AI伦理与安全技能需求长期稳定位居前三
智东西6月18日报道，昨天，猎聘、清华大学经管学院人工智能与管理研究中心联合发布《AI时代技能趋势报告》，报告中提到，当下，AI基础算法与模型在AI劳动力中的需求已从2022年的约50%降至20%。
在国内的AI劳动力市场中，该报告发现，过去四年，AI智能体相关人才需求的环比增速达40%，AI应用人才需求为35%，AI伦理与安全技能需求长期稳定位居前三。整体来看，AI岗位需求已从“会做算法”走向“算法+应用+智能体”的复合结构。2025年Q3之后，AI人才需求向中高层级汇聚，领军级人才需求在过去两年实现倍增。
此外，猎聘CEO戴科彬透露，2026年以来全球科技行业共发生363起裁员事件，波及近15万人，AI连续3个月成为裁员首要推手，日均裁员达974人。但值得注意的是，这些在裁员的公司利润普遍上涨，亚马逊利润暴涨77%却累计裁员3万人，其中78%为L5-L7中层管理者。
他还提到，大语言模型会减少部分岗位，具身智能会创造新的长产业链，带来新就业机会，例如白领侧包括Agent产品经理、Prompt策略设计师、AI治理专家、AI工作流设计师等；蓝领侧包括机器人巡检技术员、机器人装配技师、人机协作安全监管员、工业AI训练数据采集员等。
一、AI时代技能趋势报告：7×4框架下的10个数据发现
清华大学徐心教授称，在AI时代技能趋势的研究中，研究团队构建了一个7×4的分析框架。这个框架的构建经历了“演绎+归纳”的双重过程：演绎层面，该团队参考了国际上成熟的AI技能分类体系——美国Lightcast的10个AI技能集群、英国SFIA的7个技能层级、欧洲ESCO技能数据库，并结合中国本土企业实践进行了适配。
归纳层面，该团队从猎聘大数据出发，结合GitHub、Google Trends、CSDN、知乎等技术社区的热门技能动态进行聚类验证，最终收敛为7个AI技能领域和4个能力层级。
7个AI技能领域分别是：AI基础算法与模型、生成式AI应用、AI智能体构建、AI多模态理解与生成、物理AI、AI数据算力与工程化部署、AI伦理安全与合规。4个层次分别是：入门级（使用成熟工具和模板）、进阶级（独立完成单一业务场景的AI项目落地）、专家级（打通多业务场景）、领军级（设立标准、建立护城河）。
这一框架的底层逻辑有两条主线。第一条是技术演进逻辑：AI从感知（让机器“看懂”和“听懂”世界，以CNN、RNN、Transformer为基础）走向生成式（让机器“创作”内容，以GPT、扩散模型为基础）→走向智能体（让机器“自主行动”，规划、调用工具、执行多步骤任务）→走向物理AI（让机器“进入物理世界”，通过机器人、自动驾驶、具身智能与环境交互）。
第二条是发展与治理并重：AI要产生生产力，必须“突出应用导向”，推动产业创新和赋能应用——为此需要算力、数据和工程化部署作为支撑，这是报告将“AI数据算力与工程化部署”独立列为第六个领域的根本原因。徐心称，这一领域在国际主流报告中尚未被旗帜鲜明地单列，是本次研究的一个独特贡献。与之对应，AI伦理、安全与合规作为第七个领域，体现了“健康有序”发展的治理逻辑。
10个核心数据发现：
发现一，AI能力生态圈从单一走向多元。2022年，AI基础算法与模型占据了AI劳动力需求的半壁江山（约50%）；到2026年Q1，这一比例已降至20%。ChatGPT和DeepSeek是两个明显的分水岭节点——每次新技术的出现，都伴随着其他六类AI技能需求的大幅放量，而基础算法与模型的绝对需求保持稳定。
发现二，各领域增速差异显著。过去四年，AI智能体构建的技能需求环比增速达40%，生成式AI应用为35%。AI伦理与安全技能需求长期稳定位居前三。整体来看，AI岗位已从“会做算法”走向“算法+应用+智能体”的复合结构。
发现三，技能共现呈现规律性。哪些技能会同时出现在一个岗位中？数据显示，AI基础技术与算法和生成式AI应用、物理WWW.51Wtn.CN AI、算力工程化部署经常共现。AI劳动力市场需求已经从聚焦基础算法，走向“算法+应用+智能体”的复合结构。
发现四，需求向中高层级汇聚。2025年Q3是一个转折点——此后入门级和进阶级需求有所下降，而专家级和领军级持续增长。领军级人才需求在过去两年实现51Wtn.CN倍增。总体趋势是从“独立完成单一场景落地”向“聚焦复杂场景的系统设计”演化。
发现五，总体需求向中高层级汇聚。生成式AI应用层面，初级人才即可上手，体现了“技术平权”——AI不再是少数人的专利。数据算力、物理AI、智能体构建的最大需求集中在进阶级和专家级，这是工程化落地的“中间力量”。AI伦理与治理则需要领军级人才来把控51Wtn.CN方向。徐心将这一结构总结为三个词——“应用平权，工程中间，治理领军”。
发现六，AI职位与渗透率呈“双峰分布”。AI职位数量最大的体量出现在30-40万年薪区间，但AI渗透率（即该薪酬区间内要求AI技能的岗位占比）与薪酬成正比——薪酬越高，AI使用渗透率越大。这组数据基于北京、上海、深圳、杭州四个城市的统计，与美国一项针对2000家企业管理者的调研（美国管理者平均每周为工作使用AI约10小时）形成了有趣的呼应。
发现七，市场为复合能力买单。横向看，七个技能领域之间的薪酬差异并不明显；纵向看，层级差异显著——专家级以上的薪酬明显更高。高溢价来自“物理AI+治理安全”的复合WWW.51Byyb.CN能力。如果同时具备生成式AI和物理AI的复合能力，薪酬溢价达24.7%。高溢价的能力组合通常包含物理AI或治理安全，两者同时具备的溢价最高。
发现八，3-5年工作经验者是AI人才市场最大的增长源。具备3-5年工作经验的成长型人才，是当前AI人才需求增长最快的群体。
发现九，AI需求向本硕学位延展。四年前，博士学历的AI渗透率最高，这与当时基础算法研究需要博士背景吻合。过去三年，硕士渗透率WWW.51Byyb.CN快速增长，已追上博士。本科和大专在过去一年也实现了倍增。
发现十，行业与城市差异明显。行业层面，AI需求集中在IT、汽车、电子、金融，但制造、生活服务、科研已开始实质性使用AI，这区别于高盛2024年“大模型在制造业中几乎没有实质性使用”的判断。
生成式AI在广告、传媒、文化、消费品行业使用较多，物理AI在汽车行业使用突出。
城市层面，北京凸显“最大规模+最高渗透率”的双重高地特征；上海是工程化与实体产业结合最突出的城市，汽车制造和物理AI场景明显；深圳体现硬科技与制造链驱动，智能硬件、电子通信、半导体相关AI需求突出；杭州虽然总体规模较小，但金融属性特征十分明显。
关于物理AI的特别发现。在中国AI劳动力市场上，物理AI技能需求已排在7个领域的第4位，四个重点城市对物理AI的总体需求是AI智能体构建需求的3倍。这一特征显著区别于PWC、麦肯锡等国际主流报告——后者几乎尚未将物理AI作为独立技能领域单列。徐心称，这体现了中国长期以来“数实融合”国家战略的落地效果。
面向未来，研究团队将持续关注三个层面：个体层面（AI时代必要的能力要件+心境/审美/好奇心）、组织层面、生态层面。徐心称，智能已不仅仅是实验室中的科学研究对象，智能作为生产要素的作用已然凸显。
二、组织正从“People Cost”走向“Token Cost”
同道猎聘集团董事会主席兼CEO戴科彬谈到了当下AI产业对组织和人才带来的变化。
首先是全球裁员的结构性特征。2026年至今，全球科技行业363起裁员事件波及近15万人，上月裁员近4万人，创近两年单月最高。AI连续3个月成为各51Byyb.CN行业裁员最常援引的理由，日均裁员974人，较去年同期加快44%。
但值得注意的是，这些公司的利润普遍在涨。亚马逊单季净利润302.55亿美元，同比暴涨77%，创历史最高，但2024-2026年累计裁员约3万人，其中78%裁员员工为L5-L7中层管理者。甲骨文季度归母净利润43.04亿美元，同比增25.59%，2026年裁员约3万人，一个47人裁员的团队中44名中层被裁，同比减少93.6%。利润增长与裁员并行，这一现象的背景是：AI大幅提升了单个员工的生产力，组织正在经历“中层塌陷”。
戴科彬分享了他的硅谷见闻：美国CS专业毕业生（包括名校）目前很难找到工作，大厂只发实习offer，不发全职offer。在中国猎聘平台上，2026年1-5月的数据显示，初级岗位需求明显下降，销售类初级岗位同比降14.47%，商务类降10.50%，品牌类降9.74%。互联网技术岗位降幅更为显著，机器学习岗位对1年以下经验人才需求降71.43%，图像算法降66.67%，软件测试降52.94%。“Vibe coding”使非技术人员也能通过AI辅助完成编码工作，不需要那么多工程师坐在电脑前写代码。
从2023年到2026年，AI大模型究竟是怎样影响整个人才就业市场的变化？戴科彬用一张AI基础设施的演进图做了类比：互联网的发展经历了从电脑到网络到4G到应用的过程，AI同样遵循这一逻辑，从大模型到存储/芯片到服务器/数据库，再到应用/服务。AI推理基础设施的建设正在催生应用层爆发，未来会出现大量AI Agent应用，就像当年的小红书、滴滴一样。
戴科彬认为，AI对组织的冲击可以拆解为五个层面：
个人层面，每个人都是一专多能。一个人可以同时管理多个Agent，实现多任务并行。以前约会议需要截图发给助理，现在直接丢给Agent自动完成——助理不会被取代，但工作51Byyb.CN方式彻底改变。他现场提问有多少人拥有自己的Agent，并建议大家尽快“养龙虾”（部署AI智能体，源于OpenClaw开源项目）。
组织层面，从部门之间的协作变成人机组成的项目组协作。科层制的部门墙正在被打破，Agent可以快速组建项目组，跨部门协作效率大幅提升。
同时，工作范式从串联任务SOP转向并联多任务，突破时间与空间的限制。戴科彬指出，以前产品开发是串联式，用户调研、写需求、开会确认、UI设计、开发，但现在多个任务可以同时并行，因为人被AI“分身”了。
第三，组织内部从层层汇报的上传下达，变成老板直达一线，中间层的管理价值需要重新定位。
成本结构层面，HR未来要算的是Token Cost（Token消耗量），而非People Cost（人头数）。一个团队用了多少个GPT账号、消耗了多少Token，正在成为衡量组织效率的新指标，组织的设计与ROI需要重新定义。
但戴科彬认为最核心的变化是：人类历史上最重要的一次变化——Skill开始与人分离，打破人类技能的生成和传承范式。
传统做法是建知识库、案例库，再培训，效果因人而异。新做法是萃取最佳实践者的技能（Skill），沉淀在组织中。具体路径是：Data+Know-How+Workflow→Skill→AI模型→AI Agent→完成任务→产生数据反馈回模型→形成飞轮。“组织可以人来人往，技能永久沉淀。”他说。
关于人才审美，他回溯了自己在2023年提出的框架：决策力、担当、创新、审美，AI帮不了人做判断、拍板、担责，这些仍是人的核心价值。
他绘制了中国版的中等技能塌陷图景：初级白领向两个方向流动，一是向上走人才专业化（中高端人才知识资产化，知识与经验沉淀为Skill/Agent），二是向下走向白领蓝领化（长期雇佣向任务交付转变）。
在具身智能方面，戴科彬指出，中高端人才的知识与经验正通过Skill/Agent的方式沉淀，而蓝领劳动者也正在经历“科技劳动力化”。物理AI发展相对较慢是因为缺乏51Wtn.CN人类动作过程的数字化数据。但VLA（Vision-Language-Action Model）和World Model正在突破。
猎聘旗下“新超人”品牌正在帮助具身公司收集第一人称视角的人类劳动视频数据——通过头戴设备（egocentric视角）记录双手动作，采集运动数据用于模型预训练和后训练。
大语言模型会减少部分岗位，但具身智能会创造新的长产业链（生产、制造、运营、维护），带来新就业机会。他列举了新兴岗位：白领侧包括Agent产品经理、Prompt策略设计师、AI治理专家、AI工作流设计师等；蓝领侧包括机器人巡检技术员、机器人装配技师、人机协作安全监管员、工业AI训练数据采集员等。
三、AI变革的关键不是“+AI”，而是组织底层逻辑的重构
清华大学杨斌教授抛出了一个核心隐喻——“AI次方”（AIⁿ）。从去年3月14日（π日）起，他就开始倡导这个概念，对当时热议的“AI+”或“+AI”提出了不同的看法。
他解释道，“AI次方”并不是单纯强调AI的指数级发展速度，而是一种理解AI时代的心智模式。与“AI+”或“＋AI”所代表的工具叠加、技术赋能不同。AI被置于指数的位置，而底数则是组织、商业模式、人才本身。如果底数小于1，指数越大，结果反而越小。对企业而言，真正需要关注的不是AI本身有多强，而是自身这个“底数”能否在AI作用下完成重构。
他回顾了两个AI里程碑。2016年AlphaGo第37手，在人类看来无法理解、无法解释的落子，最终战胜了李世石，这是一个在专门领域攻坚克难的突破。而2022年ChatGPT的预览版，激发的是人类最自然的工具——自然语言，这才是对人的真正解放。他引用两句话来做对比：“AI is really something”（AI很了不起）和“AI is actually everything”（AI就是一切），后者才是对AI更精确的刻画。
杨斌认为，对多数现有企业而言，AI Native是“别人的戏”，他们面临的是AI Transformation（AI转型）。他将AI对组织的影响程度分为了五个层次：AI native（原生）、AI first（优先）、AI only（唯一）、AI-ed（被AI化）、AI proof（AI打不倒）。多数企业的目标不是变成AI原生，而是完成AI转型。
他提到了两个历史参照，左边是1956年达特茅斯会议的青年科学家们提交的proposal，四位助理教授向基金会申请15000美元，最终获批7500美元，人类历史上第一次提出了“Artificial Intelligence”。值得注意的是，这份proposal中已经出现了“improve themselves”，机器自我改进。右边是邀请数学家Ray Solomonoff参加达特茅斯会议的信