed Sheeran演唱会的方式，来补偿没看到Taylor Swift。两者对你来说并不等价。

这两个条件加在一起，哪怕只有微小的能力差距，也会被放大成巨大的收入差距。

Rosen将这种结构称为“超级巨星效应”：少数人占据行业绝大部分回报，并且这种集中度会随着市场规模扩大而进一步加剧。

美国劳工统计局的数据印证了这一点。演员、音乐人这类“广触达职业”，90分位数收入与中位数之比，远高于护士、卡车司机这类“一对一服务”职业。

美国劳工统计局跨职业薪酬分散度数据。演员、音乐人等「广触达职业」的90分位数与中位数收入之比，远高于护士、卡车司机等一对一服务职业。

过去40年，这套理论在体育、娱乐、金融领域得到了反复验证。而AI研究员这个岗位，恰好两个条件都满足。

算力瓶颈，放大了稀缺性

先看第一个条件，市场规模。

说AI研究触达了巨大市场，这很好理解。ChatGPT官宣周活跃用户已突破9亿。在这样的用户规模下，模型能力的每一次提升，都会被乘以9亿用户。一个研究员选对了某个训练方向，他对模型的改进贡献就会被放大9亿倍。

再看第二个条件：“数量无法替代质量”。

雇100个普通博士，真的换不来一个顶尖研究员吗？在很多行业，答案是可以换。但在AI前沿研究，这种替代几乎不可能，其中一个重要的制约，就是算力。

前沿实验室的计算资源并非无限。每一次大规模训练运行，动辄耗费数千万美元。一个实验室一年能跑的大型实验，数量极为有限。错误的方向意味着这些算力打水漂，对的方向意味着拿下下一代模型。与执行实验的能力相比，判断“哪个实验值得跑”的直觉，才是真正稀缺的东西。

一个顶尖研究员，具备的是数年高密度试错沉淀下来的判断力。这种判断力无法通过增加人数来复制：10个普通研究员很难凑出1个顶级研究员的判断力。

从前沿实验室公开论文和模型发布节奏来看，关键训练决策往往集中在少数核心研究与工程团队中。至少在大规模训练阶段，简单增加人手并不必然带来同比例产出，反而会受限于算力、实验窗口和协调成本。

Epoch AI文章中提到了Noam Brown这个名字。

Noam Brown，OpenAI研究科学家

他是OpenAI最具代表性的顶尖研究员之一，在推理模型方向有奠基性工作。有意思的是，他近期公开表示自己的主要角色是管理者，管理AI智能体团队。

顶尖研究员卖给实验室的，不只是他自己能写出的代码，而是多年昂贵实验积累的判断力，以及这种判断力对整个团队和方向的辐射。这种能力难以复制，也很难招募到第二个。

“1亿美元”背后，这笔钱买的是什么

现在再回到那个让所有人咋舌的数字。

奥特曼曾在播客Uncapped中声称，Meta曾向OpenAI员工开出“1亿美元签字费，外加年薪更高的薪酬包”，并称目前没有最优秀的人选择接受。这是他的单方说法，Meta官方并未确认。

TechCrunch随后进行了核实，Meta确实在用高额薪酬抢人，但“1亿美元签字费”这一具体说法，被Meta自己的高管和跳槽研究员否认了。Meta CTO Andrew Bosworth在一次公司全员会议（流出版本）上表示，可能有极少数非常高级的领导层职位接近过这个数量级，但那并非“签字费”，而是“由不同部分构成的总薪酬包”，其中最大的组成部分，是需要按年限或绩效解锁的限制性股票单元（RSU）。

从OpenAI Zurich办公室带团队跳槽Meta的研究员Lucas Beyer，也在社交媒体上直接表态：是的，我们会加入Meta；不，我们没有拿到1亿美元签字费，那是假新闻。

抛开1亿美元签字费不谈，真实情况是Meta确实在用高薪抢人。某些高级职位的四年总薪酬包可能接近甚至超过1亿美元，但这是RSU+年薪+绩效奖金的多年总和，并非一次性到账的现金。一位投资人向TechCrunch透露，他见到的一个AI研究员，收到了来自Meta的1800万美元工作邀约，最终拒绝了，转而去了Mira Murati的Thinking Machines Lab。1800万美元，已经是普通博士后年薪的数百倍，但这个筹码在顶级AI研究员招募的谈判桌上，显然已经不够诱人。

Epoch AI的文章揭示了更深层的逻辑：Meta愿意开出这个价格，根本原因并非“这个人强了多少倍”，而是赛局结构决定的。

Meta公开提出了“personal superintelligence”愿景，并在2025年以143亿美元投资Scale AI，同时邀请Scale AI创始人Alexandr Wang来主导其超级智能团队。

赢得AGI军备赛的奖池，可能价值数十万亿美元。在这个量级的赌局里，多花几亿美元锁住几个关键筹码，是完全合理的“保险费”。不是这个人值1亿，是这场赛跑值数十万亿。

天才崇拜的危险，以及更大的问题

超级巨星效应揭示了一件让人不安的事。

“超过1亿美元”这个数字一出来，业内立刻有人提出了不同口径的解释。抛开这些口径之争，Epoch AI估算的顶级研究员年薪已突破1000万美元，而普通工程师含股票的年总包大约100万美元，两者之间差了至少10倍。如果这个10到100倍的薪酬差距，背后的能力差距其实只有2倍，那我们关于“AI天才”的很多叙事，都可能是错的。

Epoch AI的文章直接点出了这一推论的影响：如果薪酬差距主要是市场结构放大的结果，而非真实能力的反映，那么“让AI模拟顶尖研究员就能大幅加速AI进展”这一预测，就被高估了。换句话说，那些基于“复制天才智能”来推演智能爆炸时间线的论点，需要重新校准。

还有另一种更让人坐不住的推论：超级巨星效应，只会越来越强。AI的用户规模还在增长，AI在每个人生活中的渗透程度也在增长。研究员每一单位的改进，所触达的用户只会更多，放大倍数只会更高。

Epoch AI文章的最后一句话是这么说的：“1亿美元年薪，可能真的还不够。”

还有一个问题，文章没有直接回答：当AI自身开始承担研究工作，当实验室里跑实验的不是人而是AI智能体，超级巨星效应会转移到哪里？

可能是：谁能训练出最好的AI研究员。这场人才战的终局，或许并非抢走最聪明的人，而是造出能取代他们的机器。到那时候，今天花在人身上的1亿美元，会去哪里？