從 ChatGPT 到今年 DeepSeek 的爆火，AI 的發展程序正如多年前的預測一樣，正在加速推進。這也給我們的教育和人才培養帶來了機遇與挑戰。

AI 的熱度不斷攀升，尤其是 DeepSeek 百萬年薪招聘人才的新聞引發了廣泛討論。從更長的時間維度來看，AI 的發展始於 2013 年至 2014 年的深度學習技術突破。當時，AlexNet 在 ImageNet 比賽中奪冠，其效能提升令人震驚，但許多人仍對 CNN 的潛力持懷疑態度。然而，僅一年多後，深度學習便成為 AI 領域的主流方向，大量研究人員紛紛轉向這一領域。

在隨後的幾年中，AI 的薪資水平也經歷了起伏。演算法崗位曾因稀缺性和高需求而薪資高漲，但其穩定性較差。由於網際網路業務的複雜性，深度學習和機器學習的應用效果並不總是理想，導致演算法崗位的人員流動較大。許多人中途轉向系統、安全等其他方向，薪資水平也因此波動。相比之下，系統崗位和研發崗位因穩定性更高而受到青睞。

隨著 ChatGPT 的出現和大模型時代的到來，AI 的能力和影響力實現了質的飛躍。機器學習時代，AI 的應用落地較為有限，主要集中在影片、安防和娛樂等少數領域，企業營收和薪資水平也難以持續高漲。但 大模型技術的突破使 AI 真正“破圈”，不再侷限於少數賽道，而是廣泛應用於普通人的生活和工作中。例如，深圳已經開始嘗試使用“ AI 公務員”，僅用幾天時間就能完成過去幾十天的工作量，這引發了人們對職業未來的廣泛焦慮和對 AI 的學習熱潮。

如今，AI 已成為高階工具，在多個領域展現出強大的生產力，推動薪資水平不斷上升。在北京等頭部高校，AI 相關專業的畢業生薪資已遠超百萬，甚至剛畢業的博士生也能拿到 200 萬、300 萬甚至更高的年薪。DeepSeek 等頭部企業之所以能開出如此高的薪資，一方面是因為 AI 技術解決了更多問題，為企業帶來了可觀的收入；另一方面，AI 領域的供需失衡導致人才稀缺，企業為了在激烈的市場競爭中佔據優勢，不惜重金吸引核心人才。

從宏觀角度看，AI 的發展帶來了巨大的市場需求，尤其是對核心技術和大模型訓練、推理以及系統級加速設計等方面的專業人才。這些崗位薪資極高，也帶動了相關崗位的薪資上漲。然而，這種高薪現象可能不會長期持續，隨著 AI 技術的逐漸普及和人才供給的增加，薪資水平可能會有所回落，但仍可能保持在較高水平。

從國際視角來看，AI 領域的人才現狀呈現出明顯的兩極分化。目前，中美兩國在基礎研究投入、企業創新程度、算力資源和人才儲備等方面處於領先地位，其他國家與之相比仍存在較大差距。這種格局頗為耐人尋味。過去，我們曾反思中美在科研領域的激烈競爭，批評這種過度追逐熱點、競爭激烈的模式，認為這種風格過於浮躁。相比之下，歐洲和日本的科研風格似乎更“佛系”，尤其是歐洲的教授們，他們似乎更注重舒適的研究環境，但即便如此，他們在企業和高校中也做出了許多紮實且高質量的研究成果。然而，在當前 AI 技術快速突破的背景下，中美兩國這種相對激進的科研策略反而取得了顯著成效，成為了全球 AI 領域的主要競爭者。

在國內，過去 20 年計算機人才的培養質量不斷提升。以前，清華大學計算機專業的優秀學生大多選擇出國深造，但 近年來，越來越多的頂尖學生選擇留在國內，甚至競爭導師資源。這表明國內高校的水平已經與美國頂尖高校具有相當的可比性。從全球範圍來看，中國的人才儲備整體具有優勢，發展態勢健康。當然，與美國最頂尖的高校相比，國內部分高校仍有差距，但正在快速提升。

AI 領域的快速發展使得人才需求和培養面臨巨大挑戰。AI 人才並非一個單一概念，而是高度細分的領域。在 AI 領域，人才培養的重要性不言而喻。這就好比足球比賽，雖然需要 11 名球員組成完整的隊伍，但真正決定比賽勝負的往往是少數關鍵球員。

同樣，在 AI 領域，儘管需要大量的人才基數作為支撐，但那些少數具備核心技術和創新能力的關鍵人才才是推動技術突破和發展的決定性力量。在未來，隨著 AI 技術的不斷演進，人才的重要性將愈發凸顯，而薪資體系的差異也將進一步擴大。那些能夠掌握核心技術、引領創新的關鍵人才，將獲得更高的回報。

AI 領域的人才畫像可以從多個維度來分析。

首先，對於專業人才而言，良好的數學和統計學基礎是必不可少的，同時還需要紮實的計算機和程式設計能力，包括對資料結構、演算法以及計算機系統的基本理解。此外，掌握基礎的機器學習、深度學習和大模型技術，以及大資料相關技術，也是硬核技能的重要組成部分。如果專注於特定領域，如計算機視覺等，還需要具備相關的專業知識。

軟技能方面，AI 行業變化迅速，從業者需要能夠跟上快速發展的技術節奏，例如及時瞭解最新的研究論文和技術動態，並善於利用 AI 工具提升學習和解決問題的能力。溝通能力和團隊協作能力也是必備的，同時創新精神尤為重要。目前，儘管 AI 的能力已經很強，但大多數人仍未充分掌握如何高效利用 AI 提升工作效率，尤其是在商業和產品開發中。因此，創新精神、想象力、執行力以及對工作的熱情都是推動 AI 應用落地的關鍵因素。

在教育背景方面，頂尖公司通常更傾向於招聘具有優秀教育背景、專業背景的人才，尤其是來自知名高校或海外院校的畢業生。這是因為 AI 領域相對較新，目前大部分人才供給來自新畢業的學生，而企業內部有經驗的人才相對較少。隨著 AI 人才的積累，未來企業對教育背景的要求可能會逐漸放寬，尤其是在有豐富相關經驗的情況下。

從能力體系來看，AI 時代的人才畫像與傳統計算機人才培養體系有所不同。核心是大模型技術，其支撐包括計算機系統的高效計算能力（如軟硬體協同、晶片算力、分散式網路等）。資料是 AI 能力的關鍵，尤其是高質量、獨特的資料集對於模型的最佳化至關重要。同時，安全可信也是重要領域，因為大模型存在幻覺、合規性和安全隱患等問題，需要專業的解決方案。未來，大部分人才將集中在利用 AI 解決各行業垂直領域的具體應用，這也是時代的主旋律。

對於 AI 專業人才而言，除了掌握大模型技術外，還需要在以下至少一個方面形成專長：強大的數學功底和對模型的深入理解；資料處理和分析能力；系統設計和軟硬體結合能力；或者安全和軟體工程能力。僅僅停留在對大模型的熟悉和應用層面是不夠的，因為這樣的技術路線容易被替代。相反，具備獨特專長的人才才能在競爭中站穩腳跟。

非 AI 領域的人其實也有很大的機會參與到 AI 的浪潮中。首先，大家需要積極擁抱 AI 技術，即使不是理科生，學習和使用 AI 也並不難。計算機行業一直致力於將技術變得更易用、更“傻瓜化”，而 AI 時代的到來進一步降低了門檻。過去，我們使用電腦需要透過命令列（shell），後來有了圖形使用者介面（GUI）和滑鼠操作，再後來智慧手機的觸控屏讓操作更加便捷，甚至小孩和老人都能輕鬆上手。如今，隨著 ChatGPT 和大模型技術的出現，我們只需要透過自然語言交流，就能與 AI 深度互動，完成複雜任務。這使得 AI 的應用範圍更廣、深度更強，即使零基礎的人也能透過自然語言的描述進行遊戲開發、軟體設計等工作。

實際上，AI 的學習途徑非常豐富，關鍵在於持續學習、鍛鍊接受新事物的能力以及培養創新精神。AI 的真正爆發將發生在眾多垂直領域和具體應用場景中，而非僅僅侷限於 AI 技術本身。像 DeepSeek 這樣的專業公司或大廠，在 AI 核心技術研發方面需要少量頂尖人才，但整體而言，AI 的應用和推廣需要大量跨領域的人才。在這些領域，AI 的使用門檻並不高，每個人都有機會透過 AI 顛覆傳統領域，實現創新和突破。

總而言之，AI 領域的人才前景依然廣闊，無論是否是計算機或 AI 專業出身，每個人都有機會在這場浪潮中找到自己的位置。然而，如果不能適應變化，被替代也是不可避免的。為了避免被淘汰，首先需要積極擁抱 AI，學會熟練運用 AI 工具，這樣才能在競爭中脫穎而出。隨著 AI 的發展，一些崗位可能會被替代，但同時也會湧現出新的方向，而能否率先把握這些新機會，取決於我們是否具備主動學習和適應的意識。

從人才和薪資的發展趨勢來看，目前 AI 領域正處於一個火爆的階段，但未來必然會經歷起伏，薪資水平也會隨著市場供需關係的變化而有所調整。儘管如此，AI 的發展無疑將帶來前所未有的社會變革和生產力提升，整個行業的發展方向是向上的。不過，AI 時代的人才需求變得不再像過去那樣明確。在沒有 AI 的時代，知識和技能的需求是清晰的，能力越高，薪資也越高。但現在，隨著 AI 的發展，一些原本由人類完成的工作正在被 AI 所取代。這就要求我們必須不斷提升自己，找到新的立足點，才能在 AI 的浪潮中生存下來。而生存下來，就意味著有更大的機會去追求更好的發展。

柴雲鵬： 目前我還沒有總結出一個特別完美的模式，但可以反過來思考：AI 能做什麼？AI 擁有人類最大的知識庫，因此它在橫向關聯能力上特別強，能夠 實現跨學科、跨方向的應用。比如，即使你對遊戲開發一竅不通，但只要掌握一點程式設計知識，藉助 AI 的幫助，你就可以生成程式碼並製作出一個 3D 遊戲。這種跨領域的學習能力使得 AI 的應用範圍非常廣泛，且成本較低。

然而，在任何特定領域，AI 的能力都有其侷限性。以遊戲開發為例，雖然 AI 可以替代部分美工工作，生成影像，但如果整個遊戲完全由 AI 生成，其質量肯定是有限的。在繪畫領域，如果你的繪畫技巧非常高超，那麼你可能仍然比 AI 更出色，因為 AI 生成的影像可能還需要依賴你提供的高質量素材。在研究和系統開發中，AI 可以生成一些基本方案，但很難解決那些最複雜、最困難的問題。

換句話說，如果你的工作內容相對簡單，就像站在一座低矮的山上，即使你爬到了山頂，也很容易被 AI 替代。但如果你所在的領域本身複雜且難度較高，你可以在這個領域內不斷向上攀登，那麼 AI 就不太容易替代你。AI 好比洪水模型，它會橫掃各個領域中水平較低的部分，這種判斷是基於宏觀邏輯的。當然，也有些領域 AI 可能無法替代人類，比如藝術、感性表達，或者需要與人溝通、提供幫助和娛樂的領域。這些領域中，人類的某些能力是 AI 難以替代的，因此這些領域仍然具有很大的價值。

之前一些看似複雜的專業領域，比如金融和投資決策，雖然看起來很厲害，但實際上它們的工作內容相對單一，主要是做決策，而且這些決策大多是數字化的。這樣的工作很容易被 AI 替代，但頂尖的投資決策可能仍然需要人類的參與。目前，AI 可能還無法完全實現量化投資，而是需要人類與機器協同工作。總之，在任何一個領域，只有不斷向縱深發展，才能在 AI 時代保持競爭力。

柴雲鵬： 實際上，在計算機領域，尤其是工科，很多人的創造力最活躍的時期是在 20 多歲到 30 出頭。這個年齡段的人學習能力強，也有一定的經驗。但到了 40 歲左右，學習能力可能會變慢，整體節奏也會放慢。特別是在 AI 時代，適應新事物的能力會變弱，而 AI 團隊需要快速響應，一旦有新的思路，就要爭分奪秒地去實施。加班能力也很重要，而年輕人在這方面更有優勢。

從這個角度看，吸引剛畢業或工作沒幾年的年輕人是比較划算的。比如，我們人大資訊學院的進人策略也是這樣，主要精力放在引進年輕人。我們只需要少量有經驗的人來帶領團隊。比如，一個有經驗的人帶領十幾個年輕人，這樣的戰鬥力可能是最強的，價效比也很高。從頭培養年輕人有很多好處，比如增強歸屬感和協同溝通能力。

理想的創新團隊年齡結構不能太大。從這個角度看，DeepSeek 的策略是合理的。此外，AI 領域與其他領域不同，它本身就很新，資深人士的經驗作用並不大，甚至可能因為固定的思維方式而產生阻力。

柴雲鵬： 實際上，人與人之間的差異更大，不能簡單地一概而論。但從宏觀上看，這有點像我們當年上學時的情況。比如，學計算機的人會問：軟體工程和計算機科學有什麼區別？軟體工程的課程比較務實，注重各種開發環境的實踐；而計算機科學的課程則更偏向底層知識，比如計算機組成原理、作業系統、編譯原理等。高校培養的計算機專業人才，基礎課程體系更完善，數學和計算機底層基礎打得更紮實。這種教育模式有助於學生形成對計算機和 AI 技術的完整認知，即使有些知識在實際工作中不一定用到，但對理解問題的深度和廣度很有幫助。學生在工作崗位上仍需自學新知識，但高校教育鍛鍊了他們的學習能力。

相比之下，培訓機構的課程更加直接和務實，注重實戰技能的培養，適合那些已經在職場中、時間有限的人。他們很難像高校學生那樣全身心投入學習，因此培訓機構的課程更注重實用性。如果你透過培訓發現自己對某個領域感興趣且有能力，可以進一步深入學習更基礎的內容，比如數學和計算機底層知識。如今，無論是基礎課程還是實戰應用，都有大量資源可供選擇，包括培訓課程、慕課、國外開放課程等。對於年輕人來說，先從實戰入手，再學習更基礎的知識，對長期發展更有幫助。當然，培訓機構可能也有基礎課程，但 對於那些希望深入鑽研、追求專業的學生來說，建議不要忽視基礎學習。

柴雲鵬： 我認為這個標準其實很簡單，關鍵在於你自己從事的工作或愛好，加入 AI 後，你能提升多少工作效率？是否能實現效率的倍增甚至更高？是否能切實解決你最關心的問題？如果你只是淺嘗輒止，比如用 DeepSeek 問兩個問題就覺得寫得很好，但沒有深入挖掘，那就不算真正用好了。

你應該找到自己的痛點——哪些工作是重複性的、浪費時間的，或者你希望提升質量、節省時間的。圍繞這些痛點，你可以利用 AI 與它交流、獲取建議，甚至藉助 AI 工具解決問題。如果你能透過 AI 解決自己的痛點，那你就成功了，說明你已經很好地掌握了 AI 的能力。這種以痛點為切入點的方式，也是判斷自己是否擅長使用 AI 的標準。痛點解決得越好，說明你對 AI 的運用越熟練。

柴雲鵬： 幻覺問題是大模型技術固有的一部分，它無法達到 100% 的準確率，但可以透過技術改進來降低幻覺出現的機率。以特斯拉自動駕駛為例，其故障率從過去的每多少公里一次故障，已經大幅降低到遠低於人類駕駛的水平。儘管如此，自動駕駛仍不能保證絕對的零故障，但透過研究和改進，其可靠性已經達到了一個合理的水平。類似地，大模型的幻覺問題也在不斷透過研究得到改善。

幻覺問題並不影響大模型的產業化。 人類自身也會犯錯或產生“幻覺”，但這並不妨礙人們正常工作。因此，我們不能因為大模型存在幻覺就歧視它。實際上，大模型已經達到了一定的可靠性和可用性，儘管仍有錯誤，但已經足夠讓普通使用者願意使用。例如，DeepSeek 之所以被廣泛接受，是因為它已經達到了一個讓使用者覺得“靠譜”的水平，儘管它仍有錯誤，但比過去有了顯著提升。

大模型目前無法完全替代人類，但它可以作為工具使用。目前，人們主要使用大模型結合 RAG 技術處理私域資料。未來，人們將更多地開發工具層，包括智慧體、多智慧體互動以及各種 AI 工具。這些工具將使 AI 能夠呼叫更多資源和功能，從而擴充套件其能力。透過這些工具，AI 可以作為人類的助手，由人類把控關鍵決策，從而提高效率，甚至實現人類無法做到的事情。這就好比從騎腳踏車到駕駛汽車、坦克，甚至坦克群，AI 的能力不斷增強，能夠完成的任務也越來越多，這就是生產力的提升，也是產業化的一部分。

在某些相對封閉的領域，如自動駕駛，AI 甚至可能達到比人類更低的錯誤率，從而實現完全替代人類監督的自動化。但這並不影響大模型在其他領域的產業化應用。從研究角度來看，如何減少幻覺、實現安全可信的 AI 系統，本身就是一個重要的研究方向。

柴雲鵬： 要成為一名 AI 技術人員，首先需要明確具體的方向，比如是從事演算法開發、AI 應用開發，還是 AI 系統設計等。

從加速學習的角度來看，AI 技術的發展極大地簡化了知識傳遞的過程。過去，知識的傳授依賴於教師的講解，學生可能難以跟上思路。如今，藉助 AI 工具，比如 DeepSeek，學習者可以透過提問獲得解答，這種互動式學習模式比傳統的被動接受更為高效。AI 能夠快速傳遞基礎知識，降低了學習成本。

對於想快速入門的人來說，關鍵在於建立對 AI 的基本認知。例如，程式設計師可以在短時間內透過與 AI 交流，理解 AI 的基本原理、思路和邏輯。不必深入學習底層的數學原理，只要掌握如何使用 AI 即可。接下來是實踐環節，選擇一個具體的問題，比如開發一個 AI 應用或處理一個 AI 模型相關的任務，藉助 AI 工具完成任務。透過一兩個任務的實踐，學習者將對領域有更深入的理解，遇到新問題時也會知道如何尋求解決方案。

從學習曲線來看，快速認知、實踐和與 AI 頻繁交流相結合的學習方式，比傳統的被動學習更高 效。雖然快速學習法可能會遺漏一些細節，但如果目標是速成，可以採用這種策略。例如，可以選擇一些輕量級的課程，利用社會資源和培訓課程加速學習過程。總之，學習 AI 技術仍然需要刻意練習。人需要像訓練模型一樣，透過輸入資料（學習和實踐）來提升能力。雖然可以減少學習樣本的數量，但這個過程是必不可少的。

柴雲鵬： 我的工作直接寫材料、程式碼或論文的時間較少，更多的是從事思考和交流。因此，像 AI 開會總結這類工具對我的影響並不大，因為我的工作重複性任務本身就較少。不過，我最近對教學方面的 AI 應用感受頗深，尤其是 AI 在課程建設上的效果，超出了我的預期。未來，這方面的應用可能會越來越多。

最近我還發現，用 DeepSeek 進行思考和交流很有啟發性。我更多地將它當作一個開拓思路的“助理”，而不是用於處理事務性或重複性的工作。這種使用方式不算特別重度，但對於像我們這樣的年輕人，尤其是同學們，AI 在程式碼開發上的應用已經顯著減少了工作量——至少減少 50%，有些重複性高的任務甚至能減少 80% 的程式碼量。文件方面更是如此。

目前 AI 工具的輔助功能可能還不夠強大，但相信在未來一兩年內，那些善於擁抱新技術的人會逐漸習慣這種新的工作方式，並從中獲得比傳統方法更好的效果。比如，在專案初期，就應該利用大模型來開拓思路、進行設計，而不是僅僅把它當作一個生成報告的工具。很多人認為大模型存在幻覺，生成的內容不如人類可靠，但實際上，這種看法低估了大模型的作用。它不僅能在最後一步發揮作用，更能在專案前期的許多環節提供幫助。

柴雲鵬： 從網際網路多年的發展經驗來看，在熱門領域最終能夠存活下來的往往只有少數幾家頭部企業。即使中美市場完全割裂，各自也只會剩下少數幾家主導企業。在美國，像 OpenAI、Google 和 Meta 等公司已經比較明確地佔據了領先地位。而在中國，目前市場還稍顯混亂，既有傳統大廠，也有新興的 AI 企業。但 未來一到兩年內，市場很可能會迅速整合，最終只剩下少數幾家主流廠商。2025 年將是極為關鍵的一年，大家都在努力尋找合適的位置，爭奪生存空間。

對於普通使用者而言，選擇大模型時可以參考口碑，因為切換成本並不高。無論是簡單的對話功能還是 API 呼叫，學習成本都相對較低。因此，使用者完全可以根據自己的需求選擇體驗更好的模型。從大模型的競爭來看，雖然目前 DeepSeek 等模型非常熱門，但新的模型不斷湧現，包括阿里等國內企業以及國外的競爭對手都在迅速跟進。實際上，這些模型之間的差異並不大。從宏觀角度看，一旦某個模型取得領先，其競爭對手也能很快追趕上來。儘管 OpenAI 曾經遙遙領先，但其他企業最終也能迎頭趕上。更重要的是，使用者需要培養使用大模型的習慣和思維方式，而不是糾結於具體使用哪個模型。在科研領域，我們也可以把大模型當作一個可插拔的元件，就像電池一樣，更關注的是如何利用這些模型完成其他任務，而不是糾結於如何選擇基礎模型。

2 月 24 日 -2 月 27 日，「DeepSeek 深度解析」系列直播最後 4 場，神州數碼集團首席 AI 專家謝國斌、北電數智首席科學家竇德景教授、TGO 鯤鵬會學員於遊 、騰訊雲開發者 AI 產品首席架構師林強等多位專家將陸續分享 AI 的競爭格局、能力邊界以及下一個可能突破的小目標等話題。

今晚 20:00，我們將連線神州數碼集團首席 AI 專家謝國斌，探討新生態格局將帶來的新機會和新挑戰，以及全球視角下 AI 競爭格局的未來走向。歡迎提前預約。