张岭学长交流会:AI 行业趋势与就业详细总结
演讲时间:2026 年 10 月 24 日。地点:上海交通大学闵行校区。
本文以《261024张岭学长交流会_交叉校订稿》为主要依据,对照 54 页重建课件整理,涵盖演讲、23 组现场问答和水源社区的 4 组补充讨论。文中的行业判断、发展预测和职业建议均按张岭的观点整理;课件补充内容另作标明。各节时间可用于回听,页码指重建 PDF。
内容导览
- 一、演讲背景与主要问题
- 二、AI 的进展、算力约束与能源需求
- 三、大模型怎样改变软件行业的商业空间
- 四、自主智能体怎样改变研发工作
- 五、软件研发的变化与 Friday 项目
- 六、软件研发可能发生的十二个变化
- 七、计算机、软件工程和 AI 专业怎样学习
- 八、智能制造、工业软件与 AI for Science
- 九、就业需求、工程化岗位与企业类型
- 十、职业选择与个人成长
- 十一、现场问答:23 个问题
- 十二、水源社区补充问答
- 资料与整理说明
一、演讲背景与主要问题
对应转录:00:00:09 起;课件第 1—2 页。
这是张岭连续第三年回到交大,分享 AI 行业发展和毕业生就业问题。他此前做过外企技术研发,在“AI 四小龙”企业工作过,演讲时主要负责电力、能源和电气装备领域的 AI 落地。课件列出的经历包括 IBM、传化智联、云从科技和正泰集团。
他主要从研发管理者和招聘者的角度讨论三个问题:AI 正在怎样改变企业的生产方式;这些变化会怎样影响岗位需求;学生应该怎样积累能力、选择工作。他的经验既来自软件研发,也来自制造业项目和招聘实践。从 2025 年到本次演讲,他已筛选 783 份简历,涉及算法、AI 智能体和软件工程等岗位。
演讲贯穿着一个判断:**当 AI 能够承担越来越多的执行工作时,企业会更加看重一个人能否发现有价值的问题、提出可行方案、判断结果,并主动推动事情完成。**基础知识、实践经验和行业知识,支撑着这些能力。
二、AI 的进展、算力约束与能源需求
2.1 算力影响模型研发的试错机会
对应转录:00:01:54 起;课件第 3—4 页。
张岭认为,前沿 AI 的进步仍在加速。他引用斯坦福 AI 报告介绍行业背景,同时对报告中“中美模型性能差距基本消失”的概括提出不同判断:在演讲时点,他更担心算力条件使双方差距继续扩大。
他的理由是,大模型研发高度依赖实验。假设一个团队能同时做 100 个实验,另一个团队只能做 10 个,即使双方研究人员的水平接近,也会获得不同数量的探索机会。许多实验最终失败,失败本身仍然消耗算力。因此,芯片性能、可获得的芯片数量和训练效率,会影响团队发现有效方法的速度。
他以英伟达芯片路线和国内华为、平头哥等厂商的进展说明这种约束。重点在于:模型竞争需要持续投入大量实验资源,人才优势必须有相应的算力条件才能发挥。
2.2 数学、机器人和安全领域的进展并不一致
张岭特别关注 AI 在数学研究中的表现。他把 OpenAI 的数学工作和陶哲轩有关研究方式变化的讨论,理解为数学也开始进入大规模工程化研究的阶段。过去依赖个人长期思考和求解的工作,可能越来越多地由计算资源、工具和协作系统参与完成。
他进一步提出了一个很强的预测:将来数学解题、手工编程等脑力技能,可能像今天的标枪、跨栏一样,保留为人类竞赛活动,在生产中的地位却发生重大变化。这是他用来讨论知识劳动未来的设想,也构成了整场演讲焦虑感的重要来源。
机器人则体现出另一种进展速度。他认为,过去三年较显著的进步集中在运动控制,也就是他所说的“小脑”;机器人自主理解环境、处理日常情况和作出响应的能力,仍有较大距离。因此,他估计机器人普遍进入实际生活的关键转折,可能还要等待三到五年。机械、机电和自动化专业受到更多关注,与这一领域的发展有关。
他还简要提到 AI 查找程序漏洞和安全问题的应用。整体上,AI 已经在多类任务中表现出能力,但不同任务的发展程度差异很大。
2.3 AI 从聊天、推理进入自主执行阶段
对应转录:00:05:58 起;课件第 5 页。
按照演讲采用的能力分级,AI 已经从聊天、理解上下文,发展到推理和自主执行任务。张岭判断,当时大致处于 Level 3 到 Level 4 之间。从 2022 年 11 月 ChatGPT 发布到 2026 年,这一转变只用了约四年。
他把 2026 年 4 月视为重要转折点,认为大厂开始集中投入面向个人的智能体平台,例如办公智能体和自主编程工具。他在现场甚至把这一方向概括为当时几乎唯一明确的产品方向。
不过,智能体产品的能力与背后的基础模型密切相关。他认为,工具本身的开发门槛有限,如果缺少足够强的模型支持,单靠智能体产品很难形成稳定、可持续的商业收入。
2.4 芯片功耗使电力成为 AI 发展的重要条件
对应转录:00:13:09、00:46:17 起;课件第 8、26 页。
张岭把算力竞争进一步联系到能源竞争。过去传统 CPU 服务器机柜的功耗可能是 5—6 kW,通常不超过 8 kW;新一代 AI 机柜的功耗则可能达到数百千瓦,并继续向更高水平发展。数据中心建设因此需要配套的供电、输配电和相关基础设施。
他认为,中美在这些条件上各有制约:中国受到高端芯片获取条件的限制,但电力基础设施建设和工程组织能力具有优势;美国拥有先进芯片,却可能面临电力供应不足、建设周期和社区反对等问题。
演讲后半段,他用一次超大模型推理可能消耗约 20 Wh 电量的估算,帮助听众理解能源需求。20 Wh 相当于四只 5 W 的 LED 灯亮一小时。这个数值对应特定模型和任务条件;其用途是说明大规模推理服务也会形成可观的用电需求。
按他的行业观察,一些电力企业的订单已排到 2027、2028 年。AI 投资带动的机会因此延伸到了能源、电气装备和基础设施建设。
三、大模型怎样改变软件行业的商业空间
对应转录:00:07:40 起;课件第 6—7 页。
3.1 AI 产业需要大量资本投入
过去三十年,软件和互联网企业通常被视为轻资产企业,核心投入主要是人才。基础大模型的发展则需要大量芯片、电力和数据中心,资本开支明显上升。
张岭认为,真正能长期投入基础模型研发的企业数量有限。国内大量创业公司在做智能体或应用,但能够承担前沿模型训练成本的,主要集中在少数大厂和头部模型公司。
这类投入风险很高,市场对未来能力的期待又很强。持续升级的模型推动算力、能源和基础设施投入,多个行业和政府也逐渐参与其中。他因此把这一局面形容为“输不起”:如果整个方向的预期显著逆转,其影响会超出少数 AI 公司。
3.2 基础模型与最终应用之间的开发工作减少了
他用两代技术体系解释软件就业和创业空间的变化。
在过去的个人计算和商业计算体系中,底层是 CPU、操作系统。企业和个人需要的 ERP、财务系统、办公工具等应用,与底层技术之间相隔很远。大量软件工程师通过开发产品,完成从基础能力到具体业务的转化,这支撑了软件行业扩张和相关专业扩招。
在 AI 体系中,底层是 GPU、NPU 等芯片,其上是基础模型。模型本身已经具备语言理解、分析、生成和一定的任务执行能力,因此从模型到用户所需结果之间,需要额外开发的内容可能减少。
他据此判断:
- 文档分析、财务分析等应用的开发成本会快速下降。
- 非计算机专业的人也能借助 AI 做出简单应用。
- 过去需要较大研发团队的工作,可能由少量人员完成。
- 依靠连接基础技术与业务需求获利的应用企业,会面对更小的利润空间和更强的竞争。
他以每月约 20 美元的编程工具订阅和“一人公司”为例,说明个人可调用的开发能力已经发生变化。**开发效率提高会扩大个人能做的事情,也可能减少完成同样业务所需的岗位。**他认为,秋招和后续招聘变化与这一机制密切相关。
四、自主智能体怎样改变研发工作
4.1 从回答问题到持续完成任务
对应转录:00:14:57 起;课件第 9 页。
张岭把 2026 年春节前后的 OpenClaw 热潮视为一个重要启发:AI 能够自行规划步骤、使用工具并执行较长的任务。他认为,即使某个产品的热度消退,它让行业看到了自主工作的可能性。
随后,Claude Code、Codex 等工具可以连续工作几十分钟乃至几小时。研发人员可以描述任务,等待 AI 实现、检查和修改。这使 AI 从局部辅助逐渐进入较完整的工作过程。
4.2 研发可以持续运行,人的工作转向安排与评审
对应转录:00:16:30、00:27:17 起;课件第 10、16—17 页。
张岭借用工厂的生产方式解释这一变化。工厂可以三班倒,产能主要受产线规模和自动化能力影响;工人负责操作、控制和维护。过去的研发活动则主要依赖人的工作时间,计算机作为工具配合工程师。
如果 AI 能持续执行任务,研发也可能按照新的节奏组织:
- 人确定目标,将工作拆分成可以执行和评估的任务。
- AI 持续尝试不同方案,进行编码、实验、测试和修改。
- 人检查结果,判断方向是否正确,以及下一步需要调整什么。
- AI 接着完成新一轮工作。
这样,研发系统可以每周七天、每天二十四小时运行,人则按需要参与决策和评审。比如白天检查前一晚的成果,明确后续目标,再让智能体继续工作。
课件第 17 页为这种安排补充了具体条件:任务应写清目标、边界、工具、验收标准和预算;验收尽可能自动化;执行环境能够回滚,并设定权限与停止条件。这些条件决定了持续运行能否形成可用成果。
4.3 选择任务与判断结果变得更重要
实现一个想法所需的时间下降后,人要回答的问题包括:组织为什么要做这件事?它有多重要?什么结果算成功?当前方案有什么问题?
张岭把这种判断能力称为“审美”,其含义主要是识别值得做的事情、理解业务目标和判断方案质量。他认为,人的主动性也因此更重要:有没有自己想解决的问题,是否愿意把事情持续推进到成功。
4.4 不同行业受到的冲击程度不同
对应转录:00:19:34 起;课件第 11 页。
他的观察包括:头部模型竞争激烈,产品规划变化频繁;国内算力和 token 需求强,价格上涨和供应紧张也带来经营风险;短剧、广告、咨询、创意和图像制作已受到显著冲击。他以视频生成模型和 AI 短剧说明,内容生产方式正在快速改变。
工业设计和仿真则涉及物理机理、数学模型、专业软件和封闭数据。CAD 设计、网格划分、流体仿真、有限元分析等工作,全面自动化仍有难度。他对通过 Computer Use 模拟用户操作软件的路线评价较低,更看重模型对专业任务本身的理解和直接处理能力。
这些变化也造成了广泛焦虑。学生担心就业,管理者担心企业竞争力、用工方式和成本,科技界、商界及政策制定者也难以准确预见后续发展。张岭承认,自己同样没有完整答案。
五、软件研发的变化与 Friday 项目
5.1 AI 正在覆盖完整的软件交付过程
对应转录:00:22:45—00:27:17;课件第 12—16 页。
张岭认为,软件研发受到的影响已经覆盖设计、架构、编码、测试、部署、监控和 DevOps。他认同演讲中引用的预测:再过六到十二个月,AI 可能进一步承担完整的软件研发过程。
他引用 Anthropic 大量使用 AI 编码的情况,以及七人团队借助 AI 重建内部代码管理系统的案例,说明小团队能够完成过去成本较高的工程工作。原转录附注指出,该案例现场口述为三个月,相关官方文章记载为五个月。
他还转述黄仁勋关于工程师 token 支出的说法:如果一名工程师年薪 50 万美元,其每年使用 AI 的 token 支出应达到相当高的水平,现场举出的数额是 25 万美元。他借此强调,企业会把 AI 作为提升研发效率的必要投入。
在他的管理思路中,团队需要采用能提高交付效率的方法。即便工程师手写代码很熟练,也要考虑这种方式是否会拖慢项目、增加成本或影响竞争。
课件第 13 页把 AI 编程概括为四个阶段:
| 阶段 | 主要使用方式 | 人的参与方式 |
|---|---|---|
| GPT 阶段 | 在对话中生成代码,再复制进项目 | 人补充上下文、粘贴、调试 |
| Copilot 阶段 | 在 IDE 中补全代码、生成片段 | 人组织开发并处理复杂逻辑 |
| Vibe Coding 阶段 | 通过对话发起较完整的开发任务 | 过程中仍需触发、确认和介入 |
| Multi-Agent 阶段 | 智能体规划任务,并协调编码、测试等工作 | 人定义任务并进行最终审查 |
张岭说自己经历了这些阶段,也给团队购买了相应工具。他建议把 AI 当作工作伙伴,在实际项目中形成协作经验。随着他越来越多地通过命令行和自然语言推进开发,传统 IDE、键盘操作和逐行调试在其个人工作中的比重也下降了。
5.2 编程进展较快,与数据条件有关
公开代码和 GitHub 项目为编程模型提供了大量训练材料。工业设计领域的 CAD 图纸、STEP 文件和专业数据则往往保存在企业内部,公开数据少,获取和使用难度高。
因此,张岭认为机械、电气工程和仿真可能还需要两到三年,才能接近演讲时 AI 编程的水平。当前尚不成熟的任务,例如某些网格生成工作,未来仍可能取得进展。
5.3 Friday:一个人完成内部工具的开发和上线
对应转录:00:29:35 起;课件第 18 页。
Friday 是张岭开发的内部项目管理工具,基于飞书,分析聊天、群聊和文档。他用这个项目说明自己的工作方式已经发生了怎样的变化。
按照他的介绍,项目全程通过 Claude Code 命令行完成,约 21 天生成了两万行 Python 代码,并编写了将近 300 个测试用例。他一个人承担需求设计、开发组织、测试、持续集成和上线,没有逐行查看生成的代码。他估计约 80% 的时间在等待工具执行,AI 的运行速度成为主要瓶颈。
他认为自己仍然掌握着项目方向:功能是否符合需要、设计是否合理、应该继续做什么,都需要人的判断。多年的开发经验,使他能够识别方案中的问题并指明调整方向。
5.4 用 Markdown 保存项目经验与约束
Friday 案例还涉及知识如何传递给 AI。张岭把项目想法、依赖关系、约束、踩过的坑和已有实践写入 Markdown,让智能体围绕这些材料工作。
这些记录可以随着项目持续更新,也可以在更换模型或智能体工具后继续使用。人的经验因此能够成为后续工作的稳定依据。
他据此提出,中文和英文会成为越来越重要的编程语言:通过自然语言表达目标和约束,AI 将其转化为实现。演讲还提到 PLC 等工业控制领域也在整合 AI 代码生成。
六、软件研发可能发生的十二个变化
对应转录:00:32:29 起;课件第 19 页。
张岭集中列出了十二条判断:
- 大部分编码工作将交由 AI 完成。 企业会根据成本、效率和交付效果要求员工使用 AI。
- AI 会成为程序员的基本工作配置。 企业需要像配置电脑一样,为工程师提供模型和工具。
- 非科班人员可以参与简单、业务驱动的软件开发。 入门门槛降低,但复杂计算机系统所需的专业训练仍然存在。
- 软件工程流程仍然有效。 敏捷开发、DevOps 和平台工程继续发挥作用,变化主要发生在具体工作的执行方式上。
- 想象力和设计能力更加重要。 有价值的想法、清楚的需求和可行的方案,会更加影响项目结果。
- 岗位边界逐渐模糊。 产品经理可以做原型乃至交付,后端工程师可以参与产品和前端,测试人员也可以编写代码,一人承担多类工作更加常见。
- 前端和测试岗位的用工需求可能较早减少。 他的理由是,这些工作中部分任务较容易与核心业务判断分离。例如金融风控的难点包括借贷条件和风险识别,界面更多承担呈现和交互功能。
- 交付周期和成本下降。 同样的项目可能用更少时间、更少人员完成。
- 关键系统仍需要经验丰富的专家。 核心业务理解、重要技术能力和基础运维经验,继续支撑可靠运行。
- 软件开发收入可能下降。 开发门槛降低,会影响供需关系和议价能力。
- 现有培养方式可能难以持续支持学生成长。 如果课程和训练主要停留在实现给定算法、完成既定问题,学生需要进一步培养设计、判断和提出问题的能力;初级实践机会减少,也会影响经验积累。
- 主动、有想法的学生可能挑战传统学历优势。 一个编程基础相对弱、但愿意不断尝试新想法的人,可以借助 AI 完成过去难以实现的项目。只按要求完成任务的名校学生,也会面对这种竞争。
最后一条中,他特别区分了提出问题与完成问题的能力。发现值得研究的新猜想、提出有意义的新需求,仍然可能为人带来机会。
七、计算机、软件工程和 AI 专业怎样学习
对应转录:00:37:28 起;课件第 20 页。
7.1 仍要亲手编程,形成能够判断结果的经验
张岭首先提出一个人才培养问题:如果初级程序员的工作交给 AI,高级程序员从哪里成长出来?
他的经验判断是,缺少三万到五万行手工编程经验,很难具备可靠的代码审查能力。亲手实现、调试、处理失败的经历,能够帮助工程师发现问题、理解设计取舍,并判断 AI 应该往哪个方向修改。
他对自己的高效使用也作了这样的解释:过去积累了大量编码经验,许多结构和问题已经熟悉,因此能够较快作出判断。学生如果因为 AI 写得更快就放弃训练,可能失去从初级工程师成长为高级工程师的机会。
这里存在两种不同的任务要求:企业当前要提高项目交付效率;学生还需要通过亲手实践获得经验。张岭同时强调这两点,并在后面的问答中承认,时间有限时如何分配,并没有简单比例可用。
7.2 基础课程决定了能否看出问题
操作系统、数据结构、网络、数据库和软件工程等知识,支撑工程判断。
他用数据库死锁举例:需要知道有哪些处理方式,系统使用了行锁还是表锁,以及这些选择会造成什么影响。具备基础知识,才能有方向地排查;缺少这些知识时,就容易反复让 AI 尝试,付出大量时间和算力,却无法判断方案是否合理。
7.3 用实践证明兴趣和主动性
张岭把兴趣、热情和持续动手看得很重。企业希望员工能够主动寻找办法,使项目成功。能够实现一个被明确交代的功能,只体现了其中一部分能力。
他建议学生拥有自己的 GitHub 仓库,多做有趣的项目、多试工具,在学校完成一次独立开发者的实践。项目经历既能训练能力,也能让招聘者看见:这个人是否真的愿意投入时间、解决困难、把想法做出来。
7.4 经常使用 AI,逐步了解适合怎样分工
他明确建议学生经常使用 AI,必要时自己付费。通过实际使用,逐步知道哪些任务需要自己主导,哪些任务可以交给 AI,以及模型在哪些地方需要检查。
阅读论文也有助于更新知识。张岭说,自己离校后长期做工程,曾经很少读论文,后来又重新开始。他认为 AI 领域不少论文涉及工程进展,有基础的学生可以读懂;对前沿工作的了解,也会影响一个人能提出怎样的想法。
此外,他强调学好英语,并保持持续学习。
7.5 非 CS 专业应认真利用已有的专业背景
电气、机械、电子、自动化等背景,在车企和智能制造企业中可能具有优势。AI 工具越来越容易使用,而理解专业任务、设备机理和业务约束,仍然需要长期训练。
因此,“转码”需要重新考虑目标。已有的专业能力可以与 AI 结合,成为进入相应行业的条件。计算机学生也可以拓展对其他工程领域的了解。
八、智能制造、工业软件与 AI for Science
8.1 传统算法和数据科学仍有实际价值
对应转录:00:43:06 起;课件第 22—23 页。
张岭认为,制造业目前受到的直接冲击相对有限,但 AI 已经开始进入工程设计。智能制造需要的技术很多,大语言模型只是其中一类。
他列出机器视觉、大语言模型、多模态模型、预测模型、运筹求解、物理模型和具身智能。课件给出的典型应用如下:
| 技术方向 | 典型应用 |
|---|---|
| 机器视觉 | 产线质检、物料识别、行为分析、安全生产 |
| 大语言模型 | 知识库、对话机器人、代码生成 |
| 多模态模型 | 图纸分析、视频理解 |
| 预测模型 | 功率预测、工艺优化、设备运维 |
| 运筹求解 | 生产排程、路径优化 |
| 物理模型 | 工业仿真、计算设计 |
| 具身智能 | 工业巡检、装配作业 |
他特别强调时序分析、统计、多维数据建模、运筹优化和传统机器视觉的价值。他所在团队就有统计学背景的成员负责相关工作。这些技术直接对应生产和经营问题,仍然能够发挥专业优势。
8.2 AI 参与工程设计的三条路线
对应转录:00:44:26 起;课件第 24—25 页。
张岭介绍了三种主要做法:
- 生成 CAD 脚本,调用现有软件完成设计。 Creo、SolidWorks 等软件已有脚本和参数化能力,AI 可以生成相应指令。
- 通过 Computer Use 操作软件界面。 AI 模拟用户点击、输入和操作。他把这种方法看作过渡方案,对其长期地位持保留态度。
- 直接生成专业设计表示。 例如特征树、图结构或 STEP 文件,让模型更直接地表达设计结果。这是他认为值得关注的长期方向,但距离成熟仍有较长的路。
他还转述了 AI 将来可能直接生成机器二进制代码的设想,借此说明自然语言目标与最终执行结果之间的实现过程,可能继续缩短。
对工业软件,他估计未来三到五年总体仍会保持较高门槛,人继续占据主要位置。不过,AI 也可能提高逆向工程和软件复刻的效率。他试用过 CADCraft,认为已经能看到一些效果,但没有深入使用。
工业软件的难点包含大量行业知识。光学软件需要理解光学,仿真软件需要理解物理机理。因此,复现代码和界面只是工作的一部分,完整实现专业能力仍需要相应的专家和经验。
8.3 AI for Science 的难点常在专业机理
对应转录:00:54:38 起;课件第 40 页对应主题,具体项目案例来自转录。
AI for Science 指用 AI 参与科学研究和专业计算。张岭认为,这类工作对化学、材料、制药、电气等领域知识的要求很高,计算机专业人员跨入这些领域,需要付出很大的学习成本。
他甚至用“先取得化学、化工博士,再补计算机硕士”的设想,强调专业基础的分量。他更看好具有深厚领域知识的人掌握 AI 工具,并在自己的领域开展工作。
他介绍了正泰与英伟达合作的高压开关仿真项目:
- 传统仿真使用有限元等方法,网格数量大时计算成本很高。
- 项目利用传统仿真得到的输入、输出样本,训练代理模型(Surrogate Model)。
- 代理模型预测温度场、电磁场等结果,用于承担部分仿真计算。
- AI 部分使用英伟达的 PhysicsNeMo 框架。
在这个案例中,关键问题包括:高压开关的物理特性是什么,电流和磁场怎样作用,网格应该怎样划分,预测结果是否符合实际机理。领域知识影响数据、建模和评价的每一步。
张岭说,这一项目取得了较好效果,并在英伟达当年的展会上得到展示。他以此说明,专业人员对问题的理解,决定了 AI 能否在具体工程中发挥作用。
九、就业需求、工程化岗位与企业类型
9.1 白领岗位的工作内容正在变化
对应转录:00:47:18 起;课件第 27—34 页。
张岭观察到,企业一方面要求产品经理、软件工程师、商业分析等岗位具备 AI 能力,另一方面也在用 AI 承担这些岗位的部分工作。企业可能把一部分人力预算转为算力预算。
他关注的招聘技能包括 Python、架构、可靠性、可扩展性、工作流管理和 SQL,以及机器学习、生成式 AI、智能体和图像处理等能力。
他认为,许多白领工作的共同过程是:从屏幕、文本、声音等材料获得信息,进行处理,再通过电脑输出结果。AI 已经能够参与这一过程,因此影响范围远超程序员。演讲引用的微软研究讨论了 AI 对职业任务的适用程度,这个指标应按任务适用性理解。
高校大量成立 AI 学院,也使他提出就业吸纳能力的问题:毕业生会去做基础模型、应用还是工程实施?如果所学和所做的工作门槛很低,例如只会编写简单 Skill,长期竞争力可能有限。
9.2 AI 工程化是重要的就业方向
对应转录:00:50:06 起;课件第 35 页。
张岭用计算机科学与软件工程的关系作类比:技术要进入企业实际运行,就会出现开发流程、可靠性、性能、部署和维护等工程问题。AI 同样需要大量人员处理这些工作。
按照他的经验估计,部分 AI 创业企业中,算法人员与工程化人员的比例约为 4∶6;软件公司的 AI 实施项目中,工程化人员可能超过 90%。
课件列举的工作包括模型推理服务化、视频流处理、RAG 优化、智能体运行环境与约束设计,以及效果和性能评估。这些岗位大量使用传统计算机和软件工程知识。张岭认为,它们可能成为计算机、软件工程毕业生的重要就业出口。
9.3 基础模型、智能体、算力和机器人企业的处境
对应转录:00:50:59 起;课件第 36—38 页。
基础模型企业大致分为两类:大厂有广告、电商等现有业务提供收入,能够持续投入;模型创业公司则需要在技术突破、商业化和融资之间维持发展。
张岭对纯智能体创业公司更谨慎。他认为,Claude Code、Codex 的效果很大程度上来自背后的模型。工具可以改善使用方式,但如果企业缺少模型优势或独特业务能力,利润可能更多被基础模型供应商获得。
算力相关企业则受益于训练和推理需求增长。GPU 研发、资源管理、CUDA 及类似软件生态的建设,都是他认为值得考虑的方向。国产芯片企业同时面对产能、性能和生态方面的约束。
具身智能仍处于运动控制进展较快、环境认知和实际场景落地较难的阶段。机械与自动化人才有机会,行业的商业应用仍需继续发展。
9.4 前沿模型研究为什么集中到企业
对应转录:00:52:51 起;课件第 39 页。
前沿模型需要大量算力、数据、资金和实验机会,高校通常难以提供同等规模的资源。张岭引用一张历史图表,提到约 68% 的 AI 博士进入企业,说明工业界对研究人才的吸引力。
在他的判断中,关键模型成果越来越可能在企业产生;高校较容易进入的是细分场景和特定数据集。但某个狭窄方向上的领先成果,也可能很快被新的通用模型超越。
这让他进一步追问:如果重要理论和工程创新都更加集中于企业,现有博士培养与企业招聘之间的关系,会不会发生变化?大厂目前依然重视顶尖高校博士,他对这种优势三五年后还能保持到什么程度有所犹豫。
9.5 国内 AI 软件公司的交付压力
对应转录:00:56:33 起;课件第 41—42 页。
张岭认为,国内企业客户对软件价值的认可程度、需求差异和产品标准化不足,会使软件公司承担较重的定制交付工作。
当每个客户都需要重新开发和实施,业务容易按项目扩张。项目数量增加,就需要相应增加人手,很难重复销售同一个标准产品。
他对 FDE 模式在国内的发展也持谨慎态度。演讲讨论的关键是客户愿意为什么付费:如果最终仍按人员和工时结算,企业就难以通过产品和技术积累扩大利润。
9.6 AI 研发相关的职业路径
对应转录:00:57:58 起;课件第 43 页。
| 方向 | 主要工作与演讲中的判断 |
|---|---|
| 研究创新 | 发表论文、技术报告,改进模型和方法,争取先进成果;对个人和资源要求较高 |
| 基础模型训练开发 | 结合模型、训练框架和数据开展训练与开发 |
| 行业模型建模与微调 | 他对专门做行业大语言模型微调的前景转为谨慎,原因包括成本上升和通用模型能力增强;垂直小模型仍有应用空间 |
| AI 基础设施(AI Infra) | 管理算力、资源调度、训练检查点、跨 GPU 和服务器通信、网络及软件适配等,要求较强的计算机系统能力 |
| AI 工程化与项目实施 | 将模型、检索、智能体、Skill 等能力组织成可运行的系统,完成业务项目和交付 |
其中,他用训练检查点举例说明基础设施工作的具体性:训练到一半的状态怎样保存,跨设备和服务器怎样协同,都需要解决实际的系统问题。
9.7 可以考虑的雇主类型
对应转录:00:59:25 起;课件第 44—47 页。
张岭介绍了多类就业去向:
- 大厂 AI 实验室。 以论文、专利、原型和先进模型为主要产出,也有基础模型、AI Infra 和软硬件优化工作。他认为这类岗位通常有较大的成长空间。
- 新型科研机构。 如上海人工智能实验室、之江实验室、鹏城实验室,侧重研究。
- 互联网产品和业务部门。 围绕电商、内容、生活服务等业务,开展搜索、推荐、广告和软件研发。
- AI 创业公司。 包括基础模型公司、芯片公司、机器人公司,机会与经营、融资压力并存。
- 运营商、车企、手机公司。 例如运营商研究院同时承担科研和产业化任务,车企涉及智能驾驶的算法、模型和软硬件研发。
- 外企研发中心。 他重点讨论英伟达、AMD,以及外企在中国业务与研发岗位的关系。
- 金融、制造、能源、医疗等行业企业。 这些企业在自身业务中使用 AI,也包括承担数字化和 AI 交付的数科公司。
他把后两类行业结合方式分别称为“AI+型”和“+AI 型”,用来区分企业以 AI 能力参与产品业务,以及已有行业业务引入 AI 的情形。
关于外企,他强调要看岗位是否有中国业务支撑。以英伟达为例,汽车芯片和制造业客户会形成在华研发与支持需求。服务全球市场的纯研发岗位,则可能同时受到成本竞争、地区调整和地缘政治的影响。
他以自己的 IBM 经历说明:大中华区研发曾有约五千人,但相当一部分工作服务全球市场,因此可能与印度等地区的团队竞争。判断岗位稳定性时,业务来源和组织中的实际作用值得关注。
十、职业选择与个人成长
对应转录:01:03:12—01:09:28;课件第 48—54 页。
10.1 变化越大,越需要明确自己希望获得什么
张岭认为,行业变化带来的不确定性是共同的,名校学生、企业负责人和海外同行都在面对这些问题。学生仍应围绕自己的学习目标和职业方向继续行动。
他引用 IBM 前 CEO Ginni Rometty 的“Growth and comfort never coexist”,表达自己对成长与舒适的看法。在他的经验中,较高的成长目标通常意味着承担压力、处理困难和放弃部分舒适。他也把学习、工作中最痛苦的阶段,视为可能成长最快的阶段。
因此,选择大厂、创业公司、央国企或外企时,需要知道自己希望得到怎样的收入、生活和成长。不同人的条件与目标不同,他没有给出统一的雇主排序。
10.2 学校背景能够提供一定的试错空间
他认为,交大的教育和社会认可度,可以帮助毕业生降低职业试错的风险。即使早期选择不理想,也可能有机会调整方向、重新积累经验。
他的建议是认真利用这段空间,在条件允许时争取更有成长性的工作。对于较早选择安稳生活,他表示可以理解,但希望学生先考虑自己是否还有愿意尝试的事情。
10.3 从几年后的能力和经历评价今天的选择
演讲中的“个人市值”,指一个人未来在职业市场中的价值和机会。课件把它写成:
个人价值 = f(学历、经历、经验、能力、机遇)
同学毕业时的起点可能相近,五年后的机会却会不同。学习、科研、工作、活动和关键选择,会逐步形成这种差异。因此,判断一个岗位时,应当考虑它能带来什么能力、经历和后续机会。
10.4 想清楚哪些训练需要亲自完成
张岭最后再次提到,人类过去赖以生存的技能可能改变社会用途,脑力劳动也可能经历类似变化。对于远期社会将怎样组织工作和分配,他没有答案。
他给学生留下的具体问题是:**哪些困难必须自己经历,哪些工作可以交给 AI?**形成判断力、积累经验所需的训练,需要自己投入;已经能够有效委托给 AI 的工作,则可以通过协作提高效率。这也是后续问答反复讨论的主题。
十一、现场问答:23 个问题
1. 基础大模型研发门槛很高,学生该怎么办?
对应转录:约 01:09:28。
问题。 一位大三学生正在做大模型和智能体方向,发现基础模型岗位对论文、方向匹配、影响力和实习经历的要求很高。同时,他担心模型规模、算力成本、数据来源和自我改进等变化,会进一步减少研发岗位。既然企业未必直接采用学术界的许多成果,为什么招聘又如此看重论文?是否应该继续读博、积累论文后再进入企业?
回答。 张岭先解释招聘门槛的作用。基础模型研发成本很高,企业需要尽量提高成功概率。论文、实践和实习经历,能让招聘者看到候选人处理过什么问题,也相当于经过学术会议或其他雇主的筛选。
当两个人课程背景相近、都认为自己能力很强时,招聘者可能只有两分钟看简历,很难重新验证每项能力。论文因而成为可信度和可见度的一部分。已有经验的人也更可能帮助团队避开训练和工程中的问题。
他以训练平台选择作类比:一次模型训练可能花费数千万美元,企业会重视已经被验证过的工具和生态。招聘也有类似的降低风险需求。
对行业能否最终盈利,他建议学生结合自己的角色分配关注重点。年轻工程师可以重点看未来三到五年能学到什么;公司某个项目失败,个人仍可能获得有价值的经验。高管或创业者则需要更多考虑商业模式和企业存续。
因此,如果有受到行业认可的前沿团队机会,可以针对岗位要求补论文和能力,并承担适度风险。
2. 行业变化这么快,读博还有什么意义?
对应转录:约 01:14:50。
问题。 如果论文主要承担能力证明的作用,本科阶段已有较好成果,能否直接进入企业?五年博士训练期间,行业可能已经发生很大变化。
回答。 张岭没有给出确定建议。他说,三年前会很明确地建议读博,今天则会犹豫。
如果认定自己愿意长期研究这个方向,读博仍然可以考虑。但他无法确定三到五年后 AI、CS 博士还会拥有多大的竞争优势,即使是名校博士也需要面对这种变化。
这段回答保留了他的犹豫:他对长期博士投入的收益有疑问,现场没有提出适用于所有人的替代路径。
3. AI 对学生创业是机会还是威胁?
对应转录:约 01:16:15。
问题。 AI 放大个人能力,也增强大公司能力。学生创业者应该怎样理解这种影响?
回答。 张岭结合自己在“AI 四小龙”近五年的经历,要求创业者先想清楚收入来自哪里:是出售 AI 技术和项目,还是用 AI 提供客户需要的产品或服务。
他对国内定制模型项目的商业模式较谨慎。以水轮机声音异常检测为例,每个客户都可能要求重新建模、分析和实施。十个人做五个项目,二十个人做十个项目,人员随业务量同步增加,过去项目很难直接复制,毛利和规模都受限制。
他更看好利用 AI 改进产品生产的可能性。例如一家影视公司用 AI 制作短剧,收入来自内容和业务,AI 帮助它以更低成本、更高效率完成作品。
基础模型创业还需要承担巨额投入和较长亏损期。他认为,个人创业者必须考虑自己能否支撑到商业模式成熟。大企业有能力持续押注未来,学生团队需要认真衡量自己的资金和时间。
4. 已经有收入的 AI 文书业务,怎样继续发展?
对应转录:约 01:19:34。
问题。 一位机器人所博二学生做 AI 文书创业约三个月,当月流水约 35 万元。按 token 支出计算,毛利率约为 99%。客户主要是机构,但要求不断变化,交付需要持续沟通,业务似乎挣钱却很难做大。
回答。 张岭认可已经形成收入的价值:如果能跟上变化、维持流水,现阶段可以继续经营。
他认为较大的长期风险是客户自己掌握工具。随着通用模型和智能体增强,原来由供应商完成的文档生成、分析等任务,客户可能通过 WorkBuddy 等工具自行处理。模型与最终结果之间所需的服务减少,居中的交付公司就可能失去订单。
他的建议是持续观察客户需求和技术变化,寻找 AI 能带来的新产品、新内容和新业务。他再次举出短剧,并提到宠物经济中的 AI 产品,说明个人能参与的产品范围正在扩大。
他同时提醒,国内面向企业的财务、ERP、PLM 等软件生意,往往存在利润空间小、定制交付重的问题。仅把 AI 加进原有的软件交付模式,未必能解决这些经营困难。
学生随后补充:AI 内容进入流量平台后,也会改变市场竞争;自己正在考虑批量生成内容与更细致打磨产品之间的取舍。转录中没有记录讲者对这段补充作出进一步回答。
这里的 99% 是提问者按 token 成本描述的口径,没有包含完整经营成本的说明。
5. 电气等非 CS 专业,怎样发挥“AI+行业”的优势?
对应转录:约 01:25:03。
问题。 电气专业背景为什么是加分项?进入相关 AI 工作后,是否也要不断大幅更新知识?“AI 加工科”应该怎样学?
回答。 张岭的重点是,专业团队本身就可以成为本行业 AI 应用的主要建设者。
例如变压器设计涉及电算单、参数计算,以及结构、材料和物理问题;电路分析与仿真涉及 SPICE;电力电子仿真涉及 MATLAB、Simulink。要判断 AI 能否提高速度、改善准确度,必须先理解这些任务。
传统信息化部门往往提供网络、邮件、视频会议等通用服务。AI 进入电气设计和仿真后,工作会深入专业业务,需要懂业务的人直接参与。
张岭以自己为例,说明他也会为了项目回学校查书、补电力电子知识。即使 AI 技术很强,缺少专业背景也难以判断业务应该怎样处理。电气团队已有的知识,可以帮助其识别问题、提出要求和检查结果。
对于专业知识需要多快更新,他没有给出固定周期;回答主要强调了专业基础与持续学习的作用。
6. AI 连数学题都能做,行业知识还能形成优势吗?
对应转录:约 01:29:11。
问题。 如果模型公司投入足够资源,就能在高难度数学上取得成果,那么物理、生物、化学等领域长期积累的知识和经验,会不会也很快被替代?
回答。 张岭先澄清,计算机专业也有自身门槛,其他专业同样应保留和使用已有优势。
随后,他强调不同任务的难度结构不同。人能自然理解“饮料很烫,要包一层纸”“物体很重,需要更大抓力”等情况,机器人却可能难以稳定处理。台阶、积水、材料性质等物理世界知识,也涉及复杂的环境判断。
数学有较丰富的数据、明确的问题形式和专门工具,进展不能直接推导为所有领域都已具备同样能力。他还以医生阅片和临床判断说明,专业工作涉及多种知识与经验。
他的回答因此区分了数学求解与物理世界认知的进展,并认为后者仍有大量困难。
7. 如果 AGI 什么都会,理工科学生究竟该培养什么?
对应转录:约 01:32:34。
问题。 在学习、科研和就业中,最值得培养的能力是什么?如果 AGI 能完成所有考试和工作任务,人该怎么办?
回答。 张岭承认,这已涉及社会如何组织劳动和分配。假设 AI 真能完成绝大多数生产任务,劳动收入与分配制度可能发生变化。他提到杨安泽、刘庆峰等人的相关讨论,用来说明这一问题已被关注。
对于远期社会形态,他没有确定答案。就学生当前能够做的事情而言,他仍看重理解世界、判断应该做什么、评价系统和提出高质量问题的能力。
这些能力需要基础专业训练支持。没有相应的知识和经验,人也很难作出有内容的判断。
8. 高校课程和评价体系应该怎样应对 AI?
对应转录:约 01:34:22。
问题。 一位参与课程安排的计算机博士生指出,传统作业可以被 AI 直接完成。学生获得高分,却未必形成排查问题的经验,有时只会不断追问 AI、不断重试。应该改革课程,还是增加接触实际问题的机会?
回答。 张岭认为两者都需要。他指出,大学培养长期围绕解决问题展开,当 AI 可以完成大量作业和考卷,课程和评价方式就需要重新思考。学生也应考虑,完成作业的过程中是否获得了应有的训练。
他用“用户下单后发一封邮件”的例子,详细说明工程能力的作用:
- 正常流程很简单:订单成功,调用邮件服务。
- 如果 SMTP 服务器宕机,邮件发送失败,就要设计重试。
- 如果重试三次,需要确定间隔多久、三次仍失败后怎样处理。
- 如果将任务放入队列,需要决定队列保存在内存还是磁盘,是否持久化。
- 如果只有一个节点处理队列,该节点宕机后,任务需要怎样恢复?
- 如果多个节点协同,需要处理任务状态和共享数据。
- 如果积累了一百万个任务,还要考虑内存容量、落盘方式和跨节点访问,进一步涉及分布式存储。
产品需求可能只有一句话,工程师却必须补足异常、故障和规模扩大后的处理方案。AI 可以根据简单需求写出正常流程,但使用者需要知道还有哪些问题必须解决。
张岭估计,在实际工程中,大量代码用于处理业务和技术异常;现场用“80% 处理异常、20% 完成正常流程”来说明这种工作量。一个能演示的功能,与服务大量用户的可靠系统,对工程能力的要求不同。
**这个例子说明了基础课程的用途:数据库、操作系统和网络知识,使人有能力提出完整要求,并检查 AI 交付的方案。**因此,他建议学生在学校认真训练这些能力。
9. 应用层空间被压缩,个人怎样继续创造价值?
对应转录:约 01:39:40。
问题。 越靠近应用层,AI 能完成的任务越多;向算力、能源等底层移动,又越依赖资本。普通劳动者还有什么机会?
回答。 张岭认为,白领工作可能出现两极化:中间的大量工作被压缩,一部分人从事高门槛的核心工作,另一部分人更直接地做业务或服务。
他用驾驶技能的变化说明,曾经稀缺的技能随着普及,可能较难维持高收入。编程未来三到五年或许仍有较好机会,更长时期则难以判断。
他承认,这是个人无法独立解决的社会问题。围绕 AI 发展速度、监管和就业影响,社会上已经存在争论,但他没有给出确定的解决方案或发生时间。
10. 算力资源、收入和成熟平台,选 offer 时看什么?
对应转录:约 01:42:48。
问题。 一位基础模型训练方向的学生,在小红书和米哈游两个机会之间选择:一边有更多算力,另一边在收入、生活平衡、公司与基础设施成熟度上更有确定性。应该怎样衡量?
回答。 张岭建议想象五年后的两个自己:分别在两家公司工作后,下一位雇主更愿意招聘哪一个?这个问题用于判断岗位能够积累什么经历。
学生进一步说明,自己主要关心算力,对工资差异的顾虑较少。基于这个前提,张岭明确倾向资源更多的机会。他认为,操作万卡集群与千卡集群能够带来不同层次的经验,亲身使用大规模资源的机会较少,将来可能成为明显优势。
这项建议围绕学生已经明确的模型训练目标和资源需求作出。
11. 算力多,但同事和工作范围不确定,还值得去吗?
对应转录:约 01:46:03。
问题。 资源更多的一方,未来同事、团队支持和个人职责尚不明确;另一方已有较大的工作范围,这是否会改变选择?
回答。 张岭表示,加入这些条件后,就超出了自己能直接替学生判断的范围。选择取决于个人更希望获得稀缺技术经验,还是同时兼顾已有职责、团队环境、收入和其他成长。
他仍认为大规模算力经验值得重视,但没有继续给出单一结论。前一个问题的建议需要放回具体岗位条件中评估。
12. 经管、法律专业,应先积累业务经验还是直接做“AI+”?
对应转录:约 01:47:11。
问题。 一位经管学生想开发财务智能体、智能顾问。应直接进入 AI for Finance,还是先在传统金融等行业实习?
回答。 经过澄清,张岭把选择分成直接提供金融、法律服务,以及向这些行业提供 AI 技术工具两种路径。
如果学生有条件直接面对客户、理解诉求和处理实际问题,他更倾向这种经历。他认为,客户服务、业务理解和与人打交道的能力,可能具有更高的长期价值。
专门做法律条款检索、文书处理等工具,也可以成为业务,但容易面对门槛下降和通用模型能力增强的竞争。因此,金融或法律从业者可以围绕本专业积累经验,同时把 AI 用在自己的工作中。
他还强调,职业选择可以保留很多方向;个人无需把进入 AI 技术行业作为唯一目标。
13. 大厂与创业公司做金融智能体,谁更有优势?
对应转录:约 01:50:26。
问题。 腾讯、阿里拥有微信、支付宝等入口,可以做金融智能体;创业公司也可以把智能体提供给银行、投行。两种方式谁更有优势?
回答。 张岭主要从大厂的收入规模回答。他认为,大厂更适合出售算力、云资源、模型能力和 token。这些资源可以重复销售,也更容易支持大规模收入。
如果基础模型公司深入为单个客户完成具体财务业务,容易遇到交付、专业分工和客户差异问题,较难保持原有的规模优势。
他因此认为,大厂没有必要把大量定制行业方案作为主要收入方向。具体解决方案可以维持一定流水,但其规模可能达不到大厂希望获得的水平。
14. AI 应用能形成可持续收入吗?
对应转录:约 01:51:47。
问题。 基础模型和算力公司持续投入,应用公司又受到挤压,AI 能否在市场预期发生变化前实现盈利?是否存在“大而不能倒”的情形?
回答。 张岭认为,AI 有很多可落地的场景,做一个规模不大的业务是可能的,但应用企业的增长空间会受到算力和基础模型供应商影响。
他举出法律应用、RAG 知识库和向量数据库,说明应用方式变化很快。去年他仍招聘做向量库和 RAG 的人,演讲时已不再招聘对应岗位,并在现场用“RAG 已经死掉了”表达自己对原有方案前景的否定。他认为,通用智能体正在接手其中一些工作。这是他对自身招聘和技术方向的判断。
他更愿意考虑那些因 AI 才得以成立的新业务。对于在已有业务中增加少量 AI 功能的创业方案,他建议谨慎评估能否形成持续收入和成长空间。
对于基础模型产业最终何时盈利、能否避免泡沫问题,他没有作出完整回答,讨论重点仍是具体应用公司的经营选择。
15. 两段实习应该选同一方向吗?外企是否更好?
对应转录:约 01:54:30。
问题。 秋招前最多能做两段实习,应该集中在同一岗位还是尝试不同方向?外企是否普遍优于国内企业?
回答。 实习应当服务于未来求职目标。判断两段实习是否合适,要看目标雇主认可什么经历。如果希望做基础模型,同方向的两段实习完全可能有价值,方向重复本身无需成为主要顾虑。
关于外企,张岭结合自己的经历认为,其生活舒适度可能较好,但要同时考虑中国业务支撑、地缘政治和成长空间。他认为,2015 年后外企在中国的整体机会发生变化,国内民营企业快速发展,一些外企岗位较早遇到晋升或职责上限。
具体到岗位,他很认可英伟达 GPU 编译器等核心工作的价值。在行业顶尖企业做五年关键技术,可以形成其他企业认可的经验。他用英伟达与 DeepSeek 的选择说明:两者都可能有吸引力,需要看实际工作;若与一些普通机会相比,他会明显倾向英伟达。
他的评价重点是企业所处的行业地位和岗位内容。顶级企业的核心经历,能够影响离开该公司后的机会。
16. 成熟平台的小模块,与从零搭建平台,怎样选?
对应转录:约 01:57:03。
问题。 一位 AI Infra 应届生面对两类团队:成熟平台中对一个小问题深入优化,以及新团队中参与从零搭建基础设施。应怎样选择?
回答。 如果新团队有吸引力、岗位能承担完整职责,张岭更倾向从零到一的工作,因为这类经历能让人积累较全面的能力。
大平台通常已经完成基础建设,个人可能参与其中一个较小环节,仍然能够接触成熟团队和系统。小团队的优势则可能在于个人有更大的主导空间,但也需要接受其他方面的取舍。
他特别提醒,如果去小公司做很边缘的任务,既难获得完整实践,也缺少大平台的品牌优势,价值就较有限。
17. 国产 GPU 何时能缓解算力缺口?是否应去海外积累经验?
对应转录:约 01:59:22。
问题。 国内算力供给会在几年内改善吗?应该尽早进入国内产业,还是先到海外学习核心技术?
回答。 张岭对国产芯片长期进步较乐观,认为不会一直停留在当时的状态。现场提到的时间包括 2028、2029 年,以及三到五年或更久,但他明确说无法确定具体周期。
海外学习和工作经历可以提高回到国内后的竞争力;国内已有好的机会,也可以直接进入。他没有要求学生按照某个确定的国产替代时间表安排人生。
他看好算力相关产业的机会,同时保留了对突破时间的不确定判断。
18. 手写代码的基本功,与实习、论文怎样取舍?
对应转录:约 02:01:33。
问题。 一位大二软件工程学生认可手写代码训练,但担心大量时间用于课程 lab 和基本功后,简历上会少一段实习、少一篇论文。基本功又较难直接展示,有限时间应该怎样分配?
回答。 张岭承认这一矛盾,无法替学生作出简单的二选一。他建议尽量同时保留基础训练与对外实践。
完全依赖 AI 编码,可能使人难以形成工程判断,后来面对复杂任务时,无法设计可靠方案。只保留传统训练、忽略新的工具和实践机会,同样难以持续获得优势。
他再次引用邮件发送案例:人人都可以使用 Claude Code,企业招聘一个工程师,需要这个人补充模型使用者可能忽略的要求,处理实际工程中的问题。
因此,学生需要培养能在项目中承担责任的能力,同时通过项目、科研和实习让能力得到展示。他没有给出手写代码、论文和实习之间的固定时间比例。
19. 应届生怎样跨过招聘门槛?
对应转录:约 02:04:11。
问题。 当招聘者从大量候选人中筛选少数人时,应届生应通过什么经历体现竞争力?一些履历的价值是否也在下降?
回答。 张岭认为,学校和学历仍提供重要的可信认证。他在现场用“百分之六七十”描述教育背景在初步竞争中的分量,更好的实践经历则进一步增加优势。
他也指出,岗位供给与学生期望之间存在差异。他所在企业当年计划招聘约 300—400 人,包含制造业及研发岗位,却较难招到交大学生,因为学生往往优先考虑互联网大厂和更高收入的机会。
他希望学生看见制造业中的真实需求,同时也认可有条件的人争取更理想的岗位。后面的第 21 问继续讨论了岗位存在与优质岗位减少之间的区别。
20. 搜索、推荐、广告等传统互联网业务还有前景吗?
对应转录:约 02:06:45,起点为原稿估算。
问题。 这些业务会不会被 AI 替代,相关研发岗位是否还值得选择?
回答。 张岭认为,搜索、电商、广告、游戏等成熟业务,提供了大厂持续投入 AI 所需的收入。企业会继续维护这些业务。
这些方向已经较成熟,新增业务和岗位的增长可能有限;AI 则更容易获得新增投入和内部重视。不过,传统互联网业务、后端研发等工作仍然是可以考虑的选择。
21. 降低求职预期能解决问题吗?AI 时代怎样发挥价值?
对应转录:约 02:08:02。
问题。 一位学生对第 19 问提出不同看法:名校学生找不到符合期待的高薪工作,涉及自我认同、教育投入和优质岗位供给。指出市场上仍有岗位,并没有充分回答 AI 对社会就业和个人价值的冲击。
回答。 张岭承认 AI 对就业会造成压力,也承认好的工作机会可能减少。他倾向于担心,中间层岗位被压缩后,就业结构会更加集中于少量高端工作和较多执行、服务工作。
原转录对“负面影响可能多于正面影响”这句的听辨仍保留疑问,但前后回答中对岗位减少和中间层压缩的担忧很明确。
他认为,个人无法独立改变整体趋势,却仍能选择自己的学习和行动方向。高起点提供了更多机会,面对变化应继续争取,而持续停留在焦虑中无法改善处境。
这段回答承认了学生提出的结构性问题,并把个人建议落在继续积累和行动上;他没有提供能够消除整体就业压力的方案。
22. AI 时代,人的什么特质最重要?
对应转录:约 02:11:00。
问题。 招聘者最看重怎样的人?
回答。 张岭说,自己看简历时会关注候选人是否思维活跃、喜欢尝试、愿意动手,以及是否已经在使用 AI 做项目。绩点在他个人判断中的权重较低。
他希望招聘的人有自己的问题和想法,愿意尝试不同方法,遇到一个想实现的功能就主动去做。这样的人能够帮助组织发现新的做法,也更可能在任务不明确时继续推进工作。
只等待上级安排、按给定要求执行的工作,与 AI 能承担的部分越来越接近。他因此特别重视自主思考和主动实践的意愿。
23. 本科生以就业为导向,实习和升学哪个更重要?
对应转录:约 02:12:47。
问题。 如果本科生的主要目标是就业,应优先投入实习还是继续升学?
回答。 对本科生这一具体情形,张岭个人仍偏向升学。他提到年轻实习生进入头部 AI 团队的案例,但认为这类情况仍较零星,难以作为普遍规划的依据。
这与第 2 问中对五年博士投入的犹豫,讨论范围不同。这里回答的是本科阶段是否继续升学,前一问关注的是快速变化行业中的长期博士选择。
他最后再次强调,学生要学习适应 AI、使用 AI,明确哪些能力需要自己培养,哪些任务可以交由 AI 完成。
十二、水源社区补充问答
12.1 企业为什么需要“爱折腾”的员工?
问题。 国企和民企是否都希望员工爱尝试?这意味着提前完成上级未来要安排的工作,还是为企业寻找新的方向?
回答。 张岭把原因放在 AI 带来的快速变化上。过去程式化的工作出现了新问题和新机会,管理者自己也在摸索,需要员工一起发现有效方法、解决问题并适应变化。
这里的“折腾”主要指主动探索的潜质,包括尝试新的工作方法和判断可行方向。他没有分别给出国企、民企的统一标准,也没有把它限定为提前完成上级任务。
12.2 软件工程的流程和方法还有价值吗?
问题。 软件工程、计算机等专业都可能从事 AI 工作,判断前景应看培养方案和机会,专业名称本身能说明多少问题?
回答。 张岭再次明确,软件工程的流程和方法论仍然有效。编码、编写测试用例和调试会越来越多地由 AI 完成,敏捷开发可能由更小的团队开展,待办任务更快完成,岗位之间的边界也更模糊。
经验丰富的工程师仍然重要,变化集中于工作的实施方式和团队组织。
12.3 脑力劳动会像自动化工厂一样组织吗?
问题。 将来主要工作是否由 AI 完成,人负责辅助、协调和处理故障?
回答。 张岭认为方向上有这种可能,但不会很快全部实现。重复执行型工程师的需求会减少,同时 AI 也会让过去无法完成的任务变得可行。
12.4 拿不到顶尖经验,就应该尽早进入体制吗?
问题。 如果无法获得万卡集群等稀缺经验,是否应该尽早选择体制内的稳定路径?
回答。 张岭认为这种划分过于极端,现实中的选择很多。顶尖技术岗位与体制内岗位之间,还有大量不同类型的工作和成长路径。
资料与整理说明
内容来源
- 《261024张岭学长交流会_交叉校订稿.md》:正文的主要依据,包含现场演讲、23 组问答、水源社区补充讨论和原稿校注。
- 《2026人工智能行业发展趋势和就业分析_张岭_重建压缩版.pdf》:共 54 页,用于对照结构、术语、图示和相关数据。表中的 AI 编程阶段、智能制造应用,以及持续运行的工程条件等补充,已在正文标出课件来源。
原稿校注涉及的几个重要口径
- 数学研究的变化。 讲者对数学求解的替代作了很强的判断,甚至说“不再有需要人亲手去解的数学题”。原稿校注将这类话归为讲者观点;相关事件不能推出数学问题已被穷尽。
- 职业影响。 微软研究中的职业任务适用性得分,不能直接换算为该职业被替代的比例。
- 工具与技术判断。 “不再需要 IDE”“RAG 已死”等表达,反映讲者的使用经验和发展判断。原稿同时说明,公开技术工作中仍有智能体结合检索增强的做法。
- 未核清的细节。 个别芯片型号、许可条件、人物言论和未来时间点在转录中仍有疑问,正文保留其论证主题,省略了不影响理解的存疑细节。现场对 AMD 训练案例、部分公司上市地点、公司亏损和产品用户规模的绝对概括,也未作为行业事实复述。
文字表达参考
措辞整理参考了美国国家档案馆的 Plain Writing Checklist 与 Principles of Clear Writing,主要用于检查主语与动作是否清楚、段落是否围绕一个意思展开,以及能否减少不必要的抽象名词。这些资料仅用于文字表达,演讲内容以所附转录和课件为依据。