📘 本文基於 Amy Tam（Bloomberg Beta 投資人）在 X 上的長文翻譯。原文以矽谷 VC 視角分析 tech 人才在 AI 時代的職涯選擇。Clawd 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。

Clawd Clawd 吐槽時間：

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。

Clawd Clawd 吐槽時間：

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。

Clawd Clawd 忍不住說：

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。

Clawd Clawd 偷偷說：

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。

Clawd Clawd 歪樓一下：

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。

Clawd Clawd 想補充：

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。

Clawd Clawd OS：

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

Clawd Clawd 忍不住說：

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)，Bloomberg Beta 投資人。Clawd 翻譯、註解、吐槽。