聲明:本文來自于微信公眾號 機器之心，作者:佳琪、澤南，授權站長之家轉載發(fā)布。

什么是 AI 發(fā)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 的核心團隊共同宣布離職創(chuàng)業(yè)，他們新公司的網(wǎng)站已經(jīng)進入了「建設中」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)更新了自己的領英頁面

對于最搶手的 AI 技術人才來說，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爭的激烈程度。

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

AI 技術落地

正在面臨「最后一公里」難題

我們正處在一個微妙的時間點上:爆發(fā)兩年的生成式 AI 正在進入大規(guī)模應用階段。一方面在 AI 領域里，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(yè)內(nèi)，人們也在面臨困境。

大模型重塑所有行業(yè)的過程，既是機遇也是挑戰(zhàn)。AI 技術必須落地到具體的場景中，才能實現(xiàn)它真正的價值。

然而，現(xiàn)實卻給了我們當頭一棒 —— 承載期望的 Killer App 依然未能現(xiàn)身。對于抖音、快手這些國民級內(nèi)容社區(qū)，AI 并未帶來預期中的實質(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)務線。為什么會這樣?

讓我們從最基礎的問題談起。很多公司在開發(fā) AI 產(chǎn)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，但卻沒考慮過用戶的真實需求。

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)實用不好，搞抽象很契合的境地。

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

問題不止于此，即使 AI 產(chǎn)品的研發(fā)團隊對齊了顆粒度，現(xiàn)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(yè)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(yè)模型雖然效果更好，卻需要海量的數(shù)據(jù)和繁重的標注工作。

根據(jù)億歐智庫的《企業(yè) AIGC 商業(yè)落地應用研究報告》，「與當前系統(tǒng)集成的難度與兼容性」是企業(yè)首要考慮的因素。對于企業(yè)來講，引入 AI 系統(tǒng)意味著要算一筆增加人力、運維成本的綜合賬。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個超參數(shù)，一切免談;即使已經(jīng)搭建起「標注 - 訓練 - 部署」的閉環(huán)生態(tài)，只需在更換設備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(jīng)織成了一張難解的網(wǎng):AI 產(chǎn)品難以滿足實際需求，導致行業(yè)內(nèi)客戶的合作意愿變低，需求更難深入理解......

歸根結底，一切癥結都指向了同一個結構性矛盾:懂行業(yè)場景的「老師傅」不懂 AI，而精通 AI 技術的人又不了解行業(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)。

面對這樣的困境，一個關鍵性的問題浮現(xiàn)出來:到底是讓 AI 研發(fā)者去學習行業(yè)知識，還是讓行業(yè)從業(yè)者來學習 AI 技術呢?

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)中的應用被定位在兩個方面:一是對已知機理模型進行重復工作的自動化，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(tài)，在數(shù)字化轉型過程中，原先頂層設計的流程是解耦的，但現(xiàn)在逐漸變成了「端到端」一體化，有了更直接、更強大的方案。

大模型通過對世界進行建模，讓機器能夠理解復雜現(xiàn)象，獲得了一種認知世界的能力，因此能夠理解和處理復雜的行業(yè)數(shù)據(jù)，并據(jù)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(yè)專家。相比于讓 AI 工程師從零開始積累行業(yè)經(jīng)驗，讓已經(jīng)深耕行業(yè)多年的專業(yè)人才掌握 AI 應用技術，學習曲線會更平緩，也更容易實現(xiàn)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(fā)合理，會打字就能3D 建模，會說話就能自動生成小游戲......各大廠商正在圍繞生成式 AI 爭相推出「零門檻」產(chǎn)品。而那些過去需要復雜編程才能實現(xiàn)的功能，現(xiàn)在通過簡單的 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)者來主動擁抱 AI 技術積攢了越來越大的動能。最近，很多行業(yè)都在涌現(xiàn)新的 AI 應用案例。

以醫(yī)療領域為例，一位優(yōu)秀的臨床醫(yī)生需要至少8年時間（從本科到規(guī)培畢業(yè)）才能培養(yǎng)出準確解讀病癥的專業(yè)直覺。而借助 AI 大模型應用，醫(yī)生們可以在較短時間內(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。

在化工領域，經(jīng)過專門調(diào)優(yōu)的大模型可以精確模擬關鍵運行參數(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，自動化系統(tǒng)經(jīng)過長時間穩(wěn)定生產(chǎn)已經(jīng)大幅減少了人員干預、降低了勞動強度，顯著增強了裝置運行的穩(wěn)定性與安全性，也直接提升了經(jīng)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(xiàn)更高效的生產(chǎn)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(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、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(xiàn)實挑戰(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所擴展至537所，但大多數(shù)院校仍在培養(yǎng)通用型 AI 人才，學生學的是經(jīng)典的深度學習算法框架，面對的卻是千差萬別的行業(yè)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(fā)環(huán)境配置不完善。更棘手的是「沒數(shù)據(jù)」。真實的行業(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、標注不完整，這使得許多研究項目難以開展。

破解這些難題，亟需學術界、產(chǎn)業(yè)界與教學機構攜手合作，共同構建一個全方位的人才培養(yǎng)體系。

解法:培養(yǎng)復合型行業(yè) AI 人才

大模型技術興起之前，我們見證了國內(nèi)一批高校人工智能學院的建立，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 AI 大規(guī)模行業(yè)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(yǎng)行業(yè) AI 復合型人才。

上周，由東北大學、中國醫(yī)科大學聯(lián)合華為開展的【醫(yī)路智行，探索無限未來】行業(yè) AI 應用創(chuàng)新孵化營正式開營?；顒映掷m(xù)兩天，一大批來自醫(yī)療領域的研究者們共同體驗了一場 AI 與醫(yī)學的融合之旅。

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)生看病的實際工作中，為行業(yè)內(nèi)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(yī)療+AI 交叉研究的落地成果，包括數(shù)據(jù)處理、自動填寫病歷、醫(yī)療影像檢查、組織切片分析等。

東北大學醫(yī)學與生物信息工程學院執(zhí)行院長趙越在發(fā)言中表示，醫(yī)學與人工智能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持。

在第一天的活動中，中國醫(yī)科大學附屬第一醫(yī)院教授齊瑞群以「皮膚與皮膚病理的診斷邏輯與難點」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極具挑戰(zhàn)性的工作。

于是，來自中國醫(yī)科大學附屬第一醫(yī)院的臨床醫(yī)學，與東北大學的醫(yī)工學院，兩個學科背景的團隊攜手開發(fā)了一套皮膚病理大模型。以往，醫(yī)生標注一張切片需要耗費半小時，通過 AI 系統(tǒng)，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(yī)科大學教務處副處長、盛京醫(yī)院教授/主任醫(yī)師于宏帶來了關于「人工智能標準化病人（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的 AI 工具。他講到:「我們百分之七八十的醫(yī)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采集，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(zhàn)戰(zhàn)兢兢，生怕一個不當?shù)膯栴}就會影響患者休養(yǎng)。而標準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，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 標準化病人平臺，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、不同性格特點的虛擬病人，支持文字、語音、表情等多模態(tài)交互，還能自動評分并給出反饋，告訴學生哪些方面需要改進。學生們可以在安全的虛擬環(huán)境中反復練習這類棘手場景的溝通技巧，做一個既專業(yè)又有溫度的醫(yī)生。

教授們表示，AI 不會取代醫(yī)生，但不懂 AI 的醫(yī)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(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 應用等待同學們?nèi)ヌ剿骱蛣?chuàng)新。

具體到 AI 與醫(yī)療深度結合的實踐中，掌握 AI 開發(fā)、數(shù)據(jù)處理、大模型訓練、模型微調(diào)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(fā)平臺和開發(fā)框架進行了實操演練，基于醫(yī)療數(shù)據(jù)對大模型進行微調(diào)。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，可以對計算資源、模型資源進行高效率調(diào)用，將復雜的算法化繁為簡，支持了 AI 應用從數(shù)據(jù)標注、模型開發(fā)、訓練、部署的全流程，讓醫(yī)學生能夠輕松駕馭。

經(jīng)過與專家的深度交流，學員們不僅獲得了結業(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縮影，而在更廣泛的領域，華為產(chǎn)教融合的探索更加深入，行跡愈發(fā)堅定。

華為啟動了全國首屆化工行業(yè)人工智能應用創(chuàng)新大賽，旨在整合技術、場景和數(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。

直接面向專業(yè)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(lián)合開展了「化工 + AI」實訓課程，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 應用創(chuàng)新孵化營與行業(yè) AI 應用創(chuàng)新大賽，培植起豐碩的人才培養(yǎng)沃土，從中國醫(yī)科大學到華東理工大學，從醫(yī)療到材料，從港口到制造，點亮一個個傳統(tǒng)制造業(yè)的「星辰大海」。

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

在我們看來，這種機制的意義遠超人才培養(yǎng)本身:

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

對于應用層，讓最了解行業(yè)痛點的人掌握 AI 工具，能催生更多接地氣的創(chuàng)新。這不僅降低了 AI 技術與行業(yè)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(chǎn)業(yè)圖景，每個行業(yè)都由千千萬萬的從業(yè)者構成。當他們的思維模式與能力結構發(fā)生根本性轉變，傳統(tǒng)行業(yè)「被改造」到「主動轉型」的身份轉變也將水到渠成。

人才的戰(zhàn)役已經(jīng)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(yè)、行業(yè)、組織轉型和智力變革，讓人工智能的應用場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來。

另一方面，在眾多行業(yè)方向上，單一技能已不足以應對未來挑戰(zhàn)。真正的 AI 人才，應該是能夠將 AI 技術與行業(yè)實踐深度融合的復合型人才。學習 AI 技能，或許會變成一個系統(tǒng)、長期學習的過程。

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:

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

• 其次是場景優(yōu)勢，也在推動 AI 的應用從量變走向質(zhì)變。隨著技術的大面積落地，智能化轉型已不再是一句空話，不論工業(yè)還是服務業(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，只有充分把兩者結合起來，聯(lián)系起 AI 技術基礎與行業(yè)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(yè)、高校和社會各界的共同努力。

（舉報）