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。

本月初，谷歌 NotebookLM 的核心团队共同宣布离职创业，他们新公司的网站已经进入了「建设中」的状态。

谷歌 NotebookLM 的核心成员 Raiza、Jason、Stephen 创业新公司的网页

紧随其后的是，开创性工作 Vision Transformer（ViT）的三位主要作者一齐官宣了自己的新动向:共同加盟 OpenAI。他们来自谷歌 DeepMind 的苏黎世办事处，加入的是新成立的 OpenAI 苏黎世部门。

新加入 OpenAI 的三位 ViT 作者，其中 Alexander Kolesnikov 已经更新了自己的领英页面

对于最抢手的 AI 技术人才来说，在不同公司之间跳槽并不罕见，但像这样为大牛原地成立新部门的确是许久未见的奇景了，让我们不得不感叹如今全球科技公司之间竞争的激烈程度。

其实，全球范围内，在 AI 广阔的应用场景中，人才稀缺的问题也已经显得十分急迫。

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?

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?

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。

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。

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。

解法:培养复合型行业 AI 人才

大模型技术兴起之前，我们见证了国内一批高校人工智能学院的建立，在科研探索方向，国内一直在加大人工智能人才的培养力度。面对 AI 大规模行业应用的新需求，很多科技公司正在与大学合作，开始寻求培养行业 AI 复合型人才。

上周，由东北大学、中国医科大学联合华为开展的【医路智行，探索无限未来】行业 AI 应用创新孵化营正式开营。活动持续两天，一大批来自医疗领域的研究者们共同体验了一场 AI 与医学的融合之旅。

课程从人工智能方法的发展开始讲起，从特征工程到 ChatGPT 出现，深入浅出，再联系到医生看病的实际工作中，为行业内人士构建起 AI 知识体系的框架。

另一边，华为也邀请到了一批前沿学者展示一系列医疗+AI 交叉研究的落地成果，包括数据处理、自动填写病历、医疗影像检查、组织切片分析等。

东北大学医学与生物信息工程学院执行院长赵越在发言中表示，医学与人工智能的融合是不可或缺的趋势，华为给予了学院无私的帮助和支持。

在第一天的活动中，中国医科大学附属第一医院教授齐瑞群以「皮肤与皮肤病理的诊断逻辑与难点」为例，探讨了临床医疗诊断方法及存在的问题。

在2500多种皮肤病中，医生主要通过8种原发皮损和10种继发皮损共18种特征进行诊断。每种特征又可能呈现出不同的颜色、形状和纹理变化，这使得皮肤病的诊断成为一项极具挑战性的工作。

于是，来自中国医科大学附属第一医院的临床医学，与东北大学的医工学院，两个学科背景的团队携手开发了一套皮肤病理大模型。以往，医生标注一张切片需要耗费半小时，通过 AI 系统，整个过程缩短至不到三分钟，还能与临床的日常工作无缝衔接。

第二天的活动中，中国医科大学教务处副处长、盛京医院教授/主任医师于宏带来了关于「人工智能标准化病人（AISP）的病史采集和医患沟通」的课程。他分享了一款广受好评的 AI 工具。他讲到:「我们百分之七八十的医疗差错都是因为沟通不畅所造成的。」他们之前也尝试过让学生与真实病人练习病史采集，但推荐10个学生，10个学生都不敢开口。

原因很简单，初出茅庐的学生在面对病人时往往战战兢兢，生怕一个不当的问题就会影响患者休养。而标准化的病人也需要培养，数量有限且质量参差不齐，很难满足训练和考核的需求。比如在外科手术中，有时会遇到需要手术升级的情况。这时，如何向家属解释，并获得其理解和信任，就需要较高的沟通技巧了。

因此，他们开发了 AI 标准化病人平台，主要用于提高问诊技巧和医患沟通能力。AI 能够模拟不同病种、不同性格特点的虚拟病人，支持文字、语音、表情等多模态交互，还能自动评分并给出反馈，告诉学生哪些方面需要改进。学生们可以在安全的虚拟环境中反复练习这类棘手场景的沟通技巧，做一个既专业又有温度的医生。

教授们表示，AI 不会取代医生，但不懂 AI 的医生将会被淘汰。积极学习 AI 知识，利用自动化工具提升能力，可以为未来的职业发展筑牢根基。

这只是一些案例，还有更多将医生们从繁琐工作解放出来的 AI 应用等待同学们去探索和创新。

具体到 AI 与医疗深度结合的实践中，掌握 AI 开发、数据处理、大模型训练、模型微调等技能是应用能力的关键。在课堂上，人们跟随老师使用 ModelArts、MindSpore 等 AI 开发平台和开发框架进行了实操演练，基于医疗数据对大模型进行微调。为了让更多的人能够尝试，华为还为每位学员准备了免费的云资源券，让充足的算力支持每一次创新尝试。

「授人以渔」，华为提供了一站式、全栈自研的 AI 开发工具，从底层算力开始整合，向上支持主流开发框架，可以对计算资源、模型资源进行高效率调用，将复杂的算法化繁为简，支持了 AI 应用从数据标注、模型开发、训练、部署的全流程，让医学生能够轻松驾驭。

经过与专家的深度交流，学员们不仅获得了结业证书，更收获了宝贵的前沿洞察与前瞻见解。

医疗只是华为布局的一个缩影，而在更广泛的领域，华为产教融合的探索更加深入，行迹愈发坚定。

华为启动了全国首届化工行业人工智能应用创新大赛，旨在整合技术、场景和数据，凝聚多家企业、组织的能力，打造共生共赢的产业生态联盟。

直接面向专业人才的课程也在进行当中。就在今年，华东理工大学、青岛科技大学两所学校的化工学院与华为联合开展了「化工 + AI」实训课程，通过产教融合的方式，培养了一批化工AI人才。

基于这样的理念，华为正在通过行业 AI 应用创新孵化营与行业 AI 应用创新大赛，培植起丰硕的人才培养沃土，从中国医科大学到华东理工大学，从医疗到材料，从港口到制造，点亮一个个传统制造业的「星辰大海」。

在探索的过程中，华为逐步形成了一套「四个基于」的核心原则:基于实际客户需求、基于实际场景、基于实际数据、基于实际商业闭环。

在我们看来，这种机制的意义远超人才培养本身:

对于人才供给端，这种人才培养模式开辟了一条可持续的量级跃升之路。

对于应用层，让最了解行业痛点的人掌握 AI 工具，能催生更多接地气的创新。这不仅降低了 AI 技术与行业场景的对接成本，更能将分散想法整合起来，形成更强大的技术突破动能。

放眼整个产业图景，每个行业都由千千万万的从业者构成。当他们的思维模式与能力结构发生根本性转变，传统行业「被改造」到「主动转型」的身份转变也将水到渠成。

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。