首页打开
AI大模型时代，人才的需求已经变了
来源：机器之心微信公众号
2024-12-18 12:51:09
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。
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？
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？
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。
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，更是大大降低了开发难度。
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，大大提高诊断治的效率。
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。
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。
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。
（节选自 机器之心微信公众号《AI大模型时代，人才的需求已经变了》）
责任编辑：汤代禄