AI 基礎設施主導全球人才市場：資料工程與具身智能職缺持續放量

招聘活動收縮，但不是關鍵職位需求消失

過去 180 天可觀測職缺為 6,526 個，其中 90 天內發布的職缺達 5,328 個，佔比 81.6%，顯示招聘活動高度集中在近三個月。然而，30 天內為 1,696 個，7 天內為 384 個，7d/30d 比率從前一期 24.6% 降至 22.6%，代表最近一週的發布節奏相對 30 天平均略為放緩。對前沿科技公司而言，這不必然是需求下降，更像是招聘窗口在短期內出現節奏調整。90 天的集中度仍高，說明 AI 基礎設施與資料工程等關鍵職位依然在被大量補充。

需要補充的是，這份觀察來自當前可見職缺的歷史基線，並非完整的半年真實歷史。因此在解讀 22.6% 的短期回落時，企業應保持連續監測，尤其要觀察未來一至兩週是否低於 22%。如果只是單週波動，市場結構不會立刻改變；如果連續下滑，就要重新評估招聘週期是否進入收縮。對任務關鍵型人才的需求判斷，不應因為單週數字而急轉彎，而應以 90 天與 30 天的結構變化為主要依據。

AI／演算法重回主導，資料類職缺仍是底盤

從職能結構來看，AI／演算法、資料、技術三大類在 180 天、90 天、30 天與 7 天窗口合計占比分別為 81.6%、80.8%、81.5% 與 75.0%。在最新的 7 天窗口，AI／演算法職缺以 32.8% 重新超過資料類的 28.1%，技術類占 14.1%。上一期資料類短暫反超的現象並未延續，顯示演算法職缺仍然是最主要的單一職能。30 天與 90 天窗口中，AI／演算法也分別以 32.1% 與 33.0% 領先資料類的 29.1% 與 29.8%。

但這並不代表資料職缺被邊緣化。資料類在 7 天仍有 108 個職缺，幾乎與演算法職缺並駕齊驅。安全類職缺在 7 天占 9.9%，高於 180 天的 6.1%，雖絕對量仍小，但反映安全相關需求正在邊際升溫。對企業而言，合適的做法是把 AI／演算法與資料工程視為相互支撐的雙引擎：演算法團隊需要資料基礎設施提供高品質訓練資料，資料團隊也需要 AI 工程師協助建立自動化資料處理鏈路。只追演算法明星、忽略資料工程的團隊，會在生產環境中很快遇到瓶頸。

從演算法研發到資料工程與具身智能，AI 建設鏈條正在拉長

AI 基礎設施主題持續主導所有時間窗口，7 天占 73.4%、30 天占 75.4%、90 天占 60.0%、180 天占 52.3%。與此同時，Agent/RAG 在 7 天占 8.1%，資料平台占 3.6%，顯示工程之外的可部署 AI 系統與資料層仍在穩步擴張。最新樣本中出現多模態資料演算法工程師、資料 Infra 工程師（具身／即時串流）、具身資料策略與品控工程師，以及校招大模型演算法工程師（具身方向）。這些角色的共同點是，具身智能正從演算法研發階段，轉向需要大量資料工程與基礎設施投入的階段。

這對前沿科技招聘有直接含義：具身智能團隊不能再只關注模型架構與演算法創新，而是要把多模態資料的採集、清洗、標註、品質控制與即時串流處理放到關鍵位置。資料 Infra 工程師與資料品控工程師，將從支援角色變成任務關鍵型人才。同時，Agent/RAG 與資料平台的持續活躍，也代表企業需要能把模型放進真實業務流程的解決方案工程師。AI 建設鏈條正在拉長，招聘策略也應從單一演算法職缺，擴展到資料基礎設施、部署、營運與品控等完整鏈路。

機構化金融與商業化角色，補齊 AI 基礎設施拼圖

新增樣本中，受監管金融機構與數位資產基礎設施公司繼續補充基礎設施與風險角色。Chainlink Labs 招募 Institutional Relations Lead，eToro 發布 IT Specialist，同時出現 FX Option Quantitative Strategist 與 Credit Risk Analytics Analyst 等量化與風險職缺。這顯示機構化數位資產服務不只在合規與風險端增員，也開始向交易策略與基礎設施延伸。對新經濟團隊而言，這是 AI 與金融交集地帶的重要人才訊號：具備量化建模、風險分析與機構級基礎設施經驗的人，將同時被 AI 原生公司與受監管機構爭奪。

此外，AI 基礎設施需求正從純演算法研發向產品化與商業化擴散。樣本中出現 Head of Operations、Business Development、海外增長負責人等營運與商務角色，且部分落在 AI infra 主題之下。Solutions Engineer 與 Sr Analytics Engineer 等職缺也顯示，企業需要能把 AI 系統部署到客戶環境、並把基礎設施數據轉化為決策的人。這意味著，AI 原生人才策略不能只覆蓋工程師，也要覆蓋能把技術轉化為產品價值的產品、營運與商務人才。

人才判斷不能只看職級標籤：高確定性招聘的關鍵

本報告最需要注意的資料限制，是職級標註缺失嚴重。7 天窗口有 69.3% 的職缺未標註職級，180 天也有 63.8%；相對地，薪資訊號披露比例很高，7 天強薪資占 85.7%，180 天占 80.6%。也就是說，市場提供了豐富的薪酬訊號，卻缺乏清晰的職級框架。若企業只用職級標籤篩選人才，很容易誤判高級人才的真實分布。Talentverse 認為，更可靠的方式是從任務關鍵性出發：這個職位是否直接影響 AI 系統的交付、資料品質或生產穩定性？候選人是否具備從零到一建立基礎設施的經驗？這些判斷比頭銜更能預測實際表現。

Talentverse 判斷：高確定性招聘比追量更重要

這份報告告訴我們，全球前沿科技人才市場並未降溫，而是從「演算法驅動」轉向「基礎設施與資料工程驅動」。7d/30d 的回落是短期節奏變化，90 天 81.6% 的集中度與 AI 基礎設施在各窗口的高占比，才是更值得信賴的結構訊號。企業若把單週職缺減少解讀為整體冷卻，可能錯過資料工程、具身智能與機構化金融人才的最佳佈局時間。值得優先投入的職缺集群包括：多模態資料演算法工程師、具身資料 Infra 工程師、AI/ML 全端工程師、解決方案工程師，以及受監管環境下的量化與風險分析角色。高確定性招聘的意義，正是在資訊不完整時，依然能用任務關鍵性做出高品質的人才判斷。