AI 基础设施主导全球人才市场，数据工程与具身智能岗位持续放量

招聘活动高度集中，但短期节奏出现放缓迹象

过去180天，Talent Signal平台共监测到6,526个可观测岗位，其中90天窗口内发布了5,328个，占比达到81.6%。这一数字说明，前沿科技公司的招聘需求并非均匀分布，而是高度集中在最近三个月。进一步看，30天窗口有1,696个岗位，7天窗口有384个岗位，7天相对30天的比率从之前的24.6%下降到22.6%。这意味着，虽然整体市场仍然活跃，但最近一周的发布动作比过去一个月的平均水平要慢一些。

这个放缓是短期波动还是周期转折，目前还无法下定论。但对于正在制定招聘计划的企业来说，它提供了一个重要提醒：不要因为单周数据就调整战略，但也要为可能的供给收缩留出准备。关键岗位的候选人地图需要提前维护，尤其是那些在AI基础设施和数据工程领域经验丰富的资深人才，市场的竞争只会加剧。

在职能结构上，AI/算法、数据、技术三大类岗位在所有时间窗口中均占主导地位，合计占比在75%到82%之间。7天窗口内，AI/算法岗位重新成为最大单一职能，占32.8%，数据类岗位占28.1%，技术类占14.1%。此前一周数据类岗位曾短暂反超，但最新数据显示算法岗位再次领跑。这说明，算法研发和数据工程并不是替代关系，而是并行扩张的双引擎。

AI/算法与数据职能并行扩张，基础设施决定落地速度

AI/算法与数据岗位的同步增长，本质上是同一个趋势的两面：企业既要训练更好的模型，也要构建能支撑模型规模化运行的数据管道。安全类岗位在7天窗口占9.9%，高于180天平均的6.1%，虽然绝对量不大，但边际升温值得关注。安全能力的补齐，往往是AI系统进入生产环境后才会真正被重视，它的上升信号可能预示更多AI产品正在准备上线。

从主题分布看，AI基础设施在所有时间窗口都保持了绝对领先：180天占比52.3%，90天60.0%，30天75.4%，7天73.4%。越靠近近期，基础设施岗位的集中度越高。这个现象说明，行业正在从模型竞赛转向系统落地。大家已经不满足于证明模型能做什么，而是要解决训练成本、推理延迟、数据质量这些工程问题。Agent/RAG相关岗位在7天占8.1%，虽然比90天有所回落，但绝对量依然可观。数据平台主题在7天占3.6%，相对稳定。

这些数字背后的含义很清楚：要在AI时代建立真正的竞争壁垒，光有算法人才是不够的，还需要一支能够打造高可用基础设施的工程团队。对于前沿科技公司，AI基础设施负责人、ML平台工程师、数据管道架构师这类角色，应该被定义为任务关键型岗位，因为它们直接决定了产品和服务的规模化能力。

具身智能带来新变量，数据工程岗位加速细分

最新一批新增岗位中，出现了一个高密度信号：多模态数据算法工程师、数据Infra工程师（具身/流式）、具身数据策略与质控工程师、校招大模型算法工程师（具身方向）等岗位密集发布。这些岗位的共同点，是把数据工程经验与具身智能场景结合。具身智能要真正跑起来，需要海量的多模态数据来训练感知与决策模型，而这些数据的采集、清洗、标注和质控，本身就是巨大的工程挑战。

这预示着，数据工程岗位正在从通用型向场景化细分。过去我们谈论数据平台，更多是围绕结构化数据、数据仓库和BI分析，而现在，流式数据、实时反馈、多模态融合这些能力变得更加关键。对于企业来说，这意味着人才评估方式也要相应升级。一个优秀的数据工程师，不再只是会写SQL和搭建ETL，还要理解传感器数据、动作序列、仿真环境这些新的数据形态。具身智能方向的数据策略与质控岗位，更是要求候选人对数据质量有极度严苛的标准，甚至要参与到数据采集流程的设计中。

这类岗位的人才供给很少，因为同时具备AI、机器人和数据工程背景的人本就不多。建议企业建立早期识别机制，适当放宽对行业经验的限制，转而寻找在数据密集、实时性要求高的领域有项目经历的候选人。校招也是一个重要入口，从源头培养具身智能数据工程能力，构建长期人才梯队。

机构化数字资产岗位升温，三类招聘方模式清晰可辨

除了AI基础设施和具身智能，受监管金融机构和数字资产基础设施公司也在持续增员。Chainlink Labs招聘Institutional Relations Lead，eToro发布IT Specialist，市场还出现了FX Option Quantitative Strategist和Credit Risk Analytics Analyst等量化与风险岗位。这些角色分布在合规、风控、量化交易和机构关系等方向，说明数字资产服务正在从基础设施层向更高层次的金融服务延伸。

综合新增样本，招聘方大致可分为三类。第一类是AI原生公司与数据基础设施团队，它们大量发布AI/ML全栈、系统工程师和数据工程岗位，是市场的主体力量。第二类是受监管金融机构及数字资产基础设施公司，它们的岗位通常横跨金融与科技，对候选人的综合素质要求更高。第三类是初创公司及项目制组织，岗位覆盖商务拓展、运营、设计与海外增长，例如Business Development和Head of Operations，显示AI商业化链条正在向市场端延伸。对于猎头和HR团队来说，这三类模式的判断标准应该有所不同，不能简单地用同一套行业标签去衡量候选人。

薪资透明但职级模糊，高确定性判断比逐波追热点更重要

这次市场快照揭示了一个有趣的反差：薪资信息非常透明，但职级信息大量缺失。7天窗口内，85.7%的岗位带有明确的薪资信号，但69.3%的岗位没有标注职级。在180天窗口，strong薪资的比例是80.6%，职级缺失的比例是63.8%。这意味着什么呢？一方面，公司愿意用有竞争力的薪酬吸引人才；另一方面，薪酬水平很难和岗位级别直接对应起来，因为缺少职级这个中间变量。

这会给招聘决策带来实际困难。如果只看薪资数字，很容易把不同复杂度的工作混为一谈；如果只看职位头衔，又可能被"高级""资深"这样的词误导。Talentverse认为，高确定性招聘的关键，是回到工作本身，去评估候选人的职责深度、技术影响范围和项目复杂度。特别是一些任务关键型岗位，比如AI基础设施负责人或具身智能数据策略专家，它们往往没有现成的市场对标，更需要定制化的人才研究与判断。

对于正在关注这个市场的企业，有一件事值得反复强调：不要被短期的岗位数量波动牵着走。7d/30d比率回落可能是噪声，也可能预示着新一轮调整；Web3相关岗位长期低于3%，任何单周波动都不足以判断行业拐点。真正值得关注的是结构性变化——AI基础设施的主导地位、具身智能数据工程的出现、以及机构化数字资产岗位的稳定增长。这些趋势，才是制定人才战略的可靠锚点。

Talentverse判断：围绕任务关键型岗位建立先发优势

综合本次市场快照，Talentverse认为，全球前沿科技招聘已经进入一个以基础设施落地为核心的阶段。AI/算法与数据工程并行扩张，具身智能正在创造新的数据岗位品类，受监管金融机构则把数字资产人才需求推向更深层次。在这样的窗口期，企业最容易犯的错误是追逐热点岗位，而忽略了真正适合自己的关键岗位组合。

我们的建议是，围绕战略目标识别任务关键型角色，提前布局人才地图。在AI基础设施领域，系统级工程师和ML平台专家的稀缺性会持续上升；在具身智能赛道，数据策略与质控工程师可能成为新的争夺焦点；在机构化数字资产领域，兼具金融与科技视角的复合型人才将是长期需求。对于这些岗位，不能再用传统简历筛选方式，而应该投入深度研究，理解每个岗位背后的业务场景和组织挑战，用高确定性的判断帮助团队做出关键决策。

市场永远在波动，但结构性的机会不会消失。谁能在噪音中看清方向，谁就更有可能在下一轮竞争中获得先手。