AI开始写代码了，Junior SWE越来越少；公司开始用AI提高人效，Entry Level HC不断被压缩；以前一个Team需要10个人，现在可能只需要6个人…… 于是很多留学生开始焦虑：AI继续发展下去，我们还能找到工作吗？

这两年，只要聊到AI和就业，留学生听到的似乎都不是什么好消息。

AI开始写代码了，Junior SWE越来越少；公司开始用AI提高人效，Entry Level HC不断被压缩；以前一个Team需要10个人，现在可能只需要6个人……

于是很多留学生开始焦虑：AI继续发展下去，我们还能找到工作吗？

但最近NVIDIA公布的一组数据，却让我们看到了AI就业市场的另一面。

8月26日，NVIDIA公布FY2027 Q2财报：单季度营收达到962亿美元，同比增长106%；其中Data Center业务收入达到890亿美元，同比增长117%。

也就是说，目前NVIDIA超过九成的收入，已经来自Data Center业务。

黄仁勋在财报中直接表示：“The AI infrastructure buildout is at full steam.” AI基础设施建设正在全速推进。

更值得留学生关注的是，这场AI竞赛已经不只是“哪个公司能做出最强模型”的竞争，它正在变成一场规模巨大的基础设施建设竞赛。

而这背后，很可能藏着未来几年北美求职市场最大的结构性变化之一。

01 黄仁勋最新发声：AI竞争已经进入“基建时代”

过去两年，大家对AI产业的理解基本停留在ChatGPT火了，所以AI Engineer火了；AI需要GPU，所以NVIDIA火了。

但真正的AI产业链远比这复杂。

一个模型想要真正服务几亿用户，需要的不只是Algorithm和GPU，而是一整套庞大的基础设施：Chip → Server → Network → Data Center → Power → Cooling → Construction → Supply Chain → Finance → Operations

而现在，这条产业链正在迅速膨胀，NVIDIA最新财报就是一个非常直观的信号。

FY2027 Q2，NVIDIA Data Center业务收入已经达到890亿美元，相比去年同期增长117%。与此同时，公司的Vera Rubin平台已经进入量产阶段，并开始在CoreWeave、Google Cloud、Microsoft Azure、Oracle Cloud Infrastructure等合作伙伴处部署。

Reuters报道还提到，今年全球AI基础设施相关行业支出预计将超过7300亿美元。

但问题来了：这么多GPU放在哪里？答案是Data Center。

Data Center建起来以后，又出现下一个问题：电从哪里来？服务器怎么散热？几万张GPU怎么连接？设备从哪里采购？园区由谁建设？几百亿美元的项目由谁融资？

于是AI的影响开始从互联网公司一路向现实世界延伸。

Jensen Huang is pictured.

最近黄仁勋在接受采访时也再次谈到这个问题。他认为，Data Center建设不仅是AI产业问题，也可能推动美国的再工业化以及能源基础设施升级。

所以，现在再把“AI求职”简单理解成：CS学生去做AI Engineer，已经有点过时了。

更准确的理解应该是：AI正在逐渐形成一个横跨科技、半导体、能源、制造、建筑、金融和供应链的巨大产业生态。

这也是为什么我们认为，未来几年真正吃到AI就业红利的人，职位名称里甚至可能根本没有“AI”。

02 AI正在抢工作，却也在另一边制造新的岗位

这可能是目前AI就业市场最矛盾的地方。

一方面，AI确实正在改变很多传统Entry Level岗位。

基础Coding、数据整理、Research、文案、简单Financial Analysis……越来越多过去交给Junior完成的Task，现在可以交给AI。

但另一方面，当企业投入数千亿美元建设AI Infrastructure时，又必然需要大量现实世界里的专业人才，而且这些机会，远远不只有CS学生能参与。

第一类：Software / Data

AI时代当然依然需要Software Engineer，但需求结构可能会继续发生变化。

相比非常Generic的SWE，未来更值得关注的可能包括：AI Infrastructure、ML Systems、Distributed Systems、Cloud Infrastructure、Data Engineer、MLOps、Network Infrastructure。

尤其对于CS、DS、Stats、Analytics背景的留学生来说，不一定非要挤最热门的ML Engineer。

比如Data方向，AI模型越多，对Data Pipeline、Data Infrastructure、Storage、Data Quality的要求反而越高。

所以有时候，Data Engineer可能比Data Scientist更值得关注。

第二类：Semiconductor / Hardware / Engineering

AI最终不能只活在软件里，模型要跑在GPU上，GPU要装进服务器，服务器需要电力、网络和散热。

于是整个Hardware产业链都会被拉进来。包括ASIC、Verification、Physical Design、Hardware、Validation、Packaging、Power Systems、Electrical、Thermal/Cooling、Critical Facilities……

这也是EE、ECE、CE、ME等专业真正能够吃到AI红利的地方，甚至一些过去留学生关注度并不高的岗位，现在反而值得重新研究，比如Cooling。

单个AI Rack的功率越来越高之后，散热已经不只是“装几个风扇”的问题，Liquid Cooling等技术正在变得越来越重要。

大家都在卷模型，但很少有人注意到：GPU越强，背后的电力和散热可能越重要。

第三类：Supply Chain / Operations

这一轮机会同样不只是理工科的，AI Data Center需要GPU、服务器、光模块、交换机、电力设备、冷却设备以及大量其他零部件。

这些东西不可能凭空出现在Data Center里。

背后需要：Supply Chain Analyst、Procurement、Strategic Sourcing、Operations、Capacity Planning、Program Manager。

NVIDIA的供应链投入规模本身也在快速扩大。最新报道显示，公司正在通过巨额供应链承诺提前锁定AI芯片所需的关键零部件和产能。

所以Supply Chain、Business Analytics、Industrial Engineering、Operations专业的留学生，也完全可以找到自己的位置。

第四类：Finance / Business

还有一个经常被忽略的方向——钱，一个大型AI Data Center可能涉及极其庞大的资本支出。

谁负责投资分析？谁负责融资？谁计算ROI？谁做预算？谁评估风险？

因此AI Infrastructure继续扩张，也会涉及：Project Finance、Infrastructure Investment、FP&A、Corporate Strategy、Risk、Business Operations等岗位。

所以Finance学生也没必要因为AI火了，突然跑去学Machine Learning。

你真正需要找到的，是：自己的专业 × AI产业链的交叉点。

供电也不再只是项目建成后的保障工作，而是决定Data Center能否落地、何时上线、运营成本多高的核心问题。

这正是科技公司开始争夺Power人才的原因。

03 为什么这轮机会留学生尤其应该提前关注

原因之一就是——现在北美求职实在太挤了。大量国际生的Target Role高度重合：CS投SDE、DS；商科投Consulting、IB；金融数学投Quant，最后大家拿着相似的学历、相似的Project、相似的LeetCode题库，去抢同一批Entry Level岗位。

图片

但如果把视角从“热门岗位”扩大到AI完整产业链，选择会突然多很多，比如CS可以看AI Infrastructure；EE可以看Semiconductor、Power和Data Center；ME可以看Cooling；IE可以看Operations和Capacity Planning；Supply Chain可以看Procurement和Sourcing；Finance可以看Infrastructure Finance；Business可以看Strategy和Program Management。

不是所有人都应该转AI，真正应该做的，是找到自己的专业在AI产业链中的位置。

第二个值得注意的变化，是Location。

过去留学生找Tech工作，很容易形成一种固定思维：Bay Area、Seattle、New York，但Data Center、Semiconductor、Energy和Advanced Manufacturing并不需要全部建在硅谷。

这意味着未来求职时，可以开始主动关注Texas、Virginia、Ohio、Arizona、Pennsylvania等市场。

对于国际生来说，这可能形成一种新的“地理信息差”：别人还在湾区抢一个Generic SWE，你已经开始寻找二线市场里增长更快的AI Infrastructure岗位。

今天这个就业市场里，能够把Target Company和Location主动扩大，本身就意味着更多机会。

04 27NG/27 Summer现在应该怎么布局？

看到这里，最重要的问题其实不是：“那我是不是应该转AI？”

恰恰相反，我们最不建议的，就是所有人看到AI火了之后一窝蜂转AI。

现在真正应该做的第一件事，是改变搜岗位的方法。过去很多学生是Major-based Job Search：我学CS，所以搜Software Engineer；我学Finance，所以搜Financial Analyst；我学EE，所以搜Electrical Engineer。

以后可以尝试变成：Industry Chain-based Job Search。

先找到一个正在增长的产业，再沿着产业链向上下游寻找适合自己的岗位。

比如AI Infrastructure：Cloud → Chip → Server → Networking → Data Center → Power → Cooling → Construction → Supply Chain → Finance

然后问自己：“我的背景，可以进入其中哪一环？”

第二件事，是重新做Target Company List。

不要只有Google、Meta、NVIDIA、Microsoft，真正完整的AI产业链里，还有Semiconductor、Networking、Data Center Operator、Utility、Energy、Cooling、Engineering、Construction、Supply Chain等大量公司。

第三件事，是重新检查简历。

重点不是往简历里硬塞几个“AI”“LLM”“Machine Learning”关键词，而是要让Recruiter看到：你的经历能够解决这个产业里的实际问题。做过FPGA，就研究AI Hardware岗位；做过Supply Chain，就研究AI Server供应链；做过Power System，就研究Data Center Power；做过Financial Modeling，就研究Infrastructure Finance。这远比所有人都去做一个LLM Project有效。

最后，就是时间。

对于正在准备27NG和27 Summer的留学生来说，现在最大的优势不是知道一个“神仙岗位”，而是比别人更早发现招聘市场正在往哪里走。

等一个赛道已经被小红书、LinkedIn、Reddit讨论烂了，所谓的信息差往往也就不存在了。

所以AI时代真正的求职信息差，是谁最早看懂AI背后的整条产业链，并且提前找到自己在其中的位置。

对于留学生来说，现在北美求职最怕的其实不是竞争，而是方向错了之后还在不断海投。

尤其27NG、27 Summer已经陆续进入招聘窗口，同样是投100份简历，有的人是在不断重复低匹配度海投，有的人已经根据专业背景、身份情况和招聘趋势，把Target Role拆到了具体行业、公司甚至Team。

蔓藤教育目前也在针对27NG / 27 Summer学生进行秋招求职规划。

我们不会简单告诉所有学生“现在AI火，你就去转AI”，而是会结合学生的专业背景、学校、过往实习、Project、求职Location以及OPT/H-1B身份情况，重新梳理Target Role和Target Company List。

从前期职业定位、简历优化、岗位筛选，到Networking、Technical Interview、Behavioral Interview以及后续Offer选择，把整个秋招节奏提前规划清楚。

如果你现在还不知道自己应该冲SDE、Data、AI Infrastructure，还是应该往Semiconductor、Finance、Supply Chain等方向拓展，与其等到秋招中后期发现方向不对，不如趁HC还在陆续释放的时候，尽早把自己的求职路线确定下来。