人工智能开发人才新界定

2026年6月，某机构发布《识别人工智能开发人才队伍》报告，重新回应“谁算人工智能人才”这一根本问题。报告指出，现有统计往往将开发人工智能系统、在其他岗位使用人工智能工具以及工作任务受人工智能影响的人员混为一谈，从而夸大了核心技术人才规模。研究团队据此构建岗位文本分类器，分析2010年1月至2026年2月的美国招聘信息，并结合从业者资料估算人才存量。结果显示，真正从事人工智能系统设计、训练、微调、扩展和部署的人，比通常理解的范围更小、更专业，也更值得单独关注。这种口径变化也会直接影响人才培养和技术竞争判断。

（一）“人工智能人才”长期口径过宽

1.会用工具不等于开发系统

人工智能进入办公、营销、法律和教育等岗位后，职位描述中出现相关技能，并不代表任职者在开发人工智能系统。报告将劳动力市场分为三类：直接建设系统的人、在其他岗位采用工具的人、任务可能被人工智能改变的人。三者都重要，但回答的是不同政策问题。

如果要判断一国能否自主设计、训练和部署模型，就不能把所有接触人工智能的岗位都算进去。简单来说，使用生成式工具写文案与构建模型训练管线，不是同一种人才需求。混用口径会让人才供给看起来很充足，却难以解释真正的工程短缺在哪里。

2.新口径盯住“直接贡献”

报告将人工智能开发岗位定义为：需要专门知识、技能和能力，并直接参与人工智能系统技术开发的职位。技术开发既包括模型设计、训练、微调、扩展和部署，也包括人工智能应用及其软件支架的设计与编码。

这一边界并不只看岗位名称。直接参与技术项目的项目经理，即使不是程序员，也可能被纳入；只维护通用云数据库、偶尔接触人工智能工具的岗位，则可能被排除。决定因素是具体职责，而不是职位名称里有没有“人工智能”几个字。

图1：旧口径与新口径识别出的美国人工智能开发岗位需求差异

图2

（一）数据来自岗位全文而非关键词

1.从56000条样本开始标注

研究使用美国招聘信息和从业者档案。每条招聘信息包含完整职责说明，从业者档案则包括就业经历、教育经历和掌握技能。两类数据都映射到美国职业分类及商业职业、技能分类体系，为跨岗位比较提供统一框架。

团队先从56000条招聘信息中抽取随机样本，其中一部分来自全部岗位，另一部分专门包含在描述中提到人工智能或机器学习的岗位，以保证正反样本都有足够覆盖。专家人工判断1023条信息，其中230条被标为人工智能开发岗位。

2.四步完成模型训练与验证

在人工标注基础上，研究把关键词规则和提示词规则编码为60多个弱监督标注函数，再为50000条招聘信息生成训练标签，训练逻辑回归分类器。剩余测试集中，专家又人工标注108条信息，其中45条为人工智能开发岗位。

模型对开发岗位的精确率为86.0%、召回率为95.6%、F1值为90.5%；对非开发岗位的精确率为96.6%、召回率为88.9%、F1值为92.6%。综合F1值达到91.7%，随后才扩展到全部招聘信息。

（二）方法更精确但并非没有误差

1.职位文本本身可能失真

报告承认，一些招聘信息缺少职位名称，正文还混有网页链接和无关代码，因此会产生假阳性和假阴性。其前置研究进一步提醒，招聘广告也可能包含重复发布、并不准备真正招人的“幽灵岗位”、人力资源模板和理想化要求，不能直接等同于实际就业。

2.就业存量依赖一项关键假设

研究没有逐个确认全部从业者是否开发人工智能，而是假设每个职业中人工智能开发招聘信息所占比例，与该职业现有就业人员中开发者所占比例大体相近，再将比例乘以职业就业总量。该做法便于估算，却尚未针对人工智能岗位直接验证。

此外，从业者档案主要来自线上资料，没有数字足迹的人可能被遗漏。人工智能属于高度技术化、线上化领域，这一缺口或许较小，但仍意味着51.9万人是模型估算值，而不是行政登记形成的精确人数。

（一）岗位需求增长快但占比仍低

1.十六年只有160万条开发岗位

分类器在2010年1月至2026年2月识别出约160万条美国人工智能开发招聘信息，仅占同期4.846亿条招聘信息的约0.3%。2025年识别出331445条，占当年全部招聘信息约0.8%。需求快速增长，但尚未超过劳动市场的1%。

报告写道：“自2010年以来，人工智能开发招聘信息占比有所上升，但仍低于美国全部招聘信息的1%。”2010年这一比例约0.02%，2022年接近0.5%，2023年随技术岗位整体需求回落，随后重新上升，2025年达到0.79%。

图3

旧有职业口径对同一时期给出的结果是8000万条，新方法只有160万条，相差约50倍。这并不意味着过去的数据完全错误，而是两种口径测量了不同对象：旧口径更接近潜在相关人才，新口径聚焦实际承担开发职责的人。

换句话说，广义统计适合观察人工智能向各行业扩散的速度，狭义统计更适合判断核心研发能力。两套数据不能互相替代，更不能在比较国家实力、确定培养规模或研判人才缺口时混为一个指标，否则政策资源很可能投向数量庞大但并不承担开发任务的人群。

（二）岗位名称不能代表开发含量

1.四类职业贡献近一半需求

数据科学家、数据工程师、软件开发工程师和机器学习工程师，是160万条开发岗位中最常见的四类职业，合计接近45%。但“数量多”与“开发浓度高”并不是一回事，职业内部的真实职责差异很大。

机器学习工程师招聘信息中94%属于人工智能开发，自然语言处理工程师为74%，通用人工智能工程师为66%；数据科学家虽然数量最多，只有52%被认定为开发岗位。软件开发工程师则只有9%，说明只按职业名称整类计数会产生明显高估。

（三）现有人才约51.9万人

1.总就业占比同样只有0.3%

研究估算，截至2026年3月，美国约有519000名人工智能开发人员，占全部就业人口约0.3%。旧口径则会得到近2800万人，两者相差约54倍。新结果显示，支撑模型和应用真正落地的技术队伍仍是高度集中的小群体。

图4：旧口径与新口径估算的美国人工智能开发就业规模差异

现有人才中，数据科学家约67000人、数据工程师约62000人，机器学习工程师和软件开发工程师各约51000人，研究科学家约48000人。工程副总裁、数据经理等管理岗位也占有一定比重，报告认为这可能提示当前人才结构与未来需求之间存在错位，仍需后续研究验证。

（一）结论

该报告的结论是：人工智能人才规模首先取决于“测量谁”。把工具采用者、任务受影响者和系统开发者合并统计，适合观察人工智能扩散，却不能准确衡量核心开发能力。按职责文本识别后，美国人工智能开发需求和就业都不足整体劳动市场的1%，队伍规模远小于旧口径，但专业集中度更高。

这项研究真正值得关注的，不只是51.9万人这一结果，而是把人才竞争从宽泛的职业数量拉回到可验证的工程职责。对技术能力评估而言，人数并非越大越强；谁在设计模型、维护训练管线、完成部署并把技术变成可用系统，才是更接近真实开发能力的指标。

（二）建议

●统一核心人才口径。应明确区分系统开发、行业应用和任务受影响人员，避免用一个总量同时回答技术供给、技能普及和就业冲击问题。

●建立岗位文本监测。应结合职位职责、项目任务和技能要求识别真实开发岗位，减少只按职业名称或单个关键词统计造成的高估。

●紧盯关键工程结构。应持续观察模型训练、数据工程、部署运维和技术管理等岗位的数量与占比，及时发现人才结构错位。

●打通供需数据校验。应将招聘信息、教育培养、从业经历和实际就业数据交叉验证，避免把招聘意愿直接当作就业存量。

●保留估算误差边界。应公开分类器精度、样本构成和关键假设，使人才规模变化能够区分真实趋势与统计口径调整。