企业AI数智化转型上岸难，找准“撑桨人”是关键

本文链接：https://blog.csdn.net/auto_mooc/article/details/138181469

本文探讨了AI技术，尤其是大模型的快速发展，其在企业中的广泛应用，以及AI人才的需求和培养。企业面临AI战略制定、场景应用挑战，强调了算力和基础设施的重要性。提出‘AI人才粮仓模型’，指导企业构建多层次的人才体系以适应AI时代的变革。

摘要由CSDN通过智能技术生成

自2023年上半年起，chatGPT等大模型技术蓬勃发展，AI技术不断突破边界，展现惊人的潜力和发展速度。从早期的逻辑推理、专家系统，到如今的深度学习、神经网络，AI技术缩小了科学与实际应用之间的鸿沟，展现出了无限的应用可能性，在图像分类、语音识别、知识问答、人机对弈、无人驾驶等众多领域实现了重大的技术突破。

《数智时代的AI人才粮仓模型》白皮书调研了大量企业AI应用现状，结合政策导向和行业变革的时代背景，全面分析了企业对于AI技术的迫切需求以及AI技术所能带来的巨大价值。基于此，提出了“智时代的AI人才粮仓模型”，旨在为企业构建一个系统、全面的人才培养和布局框架。明确了数智时代下AI人才的核心能力要求和岗位设置。

政策支持，行业推动，加快AI变革

2024年两会明确提出新质生产力，以科技创新推动产业创新

国家把AI视为战略性新兴产业和新增长引擎，各地政府也正在积极推动AI创新体系建设，加快攻克技术，促进AI与市场经济相结合，推进落地场景的应用。

2024年，“人工智能+”、“新质生产力”被首次写入《2024年国务院政府工作报告》，报告明确提出，大力推进现代化产业体系建设，充分发挥创新主导作用，以科技创新推动产业创新，加快推进新型工业化。

培育新生产力要打造新型劳动者队伍，如能够创造新质生产力的战略人才和能够掌握新质生产资料的应用型人才。在大模型元年，培养具有科技创新能力又能熟练应用AI新技术的人才，显得尤为重要。

超63%的企业正在构建企业内大模型

AI已经在各行各业展露头角，2024年成为大模型应用场景元年，模型层产品百花齐放，百家争鸣。

目前，国内超63%的企业正在构建企业大模型，将大模型与业务流程、产品功能紧密结合，推动大模型在多个场景中应用落地。据《AICG行业应用及人才发展报告》显示，采用或调用商业大模型和基于开源构建专属大模型的企业比例基本一致。

万人规模企业往往业务场景较为复杂，往往基于于开源构建自己的专属大模型。但是，由于AI落地应用存在很多难点，约40%的制造业企业内部仍然没有基于大模型做任何开发工作，约20%的企业没有基于大模型做任何研发工作，其中千人以下规模企业比例较高；而由于成本高、落地难、数据隐私存在安全隐患、人才资源少等因素，中小企业在应用方面处于观望期。

为了满足不同行业对AI技术的需求，AI算法和模型经历了从简单到复杂的不断演进。早期的机器学习算法，如线性回归和决策树，基于统计学原理处理数据，为AI技术的起步奠定了基础。随着技术的演进，AI模型参数量不断突破，如Transformer结构和MOE结构不断创新，2023年，AICG爆发式增长，国内各大厂商在AI算法和架构方面凭借自身特色和优势进行布局，推动AI技术的不断创新与应用。

AI场景应用带来巨大的算力需求，企业AI基础设施亟需升级

AI时代的机器需要自主学习并推断逻辑，这背后是对海量数据和强大计算力的极大需求。但面对CPU性能的局限，传统服务器已难以满足这种密集型计算的需求，对AI基础设施的要求提高。计算、存储、网络和数据服务等都需要经过精心的设计和重构，才能满足当下大型模型和生成式AI的严苛要求。AI大模型规模的快速增长和结构复杂化，也让各行业对AI基础设施运算能力的需求呈现出显性化激增的趋势。

据AI人才洞察显示，43%企业使用云算力支持AI算力运行，28%的企业自建AI算力，约30%的企业使用云服务，其中千人以下规模的企业更倾向于利用云服务商技术能力和安全保障，通过云服务来降低企业开发门槛和成本。

企业数智化转型面临的AI挑战

战略不明确，实施效果不理想

尚未启动AI战略制定的企业，往往对AI技术的认知停留在表面，未能深刻洞察其商业价值和对企业运营的深远影响。

对于已经制定了AI战略但内容不清晰的企业来说，内部因素和外部因素共同影响了战略的质量，内部因素，如企业对自身业务目标和愿景的不明确，缺乏专业人才和知识储备。外部因素包括快速变化的技术环境和激烈的市场竞争，这些因素导致了企业在制定AI战略时难以将技术与业务紧密集合，使得战略内容模糊。

传统业务AI应用场景匮乏，“找不到”，“不会找”

企业出现AI应用场景匮乏主要原因：

“找不到”：大部分企业对AI技术认知不足，对业务需求与AI技术匹配度把握不准确。无法将其他行业成功应用案例转化为适合自己企业的应用场景，无法找到适合自身定位的AI应用落地突破口。

“不会找”：企业缺乏寻找和应用AI技术的能力和方法，一些企业虽然对AI技术有一定了解，但却找不到如何将其与业务实际需求相结合，尝试了AI技术应用，但效果不佳。缺乏借助外部力量共同探索和开发适合自身业务特点的AI应用场景的意识。如，不能及时找到了解自身业务的AI技术团队对自身企业进行全方位的技术诊断和应用评估；不能及时找到专业的培训团队对企业员工进行AI思维、AI技术的培训等。

算力成为限制AICG发展的最大挑战

AIGC 大模型以其海量的参数和复杂的网络结构，在训练和推理过程中需要消耗巨大的计算资源，这些模型往往需要利用大规模的语料库进行训练，以捕获数据的深层规律和特征。然而当前大多数企业的算力资源有限，难以满足大模型的需求，这不仅导致了训练时间的延长和成本的增加，还可能出现过拟合、泛化能力差等问题，从而影响模型的性能和效果。同时，由于算力资源的稀缺性，企业在租用或购买算力设备时需要支付高昂的费用，这直接增加了企业的运营成本，间接影响了企业的产品利润和市场竞争的空间。

企业上岸AI难，缺乏“撑桨人”

在这股AI浪潮中，AI人才决定着企业是否能够完成“AI全面化”落地。不仅包括AI技术的研发者，还涵盖具备AI基础知识，场景应用技能和经验，能够从事AI工具使用的研发、应用、推广、创新和业务赋能功能的人才。

AI人才具备深厚的理论功底和实践经验，能够不断探索和研发新的AI技术和应用，他们的创新成果不仅可以推动AI技术的发展，也能为各行各业提供更高效、智能的解决方案，帮助企业缩短业务执行路径，提高业务效率，实现降本增效。

随着AI技术的快速发展和广泛应用，各行各业对AI人才的需求急剧增长，但AI领域涉及的知识体系广泛且深奥，培养合格的AI人才需要时间和成本，这也导致AI人才供不应求，AI人才成为企业竞相争夺的稀缺资源。

AI赋能千行百业，能加速不同产业智能化升级。为了应对各行各业实现全面AI化，培训AI能力是业技融合的关键所在，打造AI人才梯队是实现全面AI化目标的关键举措。

AI人才结构现状及AI人才粮仓模型

政策支持+产业驱动，AICG展现出巨大的产业应用潜力，企业如想将AI技术与业务场景紧密结合，必须要重视AI人才的培养和引进，以实现产业创新和业务增长。

AI人才结构现状

人才是市场竞争的核心竞争力，AI人才的数量，结构和培养体系，不仅关系到科技创新的速度，更决定了未来产业发展的高度。

在AI人才结构方面，从业者普遍拥有本科及以上学历，硕士和博士占比也很高，这表明AI领域对高学历、高素质人才的需求十分旺盛。高层次学术背景和专业训练已经成为从业者不可或缺的标配。

AI人才市场需求，缺口大，薪资高

AI人才的需求已经实现了跨越式增长，但供应量却未能与之匹配。中国AI人才缺口已经达到数十万的规模且未来还将急剧扩大，算法工程师、产品经理、视觉设计NLP、图像算法成为最紧缺的几类岗位。

据InfoQ调研统计，2023年生成式AI开发者人均年收入为36.7万，近4成开发者年收入20-40万区间，远超2023年上半年北京招聘平均薪资。由于AI应用范围广，技术含量高，供需两旺等因素，互联网企业、科技企业、初创企业展现出强大招聘势头，即使是工作年限较短的开发者，薪资水平也超越北京平均招聘薪资水平。

AI人才粮仓模型

根据企业中不同AI岗位的职责、技能和需求，提出了数智时代下的AI人才粮仓模型，根据分层人才数量，呈现“粮仓”形状，企业需要结合自身实际业务需求储备对应层次人才，对不同层次人才进行针对性培养。