人工智慧人才缺口：為什麼科技發展速度超過了勞動力成長速度

更智慧的基礎設施選擇能夠幫助團隊即使在專業人才難以找到的情況下也能交付人工智慧成果。.

人工智慧在極短的時間內就從實驗階段發展成為人們的普遍預期。最初的試點計畫和概念驗證，如今已成為各行各業的核心業務重點，涵蓋醫療保健、金融、高等教育、製造業和政府部門等各個領域。領導者們面臨著快速、安全且大規模地交付人工智慧成果的壓力。. 

同時，許多組織都面臨同樣的限制因素，那就是人才短缺。具體來說，人工智慧工程師、資料科學家、機器學習維運專家和其他人工智慧專業人員的數量遠遠無法滿足市場需求。即使是資金雄厚的團隊也發現，人才的取得難度更高，培養速度更慢，留住人才的成本也更高。. 

技術雄心與勞動力準備之間的這種不匹配現在被廣泛稱為… 人工智慧人才缺口. 對許多組織而言，這正成為決定人工智慧計畫能否推進或停滯不前的主要因素。. 

閱讀：群聯電子擴展 AI 處理能力，供現場和邊緣使用

人工智慧人才缺口正在擴大

人工智慧的發展速度前所未有。大型語言模型（LLM）、多模態系統和特定領域的人工智慧工具的演進速度正在以月而非年的速度提升。新的架構、框架和優化技術層出不窮，不斷提高「人工智慧就緒」的真正意義。. 

相較之下，勞動力發展則進展緩慢。大學課程的更新需要數年時間。內部培訓計畫需要時間、預算和持續投入。招募經驗豐富的AI專業人才已成為全球競爭，需求集中在相對較少的專家群。. 

A 最新報告 資料情報公司 Draup 的一項調查發現，在全球範圍內，最近 12 個月內新增了超過 100 萬個與人工智慧相關的職位招募資訊。例如，, 德2024年第一季度，中國對人工智慧相關工作的需求年增321.71兆噸。同時， 世界經濟論壇研究 報告顯示，儘管預計2030年人工智慧和大數據領域的需求將持續成長，但只有20%的領導者認為他們的員工精通這些技能。 另一項研究 論壇發現，63% 的雇主認為技能差距是進步的最大障礙。.  

對於那些試圖將人工智慧願景轉化為實際應用的組織而言，這會造成一種根本性的矛盾。技術已經成熟，商業案例清晰明確，數據也唾手可得。然而，人才卻尚未到位。. 

為什麼對人工智慧工程師的需求正在爆炸性成長？ 

人工智慧發展迅猛，導致人才稀缺。它不再局限於研究實驗室或集中式資料科學團隊，而是滲透到企業各個層面，包括客戶服務、軟體開發、網路安全、物流、產品設計和決策。. 

隨著人工智慧應用場景的擴展，對專業崗位的需求也日益增長。資料工程師需要有效率地準備和傳輸資料；機器學習工程師需要訓練、優化和部署模型；機器學習運維 (MLOps) 專業人員對於監控、擴展和維護系統至關重要；基礎設施方面的專業知識對於優化 GPU、儲存和網絡，從而保持性能穩定並控製成本至關重要。. 

這些職位都需要深厚的技術知識，而且在許多情況下，還需要具備使用快速發展工具的實際操作經驗。這些技能並非一朝一夕就能培養出來的。. 

大學和企業無法以足夠快的速度進行技能再培訓。 

為了解決這個問題，許多組織已在技能提升和再培訓計畫上投入大量資金。內部培訓機構、認證課程以及與教育機構的合作正變得越來越普遍。. 

這些努力固然重要，但需要時間才能見效。培訓員工高效使用現代技術至關重要。 人工智慧基礎設施, 尤其是在生產環境中，這可能需要數月的集中學習，在許多情況下甚至需要數年時間。即便如此，受過訓練的員工往往很快就會被其他地方挖走，然後一切又重新開始。. 

對於規模較小的組織、公共機構和大學本身而言，挑戰更大。預算限制、招募靈活性有限以及各種優先事項的衝突，使得組建大型的專業人工智慧團隊變得困難重重。. 

這對創新和競爭力意味著什麼 

人才短缺的真正影響在於，它會限制你的創新能力，進而影響你的競爭力。當人工智慧計畫停滯不前時，你的研究產出、服務品質以及應對市場或政策變化的能力都會下降。. 

在某些情況下，企業會完全縮減其人工智慧發展計劃，只專注於現有團隊能夠實際支援的功能。而在其他情況下，他們迫於無奈轉向託管服務或雲端平台，有時甚至會因此犧牲控制權、可預測性或長期成本效益。. 

人才缺口不再是未來的風險，而是當今影響人工智慧策略的現實限制因素。. 

閱讀：群聯電子展示人工智慧和企業級固態硬碟的未來

導致技能短缺的三大因素

人工智慧人才短缺是由三大主要因素造成的，每一種因素都以比組織適應速度更快的速度加劇了複雜性。. 

1）模型和工作負載的快速成長 

現代人工智慧系統比以往的系統規模更大、資料需求更高、運算密集度也更高。 LLM 的訓練和推理工作流程在記憶體管理、吞吐量、延遲和儲存效能方面帶來了新的挑戰。. 

要保持這些系統的高效運行，需要涵蓋軟體、硬體和資料基礎設施的專業知識。很少有專業人士在所有這三個領域都擁有深厚的經驗。. 

2）基礎設施複雜性日益增加 

人工智慧基礎設施不再只是關乎GPU。它還包括高效能儲存、快速互連、記憶體擴展技術以及跨各個環節的精心協調。 本地部署 以及混合環境。. 

有效管理這套技術堆疊通常需要GPU調優、資料局部性和MLOps管線等領域的專業知識。對於缺乏這方面背景的團隊來說，即使是設計精良的硬體也很難有效率地利用。. 

3）全球對有限專業知識的競爭 

人工智慧人才市場是一個全球性的市場。大型科技公司、資金雄厚的新創公司和國家研究機構都在爭取同一群人才。這推高了薪酬，增加了人員流動，使得企業更難建立穩定、長期的團隊。. 

因此，許多領導者正在重新思考一個先前的基本假設，即人工智慧的成功需要不斷擴大員工規模。. 

各組織如何應對

面對持續存在的技能短缺問題，各組織正在嘗試各種策略來推動人工智慧計畫向前發展。. 

投資技能提升和內部發展 

內部培訓仍然是解決方案的重要組成部分。各組織正在更廣泛的團隊中建立基礎人工智慧素養，即使只有一部分人會深入專精於此。. 

這種方法可以改善協作，減少對少數專家的依賴，但並不能消除對基礎設施層面高階技能的需求。. 

與大學和研究機構合作 

與學術機構建立合作關係有助於建立長期人才儲備，並加速研究成果的轉化。許多公司，例如蘋果、思科、英偉達和谷歌，都已與學術機構合作。 與中小學和大學密切合作 塑造課程設置並提供真實世界的經驗。. 

雖然這些合作關係很有價值，但它們本質上是長期的，對解決眼前的營運挑戰作用不大。. 

依賴雲端平台，但有利有弊 

雲端服務可以減輕一些維運負擔，尤其對於基礎設施專業知識有限的團隊而言更是如此。託管平台可以抽象化部分人工智慧堆疊，並提供更快的運算存取速度。. 

然而，這種便利性也伴隨著一些權衡取捨。成本難以預測。資料主權和隱私問題可能會出現。而且，企業仍然需要專業人員來設計工作流程、管理資料並確保大規模效能。. 

對許多團隊來說，問題在於技術本身能否承擔起更多過去由人才處理的複雜性。. 

閱讀：群聯電子透過快閃記憶體擴展提升本地AI推理能力

使用 Pascari aiDAPTIV 降低技能負擔

應對人工智慧人才缺口的一個新興方法是轉向設計更易於操作的基礎設施，即使對於沒有深厚 GPU 或 MLOps 專業技能的團隊來說也是如此。. 

Phison 的 Pascari aiDAPTIV 正是基於這種現實而構建的。它並非假設需要龐大的 AI 基礎設施專家團隊，而是專注於簡化本地部署中最具挑戰性的幾個面向。 人工智慧部署. 

透過幫助團隊運作更大的規模 人工智慧工作負載 Pascari aiDAPTIV 能夠讓團隊在本地基礎架構上以更少的人工優化處理更大的模型和資料集，而無需依賴過多的硬體配置。這減少了持續的手動調優需求，降低了在本地高效運行 AI 工作負載的門檻。. 

對於關注資料隱私、合規性或長期成本控制的組織而言，這種方法無需擴充專業人員即可在內部進行人工智慧開發。團隊可以將更多精力集中在模型、用例和成果上，而無需過多關注底層基礎設施優化。. 

重要的是，Pascari aiDAPTIV 並不能取代人工智慧專業知識。相反，它可以透過減少營運摩擦和複雜性，幫助您從現有人員身上獲得更多價值。. 

使用群聯電子的 Pascari aiDAPTIV 加速您的 AI 部署

借助群創彌合技能差距

人工智慧人才缺口既是基礎建設的挑戰，也是勞動力方面的挑戰。當系統過於複雜時，就需要更多專業人員來維護其運作。而當基礎設施的設計注重效率、可靠性和清晰度時，規模較小的團隊就能完成更多工作。. 

更智慧的基礎設施不會取代人，而是增強人的能力。它使人工智慧工程師、IT 通才和資料團隊能夠充滿信心地開展工作，即使工作負載不斷增長、需求不斷變化。. 

隨著人工智慧不斷重塑各行各業，能夠成功轉型的企業將是那些將技術選擇與員工實際需求結合的企業。 Pascari aiDAPTIV 就是一個很好的例子，它展示了基礎設施如何融入這種融合，幫助您在當下取得進展的同時，也能持續推進更廣泛的人才發展工作。. 

人工智慧人才缺口真實存在，而且短期內難以彌合。但只要方法得當，它就不必成為阻礙，反而可以成為推動我們重新思考人工智慧系統建置、部署和長期維護方式的契機。. 

探索如何 Pascari aiDAPTIV 可以幫助簡化和加速您的人工智慧部署。. 

常見問題 (FAQ)：