我们正处于一场前所未有的人智能应用大爆发之中——一个堪比寒武纪生命大爆发的时代。这一切的变化得益于基础大模型能力的提升和开放源代码/API的可用性。
在过去，许多人工智能应用需要长达五年的时间和一个庞大的研究团队才能完成。而现在，只需要一份API文档和一个闲暇的下午就能搞定。新兴的AI能力正在推动一个新的角色的出现：AI工程师。要充分掌握这些能力，我们必须超越提示词工程师的范畴，不仅要编写软件，还要编写能够生成软件的人工智能。
随着全球大模型的竞争进入中场，并逐渐接近尾声，软件工程领域衍生出了一个新的子学科，专门研究人工智能应用并有效运用新兴的技术栈。正如“站点可靠性工程师”、“运维工程师”、“数据工程师”和“分析工程师”一样，这个新兴的角色就是：人工智能工程师。这可能是未来十年需求量最高的工程职位。
从微软和谷歌这样的科技巨头，到领先的初创公司和独立开发者，AI工程师的身影无处不在。在Anthropic从事提示词工程工作的AI工程师年薪可达30万美元，在OpenAI开发软件的年薪更是高达90万美元。这些工程师利用业余时间琢磨AI创业想法，并在社区中分享建议。这些工程师和开发者的共同点在于将AI技术转化为数以百万计的真实产品。他们通过探索和创新，推动了AI技术在各个领域应用。
在Indeed网站上，机器学习（ML）工程师的职位数量是人工智能（AI）工程师的10倍，但是“人工智能”增长速度更快，预计这个比例会在5年内颠倒过来。
> “从数量上看，人工智能工程师的数量可能会比机器学习工程师/LLM工程师多得多。一个人无需接受任何培训就可以完全胜任这一角色。” —— 安德烈·卡帕蒂（Andrej Karpathy）
今天，大多数人仍然认为AI工程是机器学习或数据工程的一种形式，因此他们认为成为AI工程师的前提是成为软件工程师，或者至少有一定的计算机基础。但实际上，高效的AI工程师中很少有人完成过吴恩达在Coursera的课程，也不了解PyTorch，甚至不知道数据湖和数据仓库之间的区别。
在不久的将来，没有人会建议通过阅读《Attention is All You Need》来开始学习AI工程，就像你不会通过阅读福特T型车的技术图表来开始学开车一样。理解基础知识和历史总是有帮助的，确实可以帮助你找到尚未为大众所熟知的想法和提高效率/能力的方法。但有时候，你可以直接使用产品，并通过实践来了解事物的本质。
基础模型，（Foundation Models）作为“少样本学习”（Few-shot Learners），展示了令人惊叹的上下文学习和零样本传递能力。这意味着模型的创造者在最初设计时并未完全预见它们的潜力。非LLM研究人员（如从事文案写作的Jasper）通过与这些模型互动，发现了许多被低估的应用领域，从而揭示和利用了模型的隐藏能力。
大型企业及其基础模型实验室，如微软、谷歌、Meta等，已经吸引并垄断了大量稀缺的研究人才，提供了一种“人工智能研究即服务”的API模式。这些顶尖研究人才难以直接雇用，但他们的服务可以通过API被租赁。
网友评论