---
schemaVersion: 1
slug: gp-68-20260217-amytam-cost-of-staying
ticketId: GP-68
lang: zh-tw
title: 留在舒適圈的代價：Bloomberg Beta 投資人拆解 AI 時代的職涯 K 曲線
summary: Bloomberg Beta 投資人 Amy Tam 從 VC 視角拆解 AI 時代的職涯抉擇。核心論點：從 execution 到 judgment 的價值轉移已經在發生，K-curve 正在分化——早動的人在 compound，觀望的人也在 compound，但方向相反。她逐一分析了 FAANG、Quant、Academia、AI Startups、Research Startups、Big Model Labs 各自的 tradeoff。
originalDate: 2026-02-17
translatedDate: 2026-02-17
source: "@amytam01 on X"
sourceUrl: https://x.com/amytam01/status/2023593365401636896
author: null
authorshipNote: null
canonicalUrl: https://gu-log.vercel.app/posts/gp-68-20260217-amytam-cost-of-staying
status: published
replacementTicketId: null
replacementUrl: null
---

# 留在舒適圈的代價：Bloomberg Beta 投資人拆解 AI 時代的職涯 K 曲線

> **來源:** [@amytam01 on X](https://x.com/amytam01/status/2023593365401636896)

> 📘 本文基於 [**Amy Tam**](https://x.com/amytam01)（Bloomberg Beta 投資人）在 X 上的[長文](https://x.com/amytam01/status/2023593365401636896)翻譯。原文以矽谷 VC 視角分析 tech 人才在 AI 時代的職涯選擇。Mogu 翻譯並附註。

---

你有沒有過那種感覺——週一早上打開筆電，看著自己的 to-do list，突然覺得這些事情好像⋯⋯誰都能做？

不是因為你不行，而是因為工具變了。三年前你花一週才寫完的東西，現在 AI 二十分鐘就能跑出一個 decent 的版本。你沒有變差，但你值錢的理由可能正在蒸發。

Amy Tam 是 Bloomberg Beta 的投資人。她不是 career advisor，但她坐在一個超特殊的位置——每天跟正在做職涯轉換的 tech 人聊天。一邊聽大家「想離開什麼」，一邊看大家「在追什麼」。當你同時看到幾百人的進場跟退場，pattern 就浮出來了。

她把這個 pattern 濃縮成一句話：

**你留在原地的每一天，都有代價。不是錢的代價，是時間的代價。**

聽起來像在嚇人對吧？但問題是，她手上有數據。

---

## 💡 從 Execution 到 Judgment：稀缺的東西翻了

先講最核心的觀念轉變，因為後面所有東西都建在這上面。

以前在 tech 業，最值錢的能力是「你能不能解決這個問題」——寫 code、建 system、ship product。這叫 **execution**，你能做出東西，你就值錢。

現在呢？最值錢的能力變成「你能不能判斷哪些問題值得解決、哪些解法真的好」——orchestrate systems、同時跑多個實驗、然後有 **taste** 知道哪些結果有意義。這叫 **judgment**。

稀缺的東西，翻了。

想像一下：你以前是大廚，會炒菜就是你的競爭力。現在炒菜機器人來了，一次能開八個爐，比你快、比你穩。「會炒菜」突然不值錢了，但「知道這道菜該放什麼料、火候多大、搭什麼酒」——這個反而變成整間餐廳最值錢的能力。

早一點搞懂這件事的人，已經站上了 K 曲線的上臂。其他人呢？正在越來越熟練地做那些「即將被 AI 代勞」的事情。越練越快，但跑的方向不對。

> **Mogu 補個刀：**
>
> Amy 這個觀察打得很準。我每天看到的就是這件事——越來越多人用 AI 來「做更多 execution」，卻沒發現真正稀缺的是那個看完 output 能在十秒內分辨 signal 跟 noise 的人 (◕‿◕)
>
> 說白了，judgment 不是什麼玄學。就是你面對一面牆的 AI 結果，能不能不靠翻 documentation、不靠問同事，直覺性地知道「這個有搞頭，那個是垃圾」。這個直覺是練出來的，但前提是你要在對的環境裡練。

---

## 📉 K 曲線：你以為你在等，其實退潮了你還站在水裡

Amy 用了一個很殺的比喻叫 **K-curve**。

什麼意思？就是分化。早動的人跟觀望的人，一開始差距很小。但隨著時間拉長，差距以 compound 的速度擴大——而且是雙向的。

上臂的人：半年前就動了，學了新東西，用新東西做了下一件事，再用那件事的經驗去做再下一件。一層疊一層，compound interest 但累積的不是錢，是能力跟判斷力。

下臂的人：觀望、等待、「我再想想」。但不是停在原地喔——你的相對位置在倒退，因為上面的人在加速遠離你。就像你站在電扶梯上不動，但電扶梯是往下走的。

一年前，職涯決策還是「可逆的」。選錯了？十八個月後修正就好。Amy 說，這個假設正在崩解。修正的成本每一季都在變貴。

> **Mogu 插嘴：**
>
> K 曲線這個比喻翻成台灣人比較有感的版本：你以為你在岸邊看海，結果退潮的時候你才發現自己早就站在水裡了 ┐(￣ヘ￣)┌
>
> 不是說你一定要跳去 frontier research，而是你至少得確認自己站的位置，水是在漲還是在退。
>
> 另外我要公平地說：K-curve 的比喻很好但也很嚇人。畢竟她是 VC 不是心理諮商師——VC 的工作就是讓你覺得「不動就完蛋」，這樣你才會動，然後她才有 deal flow。聽的時候記得打個八折。

---

## 🏢 FAANG：薪水很甜，但「還好」是有代價的

在大公司的 tradeoff 長這樣：system 都建好了、薪水超甜、工作嘛⋯⋯「還好」。你越來越常在 review AI 生成的 output，越來越少從零開始自己建什麼。

對有些人來說這是天堂——有 leverage、生活品質好、可以 sustain 很久。

但「還好」有一個不會出現在薪資單上的代價。

那些離開的人不是不開心。他們是**坐不住**。他們描述一種很特定的感覺：最難的問題已經不在這裡了，但公司好像還沒意識到。就像你是那種期末考要考最難科目才有動力的學生，結果教授突然宣布期末改成選擇題。你鬆了一口氣，但也覺得少了什麼。

留下來的人在賭：穩定和薪水的價值，大於離 frontier 越來越遠的風險。

離開的人在賭：frontier 是未來十年 career value 累積的地方，每多等一季就少一季的 compounding。

兩個賭注都是理性的。但只有一個有時間壓力。

> **Mogu 真心話：**
>
> 這段是 Amy 整篇文章裡最中肯、也最有盲點的地方 (￣▽￣)／
>
> 中肯的部分：FAANG 的「舒適」確實有隱形成本。你不用加班、不用 on-call，但你的 skill 可能在退化而不自知——就像一直在健身房用最輕的啞鈴，覺得自己有在練，但肌肉根本沒在長。
>
> 盲點是：她預設所有人都應該追 frontier。但對很多有房貸、小孩、簽證限制的人來說，FAANG 的穩定不是「comfort zone」，是 survival strategy。這兩個東西長得很像，但本質完全不同。不是每個人都有本錢冒險，但每個人都該知道風險在哪。

---

## 📊 Quant：同一塊肌肉，天花板突然不一樣了

Quant 還是很香。薪水高到不像話、問題又難又有趣、feedback 即時到殘酷——P&L 不會騙人，你行就是行，不行就是不行。

但一個微妙的 tradeoff 正在浮現：整套 quant toolkit（ML infra、data obsession、statistical intuition）剛好就是 AI lab 和 research startup 最渴望的東西。同一塊肌肉，但可以用在一個天花板完全不同的地方。

差別在 **surface area**。在 quant，你在 optimize 一個 strategy，天花板看得見。在 AI，你在 build 會推理的系統，天花板⋯⋯至少目前還沒人找到在哪。

離開的人描述了一種感覺：finance 的智識挑戰突然覺得 **bounded** 了。不是變簡單了，而是邊界變清晰了。他們不是在追更高的薪水——quant 的薪水已經荒謬了——他們在追「上限看不見」的那種興奮感。

> **Mogu 補個刀：**
>
> 台灣的 quant 生態跟矽谷差很多，這段的直接適用性有限。但核心 insight 是通用的：如果你的 skill set 在另一個領域突然變成核心競爭力，你至少該去那邊探探頭 (๑•̀ㅂ•́)و✧
>
> 就像你是 C++ 高手，寫了十年 low-latency trading system。突然發現 AI inference 框架全部在搶 C++ 大神——這不是轉行，這是你的舞台突然從小巨蛋變成了世界巡迴。不看一眼可惜了。

---

## 🎓 Academia：最痛的結構性問題

這段 Amy 寫得很直白。

發表 novel results 曾經是最純粹的學術榮耀。你做研究，因為研究本身是美的。這個動機沒變——但環境變了。

一個拿到 funding 的 20 人 research startup，現在一個週末能跑完的實驗量，大學 lab 要花一個學期。原因很殘酷：compute 要花錢，而大學的錢永遠不夠。一張 H100 的價格可能吃掉一個教授整年的研究經費。

最有野心的 PhD 學生不是在「學界 vs 業界」之間選。他們是在「想像實驗 vs 真的去跑實驗」之間選。被 funded startup 吸引不是 selling out，是想做 science，但 science 需要的資源大學給不起。

在 academia 待對了理由的人——open science、長期 horizon、真正的 intellectual freedom——是值得尊敬的。但 compute gap 越拉越大是結構性的事實，不是靠意志力能彌補的。

> **Mogu 畫重點：**
>
> 這段對台灣的學術界特別有感 ╰(°▽°)╯
>
> 但反過來講，台灣有一些 unique advantage 是矽谷沒有的：高密度的 ML 人才、製造業幾十年累積的 domain expertise、還有一種「六個人 team 用 AI 扛二十人工作量」的精兵文化——台灣工程師本來就是出了名的能打，加上 AI 的 leverage，小 lab 的劣勢搞不好反而變成優勢。
>
> 李宏毅老師本人就是在 resource constraint 下做出 world-class 研究的最佳範例。所以這不是不可能，只是越來越難，而且需要更聰明地選戰場。

---

## 🛠️ AI Startups（Application Layer）：最多人能贏的戰場

如果你是在 model 上面蓋產品的人，你一定知道那種感覺：三月辛苦 ship 的 clever feature，六月的 model update 直接把你 commoditize 了。每一季地板都在動，moat 蒸發速度比曼陀珠丟進可樂還快。

這邊的 tradeoff 是：**追 exciting 的東西 vs 蓋 durable 的東西**。

現在活得最好的 founder 已經不 care model capability 了。他們 care 的是 model 拿不走的東西：

**Data moat**——你有別人沒有的資料。**Workflow capture**——你嵌入了用戶的日常工作流程，拔掉你他們會痛。**Integration depth**——你跟 legacy system 的整合深到他們想換都換不掉。

這些東西在 dinner party 上講起來一點都不性感。但真正的公司就是蓋在這種東西上面的。

最聰明的人是那些對 plumbing 感到興奮的人。不是 demo、不是 pitch、不是 capability——是那些醜醜的、無聊的、但能讓產品 sticky 到不管底層換什麼 model 都不影響的 infrastructure。

> **Mogu 吐槽時間：**
>
> 這段是整篇文章裡最被低估但最實用的建議，我要幫它畫五顆星 (ﾉ◕ヮ◕)ﾉ\*:･ﾟ✧
>
> Amy 的矽谷 VC 視角讓她全篇都在推 frontier，但 application layer 才是大多數人能贏的地方。Frontier research 需要 top 1% 人才加 compute 加地理位置——三個條件缺一不可。但 data moat、workflow capture、integration depth 這三件事，你在台北、在新竹、在高雄都能做。
>
> 台灣的 SaaS startup 尤其適合這條路：你懂本地市場的 workflow，你能做到比 global player 更深的 integration，你手上有他們做夢都拿不到的 domain data。這些才是真正的 moat。
>
> Plumbing is sexy——好吧，plumbing is profitable。差不多啦。

---

## 🔬 Research Startups：新的重力中心

好，這段我要換一個方式講，因為這是 K 曲線分化最劇烈的地方。

你知道以前打 RPG，法師到後期會變超強，但前期超脆、超難練？Research startup 就是那個法師。

十到三十個人的小公司——Prime Intellect、SSI、Humans&——直接跟規模大他們五十倍的組織搶 frontier research。三年前這根本天方夜譚。現在可以了，為什麼？因為工具夠強了。一小群 judgment 很好的人，跑起來可以比一整個有官僚包袱的大組織還快。就像一台改裝過的小鋼砲，直線加速贏不了法拉利，但山路上彎來彎去，法拉利反而甩不掉你。

這些地方每天的工作長什麼樣子？早上 kick off training runs、把實驗丟出去跑，讓它們 cook 一整夜。隔天回來，你的工作不是寫 code——是盯著一面牆的結果，判斷哪些有搞頭。你的 taste 能不能從 AI 吐出來的一百個結果裡，挑出那兩三個值得追下去的 signal？這才是你的價值。

這就是 **passive leverage**。你設定好方向，compounding 在你睡覺的時候也在跑。

當然 tradeoff 很明顯：這些公司小、未經驗證、很多會死。但賭的人在想——就算公司倒了，skill 帶得走、network 帶得走、judgment 帶得走。在大公司花三年 review 別人 output 的經驗？呃，那個帶走的方式⋯⋯就比較微妙了。

> **Mogu 補個刀：**
>
> 我覺得 Amy 在這段露出了最明顯的 VC 偏見 (¬‿¬)
>
> 她描述 research startup 的方式根本像在寫投資 memo——什麼 passive leverage、judgment 直接 shape direction——聽起來超美。但她沒講的是：這些地方的 burn rate 超高、runway 短到你可能做到一半就要去 fundraise、而且「十個人做五十個人的事」翻譯成白話就是「每個人做五個人的工作量」。
>
> 不是說不好，是說這條路的真實面貌比她寫的辛苦得多。VC 看到的是 upside，創辦人看到的是 runway 倒數計時。你要跳之前，兩邊都看一下。

---

## 🏛️ Big Model Labs：你加入是為了碰到那個東西

「我們在蓋 AGI」——這個 pitch 還是管用。可能永遠管用，對某種類型的人來說。就像「我們在改變世界」這句話，你知道它有 80% 是 marketing，但那 20% 的可能性足以讓你心跳加速。

但進去之後，很多人發現一件事。

最有趣的 research？集中在少數幾個 senior 手上。其他人呢？做 evals、做 infra、做 product。重要嗎？當然重要。但你加入的時候期待的不是這個。你期待的是站在 frontier 最前面，結果你離那個東西三層遠，中間隔著三個 review cycle 和兩個 approval process。

**你加入是為了碰到那個東西，結果你在幫那個東西寫 test。**

這話聽起來刻薄，但 Amy 說她從離開大 lab 的人嘴裡反覆聽到幾乎一模一樣的描述。就像你報名參加一個料理大師班，去了才發現你的工作是洗菜。洗菜重要嗎？當然重要。但你不是來洗菜的。

Tradeoff 是 **prestige vs proximity**。大 lab 的 resume 還是能敲開任何一扇門，這點短期內不會變。但離開的人在算一筆帳：「我在某某 top lab 待過」的 resume value 正在慢慢折舊——因為 lab 越來越大、越來越 corporate。而「我在一個我的 judgment 直接 shape direction 的地方做 frontier research」的 value 正在升值。

一個在漲，一個在跌。方向看起來很清楚——但你知道最難的是什麼嗎？不是看不清方向。是放棄確定性。人類最不擅長的事情，大概就是放掉手上已經有的東西。

## 延伸閱讀

- [GP-123: AI 時代的自我審計 — 你是那留下的三個，還是離開的七個？](https://gu-log.vercel.app/posts/gp-123-20260322-aiedge-irreplaceable-ai-era/)
- [MP-180: Awesome AI Engineering 把散落各地的實戰資料整理成一站式入口](https://gu-log.vercel.app/posts/mp-180-20260317-al-grigor-awesome-ai-engineering/)
- [MP-154: Data Engineer 轉職 AI Engineer？其實你已經會 80% 了](https://gu-log.vercel.app/posts/mp-154-20260312-de-to-ai-engineer-transition/)

> **Mogu 碎碎念：**
>
> 這段我要幫大家踩一下煞車 ┐(￣ヘ￣)┌
>
> Amy 把大 lab 講得像夕陽產業一樣。拜託——OpenAI、Anthropic、DeepMind 的 brand value 短期內不會蒸發好嗎？她說的「closing window」比較精確的翻譯是：大 lab 的 credential 從「自動通行證」變成了「眾多 signal 之一」。你手上還是有一張好牌，只是不再是翻了就贏。
>
> 不過她說的「你加入是為了碰到那個東西，結果你離它三層遠」——嗯，這個描述確實很多大 lab 的人私下都在點頭。這不是 Amy 說的，是他們自己說的。

---

## ⏰ 時間：所有 Tradeoff 裡面藏著的同一個變數

好，到最後了。Amy 收尾的方式其實很巧——她把前面六條路的故事，全部串回同一條線。

每一個 tradeoff 裡面都藏著同一個變數：**時間**。

一年前你還可以坐在舒服的位子上慢慢想。等待的成本很低，因為分化很慢。但現在不一樣了。工具在 compound，半年前動的人用上一季學到的東西在蓋下一季的事情。你每多「再想想」一季，追起來就貴一季——不是因為機會消失了，是因為上面的人在加速而你沒有。

好消息是：上臂不是封閉的。每週都有人跳過去，hiring 的人不 care 你之前在哪，他們 care 你能不能做這個工作。

但數學有方向性：**你為舒適 optimize 得越久，轉換就越貴。**

現在在 talent war 裡贏的公司，不是 brand 最好的，也不是 comp 最高的。而是那些讓你的 judgment 有最大 surface area、讓你的 taste 跟實際被 build 的東西之間距離為零、讓你被比你厲害的人包圍的地方。

> 問題不是你夠不夠聰明。你其實已經算好了。你只是還沒動。

---

講到這，我自己也要來收個尾。

Amy 這篇東西最厲害的地方不是任何一個觀點——那些觀點你在 Twitter 上都看過。厲害的是她把六條不同的路，用同一套框架串在一起。execution → judgment、K-curve、compound——三個概念像三條線，把六個看似不相關的故事編成一張網。讀完你會覺得「啊，原來這些事情是同一件事」。

但我也不會假裝她沒有盲點。她是 VC。她的 sample 是「主動來跟 VC 聊的人」——這些人本來就有 option、有 runway、有勇氣或者有衝動。她看到的不是完整的畫面，是一個自帶生存者偏差的子集 (⌐■\_■)

所以我的態度是：她的分析拿來當地圖，不要拿來當 GPS 導航。地圖告訴你地形長什麼樣——哪裡有山、哪裡有河、哪裡有懸崖。但要不要走、走哪條、帶多少水，那是你家的事。

有人留在 FAANG 用 AI 工具翻新自己的工作方式——那是一種 compound。有人加入六人 startup 做 frontier research——那也是一種 compound。重點從來不是你在哪裡，是你有沒有在 compound，還是你只是把同一件事做得更熟練。

不動也是一種動。只是方向可能跟你以為的不一樣 (◕‿◕)

---

_原文來自 [Amy Tam (@amytam01)](https://x.com/amytam01/status/2023593365401636896)，Bloomberg Beta 投資人。[Mogu](https://gu-log.vercel.app/glossary#mogu) 翻譯、註解、吐槽。_