AI大模型時(shí)代，人才的需求已經(jīng)變了

　　什么是 AI 發(fā)展的第一驅(qū)動(dòng)力?最近，全球科技大廠都在用行動(dòng)告訴我們:人才。

　　本月初，谷歌 NotebookLM 的核心團(tuán)隊(duì)共同宣布離職創(chuàng)業(yè)，他們新公司的網(wǎng)站已經(jīng)進(jìn)入了「建設(shè)中」的狀態(tài)。

　　谷歌 NotebookLM 的核心成員 Raiza、Jason、Stephen 創(chuàng)業(yè)新公司的網(wǎng)頁

　　緊隨其后的是，開創(chuàng)性工作 Vision Transformer(ViT)的三位主要作者一齊官宣了自己的新動(dòng)向:共同加盟 OpenAI。他們來自谷歌 DeepMind 的蘇黎世辦事處，加入的是新成立的 OpenAI 蘇黎世部門。

　　新加入 OpenAI 的三位 ViT 作者，其中 Alexander Kolesnikov 已經(jīng)更新了自己的領(lǐng)英頁面

　　對(duì)于最搶手的 AI 技術(shù)人才來說，在不同公司之間跳槽并不罕見，但像這樣為大牛原地成立新部門的確是許久未見的奇景了，讓我們不得不感嘆如今全球科技公司之間競(jìng)爭(zhēng)的激烈程度。

　　其實(shí)，全球范圍內(nèi)，在 AI 廣闊的應(yīng)用場(chǎng)景中，人才稀缺的問題也已經(jīng)顯得十分急迫。

　　AI 技術(shù)落地

　　正在面臨「最后一公里」難題

　　我們正處在一個(gè)微妙的時(shí)間點(diǎn)上:爆發(fā)兩年的生成式 AI 正在進(jìn)入大規(guī)模應(yīng)用階段。一方面在 AI 領(lǐng)域里，技術(shù)人才成為了極度稀缺的「資源」;另一方面，在各個(gè)落地行業(yè)內(nèi)，人們也在面臨困境。

　　大模型重塑所有行業(yè)的過程，既是機(jī)遇也是挑戰(zhàn)。AI 技術(shù)必須落地到具體的場(chǎng)景中，才能實(shí)現(xiàn)它真正的價(jià)值。

　　然而，現(xiàn)實(shí)卻給了我們當(dāng)頭一棒 —— 承載期望的 Killer App 依然未能現(xiàn)身。對(duì)于抖音、快手這些國民級(jí)內(nèi)容社區(qū)，AI 并未帶來預(yù)期中的實(shí)質(zhì)性變革。調(diào)性與 AIGC 最契合的小紅書，今年也放棄了旗下的 AI 生圖工具 Trik AI。

　　投資人越來越遲疑，「AI 六小龍」已有三家選擇了戰(zhàn)略性放棄 C 端業(yè)務(wù)線。為什么會(huì)這樣?

　　讓我們從最基礎(chǔ)的問題談起。很多公司在開發(fā) AI 產(chǎn)品時(shí)，總是習(xí)慣性「拿著錘子找釘子」。他們練就了一身本領(lǐng)，就著急要找地方施展，但卻沒考慮過用戶的真實(shí)需求。

　　就拿今年隨著 Sora 現(xiàn)世，卷到飛起的 AI 視頻生成來舉例子，AI 開盲盒式的生成方式，缺失了剪輯師們必須的控制畫面元素的效果控件，于是落入了現(xiàn)實(shí)用不好，搞抽象很契合的境地。

　　究其原因，AI 技術(shù)的研發(fā)者和從業(yè)者之間存在難以跨越的認(rèn)知鴻溝 —— 術(shù)業(yè)有專攻，許多需求早已內(nèi)化為肌肉記憶般的本能反應(yīng)，往往是「問不出來」卻「離不開」的隱性知識(shí)。

　　問題不止于此，即使 AI 產(chǎn)品的研發(fā)團(tuán)隊(duì)對(duì)齊了顆粒度，現(xiàn)實(shí)中也要面臨打不通的底層邏輯。相對(duì) C 端，在垂直更為清晰的 B 端，技術(shù)與需求的錯(cuò)配則更為顯著。

　　目前 AI 進(jìn)企業(yè)主要分為兩條技術(shù)路徑，但各有各的難處:通用場(chǎng)景模型像是「萬金油」，部署門檻低，卻難以應(yīng)對(duì)特定的邊界情況;細(xì)分行業(yè)模型雖然效果更好，卻需要海量的數(shù)據(jù)和繁重的標(biāo)注工作。

　　根據(jù)億歐智庫的《企業(yè) AIGC 商業(yè)落地應(yīng)用研究報(bào)告》，「與當(dāng)前系統(tǒng)集成的難度與兼容性」是企業(yè)首要考慮的因素。對(duì)于企業(yè)來講，引入 AI 系統(tǒng)意味著要算一筆增加人力、運(yùn)維成本的綜合賬。因此，最劃算的就是一套封裝好的固定方案。

　　于是這樣的情節(jié)經(jīng)常上演，即使「AI + 傳統(tǒng)方法」可以讓效率翻倍，一提還需提供20個(gè)超參數(shù)，一切免談;即使已經(jīng)搭建起「標(biāo)注 - 訓(xùn)練 - 部署」的閉環(huán)生態(tài)，只需在更換設(shè)備型號(hào)時(shí)重新訓(xùn)練一遍，得到的還是客戶斬釘截鐵的拒絕。

　　這些問題已經(jīng)織成了一張難解的網(wǎng):AI 產(chǎn)品難以滿足實(shí)際需求，導(dǎo)致行業(yè)內(nèi)客戶的合作意愿變低，需求更難深入理解......

　　歸根結(jié)底，一切癥結(jié)都指向了同一個(gè)結(jié)構(gòu)性矛盾:懂行業(yè)場(chǎng)景的「老師傅」不懂 AI，而精通 AI 技術(shù)的人又不了解行業(yè)里的人需要什么。如果無法化解，AI 落地就將持續(xù)面臨「最后一公里」的挑戰(zhàn)。

　　面對(duì)這樣的困境，一個(gè)關(guān)鍵性的問題浮現(xiàn)出來:到底是讓 AI 研發(fā)者去學(xué)習(xí)行業(yè)知識(shí)，還是讓行業(yè)從業(yè)者來學(xué)習(xí) AI 技術(shù)呢?

　　幫大模型「立三觀」

　　需要行業(yè)、AI 一起來

　　顯然，雙向奔赴才是更好的選擇。

　　ChatGPT 出現(xiàn)前，AI 在很多行業(yè)中的應(yīng)用被定位在兩個(gè)方面:一是對(duì)已知機(jī)理模型進(jìn)行重復(fù)工作的自動(dòng)化，二是對(duì)未知機(jī)理模型進(jìn)行探索性工作，擴(kuò)充人類的認(rèn)知邊界。大模型的技術(shù)突破，讓人們看到了 AI 應(yīng)用的新形態(tài)，在數(shù)字化轉(zhuǎn)型過程中，原先頂層設(shè)計(jì)的流程是解耦的，但現(xiàn)在逐漸變成了「端到端」一體化，有了更直接、更強(qiáng)大的方案。

　　大模型通過對(duì)世界進(jìn)行建模，讓機(jī)器能夠理解復(fù)雜現(xiàn)象，獲得了一種認(rèn)知世界的能力，因此能夠理解和處理復(fù)雜的行業(yè)數(shù)據(jù)，并據(jù)此進(jìn)行分析和決策，以前這種能力通常只有人類專家才具備。

　　換句話說，這也意味著能夠幫助大模型建立「三觀」的人，最好是懂 AI 的行業(yè)專家。相比于讓 AI 工程師從零開始積累行業(yè)經(jīng)驗(yàn)，讓已經(jīng)深耕行業(yè)多年的專業(yè)人才掌握 AI 應(yīng)用技術(shù)，學(xué)習(xí)曲線會(huì)更平緩，也更容易實(shí)現(xiàn)技術(shù)與場(chǎng)景的深度融合。

　　在 AI 技術(shù)使用門檻快速降低的如今，這個(gè)選擇正在變得愈發(fā)合理，會(huì)打字就能3D 建模，會(huì)說話就能自動(dòng)生成小游戲......各大廠商正在圍繞生成式 AI 爭(zhēng)相推出「零門檻」產(chǎn)品。而那些過去需要復(fù)雜編程才能實(shí)現(xiàn)的功能，現(xiàn)在通過簡(jiǎn)單的 API 調(diào)用就能完成。像 Cursor 這樣的 AI 輔助編程工具的出現(xiàn)，更是大大降低了開發(fā)難度。

　　這一切都為行業(yè)從業(yè)者來主動(dòng)擁抱 AI 技術(shù)積攢了越來越大的動(dòng)能。最近，很多行業(yè)都在涌現(xiàn)新的 AI 應(yīng)用案例。

　　以醫(yī)療領(lǐng)域?yàn)槔�，一位�?yōu)秀的臨床醫(yī)生需要至少8年時(shí)間(從本科到規(guī)培畢業(yè))才能培養(yǎng)出準(zhǔn)確解讀病癥的專業(yè)直覺。而借助 AI 大模型應(yīng)用，醫(yī)生們可以在較短時(shí)間內(nèi)掌握 AI 輔助診斷工具的能力，從而提升診斷能力，大大提高診斷治的效率。

　　在化工領(lǐng)域，經(jīng)過專門調(diào)優(yōu)的大模型可以精確模擬關(guān)鍵運(yùn)行參數(shù)，保障生產(chǎn)過程的深度優(yōu)化與極致穩(wěn)定。在一些化工廠，自動(dòng)化系統(tǒng)經(jīng)過長時(shí)間穩(wěn)定生產(chǎn)已經(jīng)大幅減少了人員干預(yù)、降低了勞動(dòng)強(qiáng)度，顯著增強(qiáng)了裝置運(yùn)行的穩(wěn)定性與安全性，也直接提升了經(jīng)濟(jì)效益。

　　在智慧港口，自動(dòng)化和機(jī)器人化等先進(jìn)手段可以實(shí)現(xiàn)更高效的生產(chǎn)和管理流程，顯著減少人力和時(shí)間消耗。隨著 AI 大模型的出現(xiàn)，智能化水平再度得到了大幅提升，使得基于統(tǒng)一大模型底座全面支撐生產(chǎn)、管理、服務(wù)、安全等領(lǐng)域應(yīng)用成為了可能。

　　不過，這條道路仍面臨著諸多現(xiàn)實(shí)挑戰(zhàn)。

　　首要問題是「沒人教」，既懂行業(yè)又懂 AI 的「雙師型」教師鳳毛麟角。

　　即便有這樣的伯樂，也面臨著「教什么、怎么教」的難題 —— 行業(yè) + AI 方向缺乏體系化的教材和前沿的實(shí)踐案例，課堂內(nèi)容往往流于表面。雖然自2019年以來，AI 專業(yè)院校從35所擴(kuò)展至537所，但大多數(shù)院校仍在培養(yǎng)通用型 AI 人才，學(xué)生學(xué)的是經(jīng)典的深度學(xué)習(xí)算法框架，面對(duì)的卻是千差萬別的行業(yè)場(chǎng)景。

　　下一個(gè)難題是「沒算力」。高校普遍缺乏算力資源，訓(xùn)練平臺(tái)和開發(fā)環(huán)境配置不完善。更棘手的是「沒數(shù)據(jù)」。真實(shí)的行業(yè)數(shù)據(jù)極少公開流通，已有數(shù)據(jù)往往質(zhì)量參差不齊、標(biāo)注不完整，這使得許多研究項(xiàng)目難以開展。

　　破解這些難題，亟需學(xué)術(shù)界、產(chǎn)業(yè)界與教學(xué)機(jī)構(gòu)攜手合作，共同構(gòu)建一個(gè)全方位的人才培養(yǎng)體系。

　　解法:培養(yǎng)復(fù)合型行業(yè) AI 人才

　　大模型技術(shù)興起之前，我們見證了國內(nèi)一批高校人工智能學(xué)院的建立，在科研探索方向，國內(nèi)一直在加大人工智能人才的培養(yǎng)力度。面對(duì) AI 大規(guī)模行業(yè)應(yīng)用的新需求，很多科技公司正在與大學(xué)合作，開始尋求培養(yǎng)行業(yè) AI 復(fù)合型人才。

　　上周，由東北大學(xué)、中國醫(yī)科大學(xué)聯(lián)合華為開展的【醫(yī)路智行，探索無限未來】行業(yè) AI 應(yīng)用創(chuàng)新孵化營正式開營�；顒�(dòng)持續(xù)兩天，一大批來自醫(yī)療領(lǐng)域的研究者們共同體驗(yàn)了一場(chǎng) AI 與醫(yī)學(xué)的融合之旅。

　　課程從人工智能方法的發(fā)展開始講起，從特征工程到 ChatGPT 出現(xiàn)，深入淺出，再聯(lián)系到醫(yī)生看病的實(shí)際工作中，為行業(yè)內(nèi)人士構(gòu)建起 AI 知識(shí)體系的框架。

　　另一邊，華為也邀請(qǐng)到了一批前沿學(xué)者展示一系列醫(yī)療+AI 交叉研究的落地成果，包括數(shù)據(jù)處理、自動(dòng)填寫病歷、醫(yī)療影像檢查、組織切片分析等。

　　東北大學(xué)醫(yī)學(xué)與生物信息工程學(xué)院執(zhí)行院長趙越在發(fā)言中表示，醫(yī)學(xué)與人工智能的融合是不可或缺的趨勢(shì)，華為給予了學(xué)院無私的幫助和支持。

　　在第一天的活動(dòng)中，中國醫(yī)科大學(xué)附屬第一醫(yī)院教授齊瑞群以「皮膚與皮膚病理的診斷邏輯與難點(diǎn)」為例，探討了臨床醫(yī)療診斷方法及存在的問題。

　　在2500多種皮膚病中，醫(yī)生主要通過8種原發(fā)皮損和10種繼發(fā)皮損共18種特征進(jìn)行診斷。每種特征又可能呈現(xiàn)出不同的顏色、形狀和紋理變化，這使得皮膚病的診斷成為一項(xiàng)極具挑戰(zhàn)性的工作。

　　于是，來自中國醫(yī)科大學(xué)附屬第一醫(yī)院的臨床醫(yī)學(xué)，與東北大學(xué)的醫(yī)工學(xué)院，兩個(gè)學(xué)科背景的團(tuán)隊(duì)攜手開發(fā)了一套皮膚病理大模型。以往，醫(yī)生標(biāo)注一張切片需要耗費(fèi)半小時(shí)，通過 AI 系統(tǒng)，整個(gè)過程縮短至不到三分鐘，還能與臨床的日常工作無縫銜接。

　　第二天的活動(dòng)中，中國醫(yī)科大學(xué)教務(wù)處副處長、盛京醫(yī)院教授/主任醫(yī)師于宏帶來了關(guān)于「人工智能標(biāo)準(zhǔn)化病人(AISP)的病史采集和醫(yī)患溝通」的課程。他分享了一款廣受好評(píng)的 AI 工具。他講到:「我們百分之七八十的醫(yī)療差錯(cuò)都是因?yàn)闇贤ú粫乘�造成的�！顾麄冎�前也嘗試過讓學(xué)生與真實(shí)病人練習(xí)病史采集，但推薦10個(gè)學(xué)生，10個(gè)學(xué)生都不敢開口。

　　原因很簡(jiǎn)單，初出茅廬的學(xué)生在面對(duì)病人時(shí)往往戰(zhàn)戰(zhàn)兢兢，生怕一個(gè)不當(dāng)?shù)膯栴}就會(huì)影響患者休養(yǎng)。而標(biāo)準(zhǔn)化的病人也需要培養(yǎng)，數(shù)量有限且質(zhì)量參差不齊，很難滿足訓(xùn)練和考核的需求。比如在外科手術(shù)中，有時(shí)會(huì)遇到需要手術(shù)升級(jí)的情況。這時(shí)，如何向家屬解釋，并獲得其理解和信任，就需要較高的溝通技巧了。

　　因此，他們開發(fā)了 AI 標(biāo)準(zhǔn)化病人平臺(tái)，主要用于提高問診技巧和醫(yī)患溝通能力。AI 能夠模擬不同病種、不同性格特點(diǎn)的虛擬病人，支持文字、語音、表情等多模態(tài)交互，還能自動(dòng)評(píng)分并給出反饋，告訴學(xué)生哪些方面需要改進(jìn)。學(xué)生們可以在安全的虛擬環(huán)境中反復(fù)練習(xí)這類棘手場(chǎng)景的溝通技巧，做一個(gè)既專業(yè)又有溫度的醫(yī)生。

　　教授們表示，AI 不會(huì)取代醫(yī)生，但不懂 AI 的醫(yī)生將會(huì)被淘汰。積極學(xué)習(xí) AI 知識(shí)，利用自動(dòng)化工具提升能力，可以為未來的職業(yè)發(fā)展筑牢根基。

　　這只是一些案例，還有更多將醫(yī)生們從繁瑣工作解放出來的 AI 應(yīng)用等待同學(xué)們?nèi)ヌ剿骱蛣?chuàng)新。

　　具體到 AI 與醫(yī)療深度結(jié)合的實(shí)踐中，掌握 AI 開發(fā)、數(shù)據(jù)處理、大模型訓(xùn)練、模型微調(diào)等技能是應(yīng)用能力的關(guān)鍵。在課堂上，人們跟隨老師使用 ModelArts、MindSpore 等 AI 開發(fā)平臺(tái)和開發(fā)框架進(jìn)行了實(shí)操演練，基于醫(yī)療數(shù)據(jù)對(duì)大模型進(jìn)行微調(diào)。為了讓更多的人能夠嘗試，華為還為每位學(xué)員準(zhǔn)備了免費(fèi)的云資源券，讓充足的算力支持每一次創(chuàng)新嘗試。

　　「授人以漁」，華為提供了一站式、全棧自研的 AI 開發(fā)工具，從底層算力開始整合，向上支持主流開發(fā)框架，可以對(duì)計(jì)算資源、模型資源進(jìn)行高效率調(diào)用，將復(fù)雜的算法化繁為簡(jiǎn)，支持了 AI 應(yīng)用從數(shù)據(jù)標(biāo)注、模型開發(fā)、訓(xùn)練、部署的全流程，讓醫(yī)學(xué)生能夠輕松駕馭。

　　經(jīng)過與專家的深度交流，學(xué)員們不僅獲得了結(jié)業(yè)證書，更收獲了寶貴的前沿洞察與前瞻見解。

　　醫(yī)療只是華為布局的一個(gè)縮影，而在更廣泛的領(lǐng)域，華為產(chǎn)教融合的探索更加深入，行跡愈發(fā)堅(jiān)定。

　　華為啟動(dòng)了全國首屆化工行業(yè)人工智能應(yīng)用創(chuàng)新大賽，旨在整合技術(shù)、場(chǎng)景和數(shù)據(jù)，凝聚多家企業(yè)、組織的能力，打造共生共贏的產(chǎn)業(yè)生態(tài)聯(lián)盟。

　　直接面向?qū)�業(yè)人才的課程也在進(jìn)行當(dāng)中。就在今年，華東理工大學(xué)、青島科技大學(xué)兩所學(xué)校的化工學(xué)院與華為聯(lián)合開展了「化工 + AI」實(shí)訓(xùn)課程，通過產(chǎn)教融合的方式，培養(yǎng)了一批化工AI人才。

　　基于這樣的理念，華為正在通過行業(yè) AI 應(yīng)用創(chuàng)新孵化營與行業(yè) AI 應(yīng)用創(chuàng)新大賽，培植起豐碩的人才培養(yǎng)沃土，從中國醫(yī)科大學(xué)到華東理工大學(xué)，從醫(yī)療到材料，從港口到制造，點(diǎn)亮一個(gè)個(gè)傳統(tǒng)制造業(yè)的「星辰大�！埂�

　　在探索的過程中，華為逐步形成了一套「四個(gè)基于」的核心原則:基于實(shí)際客戶需求、基于實(shí)際場(chǎng)景、基于實(shí)際數(shù)據(jù)、基于實(shí)際商業(yè)閉環(huán)。

　　在我們看來，這種機(jī)制的意義遠(yuǎn)超人才培養(yǎng)本身:

　　對(duì)于人才供給端，這種人才培養(yǎng)模式開辟了一條可持續(xù)的量級(jí)躍升之路。

　　對(duì)于應(yīng)用層，讓最了解行業(yè)痛點(diǎn)的人掌握 AI 工具，能催生更多接地氣的創(chuàng)新。這不僅降低了 AI 技術(shù)與行業(yè)場(chǎng)景的對(duì)接成本，更能將分散想法整合起來，形成更強(qiáng)大的技術(shù)突破動(dòng)能。

　　放眼整個(gè)產(chǎn)業(yè)圖景，每個(gè)行業(yè)都由千千萬萬的從業(yè)者構(gòu)成。當(dāng)他們的思維模式與能力結(jié)構(gòu)發(fā)生根本性轉(zhuǎn)變，傳統(tǒng)行業(yè)「被改造」到「主動(dòng)轉(zhuǎn)型」的身份轉(zhuǎn)變也將水到渠成。

　　人才的戰(zhàn)役已經(jīng)打響

　　大模型技術(shù)的落地，還在對(duì) AI 人才提出更多需求。

　　一方面，從 ChatGPT 到 Sora，生成式 AI 引領(lǐng)的工業(yè)、行業(yè)、組織轉(zhuǎn)型和智力變革，讓人工智能的應(yīng)用場(chǎng)景和范圍得到了極大拓展。這意味著還有更多的行業(yè)，更多的人可以參與進(jìn)來。

　　另一方面，在眾多行業(yè)方向上，單一技能已不足以應(yīng)對(duì)未來挑戰(zhàn)。真正的 AI 人才，應(yīng)該是能夠?qū)?AI 技術(shù)與行業(yè)實(shí)踐深度融合的復(fù)合型人才。學(xué)習(xí) AI 技能，或許會(huì)變成一個(gè)系統(tǒng)、長期學(xué)習(xí)的過程。

　　在 AI 人才方面，國內(nèi)雖然仍處在追趕者的位置，但我們已經(jīng)看到了一些自身優(yōu)勢(shì):

　　首先是技術(shù)驅(qū)動(dòng)。截止到7月，全球 AI 大模型的數(shù)量超過1300個(gè)，中國大模型數(shù)量占比36%。大模型市場(chǎng)的升溫已經(jīng)帶動(dòng)起上下游產(chǎn)業(yè)鏈的發(fā)展，提升了數(shù)據(jù)、算力和算法等領(lǐng)域的人才需求。

　　其次是場(chǎng)景優(yōu)勢(shì)，也在推動(dòng) AI 的應(yīng)用從量變走向質(zhì)變。隨著技術(shù)的大面積落地，智能化轉(zhuǎn)型已不再是一句空話，不論工業(yè)還是服務(wù)業(yè)，工作的流程、產(chǎn)品的形態(tài)都在積極尋求變化。

　　在這樣的環(huán)境中，只有充分把兩者結(jié)合起來，聯(lián)系起 AI 技術(shù)基礎(chǔ)與行業(yè)需求的兩端，才能最終釋放出 AI 技術(shù)的全部潛力。

　　但要真正解決 AI 人才短缺的問題，還需要更多企業(yè)、高校和社會(huì)各界的共同努力。