超级AI研究者的经济学（阅读时间12分钟）

# 超级明星AI研究员的经济学 来源：https://epochai.substack.com/p/the-economics-of-superstar-ai-researchers *《梯度更新》(https://epochai.substack.com/s/gradient-updates)栏目分享了对AI进展大问题的更具观点性或非正式的看法。这些文章仅代表作者观点，不一定反映整个 Epoch AI 的观点。* AI 是一个顶尖人才比其他人*好得多*的领域。前沿实验室的超级明星研究员的收入比大多数同事高出十倍以上，而那些同事的年薪也高达百万美元。他们甚至可能比普通AI博士后的收入高出百倍以上： [](https://substackcdn.com/image/fetch/$s_!js8y!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2Fc9eb18de-c8e1-42b3-b6ef-606dbd58ae05_1027x1284.png)*AI研究员薪酬的粗略估算。博士后薪酬基于NSF报告(https://ncses.nsf.gov/pubs/nsf26312)数据。终身教职教授数据参考了2024年Taulbee调查(https://datavisualization.cra.org/TaulbeeSurvey/CRA_Taulbee_Survey_Report_2024.html)对计算机科学家的统计。前沿实验室研究员的薪酬根据Levels.fyi(https://www.levels.fyi/companies/openai/salaries/software-engineer/title/research-scientist?country=254)中OpenAI L4-L5研究员的薪资，以及新闻(https://techcrunch.com/2025/06/27/meta-is-offering-multimillion-dollar-pay-for-ai-researchers-but-not-100m-signing-bonuses/)报道(https://www.wired.com/story/mark-zuckerberg-meta-offer-top-ai-talent-300-million/)中关于超级明星的薪资估算。* 那么，为什么薪酬差异如此之大？天真的解释是，有些研究员确实远超常人。也许超级明星研究员在设计算法和实验方面有着出色的研究(https://x.com/dwarkesh_sp/status/1993391989451014193)品味(https://x.com/dwarkesh_sp/status/1927485816307142737)。或者他们有一种完成"yolo runs(https://x.com/_jasonwei/status/1757486124082303073?lang=en)"的本领——即一次运行就实现许多雄心勃勃的改变，依赖深厚的直觉，而大多数人需要系统地测试各个单独的改变以确保它们有效。在这种框架下，超级明星就是硅谷深深崇拜的"10倍研究员"，正是他们的素质导致了薪酬差异¹(https://epochai.substack.com/p/the-economics-of-superstar-ai-researchers#footnote-1)。 这个解释的问题在于它非常不完整。实际上，*即使超级明星只比普通博士后好一点点*，我们也应该预期看到巨大的薪酬差异。但为什么呢？ 简短的答案是：有一种众所周知的经济动态，将能力的小差异转化为薪酬的大差异。这里有两个例子： - 在100米短跑中，金牌得主获得的奖励和关注度*远高于*银牌得主，尽管他们在大部分赛程中几乎并驾齐驱。想想2012年伦敦奥运会，尤塞恩·博尔特夺得金牌。大多数人都不知道谁得了银牌，尽管仅仅落后0.12秒——你知道吗？ - 一些音乐家的收入远高于其他人。以泰勒·斯威夫特为例：去年她从Spotify赚了6000-7000万美元。我不怀疑她比我是一个"10倍歌手"。但很难说她比艾德·希兰、Blackpink、Charli XCX和拉娜·德雷等其他极受欢迎的歌手*好那么多*，而后者的收入大约在500-2500万美元之间。 在这两个案例中，能力的小差异以某种方式导致了薪酬的大差异。经济学家舍温·罗森称此为"超级明星效应"，当两个条件成立时就会发生这种情况。 1. **一个人的工作可以到达一个巨大的市场。**通常这意味着有很多人的市场，但少数高薪人士或公司也适用。例如，可能有数十亿人(https://www.olympics.com/ioc/news/a-window-for-the-world-london-2012-olympic-games-to-set-broadcasting-milestone)观看了尤塞恩·博尔特赢得100米短跑。你能触及的人越多，超级明星效应就越明显。在整个经济中，具有广泛影响力的职业——如演员、音乐家——比一次服务一个客户的职业（如水暖工、护士、卡车司机）显示出更大的工资离散度²(https://epochai.substack.com/p/the-economics-of-superstar-ai-researchers#footnote-2)： [](https://substackcdn.com/image/fetch/$s_!l5S2!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F0107f09c-c5c5-4d8d-bd60-cadb54b6d0fa_1027x1284.png)*数据(https://data.bls.gov/oes/#/industry/000000)来自美国劳工统计局，涵盖不同职业，显示第90百分位收入与中位数的比率。如果有极端值（例如第99百分位）的数据，我猜想工资离散度的差异会更大。* 2. **劳动质量不容易被数量弥补。**你不能让多个人代替一个短跑运动员，因为这会违反比赛规则。而且，如果你更喜欢泰勒·斯威夫特而不是艾德·希兰，那么通过多去几场艾德·希兰的演唱会来弥补错过泰勒·斯威夫特演唱会的遗憾，是很难做到的。 第一个条件意味着微小的质量优势能捕获巨大的额外价值，因此为最好的付高薪是值得的——只要你不能用数量来弥补质量（第二个条件）。如果你能用数量弥补，你就会雇用更多薪酬较低的人——你不需要花大价钱来雇用顶尖人才³(https://epochai.substack.com/p/the-economics-of-superstar-ai-researchers#footnote-3)。 AI研究员同时满足了这两个条件。市场巨大：ChatGPT有近十亿用户(https://epoch.ai/data/ai-companies?view=graph&tab=usage)，由相同的少数几个底层模型提供服务，因此一个研究员的贡献可以同时扩展到所有用户。 而在AI领域，研究员的数量不容易弥补质量：前沿实验室受到计算资源的限制，所以他们只能运行有限数量的实验来测试新的软件创新(https://epochai.substack.com/p/the-least-understood-driver-of-ai)。两个"仅仅是优秀"的研究员无法替代一个Noam Brown，如果关键是需要深刻的直觉来判断哪些实验值得运行的话。更不用说在时间紧迫的情况下协调研究员的困难了⁴(https://epochai.substack.com/p/the-economics-of-superstar-ai-researchers#footnote-4)。 这就是为什么即使是2倍研究员也能比中位数研究员赚得多得多。扩展到十亿用户，即使是微小的质量优势也能产生巨大的差别价值。而且，如果2倍研究员能提供多个1倍研究员无法提供的东西，那么为获得这一点而支付高薪是值得的。 前沿AI实验室经常被描述为处于"竞赛"中。我不确定它们具体在竞争什么，但似乎常常涉及自动化大量的人类劳动，这一奖励如果获胜，每年可能价值数十万亿美元(https://epoch.ai/epoch-after-hours/ai-in-2030)。这激励着AI实验室采取"要么全有要么全无"的方法，任何能稍微提高他们胜算的东西都可能价值连城。因此，Meta（据称）提供了1亿美元的薪酬包(https://www.wired.com/story/mark-zuckerberg-meta-offer-top-ai-talent-300-million/)，从OpenAI挖走顶尖研究员。 原则上，这甚至可能推动事情远超社会价值（无论你如何定义社会价值）——就像高频交易员花费巨额资金试图更快地执行交易，但几乎没有任何社会效益(https://academic.oup.com/qje/article/130/4/1547/1916146)。 其他因素也在起作用。顶尖研究员脑中携带着宝贵的商业秘密——竞争对手尚未运行过的昂贵实验的结果，而这些实验复制起来需要花费巨额资金(https://epoch.ai/data-insights/openai-compute-spend)(https://epoch.ai/gradient-updates/r-and-d-vs-training-compute)。许多人还管理团队，贡献了超出其纯粹技术研究能力的更多价值；Noam Brown最近将自己描述为"OpenAI的经理(https://x.com/polynoamial/status/2047381460437635313)"⁵(https://epochai.substack.com/p/the-economics-of-superstar-ai-researchers#footnote-5)。每一个因素都可能加剧工资差距，与超级明星溢价分开。 此外，很难定量分析超级明星效应⁶(https://epochai.substack.com/p/the-economics-of-superstar-ai-researchers#footnote-6)。我不知道有什么好方法来量化"研究员素质"。METR的RE-bench(https://metr.org/blog/2024-11-22-evaluating-r-d-capabilities-of-llms/)有一些勇敢的尝试，但这些尝试包含的是孤立的小任务（比如"微调GPT-2"），而不是拥有数百万行代码、模糊目标指标以及多人之间大量协调的项目。 但尽管有这些复杂性，我认为超级明星效应告诉我们几个有用的事情。首先，我看到过一些关于Meta试图以高薪挖角研究员的新闻文章(https://fortune.com/2025/08/29/ai-talent-wars-100-million-or-or-corporate-culture/)(https://www.cnn.com/2025/07/25/tech/meta-ai-superintelligence-team-who-its-hiring)(https://www.cnbc.com/2025/09/06/ai-talent-war-tech-giants-pay-talent-millions-of-dollars.html)，因为他们追求个人超级智能(https://www.meta.com/superintelligence/)。但这些文章通常忽略了重要的超级明星效应（尽管它们经常触及竞赛动态）。 另一个重要的含义是，我们如何看待智能爆炸(https://epochai.substack.com/p/the-software-intelligence-explosion)。如果100倍的薪酬差距是由100倍的研究员素质差距驱动的，那么模拟一个顶尖研究员可能会比模拟一个普通研究员*大幅*加快进展⁷(https://epochai.substack.com/p/the-economics-of-superstar-ai-researchers#footnote-7)。但如果不是这样，如果大部分薪酬差距是由超级明星动态驱动的——那么研究员素质的差距可能实际上要小得多。 最后，了解这种效应让我们对未来即将发生的事情有所提示。我认为超级明星效应在未来只会变得更加重要。这是因为会有更多的人使用AI，而且每个人使用AI系统的频率会更高。随着研究越来越多地转向管理一支Claude大军(https://x.com/bcherny/status/2007179832300581177)，那些拥有深厚研究直觉和多年研究管理经验的人，其生产力以及钱包的大小可能会不断增长。 因此，如果有什么的话，超级明星的薪酬可能会变得更加重要——每年1亿美元的报酬可能真的不够。 *我要感谢Andrei Potlogea、Phil Trammell、Josh You、David Owen、JS Denain、Cheryl Wu、Stefania Guerra、Robert Sandler、Lynette Bye，以及Trajectory Labs的许多人，感谢他们的反馈和支持。还要感谢Luis Garicano最初启发我写这篇文章。*