起點(diǎn)課堂會(huì)員權(quán)益
職業(yè)體系課特權(quán)
線下行業(yè)大會(huì)特權(quán)
個(gè)人IP打造特權(quán)
30+門專項(xiàng)技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導(dǎo)直播
12場專業(yè)技能直播
會(huì)員專屬社群
榮耀標(biāo)識(shí)從年薪 30 萬到 300 萬：AI 人才之間，差的不是算法，是這層能力
2025-2030年，AI人才需求將發(fā)生巨變。從系統(tǒng)優(yōu)化到智能體編排，再到具身智能，哪些技能將成為稀缺能力？本文為你揭示未來五年AI人才的稀缺技能及職業(yè)發(fā)展方向。
如果說 2023-2024 是“誰先玩上大模型，誰就有故事可講”的階段，那 2025 之后，規(guī)則已經(jīng)完全變了。
這幾年你應(yīng)該已經(jīng)有感：會(huì)用 ChatGPT、會(huì)寫幾個(gè) prompt，不再是稀缺能力；甚至“會(huì)微調(diào)一個(gè)模型”這件事，本身也在快速走向同質(zhì)化。真正開始被瘋搶、被溢價(jià)的，是另外一批人——那些能把模型變成可大規(guī)模上線、跑得快、跑得穩(wěn)、跑得便宜的系統(tǒng)型人才。
這一篇，我們就聊一件事：
2025-2030 這五年，全球 AI 人才真正稀缺的到底是什么能力？
以及，如果你在中國大陸做職業(yè)選擇，應(yīng)該把自己往哪條路上“對(duì)齊”。
一、從“卷模型”到“卷系統(tǒng)”：AI 人才金字塔完全反過來了
先把結(jié)論說在前面：
在 2025 年的 AI 人才金字塔里，站在最上面那層的，已經(jīng)不是“會(huì)訓(xùn)練模型的人”，而是“能把模型以可承受的成本、可接受的延遲跑進(jìn)生產(chǎn)系統(tǒng)的人”。
這不是一句口號(hào)，而是一個(gè)很現(xiàn)實(shí)的賬。
過去兩年，大家對(duì)大模型的想象是：“參數(shù)再大一點(diǎn)，效果再好一點(diǎn)”；到了 2025 年，大廠、獨(dú)角獸、B 輪公司紛紛發(fā)現(xiàn)：賬單開始扛不住了——推理成本成了商業(yè)模式能不能成立的生死線。你用的是 3 塊錢一千 token 的模型，還是 0.3 塊錢一千 token 的模型；你一個(gè) GPU 每秒能服務(wù) 20 個(gè)請(qǐng)求，還是 200 個(gè)請(qǐng)求，這些都不再是“工程細(xì)節(jié)”，而是利潤表上實(shí)打?qū)嵉牟罹?/strong>。
也正因?yàn)槿绱耍麄€(gè)人才評(píng)價(jià)體系開始反轉(zhuǎn)：
只會(huì)調(diào)模型超參、跑一跑 benchmark 的人，變得越來越多；
反而是那批能通過底層優(yōu)化把推理成本砍掉 30%、把吞吐翻兩倍的工程師，成了真正的“人形印鈔機(jī)”。
這類人到底在干嘛？你可以這么理解：
- 他們不止會(huì) Python，而是要能一路打到底，寫 CUDA Kernel、寫 Triton，把注意力算子、矩陣乘法直接編譯到顯卡的血管里；
- 他們不滿足于用一行 model.generate()，而是會(huì)直接操刀 vLLM 這種高性能推理引擎，從源碼級(jí)別調(diào) PagedAttention、調(diào) KV Cache，盡量把每一寸顯存榨干；
- 在算力緊張、硬件受限的環(huán)境里，他們能用量化、裁剪、蒸餾，把一個(gè)“巨嬰模型”壓縮到能在邊緣設(shè)備、國產(chǎn)芯片上穩(wěn)定跑起來。
聽上去很硬核，這確實(shí)是一條學(xué)習(xí)曲線極其陡峭的路。但現(xiàn)實(shí)就是：
能把這一整條鏈路打通的人，在全球范圍內(nèi)都極度稀缺。
中國這邊因?yàn)榭陀^環(huán)境的約束，反倒被迫在這條路上走得很深：缺高端 GPU，那就只能在軟件層面玩命優(yōu)化。在未來五到十年，這會(huì)變成一批中國工程師獨(dú)有的護(hù)城河：在別人習(xí)慣“堆卡”的地方，你習(xí)慣“摳細(xì)節(jié)”。
二、從 prompt 玩家，到“流程工程師”：下一代工程師在編排的是“智能體”，不是接口
第二類正在被重塑的崗位，是我們可以稱之為“智能體編排師”的那群人。
過去這一年，你在朋友圈應(yīng)該看到很多類似的話術(shù)：“XX 用 AI 做客服”“XX 用 AI 做知識(shí)問答”。大部分做法本質(zhì)上還是：
一個(gè)大模型接口 + 一點(diǎn)檢索（RAG）+ 幾個(gè) prompt 模板。
到了 2025 年，真正拉開差距的那撥團(tuán)隊(duì)，已經(jīng)不再滿足于“讓模型說幾句話”，而是開始搭“能自己干活的一整套工作流”。這里的關(guān)鍵變化，是從“線性調(diào)用一次模型”，走向“讓多個(gè)智能體在一個(gè)狀態(tài)機(jī)里長期協(xié)作”。
你可以把他們想象成新一代的“流程工程師”：
- 他們?cè)?LangGraph 之類的框架里，不再畫簡單的“請(qǐng)求→檢索→生成”流程，而是畫一個(gè)會(huì)自循環(huán)的圖：先規(guī)劃，再執(zhí)行，再檢查，如果發(fā)現(xiàn)信息不夠，再回去補(bǔ)充檢索、修正計(jì)劃、重試；
- 他們會(huì)搭多智能體系統(tǒng)：一個(gè)負(fù)責(zé)分析需求，一個(gè)負(fù)責(zé)寫代碼，一個(gè)負(fù)責(zé)測(cè)試和補(bǔ)救；這三個(gè)智能體之間有清晰的交接協(xié)議和沖突處理規(guī)則，而不是大家一起在一個(gè)對(duì)話框里吵成一鍋粥；
- 他們對(duì)“工具使用”的理解，不是隨便丟幾個(gè) API 給模型，而是要設(shè)計(jì)一層“工具編排層”，幫模型兜底參數(shù)錯(cuò)誤、重試機(jī)制、異?；貪L；同時(shí)在關(guān)鍵節(jié)點(diǎn)插入“人類確認(rèn)”，做真正的人機(jī)協(xié)同，而不是盲目自動(dòng)化。
再具體一點(diǎn)：
一個(gè)做企業(yè)審批的 Agent 系統(tǒng)，如果是“會(huì)寫 prompt 的人”做，大概是一個(gè)聊天機(jī)器人 + 檢索知識(shí)庫；
如果是一個(gè)成熟的 Agentic 工程師做，他會(huì)畫出一整個(gè)狀態(tài)機(jī)：資料收集 → 風(fēng)險(xiǎn)分析 → 合規(guī)檢查 → 低風(fēng)險(xiǎn)自動(dòng)放行 → 中風(fēng)險(xiǎn)進(jìn)入人工隊(duì)列 → 高風(fēng)險(xiǎn)觸發(fā)額外核查，并且把每一個(gè)節(jié)點(diǎn)都拆成可觀測(cè)、可回退的小步驟。
為什么這類人才稀缺？原因很簡單：他們既要懂業(yè)務(wù)，又要懂 AI，又要有系統(tǒng)工程腦袋。
純算法出身，容易只盯模型效果；純業(yè)務(wù)出身，容易把智能體當(dāng)“自動(dòng)化腳本”；只有那種能在“模型能力 / 業(yè)務(wù)規(guī)則 / 系統(tǒng)可靠性”之間同時(shí)做權(quán)衡的人，才能把這些東西真正變成“可上線、可維護(hù)”的產(chǎn)品。
這也意味著：
如果你現(xiàn)在還停留在“多看看 prompt 教程”“記幾個(gè)提示詞模板”這個(gè)層面，你已經(jīng)在玩的是上一階段的游戲了。
三、讓模型走出屏幕：具身智能的人才斷層，剛剛開始顯形
第三塊，其實(shí)是我個(gè)人這兩年格外關(guān)注的：具身智能。
簡單講，就是把大模型裝進(jìn)機(jī)器人里，讓它不只是“會(huì)說”，還“會(huì)動(dòng)”、能操作物理世界。你在新聞里能看到的那些人形機(jī)器人、倉儲(chǔ)機(jī)器人、智能機(jī)械臂背后，都繞不開一個(gè)問題：
怎么把“看懂世界 + 聽懂指令 + 做出動(dòng)作”串成一條閉環(huán)。
這件事對(duì)人才的要求，是那種“可遇不可求”的組合：
- 一方面，你得懂視覺和語言：讓模型從攝像頭畫面中認(rèn)出“哪個(gè)是紅色的蘋果”“哪個(gè)是桌子”；
- 另一方面，你又得懂機(jī)器人：關(guān)節(jié)坐標(biāo)系、運(yùn)動(dòng)規(guī)劃、動(dòng)力學(xué)約束，任何一個(gè)細(xì)節(jié)錯(cuò)了，機(jī)器人不是“生成錯(cuò)一段文本”，而是直接撞掉一面墻；
- 最后，你還要能把這一切塞進(jìn)一個(gè)實(shí)時(shí)系統(tǒng)里，用 ROS2 之類的中間件，把 PyTorch/JAX 模型的推理循環(huán)接入機(jī)器人控制回路，控制延遲在可接受范圍內(nèi)。
現(xiàn)實(shí)的問題是：能同時(shí)橫跨這三塊的人太少了。
絕大多數(shù)人要么偏算法，要么偏控制，要么偏硬件，很難有足夠的耐力和環(huán)境去把這條路走通。
再加上一層現(xiàn)實(shí)：具身智能極度缺數(shù)據(jù)。文本有互聯(lián)網(wǎng)，視覺有海量圖片，而“機(jī)器人怎么抓一個(gè)杯子”“怎么在復(fù)雜環(huán)境里行走”這種數(shù)據(jù)，比任何數(shù)據(jù)集都更貴。于是就催生了一類更極度稀缺的角色：仿真工程師。
他們要在 Isaac Sim、MuJoCo 這類仿真環(huán)境里，構(gòu)造各種復(fù)雜場景，通過“領(lǐng)域隨機(jī)化”去逼迫模型學(xué)到更加魯棒的策略，再慢慢把這些策略遷移到現(xiàn)實(shí)世界。
你可以理解為：他們?cè)诮o機(jī)器人搭建一個(gè)可以“安全摔跤”的虛擬世界。
中國在這一塊，其實(shí)是更有土壤的——制造業(yè)基礎(chǔ)、供應(yīng)鏈、成本結(jié)構(gòu)、產(chǎn)業(yè)政策都推著這一波往前走。所以你會(huì)看到，圍繞自動(dòng)駕駛、物流機(jī)器人、人形機(jī)器人，中國在全球的相對(duì)優(yōu)勢(shì)會(huì)越來越明顯。而能把大模型 + 機(jī)器人 + 仿真三者串起來的人，在未來五到十年的機(jī)會(huì)，不會(huì)比今天的大模型研究員少。
四、“理工科雙語者”：AI for Science 的小圈子，溢價(jià)可能是最高的
再往上看，就是一群更小眾，但可能是未來十年收入上限最高的職業(yè)群體：AI for Science 的雙語者。
這里的“雙語”，不是英語和中文，而是：
一門扎實(shí)的科學(xué)學(xué)科（生物、化學(xué)、材料、物理）+ 一整套 AI 技術(shù)棧。
這群人每天在干的事，簡單說就是：
讓大模型別只會(huì)“聊天”和“寫代碼”，而是去幫我們?cè)诜肿?、蛋白、材料、晶體等層面做發(fā)現(xiàn)。
他們要懂幾何深度學(xué)習(xí)，知道如何把蛋白質(zhì)折疊、分子結(jié)構(gòu)這種“非歐幾何對(duì)象”塞進(jìn)一個(gè)圖神經(jīng)網(wǎng)絡(luò)；
要懂?dāng)U散模型、流匹配模型，能生成一堆“理論上有用”的新分子，再去用化學(xué)的知識(shí)篩掉那些不可能合成、或者藥代動(dòng)力學(xué)完全不靠譜的候選；
要懂密度泛函理論（DFT）、懂材料的物理特性，知道如何用機(jī)器學(xué)習(xí)去近似一個(gè)本來要算幾個(gè)星期的量子級(jí)別模擬，從而在短時(shí)間內(nèi)篩一大批可能適合做電池、電池膜、光伏材料的組合。
再往前一步，是所謂的“自動(dòng)化實(shí)驗(yàn)室”：
AI 不再只是一個(gè)“分析結(jié)果的人”，而變成一個(gè)“能自己提出實(shí)驗(yàn)假設(shè)、調(diào)用機(jī)器人做實(shí)驗(yàn)、根據(jù)結(jié)果自動(dòng)更新模型”的閉環(huán)。
要把這樣的系統(tǒng)搭起來，你得同時(shí)理解：Agentic 工作流怎么設(shè)計(jì)、化學(xué)實(shí)驗(yàn)室的約束是什么、機(jī)器人能做什么不能做什么、數(shù)據(jù)怎么采、誤差怎么控。
對(duì)大多數(shù)人來說，這一塊聽著就已經(jīng)“勸退”了。
但現(xiàn)實(shí)就是：全球能玩到這一步的人，本來就不可能多，溢價(jià)自然高得離譜。
如果你本身就是傳統(tǒng)理工科（尤其是生物醫(yī)藥、材料、物理）專業(yè)，再反向補(bǔ) AI，這條路其實(shí)比“從 0 開始卷模型”更有壁壘。
五、一張全球人才地圖：美國在立規(guī)則，中國在做工程，歐洲在管邊界
從地理視角看這場人才重構(gòu)，差異也很明顯。
在美國，最有溢價(jià)的，依然是兩類人：
一類是能設(shè)計(jì)下一代基礎(chǔ)架構(gòu)的系統(tǒng)架構(gòu)師，另一類是能定義新范式的研究員。
他們習(xí)慣從“整個(gè)系統(tǒng)”往下看：從芯片算力、集群網(wǎng)絡(luò)，到模型訓(xùn)練、工具鏈，再到面向全球的 SaaS 產(chǎn)品，都在一條鏈路上思考。
由于這里聚集著 Google、Meta、OpenAI 這些玩家，一些極少數(shù)“會(huì)在萬億參數(shù)規(guī)模上訓(xùn)練模型”的人才，天然只會(huì)出現(xiàn)在這幾個(gè)地方。
在中國，路徑更工程化、更“現(xiàn)實(shí)主義”。
硬件受限倒逼大家在軟件層面極致優(yōu)化：推理加速、模型壓縮、邊緣部署、國產(chǎn)芯片適配……
大量工程師在做的事情，不是“再搞一個(gè)更大的模型”，而是“如何在有限算力下，把現(xiàn)有模型壓榨到極致”。
再疊加一層制造業(yè)基礎(chǔ)，讓機(jī)器人、自動(dòng)駕駛、工業(yè)場景里的 AI，變成了中國非常自然的突破口。
你可以很容易地把中國這邊的人才畫像總結(jié)成一句話：“在硬件約束下，把事情做到能用、好用、用得起?！?/strong>
在歐洲，則形成了兩塊相對(duì)特別的高地：
一塊是圍繞合規(guī)、治理、隱私的“AI 治理官”；
另一塊是以 DeepMind、ETH 為代表的“AI for Science”群體。
前者要把一整套合規(guī)條款翻譯成模型可遵守的約束，把“負(fù)責(zé)任使用 AI”變成企業(yè)的工程規(guī)范；
后者則是我們剛才提到的那批科學(xué)雙語者。
這張地圖，對(duì)你有一個(gè)很現(xiàn)實(shí)的啟發(fā)：
不同地區(qū)對(duì)人的要求不一樣，你不需要在所有維度都做到全球領(lǐng)先，你只需要在你所在地的優(yōu)勢(shì)方向上，把自己向上推兩級(jí)。
六、個(gè)人該怎么選：別停在“會(huì)用 AI”，要么往下挖，要么往上爬
說了這么多，最后還是要落回到一個(gè)現(xiàn)實(shí)問題：
普通人，在這波人才重構(gòu)里，怎么給自己做定位？
我會(huì)給一個(gè)比較直白的建議：
如果你已經(jīng)在技術(shù)這條路上了，未來五年盡量避免停留在“中間層”——
那種只會(huì)調(diào) SDK、只會(huì)改改 prompt、只會(huì)套一套開源 RAG 的角色，會(huì)是最危險(xiǎn)的一檔。
你要么往下挖一層：
- 去理解推理成本是怎么來的，一個(gè)請(qǐng)求的延遲瓶頸卡在哪；
- 學(xué)一點(diǎn)系統(tǒng)，至少搞清楚 vLLM、TensorRT-LLM 等推理引擎在做什么，能讀一點(diǎn)源碼，碰到 OOM 問題知道從哪里下手；
- 在國內(nèi)環(huán)境下，多接觸國產(chǎn)芯片、邊緣設(shè)備，把“在受限環(huán)境里跑出效果”變成自己的標(biāo)簽。
要么往上爬一層：
- 從“寫 prompt”升級(jí)到“設(shè)計(jì)完整智能體流程”；
- 從“做一個(gè)聊天機(jī)器人”升級(jí)到“讓一組智能體接管一條業(yè)務(wù)鏈條”，包括狀態(tài)管理、多人協(xié)作、人機(jī)回環(huán)、異常兜底；
- 從“接受業(yè)務(wù)給的需求”升級(jí)到“反過來幫業(yè)務(wù)拆解：哪些環(huán)節(jié)適合 AI 接管，哪些環(huán)節(jié)必須由人來定奪”。
再往更遠(yuǎn)看一點(diǎn)，如果你本身有一門扎扎實(shí)實(shí)的學(xué)科背景——生物、化學(xué)、材料、物理、金融工程——那你不妨認(rèn)真考慮：
不是“轉(zhuǎn)行做 AI”，而是變成那類**“把 AI 引進(jìn)本行業(yè)、讓自己變成同行中最懂 AI 那一個(gè)”的人**。
最后，用一個(gè)簡單的比喻收尾：
過去兩年，大家在爭做“會(huì)開車的人”；
現(xiàn)在開始，真正值錢的是兩種人：
一類是會(huì)造出更省油、更穩(wěn)定的發(fā)動(dòng)機(jī)的人；
另一類是會(huì)指揮幾十輛車協(xié)同運(yùn)轉(zhuǎn)、搭出一整套交通系統(tǒng)的人。
如果你已經(jīng)決定留在這條賽道上，那么 2025-2030 這五年，基本就是你重新給自己定職業(yè)坐標(biāo)的窗口期。
你可以繼續(xù)做一個(gè)“坐在車?yán)锏娜恕?，也可以開始思考：
我到底要站在未來這張 AI 人才地圖的哪一個(gè)格子里？
專欄作家
陸晨昕，公眾號(hào)：晨昕資本論/晨昕全球Mkt ，人人都是產(chǎn)品經(jīng)理專欄作家。資深媒體人，創(chuàng)業(yè)者，專注于科技&互聯(lián)網(wǎng)&內(nèi)容&教育行業(yè)深度研究。
本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。
題圖來自 Unsplash，基于CC0協(xié)議
- 目前還沒評(píng)論，等你發(fā)揮！
