加密行业招聘研究报告:DeFi 求职者增多,市场类岗位在亚太地区增长

链捕手Dipublikasikan tanggal 2024-10-29Terakhir diperbarui pada 2024-10-29

作者:Zackary Skelly

编译:Zen,PANews

 

知名加密VC Dragonfly Capital每个季度都会对加密行业招聘市场进行分析,为其投资组合公司提供关于职位趋势、求职者观念、投资组合公司活动和预测的洞察。

招聘市场趋势

在分析市场时,Dragonfly监测多个信号,但“投资组合公司新增职位”最好地反映了行业整体情绪。简而言之,加密行业的人才招聘市场从2023年开始逐渐复苏,直到2024年第一季度出现了激增,但进入第二季度后发生停滞。

加密行业招聘研究报告:DeFi求职者增多,市场类岗位在亚太地区增长

每季度职位变化

在2024年第二季度,工程和设计职位相对稳定,GTM(GoToMarket)职位激增,数据科学职位也有相当程度的增长。而市场营销职位则向领导岗位转移。

加密行业招聘研究报告:DeFi求职者增多,市场类岗位在亚太地区增长

年度同期对比

比较2023年第二季度与2024年第二季度,GTM职位显著增长,尤其是在金融、运营、法律和客户支持领域。

工程职位变得更加细分,Rust语言需求旺盛,DevRel(Developer Relations,开发者关系)和Protocol Eng(协议工程师)依然受到追捧。设计岗位则出现显著下降。

加密行业招聘研究报告:DeFi求职者增多,市场类岗位在亚太地区增长

求职者兴趣

2024年第二季度,市场上出现了更多DeFi求职者,而那些专注于基础设施建设的人则留在原地,寻找产品与市场的契合点。许多人对AI与加密结合持怀疑的好奇态度——令人兴奋,但用例不确定,似乎过于超前。

此外,零知识证明(ZK)在高级软件工程师(Sr SWE)中依然是备受关注的技术类型。

加密行业招聘研究报告:DeFi求职者增多,市场类岗位在亚太地区增长

优先事项的演变,审查力度加大

求职者寻求那些在TGE之后仍拥有可靠的路线图而非空喊“ToTheMoon”的项目团队,并倾向于强大的生态系统和知名品牌的公司。很少有求职者愿意考虑与个人技能不匹配、岗位描述不清晰的工作。

加密从业者的倦怠及Web2的开放性

越来越多的加密原生求职者在谋求加密行业职位的同时愿意考虑Web2的工作机会。相反,交易所交易基金(ETFs)和有利于加密的美国政策吸引了更多来自传统金融和Web2领域的人才。

办公模式与薪资条件

远程和混合办公仍然是首选,但越来越多的公司开始讨论要安排线下实体的办公室。薪资预期方面,求职者们的标准依然很高,且多数不愿意妥协让步。

投资组合招聘趋势

Dragonfly的几家投资组合公司均在第二季度加大了招聘力度,他们对细分领域、以产品为中心的工程职位(如前端开发)兴趣增加。

GTM的招聘在亚太地区有所增长,而工程岗位在欧洲、中东和非洲(EMEA)地区呈现扩大趋势。此外,Layer 1项目方们(Alt L1s)的招聘势头正在增强。

招聘市场预测

招聘与美国选举周期相关联。特朗普的亲加密立场和哈里斯的态度发生逐步演变引发了热议,可能推动GTM招聘。Dragonfly预计这一趋势将持续下去,同时随着用例的巩固,求职者们对AI与加密结合的情绪也会向兴奋转变。

Bacaan Terkait

Ujian "Gaokao" untuk Kecerdasan Bertubuh Sulit Gila, Manusia 100 Poin, Model Terkuat Hanya 12.8

"Ujian Akhir" Kecerdasan Embodied (Embodied AI) Terlalu Sulit, Manusia 100 Poin, Model Terkuat Hanya 12.8 Kemajuan robotika dengan model AI besar (VLA, model dasar robot) sering tampak mulus dalam demo, namun kemampuan sebenarnya dalam melakukan tugas umum tetap menjadi pertanyaan besar. RoboDojo, tolok ukur evaluasi baru yang dikembangkan oleh tim akademis, memberikan "peta pendakian" yang lebih jelas. Ini adalah benchmark terpadu yang mengevaluasi 30 strategi robot utama di 42 tugas simulasi dan 18 tugas robot fisik nyata. Fokusnya adalah menguji lima kemampuan inti: generalisasi (beradaptasi dengan latar, pencahayaan, dan objek baru), memori, presisi (operasi halus seperti memasang), eksekusi multi-langkah panjang, dan pemahaman semantik terbuka terhadap instruksi baru. Hasilnya menunjukkan jurang yang dalam. Di simulasi, model terbaik (Hy-Embodied-0.5-VLA) hanya mencapai tingkat keberhasilan rata-rata 8.80%. Di dunia nyata, kinerja bahkan lebih menantang: model teratas (π0.5) hanya mencapai 12.8% keberhasilan. Sebagai perbandingan, ahli manusia mencapai 76.03% di simulasi dan 100% di dunia nyata. RoboDojo mengungkap bahwa model robot saat ini belum stabil dan andal. Mereka mungkin pandai dalam satu aspek (misalnya, pengenalan visual atau perencanaan), tetapi gagal dalam aspek lainnya (seperti presisi fisik atau pemahaman semantik terbuka). Penurunan kinerja yang signifikan dari simulasi ke dunia nyata juga menyoroti tantangan ketidakpastian fisik, noise sensor, dan kesalahan kalibrasi. Platform ini, dilengkapi dengan infrastruktur XPolicyLab untuk integrasi model yang terstandarisasi dan sistem evaluasi robot fisik (RoboDojo-RealEval) yang dapat direproduksi, bertujuan untuk menjadi "papan peringkat" komunitas yang obyektif. Dengan demikian, RoboDojo tidak hanya mendiagnosis kelemahan saat ini tetapi juga menyediakan jalur terukur untuk kemajuan menuju robot operasi yang benar-benar serbaguna dan dapat diandalkan.

marsbit59m yang lalu

Ujian "Gaokao" untuk Kecerdasan Bertubuh Sulit Gila, Manusia 100 Poin, Model Terkuat Hanya 12.8

marsbit59m yang lalu

ANSEM Naik 3 Kali Lipat dalam Seminggu: Kebangkitan dan Jebakan Meme Solana

ANSEM, sebuah meme coin di Solana, melonjak hampir 299% dalam seminggu, memicu kebangkitan minat pada meme coin di ekosistem tersebut. Data dari DeFiLlama menunjukkan peningkatan signifikan dalam volume perdagangan mingguan di platform seperti Pump.fun, dengan meme coin kembali menyumbang lebih dari 20% volume perdagangan mingguan Solana untuk pertama kalinya sejak pertengahan Mei. Namun, di balik tren pemulihan ini tersembunyi risiko besar. Lingkungan perdagangan meme coin sangat cepat dan tidak setara. Robot sniper dan dompet canggih seringkali mengakumulasi sejumlah besar token segera setelah peluncuran, hanya untuk menjualnya saat investor retail masuk, menjadikan para pendatang baru sebagai pihak yang menanggung kerugian. Penelitian dari Galaxy menunjukkan rata-rata waktu holding meme coin saat ini hanya 100 detik, jauh lebih cepat dari siklus sebelumnya. Laporan akademis dan data dari platform seperti MemeTrans mengungkapkan bahwa sebagian besar proyek meme coin memiliki tingkat manipulasi yang tinggi, dengan akun terkoordinasi sering mengendalikan persentase supply yang besar, dan banyak token menunjukkan tanda-tanda wash trading atau pump artifisial. Kebangkitan yang dipicu ANSEM menimbulkan pertanyaan: apakah ini tanda awal pemulihan berkelanjutan atau sekadar fenomena sementara? Pemulihan berkelanjutan memerlukan volume perdagangan harian yang konsisten tinggi dan pangsa meme coin yang mendekati 30% di Solana. Jika sebaliknya, perhatian mungkin tersebar ke banyak tiruan (copycat), volume perdagangan turun, dan minat beralih kembali ke aset kripto utama, menjadikan ANSEM sekadar sorotan sesaat. Sementara meme coin di Solana terbukti kuat dalam menarik perhatian dan pengguna baru, industri perlu menemukan cara untuk memutus siklus manipulasi oleh robot dan pemain besar agar tidak terus merugikan investor retail.

Foresight News1j yang lalu

ANSEM Naik 3 Kali Lipat dalam Seminggu: Kebangkitan dan Jebakan Meme Solana

Foresight News1j yang lalu

Model Gambar Generatif 'Mangga' Zuck Kalah Telak dari GPT Image 2, Tanpa Diajari, Ia Belajar Sendiri Cara Revisi

Meta Labs (MSL) meluncurkan model generasi gambar terbarunya, Muse Image dengan nama kode "Mango". Model ini menempati peringkat kedua dalam arena perbandingan Arena AI, di bawah GPT Image 2 dari OpenAI. Keunggulan utamanya bukan hanya pada kualitas gambar, tetapi pada kemampuannya sebagai *agent* yang dapat berpikir dan merevisi karyanya sendiri. Muse Image mampu mencari informasi online untuk referensi, menghasilkan kode untuk elemen seperti QR code, dan—yang paling mencolok—melakukan koreksi mandiri setelah gambar dibuat, sebuah perilaku yang muncul sendiri selama pelatihan. Model ini terintegrasi erat dengan ekosistem Meta. Pengguna dapat menyebut (@) nama pengguna Instagram publik untuk memasukkan wajah orang tersebut ke dalam gambar yang dibuat, sebuah fitur yang menimbulkan pertanyaan privasi karena diaktifkan secara default. Muse Image juga terhubung dengan model bahasa Muse Spark ("Alpukat"), memungkinkan pembuatan konten yang lebih kompleks seperti game web. Untuk video, Meta memperkenalkan Muse Video yang masih dalam pratinjau, menduduki peringkat ketiga di Arena. Kekuatan utama Meta terletak pada distribusi. Muse Image sudah diintegrasikan ke Meta AI, Instagram, WhatsApp, dan akan menyusul ke platform lainnya, menjangkau miliaran pengguna. Setiap gambar yang dihasilkan dilengkapi watermark digital "Content Seal" untuk identifikasi. Dengan strategi ini, Meta tidak hanya bersaing pada kualitas model, tetapi juga pada kemudahan akses dan integrasi AI ke dalam kehidupan digital sehari-hari.

marsbit2j yang lalu

Model Gambar Generatif 'Mangga' Zuck Kalah Telak dari GPT Image 2, Tanpa Diajari, Ia Belajar Sendiri Cara Revisi

marsbit2j yang lalu

Trading

Spot
活动图片