Anthropic 开出 50 万美元年薪，招一批不懂 AI 的技术高手
11 月初，Anthropic 开放了一项新的研究人才招募计划，叫作 Anthropic Residency。
我看完招聘条件，觉得有点意思。
这是一项带薪的短期研究计划，最长只有六个月，薪酬按照年薪 35 万至 50 万美元的标准计算。更特别的是，Anthropic 明确表示，申请者不需要博士学位，不需要机器学习经验，也不需要发表过学术论文。
但别急着以为 Anthropic 开始降低招聘门槛了。
它真正想找的是另一批人：已经在技术领域取得成绩的教授、技术创业者，以及 Staff 级别的资深工程师。
换句话说，你可以没研究过大模型，但最好已经证明自己有能力解决复杂问题。
我觉得，这则招聘最值得讨论的地方，就是 Anthropic 为什么会做出这样的选择。
当一家站在 AI 技术前沿的公司，愿意支付如此高的薪酬，把其他领域的技术高手请进来重新学习 AI，它究竟看中了什么？
六周到六个月，年薪最高 50 万美元
先看看 Anthropic 给出的具体条件。
Residency 提供三种期限：6 周、3 个月和 6 个月。
参与者将加入 Anthropic 的研究团队，获得研究导师的一对一指导、前沿模型的使用权限，以及专门的计算资源预算。
工作地点以旧金山办公室为主，较短期限的项目可以考虑远程参与。
薪酬按照年薪 35 万至 50 万美元的等值标准计算。
这里有个细节需要注意。
这不是参加六周就能拿到 50 万美元，而是按照实际参与期限折算薪酬。
如果简单按 52 周计算，对应的税前薪酬大致如下：
| 项目期限 | 折算薪酬 | |---|—😐 | 6 周 | 4.0万–5.8万美元 | | 3 个月 | 8.75万–12.5万美元 | | 6 个月 | 17.5万–25万美元 |
具体待遇仍以正式聘用协议为准。
另外，这也不是保证转正的招聘计划。
Anthropic 的目标是让参与者在项目结束后，具备继续从事全职 AI 研究的能力，无论最终加入 Anthropic 还是其他机构。
本轮申请截止日期为 2026 年 11 月 22 日。
值得注意的是，这个项目并非凭空出现。
Anthropic 此前已经开展 Fellows Program，让新进入 AI 研究领域的人参与实际研究工作。
过去的 Fellows 曾参与 Subliminal Learning（潜意识学习）、Petri 自动化审计工具和 Persona Vectors（人格向量）等研究。
Residency 则是在这一模式基础上，进一步面向已经具有丰富技术经验的人才。
它更像是一条帮助成熟技术人才转入前沿 AI 研究的快速通道。
为什么不要求博士，也不要求机器学习背景？
这可能是整份招聘公告里最值得研究的一句话：
申请者不需要博士学位、机器学习经验或已发表的论文。
如果只看这句话，很容易得出一个结论：AI 公司不再重视学历了。
但我认为，这样理解太简单。
Anthropic 同时提出了另一项要求：申请者必须在某个技术领域主导过具有挑战性的工作。
这其实是一个很高的门槛。
一个优秀的 Staff 工程师，通常需要具备跨系统设计、复杂问题定位、技术决策和项目推进能力。
一个成功的技术创始人，往往需要在资源有限、信息不完整的情况下，判断哪些问题值得解决。
一位优秀的数学或物理学教授，则可能已经积累了多年提出假设、设计实验和验证理论的经验。
这些人的共同点，是已经形成了一套相对成熟的解决问题的方法。
Anthropic 在官方文章中解释了招聘逻辑。
机器学习仍然是一个年轻领域。许多资深 AI 研究人员，最初来自物理、数学、神经科学或软件工程。
随着模型能力提高，AI 研究越来越需要有人能够提出有价值的研究问题，并判断什么值得投入时间。
我很认同这个判断。
因为技术研究里有两种能力，经常被混为一谈。
一种是熟悉某个领域已有的知识、工具和方法。
另一种是面对未知问题时，能够找到真正重要的研究方向。
前者可以通过系统学习不断积累。
后者往往需要长期实践、失败经验和独立判断。
尤其在 AI 快速发展的阶段，很多工具和技术细节可能几年内就会发生巨大变化。
但识别重要问题、建立假设、设计验证路径的能力，具有更强的迁移性。
当然，这并不意味着机器学习知识已经不重要。
Residency 本身就安排了专门的自学时间、研究讲座和导师指导，帮助参与者补齐相关知识。
Anthropic 愿意提供这些资源，恰恰说明它认为：对于某些已经具备成熟研究能力的人，补充机器学习知识可能比从头培养研究判断力更有效率。
AI 研究可能正在经历一次人才结构变化
我觉得，这次招聘还反映了一个更大的趋势。
随着 AI 能力提高，进入 AI 研究的路径可能变得更加多元。
过去，如果一个软件工程师想进入顶级 AI 研究团队，通常需要补充大量机器学习知识，甚至重新进入学术体系。
但现在，AI 本身正在改变研究工作的方式。
代码生成、实验脚本、数据处理、文献整理、模型评估，这些工作越来越多地可以借助 AI 工具完成。
这意味着，一个来自其他技术领域的优秀研究者，可能比过去更快地掌握 AI 研究所需的工具。
不过，我认为这背后还有另一层原因。
AI 安全研究需要解决的问题，本来就不局限于机器学习。
例如，怎样保证一个高度自主的 Agent 不会越权操作？
怎样发现复杂系统中的潜在失效模式？
怎样验证模型在恶意攻击下仍然可靠？
怎样设计有效的监督和审计机制？
这些问题与传统软件工程、网络安全、控制理论、形式化验证和系统可靠性都有联系。
一个长期研究分布式系统故障的工程师，可能对 AI Agent 的可靠性提出新的见解。
一个擅长网络安全攻防的研究者，可能更容易发现模型评估体系中的盲点。
一个来自数学或物理领域的研究者，也可能带来不同的建模和实验方法。
当然，跨领域经验并不保证一定能转化为 AI 研究成果。
但如果所有研究人员都接受过高度相似的训练，就可能形成相似的研究习惯和思维盲区。
从这个角度看，Anthropic 招募不同背景的技术人才，也是在增加研究团队的方法多样性。
我认为这比“学历不重要了”更接近事情的本质。
Anthropic 最想解决哪些问题？
这次 Residency 的研究方向，几乎覆盖了 Anthropic 当前关注的多个前沿领域。
其中有几个方向，我觉得尤其值得关注。
第一个是可扩展监督（Scalable Oversight）。
假设未来的 AI 能够解决某些人类专家都难以独立完成的问题。
那么，人类应该怎样判断它的答案是否正确？
过去，我们通常依靠人类评估模型输出。
但当模型能力超过评估者，传统监督方式就会遇到困难。
可扩展监督研究的目标之一，就是寻找能够持续评估更强模型的方法。
这可能成为未来高级 Agent 系统的重要基础。
第二个是对抗鲁棒性与 AI 控制（Adversarial Robustness and AI Control）。
当 AI 开始操作真实工具、访问外部系统时，安全问题会变得更加复杂。
一个 Agent 可能受到恶意网页内容、被污染的工具返回结果或其他对抗性输入的影响。
研究人员需要弄清楚，怎样让系统在这些情况下仍然遵守预定的安全边界。
第三个是模型内部机制与可解释性（Model Internals and Interpretability）。
我们已经能够训练出能力很强的大模型，但对模型内部如何形成某些判断，仍然缺乏完整理解。
可解释性研究试图更深入地理解模型内部的计算机制。
这可能帮助研究者发现某些异常行为的原因，并设计更有针对性的干预措施。
第四个是 Model Organisms of Misalignment。
这个方向的名称比较特别，可以理解为构造和研究具有特定不对齐行为的实验模型。
例如，在可控实验环境中研究模型为什么会表现出欺骗、隐藏目标或其他偏离预期的行为。
研究目的，是通过可观察、可重复的实验，更好地理解未来系统可能出现的安全问题。
此外，Anthropic 还列出了防护研究、AI 福利、前沿模型红队测试，以及机器学习系统和强化学习等方向。
这里有个容易被忽略的细节。
Anthropic 并没有把所有研究都限制在抽象的 AI 对齐理论上。
它同样关注模型训练基础设施、优化器、训练数据、硬件后端和强化学习环境。
这说明它需要的人才范围相当广泛。
一个擅长系统工程的资深开发者，也可能找到与自身经验相关的研究问题。
为什么愿意支付这么高的薪酬？
这部分是我自己的推测。
首先，Anthropic 要招募的人，很多本来就拥有不错的职业发展路径。
一位优秀的 Staff 工程师，可能已经在大型科技公司获得很高的薪酬。
一位技术创始人，可能正在经营自己的公司。
一位成熟的研究人员，也可能已经拥有稳定的学术职位和研究资源。
让这些人暂时离开熟悉的领域，转向一个尚不确定的新方向，本身就存在机会成本。
高薪可以降低他们尝试转型的经济阻力。
其次，短期项目能够降低双方的长期承诺。
对 Anthropic 来说，可以在真实研究任务中观察候选人的能力。
对参与者来说，也能在不立即承诺长期职业转型的情况下，接触前沿研究环境。
但我认为，还有一个更值得关注的因素。
Anthropic 可能正在寻找那些能够帮助它发现新问题的人。
AI 研究竞争非常激烈。
算力、数据、算法和工程能力都很重要，但研究方向本身也决定资源投入的效率。
如果一个研究团队能够提前识别其他团队忽视的问题，可能节省大量无效实验和工程投入。
在这种情况下，优秀研究人员的价值很难简单按照工作时长计算。
当然，我们无法仅凭这则招聘公告判断 Anthropic 内部究竟如何计算人才投入回报。
但至少可以看出，它愿意为已经被其他领域验证过的技术判断力支付很高的价格。
这对普通程序员意味着什么？
看到这里，可能有人会觉得：
既然 Anthropic 不要求机器学习背景，那普通程序员是不是也有机会进入顶级 AI 公司？
理论上，跨领域进入 AI 研究的路径确实在扩大。
但必须看到，这次 Residency 明确面向已经取得成绩的技术领袖。
没有博士学位，不等于没有能力门槛。
没有机器学习经验，也不等于不需要技术深度。
对于大多数程序员来说，这次招聘更重要的启示，可能是重新思考自己的能力积累方向。
过去，我们习惯把技术成长理解为不断学习新的语言、框架和工具。
从 Java 到 Kotlin，从传统开发到云原生，再到 AI Coding。
但如果未来 AI 能够越来越熟练地使用这些工具，那么仅仅掌握工具的价值可能会受到挤压。
相比之下，定义问题、设计系统、判断技术取舍、验证结果的能力，可能更加重要。
这里也存在一个值得警惕的矛盾。
AI 让更多人能够完成过去需要专业训练的工作，但它未必会平均提高所有人的市场价值。
当基础执行能力变得更容易获得，已经具备深厚领域知识、独立判断能力和组织经验的人，反而可能获得更大的杠杆。
一个优秀的工程师可以借助 AI 完成更多实验。
一个优秀的研究者可以更快验证假设。
一个优秀的技术负责人可以管理更多自动化任务。
但如果一个人的竞争力主要来自重复执行标准化工作，那么 AI 提升生产效率的同时，也可能降低市场对这部分劳动的稀缺性评价。
这也是为什么我认为，Anthropic 这次招聘值得程序员认真看一看。
它展示了一种可能正在增强的人才需求：企业愿意为能够提出重要问题、组织复杂工作并快速验证结果的人支付高额报酬。
但我们也不应该把一项招聘计划夸大成整个行业的确定趋势。
真正值得观察的是，未来是否会有更多 AI 公司采用类似方式，以及这些跨领域研究人员最终能否持续产出有价值的成果。
我更关心的，是 AI 时代究竟怎样评价人才
过去几十年，学历、工作年限、技术栈和论文成果，都是人才评价的重要依据。
这些指标并不完美，但它们提供了一套相对容易比较的标准。
现在，AI 正在改变一些能力的获取成本。
一个人可能没有系统接受过某项技术训练，却能够借助 AI 快速理解文献、编写实验代码、验证想法。
但这不代表专业训练失去了价值。
因为 AI 可以帮助你完成实验，却不能保证你提出的问题值得研究。
它可以生成大量代码，却不能保证你选择的技术方向正确。
它可以总结论文，却不能替你承担研究结论的责任。
我认为，未来人才评价可能会更加关注一个人过去实际解决过什么问题，以及能否把这种能力迁移到新的领域。
这也解释了为什么 Anthropic 会特别提到技术创始人、量化领域教授和 Staff 工程师。
这些身份背后，通常意味着候选人已经在复杂环境中承担过重要责任。
不过，这套筛选方式也有盲点。
过去取得成绩的人，未必最擅长探索新领域。
资深经验有时会带来思维惯性。
而一些尚未获得头衔的年轻研究者，也可能提出真正突破性的想法。
所以我不认为未来的 AI 研究会完全由资深技术人才主导。
更可能出现的情况，是传统学术研究者、跨领域专家和年轻技术人才，通过不同路径进入同一个研究领域。
这对整个行业未必是坏事。
最后
Anthropic 这次 Residency，表面上是一项高薪研究人才招募计划。
但它透露出一个值得关注的信号。
当 AI 技术发展得越来越快，顶级研究机构可能不再只从传统机器学习人才池里寻找研究者。
数学家、物理学家、软件工程师、技术创业者，都有可能带着各自领域积累的方法和经验进入 AI 研究。
我认为，这背后真正发生变化的，是知识与能力之间的关系。
具体知识仍然重要，但获取知识的速度正在提高。
工具使用能力仍然重要，但工具本身正在快速进化。
相比之下，一个人能否识别有价值的问题、建立合理的研究路径、判断结果是否可信，可能越来越能决定他的长期价值。
Anthropic 愿意花高价寻找的，正是那些已经证明自己具备这些能力的人。
这对程序员来说，既是机会，也是压力。
机会在于，职业发展的边界可能比过去更加开放。
压力在于，如果长期只积累某一种工具的使用经验，而没有形成独立解决复杂问题的能力，那么技术更新越快，过去经验的折旧速度也可能越快。
未来真正值得积累的，或许是那些即使换一个行业、换一套工具、换一个技术时代，仍然能够发挥作用的能力。
—
申请信息与参考资料
Anthropic Residency 官方介绍：
https://alignment.anthropic.com/2026/anthropic-residency/
申请截止：2026 年 11 月 22 日。
具体申请链接请通过官方介绍页进入对应岗位。
本文招聘条件、项目安排及研究方向依据 Anthropic 官方公告整理；有关 AI 人才评价、职业竞争与研究范式变化的内容，为作者分析与推测。