文章核心观点 - AI基础设施公司在获得大量订单的同时，正进行大规模裁员和成本控制，其根源在于AI投资的重资产属性迫使公司调整成本结构，用人力成本置换算力成本[4][5][7][16][17] - AI产业的价值分配正发生集中化变革，价值与利润向直接掌握模型生成能力（Token生成）和用户消耗入口（Token消耗）的环节聚集，而传统基础设施环节则日益商品化，陷入成本竞争[18][20][21][23] - AI技术周期的加速演进导致岗位结构迁移，基础设施支持类岗位的可替代性增加，而模型开发与应用创新类岗位需求上升，公司对AI的应用思路（“省钱”还是“赚钱”）决定了其对人力资源的不同策略[30][31][35][40][41] AI基础设施公司的财务与运营矛盾 - **资本支出激增侵蚀现金流**：甲骨文计划将年度资本支出提升至约500亿美元，主要用于数据中心与AI基础设施建设，导致其自由现金流从2024年的约118亿美元转为负值，并预计在2026年达到-230亿美元[5][6] - **重资产投入成为行业常态**：AI基础设施建设具有重资产属性，数据中心建设周期长、资本密集度高，高端算力卡单价可达数万美元，大规模部署需成千上万张，单座数据中心成本动辄数十亿甚至百亿美元[13][14] - **股价表现承压**：在加大AI投资的同时，甲骨文2024年股价下跌约25%，跌幅超过所有科技巨头[6] 行业性裁员现象与共性原因 - **裁员波及全产业链**：2025至2026年间，多家处于AI基础设施链条的公司宣布大规模裁员，包括英特尔（约2.5万人）、亚马逊（约1.6万人）、微软（约9000人）及Block（超4000人）[12] - **裁员企业的共同角色**：这些公司分布在半导体、云计算、企业软件及支付基础设施等领域，共同点是都在为AI提供底层支持，是AI需求增长的最早承接者[12] - **核心矛盾**：订单和使用量增长带来的收入，与因重资产投资导致的成本结构变化同时出现，形成财务压力[13] AI产业价值结构的重构 - **价值向Token集中**：AI时代的价值可围绕Token分为两类，即模型生成Token的能力和用户消耗Token的量，红利正集中于此[20][21] - **定价权转移**：掌握模型能力的公司（如OpenAI、Google DeepMind）和拥有大规模用户入口的平台能定义产品与价格，而传统基础设施环节变得像“电力”和“带宽”，必不可少但难以决定价格[21][22] - **利润分布规律**：越接近Token生成与消耗的环节，利润空间越高；距离该核心越远，竞争越趋向于成本压缩[23][24] 技术演进对岗位结构的影响 - **自动化替代人力**：随着AI技术从非标准走向标准化、再走向自动化，许多系统维护、数据处理等基础设施支持工作被系统替代，人力需求下降[25][26] - **岗位迁移方向**：直接参与模型开发、应用构建或产品创新的岗位需求正在增加，岗位从基础设施支持层向价值创造层迁移[30][31] - **从业者稳定性关键**：工作的稳定性取决于其离AI价值核心（Token）的远近，而非单纯的技术能力，提供支持与基础设施的第三类工作可替代性正在提高[36][37][38] 不同公司的AI战略分化 - **成本控制型战略**：部分基础设施公司将AI视为降低成本、提升效率的工具，选择用前期投入的算力替代持续的人力成本[26][29][35] - **创新加速型战略**：以产品和应用为核心的公司（如WHOOP）将AI视为加速创新的工具，用于缩短研发周期、扩大产品边界，并因此逆势招聘（如计划招聘约600人）[33][34][35] - **战略差异根源**：公司对AI的应用思路决定了人力资源策略，是用于“省钱”还是用于“赚钱”导致了裁员与招聘同时发生的行业图景[41]

甲骨文的战略转变与财务表现 - 甲骨文公司启动新一轮裁员，涉及数千名员工 [4] - 公司计划将年度资本支出提升至约500亿美元规模，主要用于数据中心与AI基础设施建设 [6] - 为支持AI投资，公司自由现金流从2024年的约118亿美元转为负值，并预计在2026年达到-230亿美元 [6] - 2024年公司股价下跌约25%，跌幅超过所有科技巨头 [6] AI基础设施行业的普遍现象 - 在AI基础设施链条上，多家公司在2025至2026年间宣布大规模裁员，包括英特尔裁员约2.5万人、亚马逊裁员约1.6万人、微软裁员约9000人、Block裁员超4000人 [13] - 这些公司承接了AI需求增长，获得了更多订单与使用量，但AI基础设施建设的重资产属性（如数据中心建设周期长、资本密集度高、高端GPU价格达数万美元）导致成本结构剧变 [14][15] - 急剧上升的资本开支迫使公司调整财务结构，人力成本成为最易调整的部分，形成“用人力成本，去换算力成本”的现象 [18][19] AI产业价值结构的集中化 - AI时代的价值正围绕“token”集中，分为生成能力（模型产出token）和消耗能力（用户使用token） [21] - 掌握模型能力（如OpenAI、Google DeepMind）或拥有大规模用户入口的平台能获得高利润空间和定价权，而传统基础设施环节则变得像“电力”和“带宽”，必不可少但难以决定价格 [22][23] - 行业规律显现：越接近token生成与消耗的环节，利润空间越高；距离核心越远，竞争越趋向于成本压缩 [24] 技术标准化与自动化对人力需求的影响 - 随着AI技术从非标准走向标准化再走向自动化，原本需要大量工程师与运维人员完成的工作被系统替代，人力需求自然下降 [26] - 在技术周期早期疯狂招人，技术成熟后大批裁人，成为基础设施公司的典型路径，且AI的发展节奏比云计算更快，可能将十年的标准化进程压缩至三年 [27] - 对于既不掌握模型能力也不掌握用户入口的基础设施公司，其角色是“支持系统”，当公司需要降本提效时，裁人成为必然选项 [25][26] 不同公司对AI的战略应用与人才市场分化 - 以产品和应用为核心的公司（如健康科技公司WHOOP）将AI视为提效工具，用于加速创新和缩短研发周期，而非单纯降低成本，并计划逆势招聘约600人 [33][35] - 这类公司认为AI放大了人的作用，使团队能在更短时间内完成更复杂的工作，从而加速产品迭代和扩展边界 [36] - 当前人才市场出现分化，一方面基础设施公司在裁员，另一方面应用层公司在积极“捡漏”优秀人才，形成了裁员与招聘同时发生的局面 [32][41] 对从业者的影响与职业定位 - 在AI体系中，工作可分为三类：直接创造内容与能力、放大与应用能力、提供支持与基础设施 [37] - 随着AI能力增强，第三类提供支持与基础设施的工作可替代性提高，其价值更难转化为溢价 [38] - 从业者的稳定性与发展空间，关键取决于其岗位与AI价值核心（即token的生成与消耗）的距离，而非单纯的技术能力 [39][40] - 核心问题在于公司是用AI来省钱（降低成本）还是用AI来赚钱（加速创新），这决定了岗位是否值得被保留 [42][43]