夜雨聆风昨天刷到 MiniMax 的 10x Team 全球招募计划，我第一反应是：
AI 公司抢人，已经抢到“不用辞职，月薪 10 万”这个级别了。
这次 MiniMax 不是单纯招算法工程师，也不是招产品经理，而是面向工业软件、游戏引擎、芯片设计、金融、财务等垂直领域，找真正懂行业的人。可以全职加入，也可以做至少四个月的 Fellowship 驻场合作，地点覆盖上海、北京、香港、旧金山、伦敦。官方还提到，会提供多模态模型、专属研发环境、充足算力资源，以及薪资和股权激励。
翻译成人话就是：
你不一定要辞职，但你得把行业经验带进来。
这个模式，国内很多人可能还不熟。但在海外，已经卷得很厉害了。
Anthropic 有 Fellows Program，面向 STEM 和多行业专家；OpenAI 有 Residency，吸引数学、经济、神经科学等方向的人才；Google DeepMind 也长期在做类似的人才和科研合作项目。短期驻场、几个月合作、给到接近甚至超过大厂高阶岗位的薪酬，已经不是新鲜事。
所以这事儿表面看，是 AI 公司在高薪挖人。
但往深了看，它真正买的不是你的时间，而是行业专家过去十几年、二十几年踩坑换来的判断力。
金融里懂风险判断的，芯片里懂设计瓶颈的，工业软件里懂真实流程的，游戏引擎里懂底层架构的。
这些人不一定懂大模型，但他们懂行业。
而现在，大模型最缺的恰恰就是这个。
一、为什么AI公司突然开始抢“老师傅”？
过去几年，大模型主要吃的是公开知识。
论文、网页、代码、论坛、书籍，能抓的基本都抓了。
所以它写文章、写代码、做总结、翻译、检索资料，进步非常快。
但一到真正的垂直行业，问题就来了。
金融风控不是看几张报表就能做判断。
芯片设计不是读几篇论文就能知道瓶颈在哪里。
材料实验也不是模型照着教材推一遍就能发现新方向。
这里面最值钱的东西，往往不在公开资料里。
它藏在老专家的经验里。
比如一个金融老手看到一家公司，财报看起来挺漂亮，但现金流、应收账款、关联交易放在一起，他会本能地觉得“不对劲”。
这种“不对劲”，教材里很难写清楚。
再比如一个芯片工程师看设计方案，可能一眼就知道某个路径会卡良率，某个指标看着先进但量产会出问题。
这不是标准答案，是多年踩坑踩出来的判断。
大模型现在缺的，恰恰就是这些东西。
公开知识已经喂得差不多了，接下来要卷的，就是行业里那些没有被充分记录的经验。
这也是为什么 AI 公司开始把专家请进来。
不是让他们简单讲几节课，而是让他们一起教模型怎么像专家一样思考。
二、专家蒸馏自己？
以前我们说知识蒸馏，通常是模型教模型。
大模型把能力压缩给小模型，强模型带弱模型。
但现在出现了一个更现实的版本：
人类专家蒸馏。
专家进入 AI 公司之后，不只是给几场讲座那么简单。
更可能做的是：
拆解行业问题，设计评测标准，构造案例库，校验模型回答，把自己的判断逻辑一点点掰开揉碎，变成模型可以学习的东西。
这个过程听起来很正常。
专家拿钱，企业拿经验，模型变强，行业效率提升。
大家都赢。
但换个角度看，这里面也有一个很微妙的地方：
专家最值钱的能力，正在被结构化。
金融专家告诉模型，什么样的报表异常值得警惕。
科研专家告诉模型，什么样的实验结果可能有价值。
工程专家告诉模型，什么样的设计在纸面上可行，落地时会出问题。
这些过去都是人的壁垒。
一旦被反复整理成流程、数据、评测集和反馈信号，就会慢慢变成模型能力的一部分。
所以我觉得，MiniMax 这次最值得看的，不是薪资有多高，也不是办公地点有多国际化。
真正重要的是：
AI 公司开始从“学习公开知识”，进入“学习专家经验”的阶段。
三、专家为什么明知道风险，还会进去？
这里最有意思。
这些行业专家难道不知道自己在干什么吗？
不可能。
能走到这个位置的人，没有几个是糊涂人。
他们当然知道，自己教得越多，模型越强；模型越强，未来对人的替代压力就越大。
但问题是：
不去就安全了吗？
未必。
你不去，总有人去。
你不把经验交出来，同行可能会交。
你选择守住自己的专业壁垒，AI 公司也可以找别的专家、别的团队、别的行业样本，慢慢把这套能力补起来。
到最后，模型还是会进步。
区别只是，你是在桌上参与规则制定，还是在桌外看别人改规则。
这就是这件事最残酷的地方。
从个人角度看，加入是理性的。
高薪、股权、算力、顶级团队、前沿项目，这些都是真东西。
从行业角度看，它又像是一场集体知识迁移。
每个人都知道长期风险存在，但每个人也都知道，单靠自己拒绝参与，改变不了趋势。
最后就会变成一种很熟悉的局面：
大家一边担心被 AI 替代，一边加速训练那个可能替代自己的系统。
听起来有点讽刺，但技术浪潮里经常就是这样。
四、AI企业拿捏的不是贪婪，是焦虑
很多人会说，这不就是用高薪挖人吗？
是，但不止。
真正厉害的是，它不一定要求你立刻放弃原来的身份。
你可以全职，也可以短期驻场。
不用马上离开原单位，不用马上切断原来的职业路径，只需要拿出几个月时间，进入 AI 团队，和他们一起把行业问题重新拆一遍。
这个设计很聪明。
它降低了心理门槛。
不是“跳槽”，是“合作”。
不是“把饭碗交出去”，是“参与前沿共创”。
不是“训练替代者”，是“打造更强工具”。
这些话都没错。
但也不能只看温柔的一面。
因为工具一旦足够强，就会反过来改变使用工具的人。
未来很多行业可能会重新分层：
最顶级的人，参与定义模型、定义流程、定义标准。
中间层的人，使用模型完成工作。
更重复、更标准化的岗位，被模型和自动化流程直接吃掉。
所以这场专家招募，不只是影响那一小撮顶尖人才。
它会顺着行业链条往下传导。
五、未来真正值钱的，不是“只懂一个领域”
过去一个人只要在某个垂直领域足够深，就能建立很强的护城河。
懂金融，懂芯片，懂材料，懂法律，懂药物研发，只要做到足够深，都很值钱。
这个逻辑不会马上消失。
但它会被改写。
因为只要一个领域的知识能够被结构化、被评测、被反复反馈，就有机会被模型吸收。
未来真正稀缺的，不是单纯“知道得多”，而是能定义问题、能驾驭 AI、能判断模型边界。
说白了，就是既懂行业，又能把 AI 用起来，还知道什么时候不能信 AI。
当模型学会越来越多专业知识以后，人类的优势就不再只是“我知道什么”，而是“我知道该问什么，怎么判断，以及怎么为结果负责”。
MiniMax 10x Team 这件事，表面是招聘，实质是一个信号：大模型竞争开始从通用能力，进入行业深水区。
金融、工业、科研、芯片、医疗、材料这些领域，最核心的资产不在网页上，不在教材里，而在人身上。所以 AI 公司开始找最懂行业、最会判断、最能把复杂经验讲给模型听的人。
这当然会提升效率，也会带来新的机会。但另一面也很现实：当专家把自己的经验和方法论一点点交给模型时，行业里的“不可替代性”也会被重新定价。
所以真正的问题不是 AI 会不会来。
它已经来了。
真正的问题是：你未来是被 AI 学走经验的人，借 AI 放大判断的人，还是跟不上这轮变化、慢慢被行业淘汰的人。
这中间的差别，可能就是未来十年的分水岭。
