芯耀
与非AI
372
2026年6月，韩国存储芯片巨头SK海力士发布了一则震动行业的公告——从新一轮公开招聘开始，取消原有的学历资格限制。过去要求“四年制本科及以上学历”的半导体设计、器件、研发等岗位，将不再把学历作为投递门槛，应聘者主要依据岗位能力、相关经验、成长潜力和组织适配度接受评价。
SK海力士对此解释称，“快速变化的AI环境下，特定学位和标准化履历已经越来越难以完整解释一个人的未来竞争力”。
无独有偶，早在SK海力士之前，Google联合创始人谢尔盖·布林就在斯坦福大学工程学院百年闭幕式上公开表示：“我们聘用了大量没有学士学位的人——他们会在某个奇怪的角落，自己把事情弄懂”。Burning Glass Institute数据显示，Google职位中要求学位的比例从2017年的93%下降到了2022年的77%。IBM更是大刀阔斧，超过一半的美国岗位取消了四年制学位要求，转而以“技能徽章”作为能力认证依据。德勤、苹果、埃森哲、美国银行等巨头亦步亦趋，纷纷放宽了部分职位的学位要求。
种种迹象表明，以学历为核心的传统人才筛选逻辑，正逐步被以实际能力为导向的新标准挑战。
01、为什么学历筛选的逻辑发生了变化？
其实取消学历门槛并不等于学历无用。
半导体设计、材料、器件、工艺等岗位具有极高的专业门槛，没有数学、物理、化学、电子工程等基础，仅靠短期工艺培训，很难真正进入技术深水区。硕士、博士阶段形成的独立研究能力，也不是几次项目实践就能替代的。
SK海力士改变的，是“没有某张文凭便不能参加竞争”的规则，而不是否定高等教育本身。
过去，企业之所以依赖学历，是因为学历是一种高效的人才筛选工具。招聘者用学校、专业和学位快速判断其学习能力、知识基础和自我约束能力。学历筛选的高效性，本质建立在“产业技术路径相对确定、岗位能力标准化”的基础上。
但AI时代，学历筛选正在暴露出三个问题。
一是“高学历”与“高缺口”同时存在。
不少企业并不缺人投递简历，而是缺少来了就能理解任务、进入现场、持续解决问题的人。学生掌握了大量课程知识，却未必见过真实产线；做过标准化实验，却不熟悉成本、良率、交付周期和设备波动；能够解释理论原理，却难以判断异常究竟来自材料、设备、工艺参数还是数据采集。
于是，一边是求职者的学历“内卷”越来越严重，另一边是企业反复抱怨“招不到合适的人”。这不是简单的人才短缺，而是教育供给与产业需求之间的结构性错配。
二是技术迭代速度正在超过文凭更新速度。
一张学历证明的是一个人过去完成过什么训练，却难以保证他未来能够应对什么问题。
尤其在半导体和人工智能领域，岗位能力建立在交叉学科的系统性知识体系之上：设计人员需要理解先进封装与系统架构，工艺人员需要使用数据分析和机器学习，设备工程师需要同时理解机械、控制、材料和软件，生产人员也不再只是执行操作规程，而要参与故障诊断、参数优化和良率提升。
企业面对的是不断变化的技术问题，如果相对静态的学历目录匹配人才，难免出现“专业对口，能力不对口”。
三是AI正在压缩一般性知识能力的溢价。
资料检索、代码生成、数据整理、基础分析、文案撰写等工作，正在被AI快速替代。过去，一个人因为记得更多、写得更快、熟悉标准答案而获得的优势，正在缩小。
但AI功能越来越强并不意味着人的责任减轻，相反，这种变化带来了更大的挑战。模型可以给出十种方案，却不能代替工程师判断哪一种能够在现有设备条件下量产；AI可以发现数据相关性，但不能自动确认异常来自传感器漂移还是工艺变化；系统可以生成代码，却不能对芯片失效、信息安全和生产事故承担责任。
因此，企业开始从“你学过什么”，转向追问“你能用所学解决什么”。
所以，SK海力士的变化不是“学历崩塌”，而是向外界发出信号——文凭不能继续充当能力的永久担保书。
02、新的评价尺度是什么？
当“唯学历论”成为过去式，企业真正在寻找的是什么？
企业需要的是“有用”“能用”“管用”的人。但这不是把大学变成职业培训班，也不是只教学生熟悉某一台设备、某一款软件。它们的本质是一致的：一个人能够把知识嵌入真实问题，在不确定条件下，交付可靠、可落地的结果。
具体而言，以下几个关键词正在成为新的能力标尺。
1、凝练问题的能力
真实产业问题很少像考试题那样边界清晰、条件完整。产线良率下降，可能是设备、材料、设计、环境、操作和统计口径共同作用的结果。AI可以帮助分析，却需要人判断：什么才是真正的问题？哪些数据可信？哪个变量值得优先验证？解决局部问题会不会造成系统性代价？
2、工程化闭环能力
科研可以证明“原理可行”，产业却必须回答“能否稳定、低成本、大规模地做出来”。一项技术从论文走向产品，要经过设计、工艺、设备、测试、封装、可靠性和供应链等多重约束。企业需要的不是只完成自己环节的人，而是能够理解上下游影响，把问题追踪到底的人。
3、人机协同的驾驭力
AI时代真正拉开差距的，不是“用不用AI”，而是能否正确地使用AI。优秀人才要会调用模型、数据和自动化工具，也要能识别AI“陷阱”，并通过自身的专业能力判断和验证输出结果，实现与AI的高效共存。
4、价值判断与审美能力
价值判断，是在资源有限、信息不完备时，敢于对“做什么”和“不做什么”做出取舍；是在多个可行解中，识别出那个在长期收益、系统韧性、用户体验和社会责任上更均衡的方案。而审美，则来自大量实践后的直觉沉淀，也来自对行业历史的深刻理解。在大模型能生成无数答案的今天，人的独特价值，恰恰在于从混沌中辨别“什么值得解决”、从方案中选出“什么更高级”——这既是对商业本质的洞察，也是对技术伦理和人性温度的坚守，是机器难以替代的“质感”。
SK海力士率先在研发岗位放开学历门槛，本质是将人才评价的标尺拉回“解决真实问题的能力”。
未来，或许会有更多本科生、硕士生走向生产岗位，但这也并不是“高学历去拧螺丝”的人才浪费，恰恰说明产线本身正在成为知识密集型、高价值创新现场。同样需要被打破的，还有“研究高于生产、办公室高于车间”的陈旧等级观念。
此外，那些没有经历大学或研究生系统训练，却凭借天赋、自学和实战历练脱颖而出的中学生天才，同样有机会破格进入大型企业的研发序列。
03、谁来做这件事？
当产业端放下学历执念，开始用“能否解决真实问题”丈量人才，教育体系面临的就不只是课程内容的更新，更是评价逻辑的重构。
对企业而言，挑战在于建立一套比学历更可靠的能力识别系统——什么样的技术测试能暴露真实水平？什么样的项目评估能看出成长潜力？对高校来说，一个值得尝试的方向是让产业真实问题进入课堂，这并不意味着放弃基础理论，恰恰相反，越是不确定的现实问题，越需要数学、物理等基础学科的支撑，关键是要将它们嵌入真实情境中。对个人而言，可靠的竞争力是在真实场景中持续交付结果的能力，终身学习成为人才发展刚需。
SK海力士取消学历门槛的举措，给人们留下了一道必答题——如果你不再能靠一张文凭证明自己，那你准备用什么来证明你的价值？对这个问题的回答，将在很大程度上决定一个人在AI时代的真实位置。
