系列报告，接上一篇

人工智能技术岗位要求

目前我国人工智能技术人才需求缺口主要来自三个方面：

第一方面是非常缺少能够推动人工智能前沿技术与基础理论发展的顶尖人才，探索型和前沿型大型数字化企业愿意投入巨额成本获得此类人才，他们将目光投向海内外名校，挑选高潜力毕业生进行培养；

第二方面缺少的是能够将人工智能前沿理论同实际算法模型相结合的人才，他们擅长设计和改进算法模型，这类人才受到探索型和前沿型大型数字化企业，以及人工智能头部企业欢迎；

第三方面缺乏的是能够将人工智能技术与行业需求相结合的人才，他们可以深度理解应用场景，通过人工智能技术帮助用户降低运营成本、提升工作效率、改善产品与服务质量，这类人才的需求数量最多。

目前大部分人工智能技术岗位求职者是期待转岗的在职工程师，他们的人工智能知识主要通过自主学习或在工作中不断积累获得。有相当多的高校已经开设或正在建设人工智能专业，预计3至5年后每年将有超过一万人工智能专业毕业生进入人才市场求职。

除技术岗位体系以外，知识工程岗位大规模人才需求还未显现。教培委研究团队认为，知识工程类人才将成为人工智能行业发展的必需，我国互联网的海量数据与各类传感器生成的庞大数据，决定了对该类人才的大量需求，未来知识工程类人才数量将超过人工智能其他技术人才。

人工智能岗位技术需求

大部分人工智能技术岗位要求从业人员具备扎实的软件开发基础，熟练掌握C/C++、Python、Java、Shell、MATLAB等编程语言；熟悉Linux、Hadoop、Spark、Hive等大数据计算工具；掌握Caffe、TensorFlow、Parameter Server、MXNet、PyTorch、Keras、Scikit-learn、XGBoost、LightGBM等深度学习框架和函数库；具备扎实的算法基础，熟练掌握深度学习以及相关的计算机视觉、自然语言处理等方向的常用算法，包括但不限于概率推理、概率图模型、强化学习、迁移学习、对抗学习、大规模优化、语义理解、问答系统、文本分类、图像分类、目标检测等；掌握大数据环境下的数据处理能力，如文本、图像、文档、网页等数据的导入、加工、转化等。

除在算法层面进行研究的探索型和前沿型大型数字化企业外，其他人工智能企业核心的技术人才为算法工程团队。另外，多数人工智能企业还未建立知识工程化团队进行不同维度的数据收集和处理，随着人工智能行业应用不断发展，知识工程化人才需求量将上升。

探索型和前沿型大型数字化企业重视人才的创造力、批判性思维、成长潜力、适应能力和沟通能力，通过教育背景筛选基础素质高的人才。这些企业的人工智能相关部门会招收海内外顶尖高校硕士与博士应届毕业生进行培养。其他人工智能企业则通过社会招聘有经验的算法研究与算法工程人才，几乎不招聘应届毕业生。

人工智能领域技术人才的学习能力高于软件与信息技术服务业其他领域，技术人员能够不断学习新算法、框架与模型，对特定行业的业务有深入理解，有能力快速了解新行业知识。

虽然人工智能行业技术人才供不应求，但企业技术人员流动率不超过10%，低于软件和信息技术服务业平均水平。主要原因是人工智能企业需要技术人员对所服务的行业业务有深入了解，必须长期积累应用场景经验，因此企业愿意为经验丰富的员工提供优厚的待遇。另外，人工智能企业所服务的用户差异较大，技术人员的工作经验复用性低，因此比较稳定。

人工智能企业参与校企合作的意愿强烈，帮助高校培养人工智能技术人才。其原因主要有三个方面：

第一方面，当前有经验的人工智能人才成本较高，招聘难度大，企业希望将成熟的行业应用场景和真实项目融入到高校课程体系，培养具有一定项目经验的毕业生满足自身的人才需求；

第二方面，企业希望利用高校在行业知识和技术上的优势，通过共建实验室等方式进行算法工程化研究和开发；

第三方面，人工智能企业希望将自身的技术和行业应用场景经验转化为人工智能的师资和课程，同高校进行专业共建。

人工智能企业运营模式和人才培养方式

人工智能企业运营模式差异较大，不同类型的人工智能企业对人才的培养和校企合作的方式也不相同。从企业掌握的核心技术与提供的产品和服务分析，运营模式可以分为三类：

第一类以探索型和前沿型大型数字化企业为主，他们拥有自主研发的人工智能算法，同合作伙伴一起建立以自身为核心的人工智能应用生态；

第二类以人工智能头部企业为主，在特定行业应用场景具有技术优势，提供封装技术和解决方案，不断将自身的技术能力转化为商业应用；

第三类以成熟型软件和信息技术服务企业与数字化转型的传统企业为主，采用成熟的人工智能技术解决方案，根据具体业务场景进行不断优化。

构建人工智能应用生态

探索型和前沿型的大型数字化企业，有雄厚的人工智能技术积累和强大的算法、框架研发能力，通过搭建平台为合作伙伴提供人工智能技术，将算法优势应用到具体业务场景，建立应用生态。

以阿里巴巴人工智能战略为例，在“AI平台”“AI算法”“AI引擎框架”“AI云服务”“AI芯片”“产业AI”等多个方面向合作伙伴提供人工智能技术，以“云+AI+IoT”的模式进行应用生态的全面布局。阿里巴巴开展的人工智能芯片研发，主要集中在GPU方面。

这类企业重视人才培养，通过同高校建立联合实验室、提供大量实习机会等方式，招收表现优异的毕业生。同时，积极同高校开展学科共建，通过1+X证书等校企合作方式，将内部培训课程和真实项目融入到教学中。

自上而下寻找应用场景

成熟型的人工智能头部企业，如商汤科技、云从科技等，在人工智能特定技术领域具有先发优势，能够将人工智能技术应用到多个具体业务场景，积极寻找商业模式并开发商业化应用。

这类企业主要通过应用人工智能计算机视觉等技术，服务安防、金融等行业客户。它们也不断探索和发掘ToB（面向企业）与ToC（面向消费者）的应用场景，根据用户需求来改进产品和服务。例如，商汤科技所建立的“1（技术研究）+1（产品及解决方案）+X（行业）”模式，追求从技术、数据到产业的闭环效应，通过不断开创新应用场景来推动产业智能化升级。

这类企业的人工智能技术岗位通常不招收应届毕业生，避免花费过多成本在人才培养上。企业文化偏重技术实践，新入职员工由“导师”带领，通过参与项目来快速学习。部分企业会参与校企合作，期望利用高校的行业和知识优势，通过共建实验室等方式获得专业能力。有些企业还会招收实习生从事数据标注工作。

自下而上提升技术能力

成熟型和成长型的人工智能企业大多从正在服务的应用场景入手，研究通过人工智能技术来优化业务能力，从而提升效率、降低成本和改善用户体验。这类企业通常不花费资源研究算法，而是通过对具体业务场景的理解来选择人工智能成熟技术进行应用。数字化转型的传统企业，也往往通过设立内部研发部门，将人工智能技术进行消化应用。

在技术层面，这类企业或寻求同人工智能企业进行合作，或委托科研实力强的高校、研究院所进行针对性研发。

人工智能企业技术岗位设置

研究型技术岗位体系

人工智能企业的技术岗位体系差异较大，教培委研究团队的调研显示，不同运营模式的人工智能企业往往采取不同的技术岗位体系，同一运营模式企业的技术岗位体系则有相似之处。

探索型和前沿型的大型数字化企业在人工智能领域的业务范围广泛，涵盖基础理论、封装技术等方面，通过运营封装技术平台，服务多家合作伙伴来建立人工智能应用生态，通常设置算法研发类岗位和算法开发类岗位。算法研发类岗位负责人工智能基础理论的探索与算法研发、优化等工作，算法开发类岗位则针对具体业务场景给出恰当的算法解决方案。基础的数据标注工作通常以项目外包的形式完成。

人工智能芯片岗位体系包含芯片的逻辑设计、架构设计、物理设计与芯片验证等，要求从业人员熟悉人工智能芯片实现原理与技术架构，具备机器学习与深度学习基础知识，掌握C/C++、Python、Bash、Tcl、Perl等编程语言，熟悉Unix、Linux操作环境与Vi、Vim常用操作，熟悉Caffe、Tensorflow、PyTorch等主流深度学习框架，熟悉异构SoC芯片设计流程等。对于人工智能芯片架构设计师岗位，要求能够理解用户需求，制定相应的人工智能计算解决方案，并负责落实方案评估、实施、演示、部署等流程，并根据市场与用户反馈，对方案进行不断迭代优化。

有的研究型技术岗位体系不设置数据处理岗位，数据处理工作由算法开发类岗位完成。大部分研究型技术岗位体系不设立应用开发岗位，商业化应用由合作伙伴完成。

新型技术岗位体系

部分成熟型和成长型的人工智能企业需要将人工智能技术应用到多个业务场景，其技术岗位体系采用人工智能算法研究团队和算法工程团队的结构。新型技术岗位体系的特点是同知识工程团队紧密配合。知识工程团队提供不同行业的业务数据并协助建立训练模型，算法研究团队结合应用场景进行算法适配，算法工程团队结合业务场景进行算法实现。面对用户需求时，算法研究团队、知识工程团队与算法工程团队共同探讨解决方案。这类企业接触的客户需求种类多样，针对不同类型的需求由不同团队技术成员负责对接需求与项目交付。

这类企业通常不会涉及基础理论研究，主要研发方向是深度学习算法在各行业场景的应用。拥有专业的知识工程化团队是这类企业的特色，行业专家设计数据标注的维度和方式，数据标注师进行数据标注具体工作，从而提升非结构化数据处理的质量和效率。数据标注师也可以通过学习某一领域的行业知识成为行业专家，从事更加具有创造性的工作。这类企业的算法研究团队通常需要具备较强的算法适配能力，掌握C/C++、Python等编程语言，并有一定的行业业务经验同知识工程化团队协作。

基于深度学习的人工智能技术依赖海量数据进行训练，但各行各业数据维度众多，数据的归纳、整理没有统一标准。越来越多的人工智能企业通过组建知识工程团队，使用具有人工智能技术和行业业务知识背景的人才来完成数据处理工作，为算法工程团队提供行业视角，设置数据采集维度，收集整理数据。

上述知识图谱和神经网络工程师岗位属于知识工程化团队，要求能够运用人工智能算法，并能将算法迁移到特定应用场景，要求对特定行业知识有较深入理解，通常不要求精通编程。

该岗位属于知识工程团队，通过拆分行业知识来处理数据，保障了人工智能技术与应用场景的贴合，同时降低了对算法工程团队技术人才的要求。

传统应用开发技术岗位体系

部分成熟型和成长型企业采用人工智能技术时，一般不对基础理论与封装技术进行研究，而是通过积累的行业经验为用户提供人工智能解决方案。它们往往采用人工智能架构师、人工智能项目经理、人工智能算法工程师的技术岗位体系，与传统的CTO、项目经理、开发工程师的组织架构类似。这些企业通常服务特定行业，人工智能架构师需要对所处行业业务有着深入理解，应用算法模型并转化为技术路径，针对具体问题提供技术方案。人工智能项目经理负责与用户对接需求，同时与人工智能算法工程师和应用开发工程师沟通，提供解决方案，最终负责交付。

这类企业的人工智能算法工程师职能繁杂，技术上需要了解训练模型、算法实现，同时需要了解业务场景，与用户沟通对接。这类企业不设立专门的算法研发类岗位，不投入资源开发新技术，期待算法工程师在完成项目之余进行算法的优化，数据处理工作通常由外包企业完成，也有部分企业招聘实习生做基础的数据标注工作。

数字化转型的传统企业在寻求通过人工智能技术降低运营成本、提升工作效率、改善产品与服务质量时，通常选择设立研发部门或子公司，但在技术岗位体系的设置上受企业自身组织架构影响，算法研发岗位的职能同样繁杂，可能涉及人工智能封装技术、行业场景适配与应用开发等多个方面。

软件和信息服务业人才培养

近些年，我国政府先后出台多项政策，确定产教融合的重要战略地位。2020年教培委重点调研了高职院校软件和信息服务相关专业产教融合工作。

在政策的推动下，目前超过90%院校的软件和信息服务相关专业开展了不同形式不同层次的产教融合工作，接近50%院校产教融合的合作对象为培训机构，30%左右的院校合作对象为大型数字化企业下设的教育业务部门，只有10%左右的院校合作对象为有实际用人需求的服务级企业。

本次调研的高职院校层次分布比较全面，有十余家是荣获“全国高职院校国际影响力50强”、“国家示范性高职院校”和“中国特色高水平高职学校建设单位”等称号的优秀院校，三十余家为重点院校，其余为普通院校。

高职院校在开展产教融合过程中，产生了双师培养、现代学徒制、共建专业、订单班、产业学院等多种合作形式，这些合作形式包含的内容根据院校与企业协商结果具体制定。

订单班是目前较为普及的合作形式。合作程度较为深入时，企业负责招生、安排师资进行专业课程教学、提供设备等教学资源、组织学生实训和实习，推荐就业，院校则应企业要求提供部分课程师资、后勤管理等服务。合作程度较低时，院校根据企业的需求招生、安排课程，学生第一年学习基础知识，第二年由企业派遣工程师带领进行实训，第三年进入企业进行实习。合作程度最低时，院校在招生时未确定合作企业，在第二、第三学年预留课程与实训时间，待确定企业后由企业安排填补。

共建专业与产业学院的合作形式也比较普遍，同订单班相比合作规模较大，合作程度也更为深入。这类合作形式往往以企业为主，提供教学设备、师资，并由企业为主进行招生、制定与实施人才培养方案。但是院校受政策限制，无法与企业建设混合所有制产业学院，所以企业对于如何提高人才培养质量也不愿意承担责任。

双师培养与现代学徒制较少单独实践。双师型教师需要精通教学技能并能够指导学生实践，通常有很强实力的院校才有能力培养大量教师到软件和信息服务企业任职，或招聘工作经验丰富的软件工程师担任教师。现代学徒制受到政策的大力支持，从2015年至2018年，教育部分三批遴选了近600家单位作为现代学徒制试点单位和行业试点牵头单位。但在软件和信息服务领域现代学徒制开展难度较高，因为企业工程师工作压力普遍较大，指导和带领学徒的动力不足。

调研发现，高职院校软件和信息服务相关专业的合作形式并无统一标准，合作内容差异较大。教培委研究团队认为，完善的产教融合模式应从院校自身定位到具体评价指标形成闭环，并且能够不断自我完善，迭代提升。

产教融合模式的必备要素

结合现实情况，教培委研究团队认为产教融合的模式应在以院校为主导，兼顾企业利益的基础上，采用有明确评价指标、可重复使用的执行体系，包括选择合适的合作企业、进行合作规划、安排教学计划、组织实训、制定评价指标。

教培委研究团队通过调研，总结了产教融合模式的五个必备要素，涵盖从开展合作前的合作企业选择，到完成一个合作周期后的评价指标。完整的产教融合模式应具备所有的要素，以提升人才培养质量为目标，不断自我验证、调整和完善，实现教育与产业的真正融合。

合作企业

职业教育的重要目标是服务所在地经济，为当地产业发展提供应用型技能人才。因此高职院校应对当地软件和信息服务产业发展情况有充分的认知，包括产业规模、产业机构、知名企业情况、产业扶植政策等，结合自身的生源质量、师资水平、预算等条件，从企业层级、商业模式、技术应用、人才供需、企业财务状况、合作意愿、培养体系、其他院校产教融合经验等方面选择合作企业。

合作规划

完成合作企业选择后，院校应同企业磋商确定合作规划，包括责任义务、利益分配、合作程度、合作形式和实施过程。院校应充分考虑企业的经济效益和社会效益诉求。

教学计划

院校和企业确定合作规划后，需共同制定完善的教学计划，包括教学目标、课程设置、课时分配、教材建设、兴趣班课程等。在师资方面，需对企业派遣工程师与院校教师的工作统一筹划，例如是否由企业工程师为主负责课堂教学与带领实训工作，学校教师进行辅助；还包括院校的师资培训安排，例如派遣教师到企业进行项目实践和学习新技术，参加外部课程培训等。

实训

帮助学生获取更多、更优质的实训机会和平台是产教融合的主要目的。实训有多种类型，一是在校园教室进行实训的形式，如将企业真实项目或各类比赛带入课堂；二是在实训基地进行实训的形式，如模拟实际工作场所来帮助学生熟悉真实工作流程；三是在企业内部进行实训的形式，如安排学生跟岗或顶岗实习。院校应为学生争取最优质的实训方式与待遇，使学生对软件与信息服务业产生兴趣，树立职业生涯理念，从实践中培养解决问题的能力。

评价指标

除满足本地教育监管部门提出的合作形式、获奖情况、横向课题等指标外，院校还应从毕业生流向、学生体验、师资提升等方面对产教融合工作进行评估，尤其是毕业生的对口就业质量和未来的职业发展情况，争取追踪毕业生工作后三年左右的职业发展情况，根据评估的结果，对当前产教融合各项举措进行调整，建立不断完善的机制。

未完待续...

智城外包云平台

智城外包网，连接企业需求与专业开发团队。

全流程在线操作，全流程在线工作，全流程在线保障

十年诚信运营，可信实名认证

微信公众号：智城外包网

如对此调研报告感兴趣，请关注作者微信公众号：产教融合资讯。