本周,硅谷一个备受关注的话题再次成为焦点:将AI Token作为薪酬补偿的一部分。这个想法相当直观——除了给工程师提供薪资、股权和奖金外,公司还会向他们提供AI Token预算,这些计算单元为Claude、ChatGPT和Gemini等工具提供动力。工程师可以使用这些Token来运行智能体、自动化任务和处理代码。这种做法的理念是,获得更多计算资源能让工程师更高效,而更高效的工程师值得更多回报。
英伟达CEO黄仁勋在本周的年度GTC大会上提出,工程师应该获得相当于基础薪资一半的Token补偿,这一想法吸引了众人的注意。按他的计算,顶尖人才每年可能会消耗价值25万美元的AI算力。他将此称为招聘工具,并预测这将成为硅谷的标准做法。
目前还不完全清楚这个想法最初来自何处。专注于AI、数据和SaaS初创公司的知名湾区风投家Tomasz Tunguz在2月中旬就讨论过这个话题,他写道,科技初创公司已经开始将推理成本作为"工程师薪酬的第四个组成部分"。根据薪酬追踪网站Levels.fyi的数据,他将顶级软件工程师的薪资定为37.5万美元。再加上10万美元的Token,总计47.5万美元——这意味着每五美元中约有一美元是计算成本。
这并非巧合。智能体AI正在兴起,1月底OpenClaw的发布大大加速了这一讨论。OpenClaw是一个开源AI助手,设计用于持续运行——处理任务、生成子智能体,并在用户睡觉时完成待办事项。这是向"智能体"AI转变的一部分,即不仅响应提示,还能随时间自主执行一系列动作的系统。
实际结果是Token消耗激增。写文章的人一个下午可能使用1万个Token,而运行一群智能体的工程师一天就能自动消耗数百万个Token,无需输入任何文字。
到本周末,《纽约时报》对所谓的"Token最大化"趋势进行了深入报道,发现包括Meta和OpenAI在内的公司工程师正在内部排行榜上竞争Token消耗量。据报道,慷慨的Token预算正悄然成为标准工作福利,就像牙科保险或免费午餐一样。一位斯德哥尔摩的爱立信工程师告诉《纽约时报》,他在Claude上的支出可能超过了薪水,尽管雇主承担了费用。
也许Token真的会成为工程师薪酬的第四大支柱。但工程师们可能应该谨慎对待这一趋势。更多Token在短期内可能意味着更多权力,但考虑到技术发展的速度,这不一定意味着更多的工作保障。首先,大量Token分配伴随着高期望。如果公司实际上为你提供了相当于第二个工程师的计算资源,那么隐含的压力就是要以两倍(或更多)的速度产出。
更深层的问题是:当公司为每个员工的Token支出接近或超过该员工的薪资时,财务团队对人员配置的财务逻辑会发生变化。如果计算在完成工作,那么需要多少人来协调这些工作的问题就变得难以回避。
东海岸的斯坦福MBA、前风投家转金融服务CFO的Jamaal Glenn指出,看似福利的东西实际上可能是公司巧妙地夸大薪酬包价值的方式,而不增加现金或股权——这些才是员工长期受益的真正财富。你的Token预算不会归属,不会升值,也不会在你下次薪资谈判中发挥作用。如果公司成功地将Token标准化为薪酬,他们可能会发现更容易保持现金薪酬不变,同时指向不断增长的计算津贴作为对员工投资的证据。
这对公司来说是笔好买卖。对工程师来说是否划算,取决于大多数工程师目前还没有足够信息来回答的问题。
Q&A
Q1:什么是AI Token薪酬?具体是怎么运作的?
A:AI Token薪酬是指除了传统的薪资、股权和奖金外,公司还给工程师提供AI Token预算。这些Token是驱动Claude、ChatGPT等AI工具的计算单元,工程师可以用来运行智能体、自动化任务和处理代码,目标是通过提供更多计算资源来提高工程师的生产力。
Q2:黄仁勋提出的Token薪酬标准是多少?
A:英伟达CEO黄仁勋在GTC大会上建议,工程师应该获得相当于基础薪资一半的Token补偿。按他的计算,顶尖人才每年可能消耗价值25万美元的AI算力。他认为这将成为硅谷的招聘工具和标准做法。
Q3:AI Token薪酬对工程师来说真的是好事吗?
A:这个问题存在争议。虽然更多Token可能在短期内提供更多计算能力,但也带来了更高的工作期望。而且Token预算不会像薪资或股权那样升值或在未来谈判中发挥作用,可能是公司在不增加真正财富的情况下夸大薪酬包价值的方式。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。