AI扩张卡在电网上，求职者该盯哪些岗位

AI扩张的瓶颈正在从芯片挪到电网上，这条链条上每一环的交付速度，正在决定哪些岗位被抢、哪些技能贬值。

过去两年，「算力的尽头是电力」几乎成了行业共识。但把这句话拆开看，会发现它给求职者的信号远比一句口号具体：真正卡住AI扩张的，不是「有没有电」这个是非题，而是一整条由发电、电网、变压器、散热、存储、封装和资本串起来的链条，以及链条上每一环截然不同的建设速度。速度差在哪里，岗位缺口就在哪里。

为什么GPU不再是唯一的卡点

原文给出的判断很清晰：AI基础设施的瓶颈会不断迁移。前两年是GPU买不到，后来是先进封装和高带宽内存排不上产能，如今轮到变压器、燃气轮机和并网排队。

这个迁移过程对求职者意味着什么？意味着「会调模型」不再是唯一的稀缺能力，能把电送进机柜、把热搬出机柜、把设备按期交付的人，同样在被争抢。原文提到，大型电力变压器在美国的交付周期已拉长到最长四年，燃气轮机交货期超过三年，新建核电则以十年计。芯片按年迭代，数据中心按两年建成，电网按十年规划——三种时钟的错配，本质上是三种人才供给节奏的错配。

电力与散热方向，哪些岗位在被拉动

从原文的物理拆解看，一个国家或公司能产出的有效智能，大致是可用电力、硬件能效、算法效率、利用率四个因子的乘积。每个因子背后都是一层具体的基础设施，也就对应一批具体岗位。

• 电力侧：发电与并网、变压器与配电设备、现场燃气发电、储能系统集成。原文提到，美国一批数据中心现场燃气发电项目中约五分之一已开始清场或施工，到2030年现场燃气可能为数据中心提供15到27吉瓦电力。这类项目从设计到调试，需要电气、机电、项目管理等一整套人。
• 散热侧：机柜功率密度从Hopper时代的约40千瓦升到Blackwell时代的120至140千瓦，2027年的机柜被普遍预期达到约600千瓦。风冷已到极限，全液冷从可选项变成默认项，液冷管路、冷却液分配单元、机房改造的工程与运维岗位随之增加。
• 供电架构侧：机柜功率逼近200千瓦时，传统54伏配电遇到硬约束，业界转向800伏高压直流配电。懂高压直流、懂电力电子的人，在数据中心项目里的话语权正在上升。

值得注意的是，原文还提到一个容易被忽视的细节：AI数据中心的服务器负载会在一秒之内反复摆动超过额定容量的50%，储能因此成为标配。这意味着「电力+储能+调度」的复合背景，比单一电力背景更吃香。

芯片与封装：硬件岗位的门槛在变

原文反复强调一个物理事实：搬数据比算数据贵。现代AI芯片的能耗大头往往不在「算」，而在「搬」。所以过去几年几乎所有硬件创新的底层逻辑都是缩短数据要走的距离——HBM、CoWoS先进封装、高速互联、共封装光学。

这对求职者的启示是：先进封装、存储、高速互联这些方向的工程岗位，需求跟着产能走。原文提到HBM短缺预计至少延续到2027年底，先进封装是另一个卡点。产能扩张期，工艺、设备、良率、封测相关的岗位通常比设计岗位更容易放量，门槛也更贴近产线经验而非论文。

求职者该怎么用这条信息

第一，别把「AI行业」当成一个整体。它内部至少分成算力、电力、散热、存储、封装几条节奏不同的赛道，招聘的冷热并不同步。盯着一条赛道投简历，容易在某个环节过热时挤破头，又在另一个环节缺人时看不见。

第二，把「交叉」当成差异化。原文里最典型的信号是：芯片规格开始向机房的电力现实妥协，芯片公司也不得不同时成为电力工程公司。企业需要的是能同时听懂两边语言的人——懂电力电子的数据中心运维、懂液冷的机房设计、懂储能调度的电气工程师。单一技能不稀缺，能翻译两种语言的人稀缺。

第三，看交付周期判断岗位稳定性。交付周期长的环节，项目一旦启动就很难中途撤人，岗位的连续性通常更好；交付周期短的环节，扩张快、收缩也快。原文给出的变压器四年、燃气轮机三年、核电十年这组时间尺度，本身就是一张岗位稳定性的参考表。

想看同类岗位的实时变化，可在求职者营地（qzzyd.com）按城市和行业订阅相关企业在招职位，把「电力」「液冷」「封装」这些关键词单独拉出来看趋势，比笼统搜「AI」更能看出真实缺口。

算力的尽头是不是电力，可以继续争论；但对求职者来说，更实际的问题是：这条链条上哪一环正在排队，排队的地方就需要人。