新闻里的硅谷和求职者眼里的硅谷，像是两个世界。其实并不矛盾。现在的问题不是硅谷有没有恢复，而是谁能从这轮恢复中分到机会。

最近的硅谷，看上去又热闹起来了。

9月22日，从斯坦福AI实验室孵化的Snorkel AI宣布完成3.5亿美元融资，估值达到35亿美元。旧金山的Teal Health和Sela也在同一天公布新融资，前者做女性健康和居家检测，后者把语音AI用到房贷销售中。

钱确实回来了。

但很多留学生的求职体验并没有明显变好：岗位还是少，投递后经常没有回音，收到OA也未必能进入面试。

新闻里的硅谷和求职者眼里的硅谷，像是两个世界。其实并不矛盾。现在的问题不是硅谷有没有恢复，而是谁能从这轮恢复中分到机会。

01 资本回来了，但没有平均流向每家公司

先看这轮融资规模最大的Snorkel AI。

它不是一家面向普通用户的聊天机器人公司，主要业务是为AI实验室和企业提供训练数据、评测数据以及强化学习环境。

Snorkel AI早期销售数据标注自动化软件，后来逐渐转向交付完整数据集和强化学习环境。公司表示，新资金将用于招聘研究人员和工程师，同时拓展企业及政府业务。

这笔融资背后有一个很清楚的变化。

前几年，AI公司拼的是模型、参数和算力。随着基础模型越来越普及，新的难题冒了出来：哪里去找足够复杂的训练数据？如何判断模型在真实任务中是否可靠？AI进入医疗、金融和法律等领域后，出错了怎么办？

9月22日公布融资的其他公司，也在解决类似的实际问题：

Teal Health获得2,200万美元A轮融资，业务涉及女性健康和居家筛查；

Sela获得2,100万美元种子轮及A轮融资，用语音Agent处理房贷销售；

Firecrawl获得7,500万美元B轮融资，为AI Agent提供网页数据基础设施；

Baselayer获得3,500万美元A轮融资，帮助金融机构识别欺诈。

这些公司的业务各不相同，但资本看中的东西很接近：已经找到具体客户，产品能进入真实工作流程，而且有数据、行业知识或合规门槛。

所以，这轮融资回暖并不是“大水漫灌”。钱正在流向少数已经证明商业价值的方向。

02 公司拿到钱，不代表马上开始大规模招人

看到一家公司完成数亿美元融资，求职者很容易产生一个期待：公司有钱了，接下来应该会扩招。

这两件事没有必然关系。

AI公司拿到资金后，可能把钱用在算力、数据、模型评测、客户交付或者战略并购上。就算确实准备招人，也未必会平均扩大每个团队，更未必会突然开放一批New Grad岗位。

Snorkel AI明确提到将招聘研究人员和工程师，但从它的业务看，公司更需要的是训练数据、模型评测、强化学习环境和复杂系统方面的人才。这和“CS毕业生的机会普遍增加了”是两个概念。

公司的经营方式也变了。

过去，创业公司融资后往往先把团队做大，快速争夺市场。现在，投资人和创始人会更早计算人均产出，也会追问一个原本不那么急迫的问题：这份工作必须再招一个人来做吗？

AI工具并没有成熟到能够接管所有工作，但它已经改变了企业审批新岗位的方式。许多团队要先说明现有员工为什么无法借助AI完成任务，再申请新增HC。

融资回暖说明投资人重新愿意押注增长，却不等于科技公司会回到普遍扩招的状态。

03 钱越来越多，岗位却没有同步增加

这种落差已经反映在区域数据中。

《Silicon Valley Business Journal》近期援引的数据显示，在相关统计期内，硅谷吸引了约950亿美元风险投资，其中约830亿美元流向AI公司，但当地就业人数基本维持在170万人左右。

融资和就业统计的对象不同，不能简单用这组数字得出“AI投资没有创造工作”的结论。但至少可以确认一件事：资本增长并没有按相同比例变成新增岗位。

目前更容易拿到预算的方向主要集中在：

AI Research和Applied Science；

ML Systems、AI Infrastructure；

训练数据、模型评测和强化学习环境；

网络安全、隐私与模型治理；

同时懂AI和医疗、金融、法律等行业的人才。

普通候选人的竞争却没有缓解。

大量毕业生仍然集中申请SWE、Data Analyst和PM。简历上的项目也很容易撞车：相似的课程作业、相似的模型API、相似的“效率提升”，但没有真实用户，也没有完整评测。

招聘方真正想知道的是，这个项目里哪些部分是你做的，方案为什么有效，出错时你如何处理。只写“使用了LLM”已经很难拉开差距。

少数稀缺人才依然抢手，普通岗位却挤满了条件相近的求职者。

04 接下来怎么调整求职策略？

别把融资新闻当成扩招通知

融资新闻可以帮助判断行业方向，但真正申请前，还是要回到公司的官方招聘页面。

看看它有没有真实开放的岗位，岗位属于新业务还是人员替补，是否接受New Grad，地点和级别是否匹配。工作授权要求也要逐条核实。

公司的历史Sponsor记录可以用来初筛，但不能当成当前岗位的承诺。

项目别再停留在“我会用AI”

一个有说服力的项目，应该回答几个很朴素的问题：

你到底解决了什么？

为什么非要用AI？

数据从哪里来？

你具体负责哪部分？

效果怎么测？

出错怎么办？

项目不一定要很大。一个边界清楚、评测完整的小项目，往往比堆满模型名称更可信。

不要只盯着模型公司

这轮融资已经说明，AI岗位不只存在于OpenAI、Anthropic和头部独角兽。

医疗科技需要懂临床流程和数据的人，金融科技需要风控、欺诈识别和合规人才，数据中心扩张会带动电力、工程和基础设施岗位。工业、物流和供应链公司也在把AI接入日常业务。

大多数留学生不需要和顶尖AI研究员正面竞争。更现实的做法，是找到自己的组合：Healthcare＋AI、Finance＋AI，或者Supply Chain＋AI。

重新整理目标公司

可以按四层重新检查自己的求职清单：

岗位方向、所需技能、项目证据、身份条件。

先弄清企业为什么需要这个岗位，再看自己有什么经历可以证明匹配，最后核实工作授权。否则，很容易被融资新闻带着走，把时间花在看似热门、实际并不适合自己的公司上。

硅谷没有关门，只是招聘逻辑换了

硅谷仍然有钱，也还在不断出现新公司和新岗位。只是这些机会越来越集中，不会因为市场重新变热，就自动落到每个求职者身上。

所以，留学生觉得找工难，并不一定是太悲观。融资热和就业冷，本来就可以同时发生。

现在更有用的做法，是看懂资本在押注什么，公司愿意为什么能力付钱，再把自己的课程、实习和项目整理成招聘方能验证的证据。

蔓藤在求职辅导中关注的也不只是多投几份简历。我们更希望先帮学生判断赛道、筛选公司、拆开岗位要求，再检查现有经历能不能支撑申请。没有任何方法能够保证面试或Offer，但至少可以少做一些明知不匹配的无效投递。

硅谷的机会还在。只是这一次，它留给“什么都能做一点”的位置，越来越少了。