2024智算与大模型人才白皮书.pdf

<p>目录 智算应用与未来 1.1 智算内涵演进 02 1.1.1 智算大模型引发新一轮创新 02 1.1.2 组织人才决定智算能力上限 03 1.2 智算行业应用 04 1.2.1 引领产业升级 04 1.2.2 服务保障民生 05 1.2.3 提升治理效能 06 1.3 智算人才意义 07 1.3.1 人才协同转型，加快智算赋能新型工业化 07 1.3.2 创新人才引领，推动智算塑造新质生产力 08 智算人才概况 2.1 政策布局重点 10 2.1.1 人才成为各国智算布局重点 10 2.1.2 智算时代就业冲击的两面性 12 2.2 行业供需特征 13 2.2.1 人才需求持续增长 13 2.2.2 空间集聚效应显现 14 2.2.3 垂类人才加快培育 14 2.3 高校培养机制 15 智算与业务共生 3.1 数据要素成为主宰 18 3.2“智算”放大人的能力 19 3.3 智算与业务共生商业模式 20215智算与大模型人才白皮书目录CONTENTS 3.3.1 智算的本质 20 3.3.2 智算与业务共生框架及意义 21 3.3.3 智算的定位和作用 223.4 智算与业务共生演进路径 26 3.4.1 智算演进路径27 3.4.2 智算与业务共生生态构建方法 28 3.4.3 智算与业务共生人才结构框架 33 3.4.4 智算与业务共生演进组织治理体系 41 智算人才生态发展与体系建设 4.1 产学融合共创智算人才生态发展 48 4.1.1 深化国家智算人才战略：构建政校行企四方协同模式 48 4.1.2 重塑高校智算人才培养：以智育智，重构知识体系 49 4.1.3 构筑企业智算人才堤坝：产教融合策略推动企业智算人才发展 54 4.2 智算人才培养体系建设策略 55 4.2.1 人才规划：组织的五者智算战略定位与智算人才定位的握手 58 4.2.2 人才培养：智算人才培养模式与迁移路径 59 4.2.3 人才评估：智算人才认证与评估体系70 智算人才发展展望与建议 5.1 智算人才发展内涵框架 78 5.2 智算人才培养体系建设策略 79 5.2.1 政策维度 79 5.2.2 院校维度 79 5.2.3 企业维度 79 5.2.4 个人维度 80 参考文献 81456智算与大模型人才白皮书智算应用与未来智算产业以智能计算为基础，以多模态数据为对象，以人工智能算法和智能计算系统为支撑，面向泛在应用场景。随着智算普惠化进程推进，智算逐步成为组织能力基础底座，正在推动人工智能进入全新发展阶段，这一过程中，组织人才决定了智算能力上限。智算应用与未来0101智算与大模型人才白皮书智算应用与未来1.1 智算内涵演进1.1.1 智算大模型引发新一轮创新智算有多种定义方法。在某些场景下，它可能指的是智能计算，在另一些情况下，它可能指的是智能算法，即用于解决特定问题、模拟人类智能的高效算法。智算产业是以智能计算为基础的大模型产业，它以多模态数据为对象，以人工智能算法和智能计算系统为支撑，面向泛在应用场景部署。在这个层面看，智算通过智能化技术手段优化和提升技术系统的功能和性能，是为满足未来人工智能发展和相关应用场景需要而创新的技术，是面向智能、智能驱动的计算。图 1 智算特征在理论上，智算具备自学习、可演化的特征，可以对海量数据进行规律挖掘和知识发现，实现自我优化和提升；在架构上具备高算力、高效能的特征，向存算一体、异构集成、广域协同等新型计算架构演进；在体系上具备高安全、高可信的特征，支撑大规模泛在互联计算、人-机-物三元空间深度融合的跨域信任与安全防护；在机制上具备自动化、精准化的特征，计算结果自动化、计算服务更具“瞄向性”；在能力上具备协同化、泛在化的特征，通过人机协作，实现智慧社会万物皆需计算、计算无处不在的效果。智算产业正在引发新一轮创新突破，推动人工智能进入新里程碑阶段。一方面，智能计算是为满足未来人工智能发展和相关应用场景需要而创新的计算技术，是面向智能的计算；另一方面，通过智能化技术手段优化和提升技术系统的功能和性能，是智能驱动的计算。智能计算的出现和发展有利于推动信息技术创新、万物智能互联以及行业智能升级，为智慧社会的数字化能力建设提供支撑，已成为全球各国前瞻布局的重点方向和新一轮竞争热点。凭借优越的泛化性、通用性、迁移性，智算将带来多个领域的代际变革，深刻变革人类社会发展，成为推动全球经济增长、重塑产业格局、巩固国家竞争优势的重要战略支撑技术，有望推动人类社会进入通用人工智能时代，带动形成一批新技术、新产业、新业态。02智算与大模型人才白皮书智算应用与未来1.1.2 组织人才决定智算能力上限智算处于动态发展演进的过程中。技术创新的动态模型A-U模型（Abernathy-Utterrback model,A-U model）将技术创新、产品创新和组织变革结合起来，揭示了技术创新和新型产业演进的内在逻辑关系。我们结合A-U模型理论推演和智算产业发展脉络，以产业经济学为顶层视角，将智算与人才作为主要要素，提出了基于A-U模型的“智算-人才”演进曲线。总体上，“智算-人才”演进大致可以分为三个阶段：第一阶段对应A-U模型的流动时期，算力产品以数据中心为主，重点服务移动互联网的广泛应用，智算产品开始诞生、试错和演进。第二阶段对应A-U模型的转移时期，高效能计算设施开始发挥对人工智能应用的服务支撑能力，通过不断布局智算能力，以“视觉四小龙”为代表的第一批人工智能明星企业开始产业化落地。第三阶段是A-U模型的特性时期，智算与其他基础设施相互协同促进，共同成为未来城市的数字底座。从智算发展的节奏看，智算逐步成为组织能力的基础底座，持续赋能企业价值，为组织发展夯实下限。人工智能发展最初，算法较为简单，模型参数和训练所需数据量极少，虽然简单的大型机、个人电脑即可满足计算需求，但是成本高昂，获取难度极大，智算资源成为限制组织能力的“天花板”。随着GPU的出现和突破，人们发现GPU并行计算效率更高，更适应人工智能模型参数的增长和数据处理需求的提升；智算开始吸收和融合来自不同学科的理论与方法，数据驱动的方法成为主流，深度学习、强化学习等技术得到广泛应用，在这一阶段，智算能力布局加快，以人脸识别为代表的决策式人工智能兴起和发展。近期，智算能力普惠化加快推进，智算可能进一步成为“即插即用”的平民化技术能力，作为一种基础能力，加快推动工业、医疗、金融等行业的智能化转型升级，培育千行百业形成新业态新生态。图 2 基于A-U模型的“智算-人才”演进曲线从人才演变的节奏看，随着智算普惠化进程加快推进，智算资源获取和应用难度降低，组织人才成为决定智算能力的上限。2006年Hinton提出深度学习并实证验证，英伟达发布CUDA并行计算框架，正式拉开智算发展的序幕，这一阶段的发展主要聚焦实验室研究和小规模产业应用，并以科学家、工程师的单点探索为起点，逐步扩展形成智算学术体系。2010年起，“视觉四小龙”相继成立，以其创始人为中心，围绕领军科学家和明星企业家，开始组织扩展形成第一批智算人才网络和团队，成为后续人工03智算与大模型人才白皮书智算应用与未来图 3 智算引领产业升级智能发展的组织人才基础。2016年，AlphaGo首次击败人类围棋世界冠军，开启了智算发展的新阶段，ChatGPT更进一步引发新的热潮；随着机器人“索菲娅”获得公民身份、全球首个人工智能程序员问世，传统的“人-人”生产关系向“人-机”生产关系转变。展望未来，在智算成为基础的背景下，人才的主观能动性将进一步放大，作为智算能力构建的核心要素，有望成为组织能力的“上限”。1.2 智算行业应用1.2.1 引领产业升级在人工智能和实体经济深度融合、“人工智能+”加快推进的背景下，传统模式下的制造业已经转型升级到以数据驱动发展的新阶段，作为海量数据处理的基础，智算已经成为“新基建”的底层核心技术，与5G、工业互联网等紧密融合，引领产业转型升级。政策规划加快智算赋能，国务院陆续发布关于深化“互联网+先进制造业”发展工业互联网的指导意见、新一代人工智能发展规划、国家智能制造业标准体系建设指南、5G全连接工厂建设指南等相关政策，进一步加快了智算等技术向工业生产各领域各环节深度拓展。数据平台夯实转型升级基座，包含数据汇聚、数据开发、数据存储、数据资产管理、数据服务等能力，强调资源整合、集中配置、能力沉淀、分布执行的运作机制。目前制造业数据治理差异较大，矿山等领域数据标准化困难、耗时费力、数据融合分析水平低、数据共享意愿低，智能网联汽车领域数据聚集规模效应不断放大，但也面临数据泄露、毁损、丢失、篡改、误用、滥用等风险。云边协同成为重要路径，随着精确泛在感知能力的发展，现场生成的数据量越来越大，全部传输到云端不仅大幅增加了网络通信负担，效率低下，且难以满足实时交互的要求。边缘计算装置将成为制造业安全生产感知和快速决策响应的重要载体，通过云边协同可以有效实现云端复杂大数据分析、模型训练、算法更新，边缘端负责基于就地信息进行数据计算存储和传输功能。组织人才转型包袱较重，传统制造业转型相对滞后，有大量“脏苦累”场景，年长职工数量较多，对智算了解较少，转型包袱较重；智算场景建设需要大量专业人才，智能采矿、自动驾驶等专业属于交叉学科，需要大量具备制造知识、信息技术、企业管理能力的复合型高新技术人才，但现阶段这类人才储备不足。04智算与大模型人才白皮书智算应用与未来1.2.2 服务保障民生当前大模型发展取得实质性突破，加速迈入规模应用的新阶段，医疗健康、教育、金融、法律等领域均有相应的垂直领域生成式人工智能应用，对智算能力需求随之高涨，推动人工智能从助力千行百业提质增效的辅助手段，升级为支撑经济社会转型升级不可或缺的基础设施和核心能力。围绕普惠化加快智算应用，医疗、金融等行业智慧化发展需要通过数字技术赋能，提升服务和管理水平，并且通过远程网络连接的方式实现资源均衡化。例如，关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见等政策重点布局医疗、金融等行业发展效能提质提速，在基础设施建设、产业生态建设方面新增重点任务。数据资源丰富，服务业虽然场景丰富、数据充分，但由于完整性不高、信息系统差异大、用户安全隐私考虑等问题，数据孤岛问题尚未得到突破性解决。例如，医疗领域，尽管公立医院掌握了大量的医疗资源和用户诊疗数据，各地临床工作中数据共享需求也日益强烈，但大多机构还是对数据共享持观望态度。行业算力需求差异明显，民生服务行业领域较多，算力需求差异较大，例如，由于受到高性能GPU禁售、医疗机构安全保密要求、模型效率问题的影响，医疗机构大模型的算力支撑主要通过企业合作、自建算力平台或租用云服务器来满足需求；金融体系细分领域众多，应用场景丰富且数据质量相对高，通过提供快速准确的信息和自动化的任务处理来影响金融行业。人才转型经验有待提炼推广，服务业智算转型进程较快，在数字化浪潮下，新兴技术与医疗、金融、商贸等产业深度融合，产生了相交叉的领域，培育了一批复合型人才。如何将跨界能力、数字技能、创新精神和管理能力培育的经验提炼和推广，进一步扩散到更大范围、更多领域，将成为服务业智算人才转型的新课题。图 4 智算服务民生保障05智算与大模型人才白皮书智算应用与未来图 5 智算提升治理效能1.2.3 提升治理效能人工智能和AI大模型技术的快速发展，不仅能够满足城市对治理技术的需求，也能从更深层次变革社会治理模式。在城市的智能升级建设中，智算已经在城市治理、政务服务、智慧交通等多个领域实现落地，助力城市智能化建设，推动城市从“治理”到“智理”的转变。部署推进数字政府平台建设，我国作出了数字中国建设、国家大数据、文化数字化等战略部署，数字中国建设整体布局规划关于加强数字政府建设的指导意见全国一体化政务大数据体系建设指南等政策规划为数字政府建设打造了健康有序的发展环境，指导形成了政务服务、“互联网+监管”和政府信息发布等一批相对成形、在实际工作中发挥显著作用的数字化综合平台。治理领域数据共享不充分，现阶段治理数据相关信息制度不完备，有些部门对数据和规定不甚了解，信息数据尚未实现融合交流、资源质量无法得到切实保障，使得数字政府的建设缺少融合、灵活的多元部门协作办公平台，进而抑制了政府信息与数据的开放共享。海量数据强化算力需求，大模型在数字政府领域的探索应用越来越丰富，与政府数据和行业深度结合后，将大大提升政府决策的科学性、助力服务效能的优化、智能化进行数据治理，将会对算力产生海量需求。复合型人才正加快培养，数字政府、智能交通为代表的治理领域向纵深推进，要求投入更高数字技能水平和专业化知识的数字化人才，部分人员逐渐暴露出智算知识储备不足、应用能力有限、工具与软件操作不熟等问题，尤其是能引领技术发展、引领场景变革的领军人才极其缺乏。06智算与大模型人才白皮书智算应用与未来1.3 智算人才意义人才往往是推动技术革新与产业发展的关键要素。智算人才与产业演进相互促进，业技融合的复合型人才需求进一步凸显，跨界人才成为当前时代的鲜明特征。传统人才转型协同新型工业化共同推进，加快智算赋能传统产业；创新人才培育引领新质生产力塑造，推动新兴业态广泛应用、深度赋能。图 6 智算人才发展路径1.3.1 人才协同转型，加快智算赋能新型工业化传统设备智能化推动人才技能复合化。智算驱动设备从单点智能向群体智能转变，设备之间形成数据连接，大模型通过数据分析和处理，改变传统企业的生产模式。在传统设备智能化的背景下，人才技能需求也向业技融合的复合型人才转型。一方面，技术人员需要学习新知识和新技术，掌握设备运行机制，厘清技术和算法原理，以便驾驭智能环境中出现的各类智能设备，对其进行操作和维护；另一方面，技术人员需要推动自身原有技能高移，提升个人素质，在操作智能设备的基础上，对智能系统进行观察，对智造数据进行分析，综合保障整个行业生产链稳定且高效地运行。业务流程自动化推动人才发展个性化。智算能够使设备自动执行原本需要人工完成的任务和流程，极大地将人才从原有的重复性和标准化程度较高的工作中解放出来，大幅提升了工作效率。例如，客服机器人融合大模型能力，自动回答客户查询，减少人工客服的工作量；在金融行业，大模型自动化交易决策，提高效率和盈利能力。然而，在解放人的同时，智算能力的引入也要求人才充分发挥主观能动性，更多地将创造力转移到设备无法施展的工作领域，从事复杂性、灵活性与社交性较高的工作，展现人类智慧的独特性，在差异中寻找定位，实现个性化发展。智造场域集成化推动人才关系协同化。智算能力的产生和发展，将智造场域中的生产要素进行了集约集聚，能够跨越空间的限制调动人才、融合技术和分析数据，加速了现实要素与数字要素的整合。例如，端云协同技术为教育智能化发展创造了机遇，云端基础大模型提供通用能力，师生随时随地获取教育资源，通过端侧个性化小模型、高性能推理加速实现个性化教学和精细化管理。但是，在智造场07智算与大模型人才白皮书智算应用与未来域要素集成化的过程中，可能出现诸多无序紊乱和不可预测的突发情况，这就要求各类人才在对自身优势充分认知的基础上开展互助协作，突破个体局限性，融合个体异质性，发挥集体创造性，以应对智能技术发展的不确定性。1.3.2 创新人才引领，推动智算塑造新质生产力人才洞察力提升智能技术覆盖广度。新质生产力是创新起主导作用，摆脱传统经济增长方式、生产力发展路径的先进生产力，智算大模型的通用性、泛化性与新质生产力高科技、高效能、高质量特征相匹配，为新质生产力提供了强大的认知能力。将行业特性与大模型能力结合是将新质生产力赋能千行百业的关键环节，首先需要精准描述问题并建立清晰的问题结构，以便大模型更好地理解问题。这一过程需要智算人才发挥洞察力，准确识别大模型的跨领域应用潜力，深入理解模型的工作原理，使其更好地处理多样化任务；通过跨界合作交流，促进不同领域知识的融合，增强对不同领域问题的认识，进行更专业的模型设计。创新人才通过以上方式可以扩展模型通用能力的广延边际，提升新质生产力的泛化性，在更多行业和场景落地。人才专业性推动智能技术深入赋能。创新人才还可需根据特定领域需求提升智算技术的专用性，推动智能技术深入赋能。通过紧跟新理念动态趋势和新技术发展潮流，结合行业需求，进行大模型定制从而提升其表现的高效性和准确性，并及时对智算大模型进行更新迭代，保证其与当下的发展趋势相匹配。例如，从智能客服的发展演进来看，从基于规则的专家系统迈向基于知识的智能问答系统，再到基于机器学习的自然语言处理，一直到如今融合了智算大模型、具备初步的近似人类的交互和生成能力。这一过程中，模型参数量持续增长，模型架构改进，人们对场景的理解更加深入，智算人才将模型性能的优化与场景所需要的自然交互深入融合，同步推动模型与人类偏好对齐，更好地符合人类价值观。08智算与大模型人才白皮书智算人才概况智算人才不仅仅是立足当下和面向未来的智算人才，也需要带动传统人才同步向智算时代人才转型。因此，智算人才的培育、发展、提升是复杂的系统工程，是政府、产业、院校多元主体共建的成果，政府部门加快宏观引导，产业主体持续夯实基础，高校院所创新孵化未来。智算人才概况0209智算与大模型人才白皮书智算人才概况2.1 政策布局重点2.1.1 人才成为各国智算布局重点智算发展与社会的数字化建设紧密结合，全球竞争日趋白热化，总体形成中美领跑，欧洲、日本、韩国、澳大利亚等加快追赶，印度、巴西等国起步的全球竞争格局。作为全球各国经济社会发展的核心要素，智算获得全球各地区前瞻布局，其中，智算人才在主要国家和地区近期政策布局中获得更多关注，美国、中国、欧盟等国家和地区，都将智算人才作为智算相关政策布局的重点，在近期政策规划中予以凸显。主要国家/地区智算人才发展的政策举措大致可分为增加人才数量、增进人才质量、完善人才保障三大类别，其中增加智算人才数量主要从引进人才和培育人才两方面入手，构建本国智算人才，夯实产业核心竞争力；增进人才质量主要以现有人才为基础，通过职业培训等方式，加快传统人才转型，针对性培养技术短缺人才，为调整人才结构、充实人才队伍提供外部推力；完善人才保障主要通过提供创新环境、组建创新主体，促进人才内部交流从而形成人才合理分布的内生动力。美国发挥智算领域的全面优势，通过补助金和奖金的形式吸引和留住人才，将人工智能纳入国民教育体系，发展公共数据资源和多元化社区，全面推进智算人才布局。英国通过对人工智能生态的投入力度，政产学研联合推动人工智能高等教育建设，激发更多创新产出并将创新氛围扩散至更广泛的群体。德国关注学术和职业型人工智能人才的并行发展，鼓励高校教师运用人工智能技术进行教学，还通过提高工资的方式对人工智能专业的教授进行激励。日本以官民合作为主要导向，以高端人才作为图 7 主要国家/地区近期智算政策涉及维度10智算与大模型人才白皮书智算人才概况领头羊，构建多层级人工智能人才培育体系，让每个人都有成为智算人才的机会。中国强化高端人才引进，创新产学研合作培养模式，共同培养跨学科的交叉复合型人才和工程型人才，增强高水平人才供给。图 8 主要国家智算人才政策典型举措11智算与大模型人才白皮书智算人才概况图 9 智算对工作机会的影响2.1.2 智算时代就业冲击的两面性就业是民生之本、发展之基和财富之源，通过充分就业，可以沟通社会需求和供给，连接生产、交换、分配和消费，高质量的充分就业能够高效支撑实体经济发展，提高全要素生产率。智算推动形成新质生产力，赋能产业进入新发展阶段，必然会加速就业市场调整，需要对就业冲击做出合理预期和政策布局。智算对工作任务的影响存在替代效应和吸纳效应两方面。替代效应表现为智算引发现有工作模式的变化，一方面，智算能力辅助人类脑力劳动，以往的技术创新多倾向于取代体力劳动，比如以机器人取代流水线上的重复劳动，智算时代大模型能力模拟人类思维，一些脑力劳动也可以由机器自动实现。例如，科学杂志的一篇文章显示，ChatGPT能够显著提升人们的写作效率，平均节约40%的写作时间，输出质量平均提高18%。另一方面，智算能力促进工作模式的转变，在当前发展阶段，智算能力的使用仍具备一定门槛，一些与智算关联度较高的从业者能够从中获益，与智算关联度较低的从业者需要获得更多的帮助。例如，当前具备大规模集群构建能力的人才严重不足，市场需求旺盛，对传统数据中心人才能力转型的要求更加迫切。吸纳效应表现为智算创造工作机会，一方面，智算能力创造新增岗位，全球企业正加速在智算大模型领域的布局，对应将增长智算相关的工作机会。Gartner预计，在2026年将有超过80%的企业使用生成式AI应用程序编程接口（API）或模型，或者在相关生产环境中部署支持生成式AI的应用程序，这一比例在2023年还不到5%。与此对应，提示词工程师、人工智能训练师、AI教育师、AI伦理师、AI艺术家等等新职业、新岗位接连出现，例如，AI伦理师要制定和监督AI技术的道德和法律规范，AI艺术家要负责利用AI技术创作出具有美感和创意的艺术作品等。这些岗位都需要具备跨学科的知识和能力。另一方面，智算能力扩大就业规模。以智算为代表的新质生产力，能够不断拓展和扩大生产边界，催生新产业、新模式、新动能，推动产业体系优化发展，促进全要素生产率的提升，随着经济的发展提升，就业需求将不断扩大。世界银行的研究发现，当互联网更普及化时，整体工作岗位的需求可能会增加13%，企业的出口额几乎能翻两番，也有助于减少极端贫困。12智算与大模型人才白皮书智算人才概况智算对工作任务的冲击程度本质上取决于替代效应与吸纳效应之间的平衡。短期内，智算对工作任务的直接影响尚未完全显现，可能导致工作任务需求两极化分布。远期看，所有工作任务都存在智算转型需求，人与智算的边界模糊化，人机融合和新型“人-机”劳动关系会成为热点，磨合过程需要更多关注。相对理想的状态是在替代效应和吸纳效应间总体保持均衡。2.2 行业供需特征2.2.1 人才需求持续增长智算人才需求持续增长，经历“培育-扩大-倍增”三阶段发展，成为牵引人工智能发展的主要力量。根据猎聘AIGC就业趋势大数据报告2023有关AI和AIGC人才需求的趋势分析，智算人才需求持续增长，并大致经历“培育-扩大-倍增”三个发展阶段：培育阶段自2020年一季度至2021年三季度，人工智能与智算的需求趋势相近，具体表现为职位数量增长变化情况不相上下。扩大阶段自2021年三季度至2022年四季度，智算人才需求总体处于持续增长态势，2022年四季度新发职位数是2020年一季度的4.11倍；相比之下，人工智能人才需求稳中有跌，新发职位数增速相对放缓，是2020年一季度的2.25倍。倍增阶段自2022年四季度开始，得益于ChatGPT的火爆，智算人才需求进一步放大，2023年一季度已达到三年前同期的5.6倍，而人工智能人才需求不到2倍；2023年1-8月，智算新发职位同比增长达139.76%。图 10 AI与AIGC人才需求趋势对比数据来源：猎聘13智算与大模型人才白皮书智算人才概况2.2.3 垂类人才加快培育智算正加速向垂直行业渗透，垂类领域智算人才供需矛盾凸显，传统行业企业转型存在困境。根据猎聘有关AICG新发职位行业分布数据，智算（以AIGC为代表）人才需求存在行业差异，在需求侧，IT/互联网/游戏行业的智算新发职位占比最多，达到62.23%，汽车、电子/通信/半导体、科研技术/商务服务行业的AIGC新发职位占比位居第二至第四，分别占比9.29%、6.47%、6.14%，其中科研技术/商务服务业智算岗位增长最快（达到211.86%），其他行业的占比均小于6%。在供给侧，来自互联图 11 智算新发职位数前十省市数据来源：根据猎聘AIGC及其产业链人才需求大数据报告2023数据整理2.2.2 空间集聚效应显现智算人才空间集聚效应明显，需求前三位省市合计占比超过50%。北上广深杭基于较好的互联网和人工智能产业基础，聚集了大量高科技公司，在大模型浪潮中率先发力，截止2024年5月，据不完全统计，全国共有130家企业和机构完成生成式人工智能服务备案，其中北京、上海、广东位居前三位，也引发了较为旺盛的智算人才需求。根据猎聘有关AICG新发职位需求的分析，智算（以AIGC为代表）职位需求旺盛，2023年1-8月，北京新发智算职位占比超25%，上海位居第二，北京、上海合计占比接近50%，与大模型备案情况相近；深圳、杭州、广州位居第三至第五位，其他城市占比均低于3%，新发智算职位数前十的城市合计占比接近90%，体现出与人工智能产业分布相似的高度集聚特征。14智算与大模型人才白皮书智算人才概况网行业的人才占比居首（占比12.67%），计算机软件和整车制造位居第二、第三，占比为9.78%、9.47%，金融、IT服务、云计算/大数据等领域也有一定规模的智算人才储备。在智算能力的实际构建中，传统行业企业面临复合型人才短缺难题，如何构建跨部门、跨专业、高耦合的创新团队成为难题，企业在组建方法、协同模式、目标任务、考核评价、转化方式等方面存在诸多困惑。三峡上海院、上汽集团旗下延锋内饰等传统行业企业通过成立AI团队、孵化成立科技子公司、重新梳理和定位职能结构等形式推动跨部门、跨领域的协同合作。图 12 智算新发岗位行业分布数据来源：根据猎聘AIGC及其产业链人才需求大数据报告2023数据整理2.3 高校培养机制世界主要国家高校院所参与智算人才培养具有一定共性，重点强调应用能力、产学研合作生态和全民终身学习参与：一是课程体系设置方面注重多学科交叉，从通识教育和专业教育两方面入手提升学生的人工智能应用能力；二是通过校企合作推进科研算力服务，以产学研合作的方式建立智算人才培训基地，通过三方合力，利用各主体资源，发挥各主体优势，完善人才培养生态，为智算人才发展提供良好环境；三是强调形成对AI知识的全民终身学习，推进人工智能思维形成的低龄化、普遍化。同时，各国人工智能人才培养政策也存在较为明显区域特色：美国注重教育中对人工智能技术进行可信建设、在高等教育中重视学生的学习体验并培养学生应对真实世界挑战的能力、并通过创新移民和签证制度吸引和留住高技能智算人才；加拿大和日本则将重视“人工智能研发网络”建设，以此构建完整的人才培养生态系统。15智算与大模型人才白皮书智算人才概况表 1 国内外院所培养机制比较举措国内国外高校院所协同搭建智算平台国内企业与高校联合打造了遥感脑，智算平台等。国外企业与高校构建人工智能超级计算机。师资力量培育常态化教师数字素养培训。强调应用人工智能进行教学时教师的重要性。建立教育可信标准/制定专门的教育指南和防护措施。以实现安全有效的教育人工智能应用。教材编写课程建设 学科建设MOOC 和数字教材建设、改革人才培养体系、实行本硕博贯通式培养、“数智+”推进交叉专业建设、丰富跨学科类通识教育。重视学生社会行为技能和高级认知能力的培养、“大挑战”问题成为创新课程的主要内容、学科交叉的知识组织模式。机构设置成立人工智能发展相关的研究部门、智算人才培养基地等。支持开源社区、不同专业领域的人工智能研究所等。深化国际合作交流人工智能国际合作专项指标体系、国际合作培育专项、搭建 AI 支撑的多语言师生服务系统。改革移民制度、创建针对 AI 技术的签证，以吸引和留住高技能 AI 人才。职业学校校企合作与企业合作建立实训基地，提高学生的职业技能和职业素养。突出人工智能理念的传递和培养，提高人工智能教育的普及性。课程设置突出数字导向，融入数字技术，衔接前沿技术。将“人工智能+”“互联网+”融入到人才培养方案和课程内容中。美国国家科学基金会（NSF）启动“EducateAI”计划，向K-12、社区学院、四年制大学和研究生以及对人工智能正规培训感兴趣的成年人，提供高质量、适合受众的人工智能教育。其他智慧教育应用推进教育数字化进程，建立国家中小学智慧教育平台。建立适应数字时代发展的教育和培训系统。重新构想未来学校，充分发挥数字技术的教育红利。终身学习建设全民终身学习的学习型社会、学习型大国。将智能化教育贯穿人生各个阶段。16智算与大模型人才白皮书智算与业务共生企业数转智改不是信息化技术的简单升级，而是用数学思维和大数据、人工智能等新型数字化技术重构企业价值系统和商业逻辑的过程。从当前企业生产力要素来看，（大）数据要素及其之上的数据智能正在成为企业的技术系统的重要的解决方案，并驱动组织商业模式的改变。这一改变不是一蹴而就，而是一个长期的过程，需要将数据智能与业务适配并共同成长，到达共生的状态。为此，企业需要再次审视数据要素，开发“智算”工具以放大人的能力，构建企业的“智算”核心部件，形成智算与业务共生的新型商业模式，并找到一条智算与业务共生的演进之路。智算与业务共生0317智算与大模型人才白皮书智算与业务共生3.1 数据要素成为主宰随着信息技术、通信技术、数字化技术以及人工智能、机器学习等技术的飞速发展，全社会的数据以几何级数快速增长。数据要素在社会生产过程中所起的作用越来越大，成为机构、组织和个人的重要的资产和收益的来源，也成为“新质”经济的主要生产力之一。数据要素成为“新质经济”的主宰，因为21世纪，实体离开数据就会被这个世界边缘化，甚至被这个世界所抛弃。数据要素按时间线经历企业内网、互联网、移动互联网、工业互联网和智能互联网等主要事件；而参与交流的人和物的关系主要有企业内部员工之间、企业实体之间、大众之间、机器到机器、智能代理之间等【见图13】。时间线与对象间关系的描述如下：企业内网：企业通过构建基于流程的信息系统，形成企业内部信息传递的网络，提升了企业的运作效率。其中信息内容主要由使用信息系统的员工生成，数据增长相对缓慢。互联网：随着互联网技术的成熟，企业纷纷构建企业门户网站，企业将自身的信息通过门户网站对外发布，同时也从互联网检索有用的信息。信息数据量得以快速增长。移动互联网：4G移动网络的全球部署和智能手机的全球应用，移动互联网蓬勃发展。人人都在通过各类移动应用(APPs)制作信息内容和消费信息内容。海量的数据及增长的速度，超出了企业仅依靠人来处理的能力，大数据技术进入了企业视野。工业互联网：5G网络加速基于物联网(IoT)的工业互联网的建设，行业生产设施及系统的物与物(M2M)之间的信息内容的产生、传递、加工、分析与决策，相对于人与人之间的信息内容的数量更为巨大且增长率会高出几何数量级。智能互联网：巨量的数据处理需求推动着人工智能与机器学习技术快速发展，随着通用人工智能技术的来临，人工智能生成内容（AIGC）和智能代理(AI Agent)的互联，形成了智能互联网的新模式，为全社会的数据增长又添加一支新的力量。图 13 数据成为主宰18智算与大模型人才白皮书智算与业务共生3.2“智算”放大人的能力巨量数据就像一个资源丰富的矿场，给组织带来大量的机会的同时，也对组织的生产过程造成了前所未有的冲击。数据的指数级增长与人的处理能力的几近对数式的平缓提升，形成巨大的差距，亟需新的技术来弥补【见图14】。图 14 智算放大人的能力与数据量的指数级增长、数据类型的急速扩展以及数据增速的几何提高相伴而行的是数据处理技术的快速发展。这些技术正在经历由信息技术、数字技术、弱人工智能，到现在的通用人智能，以及不久将会到来的超级人工智能的发展变化。这一技术的加速发展与数据都呈现出相近的增长曲线，弥补了人的处理能力的不足。人们可以通过掌握这些技术及其工具来放大人的能力，来填平人与数据的鸿沟。这些技术主要包括大数据技术、人工智能技术、机器学习技术、神经网络、深度学习和生成式人工智能，以及人工智能计算芯片与分布式算法算子等。人工智能科学家和工程师们将这些复杂的技术封装为简明的算法模型，且这些模型具备极强的通用性，能够适应各类行业以及不同的场景，降低了行业组织对这些技术应用难度并且能够将其有效转化为生产力。我们将这些技术以及工程方法统称为“智算”，即智能计算的简称。我们尝试给智算下一个定义，如下：智算是指利用智能芯片作为算力，采用（通用）算法模型，对海量数据进行巨量计算，进而产生模型智力，再通过推理转化为新质生产力的全计算过程。简单地说，智算是智能计算过程，是新质生产力，它能够为企业创造新的价值。智算带来的最为显著的影响是，在改变传统的“业事”和“人事”之外，将“数事”演变为组织亟需对待的事情。组织新质生产方式就是围绕智算这一“新质生产力”而不断进行“业事”、“人事”和“数事”的处理【见图15】。智算的本质是就将算力转成智力，再将智力转化为生产力。智算使能组织在做任何事情的时候能够做到“心中有数”。19智算与大模型人才白皮书智算与业务共生图 15 从算力到生产力，开启业事、数事、人事新篇章3.3 智算与业务共生商业模式智算让机器具备了人类的“智能”，这使得我们进入一个全新的世界。面对机器具备了“智能”，我们该如何做？特别是行业企业或机构组织，会面对全新的生存环境，只有先行适配智算技术，才能更好地适应环境，才能在竞争中立于不败之地。首先，在如何做之前，我们需要先行理解智算的本质是什么以及它在社会生产生活中会起什么样的作用？3.3.1 智算的本质要回答这两个问题，我们有必要再深入理解智算的智力本质。对于智力，中华字典中给出这样的定义，即智力是“认识、理解客观事物并运用知识，经验等解决问题的能力”。从这个定义中可以得出，智力表现在两个阶段：1、解译、编码阶段（Encode Stage）：对从环境中收集到的信息进行解读并理解内在的含义或意图，即将输入的信息数据编码成意图；2、译解、解码阶段（Decode Stage）：将理解的含义或意图以另一种解释形式表达出来，表现的方式可以是生成新的内容、做出推理判断、执行连贯的活动等，进而对环境做出有效的管控，即将意图解码为另一种形式。前面的定义是适用于人的智力的描述，同样也与当前最为领先的机器学习模型“转换器”（Transformers）模型相一致。简单地说，机器学习就是关于通过训练让计算机从数据中学习到知识并能够做出预测和决策。我们的古人就相信数据具有神奇的力量。例如，毕达哥斯的“万物皆数”说；祖冲之的“迟疾之率，非出神怪，有形可检，有数可推”的话。这些都表达可以从数据中学习到知识、智慧并能够做出推断的有关机器学习的思想萌芽。到了当代，伴随着计算机的出现，人们就尝试让计算机具备人的智能，并形成了一门新的人工智能学科。智算的智力本质就是随着人工智能、机器学习等技术的不断发展，使机器具备智力，即能够让计算机通过对数据的计算，达到认识、理解客观事物并运用已学到知识经验等解决实际问题。20智算与大模型人才白皮书智算与业务共生为了方便进一步理解，可以将智算的智力形成过程与人的智力成长过程作个类比【见图16】。首先，他们都有一个物理实体作为智力的承载体，人有个智慧的大脑，里面有中枢神经系统，而智算需要一个算力底座，主要由智能芯片、存储器和网络设备构成；大脑神经网络是人类智慧的基础算法模型，而神经网络算法模型则是智算的基础算法模型；人和智算的智力都是通过对数据进行处理计算而得到的；智算通过监督学习和非监督学习生成预训练智慧模型，而人通过12年基础教育变成通识人才；智算的基础通用模型经过对行业数据再学习训练(微调)而形成行业模型，我们通常称其为行业的“千模百态”，体现了智算智力的专业化，而人类通过大学专业教育与实践，变成行业专业化人才。由此可见，人的智力发展与智算智力的发展过程，相似性是比较高的。图 16 智算的智力形成过程与人的智力成长过程类比图 17 以智算为核心的智算与业</p>