什麼是 AI 發展的第一驅動力？最近，全球科技大廠都在用行動告訴我們：人才。 本月初，谷歌 NotebookLM 的核心團隊共同宣佈離職創業，他們新公司的網站已經進入了「建設中」的狀態。 谷歌 NotebookLM 的核心成員 Raiza、Jason、Stephen 創業新公司的網頁 緊隨其後的是，開創性工作 Vision Transformer（ViT）的三位主要作者一齊官宣了自己的新動向：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 已經更新了自己的領英頁面 對於最搶手的 AI 技術人才來說，在不同公司之間跳槽並不罕見，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爭的激烈程度。 其實，全球範圍內，在 AI 廣闊的應用場景中，人才稀缺的問題也已經顯得十分急迫。 AI 技術落地正在面臨「最後一公里」難題 我們正處在一個微妙的時間點上：爆發兩年的生成式 AI 正在進入大規模應用階段。一方面在 AI 領域裡，技術人才成為了極度稀缺的「資源」；另一方面，在各個落地行業內，人們也在面臨困境。 大模型重塑所有行業的過程，既是機遇也是挑戰。AI 技術必須落地到具體的場景中，才能實現它真正的價值。 然而，現實卻給了我們當頭一棒 —— 承載期望的 Killer App 依然未能現身。對於抖音、快手這些國民級內容社群，AI 並未帶來預期中的實質性變革。調性與 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」已有三家選擇了戰略性放棄 C 端業務線。為什麼會這樣？ 讓我們從最基礎的問題談起。很多公司在開發 AI 產品時，總是習慣性「拿著錘子找釘子」。他們練就了一身本領，就著急要找地方施展，但卻沒考慮過使用者的真實需求。 就拿今年隨著 Sora 現世，捲到飛起的 AI 影片生成來舉例子，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制元件，於是落入了現實用不好，搞抽象很契合的境地。 究其原因，AI 技術的研發者和從業者之間存在難以跨越的認知鴻溝 —— 術業有專攻，許多需求早已內化為肌肉記憶般的本能反應，往往是「問不出來」卻「離不開」的隱性知識。 問題不止於此，即使 AI 產品的研發團隊對齊了顆粒度，現實中也要面臨打不通的底層邏輯。相對 C 端，在垂直更為清晰的 B 端，技術與需求的錯配則更為顯著。 目前 AI 進企業主要分為兩條技術路徑，但各有各的難處：通用場景模型像是「萬金油」，部署門檻低，卻難以應對特定的邊界情況；細分行業模型雖然效果更好，卻需要海量的資料和繁重的標註工作。 根據億歐智庫的《企業 AIGC 商業落地應用研究報告》，「與當前系統整合的難度與相容性」是企業首要考慮的因素。對於企業來講，引入 AI 系統意味著要算一筆增加人力、運維成本的綜合賬。因此，最划算的就是一套封裝好的固定方案。 於是這樣的情節經常上演，即使「AI + 傳統方法」可以讓效率翻倍，一提還需提供 20 個超引數，一切免談；即使已經搭建起「標註 - 訓練 - 部署」的閉環生態，只需在更換裝置型號時重新訓練一遍，得到的還是客戶斬釘截鐵的拒絕。 這些問題已經織成了一張難解的網：AI 產品難以滿足實際需求，導致行業內客戶的合作意願變低，需求更難深入理解...... 歸根結底，一切癥結都指向了同一個結構性矛盾：懂行業場景的「老師傅」不懂 AI，而精通 AI 技術的人又不瞭解行業裡的人需要什麼。如果無法化解，AI 落地就將持續面臨「最後一公里」的挑戰。面對這樣的困境，一個關鍵性的問題浮現出來：到底是讓 AI 研發者去學習行業知識，還是讓行業從業者來學習 AI 技術呢？ 幫大模型「立三觀」需要行業、AI 一起來 顯然，雙向奔赴才是更好的選擇。 ChatGPT 出現前，AI 在很多行業中的應用被定位在兩個方面：一是對已知機理模型進行重複工作的自動化，二是對未知機理模型進行探索性工作，擴充人類的認知邊界。大模型的技術突破，讓人們看到了 AI 應用的新形態，在數字化轉型過程中，原先頂層設計的流程是解耦的，但現在逐漸變成了「端到端」一體化，有了更直接、更強大的方案。 大模型透過對世界進行建模，讓機器能夠理解複雜現象，獲得了一種認知世界的能力，因此能夠理解和處理複雜的行業資料，並據此進行分析和決策，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 的行業專家。相比於讓 AI 工程師從零開始積累行業經驗，讓已經深耕行業多年的專業人才掌握 AI 應用技術，學習曲線會更平緩，也更容易實現技術與場景的深度融合。 在 AI 技術使用門檻快速降低的如今，這個選擇正在變得愈發合理，會打字就能 3D 建模，會說話就能自動生成小遊戲......各大廠商正在圍繞生成式 AI 爭相推出「零門檻」產品。而那些過去需要複雜程式設計才能實現的功能，現在透過簡單的 API 呼叫就能完成。像 Cursor 這樣的 AI 輔助程式設計工具的出現，更是大大降低了開發難度。 這一切都為行業從業者來主動擁抱 AI 技術積攢了越來越大的動能。最近，很多行業都在湧現新的 AI 應用案例。 以醫療領域為例，一位優秀的臨床醫生需要至少 8 年時間（從本科到規培畢業）才能培養出準確解讀病症的專業直覺。而藉助 AI 大模型應用，醫生們可以在較短時間內掌握 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。 在化工領域，經過專門調優的大模型可以精確模擬關鍵執行引數，保障生產過程的深度最佳化與極致穩定。在一些化工廠，自動化系統經過長時間穩定生產已經大幅減少了人員干預、降低了勞動強度，顯著增強了裝置執行的穩定性與安全性，也直接提升了經濟效益。 在智慧港口，自動化和機器人化等先進手段可以實現更高效的生產和管理流程，顯著減少人力和時間消耗。隨著 AI 大模型的出現，智慧化水平再度得到了大幅提升，使得基於統一大模型底座全面支撐生產、管理、服務、安全等領域應用成為了可能。不過，這條道路仍面臨著諸多現實挑戰。 首要問題是「沒人教」，既懂行業又懂 AI 的「雙師型」教師鳳毛麟角。 即便有這樣的伯樂，也面臨著「教什麼、怎麼教」的難題 —— 行業 + AI 方向缺乏體系化的教材和前沿的實踐案例，課堂內容往往流於表面。雖然自 2019 年以來，AI 專業院校從 35 所擴充套件至 537 所，但大多數院校仍在培養通用型 AI 人才，學生學的是經典的深度學習演算法框架，面對的卻是千差萬別的行業場景。 下一個難題是「沒算力」。高校普遍缺乏算力資源，訓練平臺和開發環境配置不完善。更棘手的是「沒資料」。真實的行業資料極少公開流通，已有資料往往質量參差不齊、標註不完整，這使得許多研究專案難以開展。 破解這些難題，亟需學術界、產業界與教學機構攜手合作，共同構建一個全方位的人才培養體系。 解法：培養複合型行業 AI 人才 大模型技術興起之前，我們見證了國內一批高校人工智慧學院的建立，在科研探索方向，國內一直在加大人工智慧人才的培養力度。面對 AI 大規模行業應用的新需求，很多科技公司正在與大學合作，開始尋求培養行業 AI 複合型人才。 上週，由東北大學、中國醫科大學聯合華為開展的【醫路智行，探索無限未來】行業 AI 應用創新孵化營正式開營。活動持續兩天，一大批來自醫療領域的研究者們共同體驗了一場 AI 與醫學的融合之旅。課程從人工智慧方法的發展開始講起，從特徵工程到 ChatGPT 出現，深入淺出，再聯絡到醫生看病的實際工作中，為行業內人士構建起 AI 知識體系的框架。 另一邊，華為也邀請到了一批前沿學者展示一系列醫療＋AI 交叉研究的落地成果，包括資料處理、自動填寫病歷、醫療影像檢查、組織切片分析等。東北大學醫學與生物資訊工程學院執行院長趙越在發言中表示，醫學與人工智慧的融合是不可或缺的趨勢，華為給予了學院無私的幫助和支援。 在第一天的活動中，中國醫科大學附屬第一醫院教授齊瑞群以「皮膚與皮膚病理的診斷邏輯與難點」為例，探討了臨床醫療診斷方法及存在的問題。 在 2500 多種皮膚病中，醫生主要透過 8 種原發皮損和 10 種繼發皮損共 18 種特徵進行診斷。每種特徵又可能呈現出不同的顏色、形狀和紋理變化，這使得皮膚病的診斷成為一項極具挑戰性的工作。 於是，來自中國醫科大學附屬第一醫院的臨床醫學，與東北大學的醫工學院，兩個學科背景的團隊攜手開發了一套皮膚病理大模型。以往，醫生標註一張切片需要耗費半小時，透過 AI 系統，整個過程縮短至不到三分鐘，還能與臨床的日常工作無縫銜接。 第二天的活動中，中國醫科大學教務處副處長、盛京醫院教授/主任醫師於宏帶來了關於「人工智慧標準化病人（AISP）的病史採集和醫患溝通」的課程。他分享了一款廣受好評的 AI 工具。他講到：「我們百分之七八十的醫療差錯都是因為溝通不暢所造成的。」他們之前也嘗試過讓學生與真實病人練習病史採集，但推薦 10 個學生，10 個學生都不敢開口。 原因很簡單，初出茅廬的學生在面對病人時往往戰戰兢兢，生怕一個不當的問題就會影響患者休養。而標準化的病人也需要培養，數量有限且質量參差不齊，很難滿足訓練和考核的需求。比如在外科手術中，有時會遇到需要手術升級的情況。這時，如何向家屬解釋，並獲得其理解和信任，就需要較高的溝通技巧了。 因此，他們開發了 AI 標準化病人平臺，主要用於提高問診技巧和醫患溝通能力。AI 能夠模擬不同病種、不同性格特點的虛擬病人，支援文字、語音、表情等多模態互動，還能自動評分並給出反饋，告訴學生哪些方面需要改進。學生們可以在安全的虛擬環境中反覆練習這類棘手場景的溝通技巧，做一個既專業又有溫度的醫生。 教授們表示，AI 不會取代醫生，但不懂 AI 的醫生將會被淘汰。積極學習 AI 知識，利用自動化工具提升能力，可以為未來的職業發展築牢根基。 這只是一些案例，還有更多將醫生們從繁瑣工作解放出來的 AI 應用等待同學們去探索和創新。具體到 AI 與醫療深度結合的實踐中，掌握 AI 開發、資料處理、大模型訓練、模型微調等技能是應用能力的關鍵。在課堂上，人們跟隨老師使用 ModelArts、MindSpore 等 AI 開發平臺和開發框架進行了實操演練，基於醫療資料對大模型進行微調。為了讓更多的人能夠嘗試，華為還為每位學員準備了免費的雲資源券，讓充足的算力支援每一次創新嘗試。「授人以漁」，華為提供了一站式、全棧自研的 AI 開發工具，從底層算力開始整合，向上支援主流開發框架，可以對計算資源、模型資源進行高效率呼叫，將複雜的演算法化繁為簡，支援了 AI 應用從資料標註、模型開發、訓練、部署的全流程，讓醫學生能夠輕鬆駕馭。 經過與專家的深度交流，學員們不僅獲得了結業證書，更收穫了寶貴的前沿洞察與前瞻見解。醫療只是華為佈局的一個縮影，而在更廣泛的領域，華為產教融合的探索更加深入，行跡愈發堅定。 華為啟動了全國首屆化工行業人工智慧應用創新大賽，旨在整合技術、場景和資料，凝聚多家企業、組織的能力，打造共生共贏的產業生態聯盟。 直接面向專業人才的課程也在進行當中。就在今年，華東理工大學、青島科技大學兩所學校的化工學院與華為聯合開展了「化工 + AI」實訓課程，透過產教融合的方式，培養了一批化工 AI 人才。 基於這樣的理念，華為正在透過行業 AI 應用創新孵化營與行業 AI 應用創新大賽，培植起豐碩的人才培養沃土，從中國醫科大學到華東理工大學，從醫療到材料，從港口到製造，點亮一個個傳統制造業的「星辰大海」。 在探索的過程中，華為逐步形成了一套「四個基於」的核心原則：基於實際客戶需求、基於實際場景、基於實際資料、基於實際商業閉環。在我們看來，這種機制的意義遠超人才培養本身： 對於人才供給端，這種人才培養模式開闢了一條可持續的量級躍升之路。 對於應用層，讓最瞭解行業痛點的人掌握 AI 工具，能催生更多接地氣的創新。這不僅降低了 AI 技術與行業場景的對接成本，更能將分散想法整合起來，形成更強大的技術突破動能。 放眼整個產業圖景，每個行業都由千千萬萬的從業者構成。當他們的思維模式與能力結構發生根本性轉變，傳統行業「被改造」到「主動轉型」的身份轉變也將水到渠成。 人才的戰役已經打響 大模型技術的落地，還在對 AI 人才提出更多需求。 一方面，從 ChatGPT 到 Sora，生成式 AI 引領的工業、行業、組織轉型和智力變革，讓人工智慧的應用場景和範圍得到了極大擴充。這意味著還有更多的行業，更多的人可以參與進來。 另一方面，在眾多行業方向上，單一技能已不足以應對未來挑戰。真正的 AI 人才，應該是能夠將 AI 技術與行業實踐深度融合的複合型人才。學習 AI 技能，或許會變成一個系統、長期學習的過程。 在 AI 人才方面，國內雖然仍處在追趕者的位置，但我們已經看到了一些自身優勢：
首先是技術驅動。截止到 7 月，全球 AI 大模型的數量超過 1300 個，中國大模型數量佔比 36%。大模型市場的升溫已經帶動起上下游產業鏈的發展，提升了資料、算力和演算法等領域的人才需求。
其次是場景優勢，也在推動 AI 的應用從量變走向質變。隨著技術的大面積落地，智慧化轉型已不再是一句空話，不論工業還是服務業，工作的流程、產品的形態都在積極尋求變化。
在這樣的環境中，只有充分把兩者結合起來，聯絡起 AI 技術基礎與行業需求的兩端，才能最終釋放出 AI 技術的全部潛力。 但要真正解決 AI 人才短缺的問題，還需要更多企業、高校和社會各界的共同努力。