AI大模型时代，人才的需求已经变了

see122

机器之心报道

作者：佳琪、泽南

什么是 AI 发展的第一驱动力？最近，全球科技大厂都在用行动告诉我们：人才。

本月初，谷歌 NotebookLM 的核心团队共同宣布离职创业，他们新公司的网站已经进入了「建设中」的状态。

谷歌 NotebookLM 的核心成员 Raiza、Jason、Stephen 创业新公司的网页

紧随其后的是，开创性工作 Vision Transformer（ViT）的三位主要作者一齐官宣了自己的新动向：共同加盟 OpenAI。他们来自谷歌 DeepMind 的苏黎世办事处，加入的是新成立的 OpenAI 苏黎世部门。

新加入 OpenAI 的三位 ViT 作者，其中 Alexander Kolesnikov 已经更新了自己的领英页面

对于最抢手的 AI 技术人才来说，在不同公司之间跳槽并不罕见，但像这样为大牛原地成立新部门的确是许久未见的奇景了，让我们不得不感叹如今全球科技公司之间竞争的激烈程度。

其实，全球范围内，在 AI 广阔的应用场景中，人才稀缺的问题也已经显得十分急迫。

AI 技术落地

正在面临「最后一公里」难题

我们正处在一个微妙的时间点上：爆发两年的生成式 AI 正在进入大规模应用阶段。一方面在 AI 领域里，技术人才成为了极度稀缺的「资源」；另一方面，在各个落地行业内，人们也在面临困境。

大模型重塑所有行业的过程，既是机遇也是挑战。AI 技术必须落地到具体的场景中，才能实现它真正的价值。

然而，现实却给了我们当头一棒 —— 承载期望的 Killer App 依然未能现身。对于抖音、快手这些国民级内容社区，AI 并未带来预期中的实质性变革。调性与 AIGC 最契合的小红书，今年也放弃了旗下的 AI 生图工具 Trik AI。

投资人越来越迟疑，「AI 六小龙」已有三家选择了战略性放弃 C 端业务线。为什么会这样？

让我们从最基础的问题谈起。很多公司在开发 AI 产品时，总是习惯性「拿着锤子找钉子」。他们练就了一身本领，就着急要找地方施展，但却没考虑过用户的真实需求。

就拿今年随着 Sora 现世，卷到飞起的 AI 视频生成来举例子，AI 开盲盒式的生成方式，缺失了剪辑师们必须的控制画面元素的效果控件，于是落入了现实用不好，搞抽象很契合的境地。

究其原因，AI 技术的研发者和从业者之间存在难以跨越的认知鸿沟 —— 术业有专攻，许多需求早已内化为肌肉记忆般的本能反应，往往是「问不出来」却「离不开」的隐性知识。

问题不止于此，即使 AI 产品的研发团队对齐了颗粒度，现实中也要面临打不通的底层逻辑。相对 C 端，在垂直更为清晰的 B 端，技术与需求的错配则更为显著。

目前 AI 进企业主要分为两条技术路径，但各有各的难处：通用场景模型像是「万金油」，部署门槛低，却难以应对特定的边界情况；细分行业模型虽然效果更好，却需要海量的数据和繁重的标注工作。

根据亿欧智库的《企业 AIGC 商业落地应用研究报告》，「与当前系统集成的难度与兼容性」是企业首要考虑的因素。对于企业来讲，引入 AI 系统意味着要算一笔增加人力、运维成本的综合账。因此，最划算的就是一套封装好的固定方案。

于是这样的情节经常上演，即使「AI + 传统方法」可以让效率翻倍，一提还需提供 20 个超参数，一切免谈；即使已经搭建起「标注 - 训练 - 部署」的闭环生态，只需在更换设备型号时重新训练一遍，得到的还是客户斩钉截铁的拒绝。

这些问题已经织成了一张难解的网：AI 产品难以满足实际需求，导致行业内客户的合作意愿变低，需求更难深入理解......

归根结底，一切症结都指向了同一个结构性矛盾：懂行业场景的「老师傅」不懂 AI，而精通 AI 技术的人又不了解行业里的人需要什么。如果无法化解，AI 落地就将持续面临「最后一公里」的挑战。

面对这样的困境，一个关键性的问题浮现出来：到底是让 AI 研发者去学习行业知识，还是让行业从业者来学习 AI 技术呢？

帮大模型「立三观」

需要行业、AI 一起来

显然，双向奔赴才是更好的选择。

ChatGPT 出现前，AI 在很多行业中的应用被定位在两个方面：一是对已知机理模型进行重复工作的自动化，二是对未知机理模型进行探索性工作，扩充人类的认知边界。大模型的技术突破，让人们看到了 AI 应用的新形态，在数字化转型过程中，原先顶层设计的流程是解耦的，但现在逐渐变成了「端到端」一体化，有了更直接、更强大的方案。

大模型通过对世界进行建模，让机器能够理解复杂现象，获得了一种认知世界的能力，因此能够理解和处理复杂的行业数据，并据此进行分析和决策，以前这种能力通常只有人类专家才具备。

换句话说，这也意味着能够帮助大模型建立「三观」的人，最好是懂 AI 的行业专家。相比于让 AI 工程师从零开始积累行业经验，让已经深耕行业多年的专业人才掌握 AI 应用技术，学习曲线会更平缓，也更容易实现技术与场景的深度融合。

在 AI 技术使用门槛快速降低的如今，这个选择正在变得愈发合理，会打字就能 3D 建模，会说话就能自动生成小游戏......各大厂商正在围绕生成式 AI 争相推出「零门槛」产品。而那些过去需要复杂编程才能实现的功能，现在通过简单的 API 调用就能完成。像 Cursor 这样的 AI 辅助编程工具的出现，更是降低了开发难度。

这一切都为行业从业者来主动拥抱 AI 技术积攒了越来越大的动能。最近，很多行业都在涌现新的 AI 应用案例。

以医疗领域为例，一位优秀的临床医生需要至少 8 年时间（从本科到规培毕业）才能培养出准确解读病症的专业直觉。而借助 AI 大模型应用，医生们可以在较短时间内掌握 AI 辅助诊断工具的能力，从而提升诊断能力，提高诊断治的效率。

在化工领域，经过专门调优的大模型可以精确模拟关键运行参数，保障生产过程的深度优化与极致稳定。在一些化工厂，自动化系统经过长时间稳定生产已经大幅减少了人员干预、降低了劳动强度，显著增强了装置运行的稳定性与安全性，也直接提升了经济效益。

在智慧港口，自动化和机器人化等先进手段可以实现更高效的生产和管理流程，显著减少人力和时间消耗。随着 AI 大模型的出现，智能化水平再度得到了大幅提升，使得基于统一大模型底座全面支撑生产、管理、服务、安全等领域应用成为了可能。

不过，这条道路仍面临着诸多现实挑战。

首要问题是「没人教」，既懂行业又懂 AI 的「双师型」教师凤毛麟角。

即便有这样的伯乐，也面临着「教什么、怎么教」的难题 —— 行业 + AI 方向缺乏体系化的教材和前沿的实践案例，课堂内容往往流于表面。虽然自 2019 年以来，AI 专业院校从 35 所扩展至 537 所，但大多数院校仍在培养通用型 AI 人才，学生学的是经典的深度学习算法框架，面对的却是千差万别的行业场景。

下一个难题是「没算力」。高校普遍缺乏算力资源，训练平台和开发环境配置不完善。更棘手的是「没数据」。真实的行业数据极少公开流通，已有数据往往质量参差不齐、标注不完整，这使得许多研究项目难以开展。

破解这些难题，亟需学术界、产业界与教学机构携手合作，共同构建一个全方位的人才培养体系。

解法：培养复合型行业 AI 人才

大模型技术兴起之前，我们见证了国内一批高校人工智能学院的建立，在科研探索方向，国内一直在加大人工智能人才的培养力度。面对 AI 大规模行业应用的新需求，很多科技公司正在与大学合作，开始寻求培养行业 AI 复合型人才。

上周，由东北大学、中国医科大学联合华为开展的【医路智行，探索无限未来】行业 AI 应用创新孵化营正式开营。活动持续两天，一大批来自医疗领域的研究者们共同体验了一场 AI 与医学的融合之旅。

课程从人工智能方法的发展开始讲起，从特征工程到 ChatGPT 出现，深入浅出，再联系到医生看病的实际工作中，为行业内人士构建起 AI 知识体系的框架。

另一边，华为也邀请到了一批前沿学者展示一系列医疗＋AI 交叉研究的落地成果，包括数据处理、自动填写病历、医疗影像检查、组织切片分析等。

东北大学医学与生物信息工程学院执行院长赵越在发言中表示，医学与人工智能的融合是不可或缺的趋势，华为给予了学院无私的帮助和支持。

在第一天的活动中，中国医科大学附属第一医院教授齐瑞群以「皮肤与皮肤病理的诊断逻辑与难点」为例，探讨了临床医疗诊断方法及存在的问题。

在 2500 多种皮肤病中，医生主要通过 8 种原发皮损和 10 种继发皮损共 18 种特征进行诊断。每种特征又可能呈现出不同的颜色、形状和纹理变化，这使得皮肤病的诊断成为一项极具挑战性的工作。

于是，来自中国医科大学附属第一医院的临床医学，与东北大学的医工学院，两个学科背景的团队携手开发了一套皮肤病理大模型。以往，医生标注一张切片需要耗费半小时，通过 AI 系统，整个过程缩短至不到三分钟，还能与临床的日常工作无缝衔接。

第二天的活动中，中国医科大学教务处副处长、盛京医院教授/主任医师于宏带来了关于「人工智能标准化病人（AISP）的病史采集和医患沟通」的课程。他分享了一款广受好评的 AI 工具。他讲到：「我们百分之七八十的医疗差错都是因为沟通不畅所造成的。」他们之前也尝试过让学生与真实病人练习病史采集，但推荐 10 个学生，10 个学生都不敢开口。

原因很简单，初出茅庐的学生在面对病人时往往战战兢兢，生怕一个不当的问题就会影响患者休养。而标准化的病人也需要培养，数量有限且质量参差不齐，很难满足训练和考核的需求。比如在外科手术中，有时会遇到需要手术升级的情况。这时，如何向家属解释，并获得其理解和信任，就需要较高的沟通技巧了。

因此，他们开发了 AI 标准化病人平台，主要用于提高问诊技巧和医患沟通能力。AI 能够模拟不同病种、不同性格特点的虚拟病人，支持文字、语音、表情等多模态交互，还能自动评分并给出反馈，告诉学生哪些方面需要改进。学生们可以在安全的虚拟环境中反复练习这类棘手场景的沟通技巧，做一个既专业又有温度的医生。

教授们表示，AI 不会取代医生，但不懂 AI 的医生将会被淘汰。积极学习 AI 知识，利用自动化工具提升能力，可以为未来的职业发展筑牢根基。

这只是一些案例，还有更多将医生们从繁琐工作解放出来的 AI 应用等待同学们去探索和创新。

具体到 AI 与医疗深度结合的实践中，掌握 AI 开发、数据处理、大模型训练、模型微调等技能是应用能力的关键。在课堂上，人们跟随老师使用 ModelArts、MindSpore 等 AI 开发平台和开发框架进行了实操演练，基于医疗数据对大模型进行微调。为了让更多的人能够尝试，华为还为每位学员准备了免费的云资源券，让充足的算力支持每一次创新尝试。

「授人以渔」，华为提供了一站式、全栈自研的 AI 开发工具，从底层算力开始整合，向上支持主流开发框架，可以对计算资源、模型资源进行高效率调用，将复杂的算法化繁为简，支持了 AI 应用从数据标注、模型开发、训练、部署的全流程，让医学生能够轻松驾驭。

经过与专家的深度交流，学员们不仅获得了结业证书，更收获了宝贵的前沿洞察与前瞻见解。

医疗只是华为布局的一个缩影，而在更广泛的领域，华为产教融合的探索更加深入，行迹愈发坚定。

华为启动了全国首届化工行业人工智能应用创新大赛，旨在整合技术、场景和数据，凝聚多家企业、组织的能力，打造共生共赢的产业生态联盟。

直接面向专业人才的课程也在进行当中。就在今年，华东理工大学、青岛科技大学两所学校的化工学院与华为联合开展了「化工 + AI」实训课程，通过产教融合的方式，培养了一批化工 AI 人才。

基于这样的理念，华为正在通过行业 AI 应用创新孵化营与行业 AI 应用创新大赛，培植起丰硕的人才培养沃土，从中国医科大学到华东理工大学，从医疗到材料，从港口到制造，点亮一个个传统制造业的「星辰大海」。

在探索的过程中，华为逐步形成了一套「四个基于」的核心原则：基于实际客户需求、基于实际场景、基于实际数据、基于实际商业闭环。

在我们看来，这种机制的意义远超人才培养本身：

对于人才供给端，这种人才培养模式开辟了一条可持续的量级跃升之路。

对于应用层，让最了解行业痛点的人掌握 AI 工具，能催生更多接地气的创新。这不仅降低了 AI 技术与行业场景的对接成本，更能将分散想法整合起来，形成更强大的技术突破动能。

放眼整个产业图景，每个行业都由千千万万的从业者构成。当他们的思维模式与能力结构发生根本性转变，传统行业「被改造」到「主动转型」的身份转变也将水到渠成。

人才的战役已经打响

大模型技术的落地，还在对 AI 人才提出更多需求。

一方面，从 ChatGPT 到 Sora，生成式 AI 引领的工业、行业、组织转型和智力变革，让人工智能的应用场景和范围得到了极大拓展。这意味着还有更多的行业，更多的人可以参与进来。

另一方面，在众多行业方向上，单一技能已不足以应对未来挑战。真正的 AI 人才，应该是能够将 AI 技术与行业实践深度融合的复合型人才。学习 AI 技能，或许会变成一个系统、长期学习的过程。

在 AI 人才方面，国内虽然仍处在追赶者的位置，但我们已经看到了一些自身优势：

• 首先是技术驱动。截止到 7 月，全球 AI 大模型的数量超过 1300 个，中国大模型数量占比 36%。大模型市场的升温已经带动起上下游产业链的发展，提升了数据、算力和算法等领域的人才需求。
• 其次是场景优势，也在推动 AI 的应用从量变走向质变。随着技术的大面积落地，智能化转型已不再是一句空话，不论工业还是服务业，工作的流程、产品的形态都在积极寻求变化。

在这样的环境中，只有充分把两者结合起来，联系起 AI 技术基础与行业需求的两端，才能最终释放出 AI 技术的全部潜力。

但要真正解决 AI 人才短缺的问题，还需要更多企业、高校和社会各界的共同努力。


来源：网易