2025-2030年，AI人才需求将发生巨变。从系统优化到智能体编排，再到具身智能，哪些技能将成为稀缺能力？本文为你揭示未来五年AI人才的稀缺技能及职业发展方向。

如果说 2023-2024 是“谁先玩上大模型，谁就有故事可讲”的阶段，那 2025 之后，规则已经完全变了。

这几年你应该已经有感：会用 ChatGPT、会写几个 prompt，不再是稀缺能力；甚至“会微调一个模型”这件事，本身也在快速走向同质化。真正开始被疯抢、被溢价的，是另外一批人——那些能把模型变成可大规模上线、跑得快、跑得稳、跑得便宜的系统型人才。

这一篇，我们就聊一件事：

2025-2030 这五年，全球 AI 人才真正稀缺的到底是什么能力？

以及，如果你在中国大陆做职业选择，应该把自己往哪条路上“对齐”。

一、从“卷模型”到“卷系统”：AI 人才金字塔完全反过来了

先把结论说在前面：

在 2025 年的 AI 人才金字塔里，站在最上面那层的，已经不是“会训练模型的人”，而是“能把模型以可承受的成本、可接受的延迟跑进生产系统的人”。

这不是一句口号，而是一个很现实的账。

过去两年，大家对大模型的想象是：“参数再大一点，效果再好一点”；到了 2025 年，大厂、独角兽、B 轮公司纷纷发现：账单开始扛不住了——推理成本成了商业模式能不能成立的生死线。你用的是 3 块钱一千 token 的模型，还是 0.3 块钱一千 token 的模型；你一个 GPU 每秒能服务 20 个请求，还是 200 个请求，这些都不再是“工程细节”，而是利润表上实打实的差距。

也正因为如此，整个人才评价体系开始反转：

只会调模型超参、跑一跑 benchmark 的人，变得越来越多；

反而是那批能通过底层优化把推理成本砍掉 30%、把吞吐翻两倍的工程师，成了真正的“人形印钞机”。

这类人到底在干嘛？你可以这么理解：

• 他们不止会 Python，而是要能一路打到底，写 CUDA Kernel、写 Triton，把注意力算子、矩阵乘法直接编译到显卡的血管里；
• 他们不满足于用一行 model.generate()，而是会直接操刀 vLLM 这种高性能推理引擎，从源码级别调 PagedAttention、调 KV Cache，尽量把每一寸显存榨干；
• 在算力紧张、硬件受限的环境里，他们能用量化、裁剪、蒸馏，把一个“巨婴模型”压缩到能在边缘设备、国产芯片上稳定跑起来。

听上去很硬核，这确实是一条学习曲线极其陡峭的路。但现实就是：

能把这一整条链路打通的人，在全球范围内都极度稀缺。

中国这边因为客观环境的约束，反倒被迫在这条路上走得很深：缺高端 GPU，那就只能在软件层面玩命优化。在未来五到十年，这会变成一批中国工程师独有的护城河：在别人习惯“堆卡”的地方，你习惯“抠细节”。

二、从 prompt 玩家，到“流程工程师”：下一代工程师在编排的是“智能体”，不是接口

第二类正在被重塑的岗位，是我们可以称之为“智能体编排师”的那群人。

过去这一年，你在朋友圈应该看到很多类似的话术：“XX 用 AI 做客服”“XX 用 AI 做知识问答”。大部分做法本质上还是：

一个大模型接口 + 一点检索（RAG）+ 几个 prompt 模板。

到了 2025 年，真正拉开差距的那拨团队，已经不再满足于“让模型说几句话”，而是开始搭“能自己干活的一整套工作流”。这里的关键变化，是从“线性调用一次模型”，走向“让多个智能体在一个状态机里长期协作”。

你可以把他们想象成新一代的“流程工程师”：

• 他们在 LangGraph 之类的框架里，不再画简单的“请求→检索→生成”流程，而是画一个会自循环的图：先规划，再执行，再检查，如果发现信息不够，再回去补充检索、修正计划、重试；
• 他们会搭多智能体系统：一个负责分析需求，一个负责写代码，一个负责测试和补救；这三个智能体之间有清晰的交接协议和冲突处理规则，而不是大家一起在一个对话框里吵成一锅粥；
• 他们对“工具使用”的理解，不是随便丢几个 API 给模型，而是要设计一层“工具编排层”，帮模型兜底参数错误、重试机制、异常回滚；同时在关键节点插入“人类确认”，做真正的人机协同，而不是盲目自动化。

再具体一点：

一个做企业审批的 Agent 系统，如果是“会写 prompt 的人”做，大概是一个聊天机器人 + 检索知识库；

如果是一个成熟的 Agentic 工程师做，他会画出一整个状态机：资料收集 → 风险分析 → 合规检查 → 低风险自动放行 → 中风险进入人工队列 → 高风险触发额外核查，并且把每一个节点都拆成可观测、可回退的小步骤。

为什么这类人才稀缺？原因很简单：他们既要懂业务，又要懂 AI，又要有系统工程脑袋。

纯算法出身，容易只盯模型效果；纯业务出身，容易把智能体当“自动化脚本”；只有那种能在“模型能力 / 业务规则 / 系统可靠性”之间同时做权衡的人，才能把这些东西真正变成“可上线、可维护”的产品。

这也意味着：

如果你现在还停留在“多看看 prompt 教程”“记几个提示词模板”这个层面，你已经在玩的是上一阶段的游戏了。

三、让模型走出屏幕：具身智能的人才断层，刚刚开始显形

第三块，其实是我个人这两年格外关注的：具身智能。

简单讲，就是把大模型装进机器人里，让它不只是“会说”，还“会动”、能操作物理世界。你在新闻里能看到的那些人形机器人、仓储机器人、智能机械臂背后，都绕不开一个问题：

怎么把“看懂世界 + 听懂指令 + 做出动作”串成一条闭环。

这件事对人才的要求，是那种“可遇不可求”的组合：

• 一方面，你得懂视觉和语言：让模型从摄像头画面中认出“哪个是红色的苹果”“哪个是桌子”；
• 另一方面，你又得懂机器人：关节坐标系、运动规划、动力学约束，任何一个细节错了，机器人不是“生成错一段文本”，而是直接撞掉一面墙；
• 最后，你还要能把这一切塞进一个实时系统里，用 ROS2 之类的中间件，把 PyTorch/JAX 模型的推理循环接入机器人控制回路，控制延迟在可接受范围内。

现实的问题是：能同时横跨这三块的人太少了。

绝大多数人要么偏算法，要么偏控制，要么偏硬件，很难有足够的耐力和环境去把这条路走通。

再加上一层现实：具身智能极度缺数据。文本有互联网，视觉有海量图片，而“机器人怎么抓一个杯子”“怎么在复杂环境里行走”这种数据，比任何数据集都更贵。于是就催生了一类更极度稀缺的角色：仿真工程师。

他们要在 Isaac Sim、MuJoCo 这类仿真环境里，构造各种复杂场景，通过“领域随机化”去逼迫模型学到更加鲁棒的策略，再慢慢把这些策略迁移到现实世界。

你可以理解为：他们在给机器人搭建一个可以“安全摔跤”的虚拟世界。

中国在这一块，其实是更有土壤的——制造业基础、供应链、成本结构、产业政策都推着这一波往前走。所以你会看到，围绕自动驾驶、物流机器人、人形机器人，中国在全球的相对优势会越来越明显。而能把大模型 + 机器人 + 仿真三者串起来的人，在未来五到十年的机会，不会比今天的大模型研究员少。

四、“理工科双语者”：AI for Science 的小圈子，溢价可能是最高的

再往上看，就是一群更小众，但可能是未来十年收入上限最高的职业群体：AI for Science 的双语者。

这里的“双语”，不是英语和中文，而是：

一门扎实的科学学科（生物、化学、材料、物理）+ 一整套 AI 技术栈。

这群人每天在干的事，简单说就是：

让大模型别只会“聊天”和“写代码”，而是去帮我们在分子、蛋白、材料、晶体等层面做发现。

他们要懂几何深度学习，知道如何把蛋白质折叠、分子结构这种“非欧几何对象”塞进一个图神经网络；

要懂扩散模型、流匹配模型，能生成一堆“理论上有用”的新分子，再去用化学的知识筛掉那些不可能合成、或者药代动力学完全不靠谱的候选；

要懂密度泛函理论（DFT）、懂材料的物理特性，知道如何用机器学习去近似一个本来要算几个星期的量子级别模拟，从而在短时间内筛一大批可能适合做电池、电池膜、光伏材料的组合。

再往前一步，是所谓的“自动化实验室”：

AI 不再只是一个“分析结果的人”，而变成一个“能自己提出实验假设、调用机器人做实验、根据结果自动更新模型”的闭环。

要把这样的系统搭起来，你得同时理解：Agentic 工作流怎么设计、化学实验室的约束是什么、机器人能做什么不能做什么、数据怎么采、误差怎么控。

对大多数人来说，这一块听着就已经“劝退”了。

但现实就是：全球能玩到这一步的人，本来就不可能多，溢价自然高得离谱。

如果你本身就是传统理工科（尤其是生物医药、材料、物理）专业，再反向补 AI，这条路其实比“从 0 开始卷模型”更有壁垒。

五、一张全球人才地图：美国在立规则，中国在做工程，欧洲在管边界

从地理视角看这场人才重构，差异也很明显。

在美国，最有溢价的，依然是两类人：

一类是能设计下一代基础架构的系统架构师，另一类是能定义新范式的研究员。

他们习惯从“整个系统”往下看：从芯片算力、集群网络，到模型训练、工具链，再到面向全球的 SaaS 产品，都在一条链路上思考。

由于这里聚集着 Google、Meta、OpenAI 这些玩家，一些极少数“会在万亿参数规模上训练模型”的人才，天然只会出现在这几个地方。

在中国，路径更工程化、更“现实主义”。

硬件受限倒逼大家在软件层面极致优化：推理加速、模型压缩、边缘部署、国产芯片适配……

大量工程师在做的事情，不是“再搞一个更大的模型”，而是“如何在有限算力下，把现有模型压榨到极致”。

再叠加一层制造业基础，让机器人、自动驾驶、工业场景里的 AI，变成了中国非常自然的突破口。

你可以很容易地把中国这边的人才画像总结成一句话：“在硬件约束下，把事情做到能用、好用、用得起。”

在欧洲，则形成了两块相对特别的高地：

一块是围绕合规、治理、隐私的“AI 治理官”；

另一块是以 DeepMind、ETH 为代表的“AI for Science”群体。

前者要把一整套合规条款翻译成模型可遵守的约束，把“负责任使用 AI”变成企业的工程规范；

后者则是我们刚才提到的那批科学双语者。

这张地图，对你有一个很现实的启发：

不同地区对人的要求不一样，你不需要在所有维度都做到全球领先，你只需要在你所在地的优势方向上，把自己向上推两级。

六、个人该怎么选：别停在“会用 AI”，要么往下挖，要么往上爬

说了这么多，最后还是要落回到一个现实问题：

普通人，在这波人才重构里，怎么给自己做定位？

我会给一个比较直白的建议：

如果你已经在技术这条路上了，未来五年尽量避免停留在“中间层”——

那种只会调 SDK、只会改改 prompt、只会套一套开源 RAG 的角色，会是最危险的一档。

你要么往下挖一层：

• 去理解推理成本是怎么来的，一个请求的延迟瓶颈卡在哪；
• 学一点系统，至少搞清楚 vLLM、TensorRT-LLM 等推理引擎在做什么，能读一点源码，碰到 OOM 问题知道从哪里下手；
• 在国内环境下，多接触国产芯片、边缘设备，把“在受限环境里跑出效果”变成自己的标签。

要么往上爬一层：

• 从“写 prompt”升级到“设计完整智能体流程”；
• 从“做一个聊天机器人”升级到“让一组智能体接管一条业务链条”，包括状态管理、多人协作、人机回环、异常兜底；
• 从“接受业务给的需求”升级到“反过来帮业务拆解：哪些环节适合 AI 接管，哪些环节必须由人来定夺”。

再往更远看一点，如果你本身有一门扎扎实实的学科背景——生物、化学、材料、物理、金融工程——那你不妨认真考虑：

不是“转行做 AI”，而是变成那类**“把 AI 引进本行业、让自己变成同行中最懂 AI 那一个”的人**。

最后，用一个简单的比喻收尾：

过去两年，大家在争做“会开车的人”；

现在开始，真正值钱的是两种人：

一类是会造出更省油、更稳定的发动机的人；

另一类是会指挥几十辆车协同运转、搭出一整套交通系统的人。

如果你已经决定留在这条赛道上，那么 2025-2030 这五年，基本就是你重新给自己定职业坐标的窗口期。

你可以继续做一个“坐在车里的人”，也可以开始思考：

我到底要站在未来这张 AI 人才地图的哪一个格子里？