一家长期被视为传统电子制造商的公司，为什么突然站上AI硬件的风口？更重要的是，这件事对正在北美求职的留学生意味着什么？

如果把AI行业比作一场淘金热，

英伟达卖的是最抢手的铲子

OpenAI负责告诉大家金矿在哪里，

而Celestica做的事情更像是：

把矿场的道路、电网和机器全部搭起来。

它不生产GPU，也不训练大模型，名字甚至很少出现在AI热门公司名单里。但这家看起来有些“幕后”的硬件公司，最新季度营收达到58.3亿美元，同比增长83%，还把2027年的营收目标定在了400亿美元，接近2026年的两倍。

财报发布后，CLS股价盘后一度大涨约16%。

一家长期被视为传统电子制造商的公司，为什么突然站上AI硬件的风口？更重要的是，这件事对正在北美求职的留学生意味着什么？

01 AI不只有算法岗，还有一整条硬件产业链

过去两年，市场关注的焦点主要是GPU够不够、英伟达还能增长多久。但当大量GPU真正进入数据中心后，新的瓶颈开始出现：芯片之间如何高速通信，服务器怎样组成计算集群，数据如何快速传输，以及整套系统如何稳定运行。

模型越大，需要协同工作的芯片就越多，对网络带宽、交换设备和系统集成能力的要求也越高。AI基础设施的竞争，正在从单颗芯片逐渐扩展到整套计算系统。

CLS恰好处在这个位置。它不一定拥有最强的品牌声量，却参与了AI算力落地过程中不可缺少的一环。云厂商资本开支增加时，订单不仅流向芯片公司，也会流向交换机、服务器、光通信、供电散热和硬件制造企业。

CLS的增长释放了一个很直接的信号：北美AI招聘的机会，不只存在于大模型公司和GPU厂商，也在向数据中心背后的硬件产业链扩散。

如果求职时只搜索“AI Engineer”或者“Machine Learning Engineer”，很容易错过大量与AI基础设施相关的岗位。

02 哪些专业可以关注？

第一类是计算机和电子工程方向。

除了算法岗，高速网络、分布式系统、云基础设施、嵌入式系统、固件开发和硬件测试，都与AI数据中心密切相关。尤其是网络和系统岗位，它们不负责训练模型，却决定算力能否被稳定使用。

第二类是机械、电气和制造工程方向。

服务器和数据中心同样需要解决供电、散热、设备可靠性和大规模生产问题。Mechanical Engineer、Electrical Engineer、Manufacturing Engineer、Quality Engineer以及Reliability Engineer，都可能参与AI硬件落地。

第三类是供应链和运营方向。

硬件项目涉及芯片、零部件、工厂、物流和客户交付，流程比纯软件产品复杂得多。

因此，供应链分析、采购、项目管理、生产计划和客户运营同样重要。对于不走纯技术路线的学生，这是一条容易被忽略的入口。

03 北美求职不要只看公司名气

很多同学做求职清单时，习惯先写下Meta、Google、Microsoft和NVIDIA，再去找与自己专业最接近的岗位。但在AI基础设施快速扩张的阶段，机会往往分布在那些“大众不熟、行业客户很熟”的公司里。

除了Celestica，还可以沿着产业链继续寻找：谁在做服务器？谁在做网络交换机？谁提供光通信、供电和液冷设备？谁负责芯片测试、设备制造和数据中心建设？

这种搜索方式，比单纯追逐热门公司更有效。因为你关注的不再是“哪家公司现在最火”，而是“AI资本开支最终会变成谁的订单”。

当然，硬件产业链并不意味着更容易进。这类公司通常很看重项目匹配度。申请网络岗位，就要展示你对交换机、网络协议和性能优化的理解；申请硬件或制造岗位，要写清楚设计、测试、良率和可靠性经验；申请供应链岗位，则需要用数据证明自己如何控制成本、管理交付或解决供应风险。

Celestica的财报值得关注，不只是因为营收增长了83%，而是它提醒我们：AI真正落地，需要的不只是模型和芯片，而是一整套庞大的基础设施。

对北美求职者来说，这也意味着求职地图需要重新打开。不要只盯着最热门的公司和最显眼的岗位。越是复杂的产业变革，越会在产业链的不同位置创造机会。