AI大模型对我国劳动力市场潜在影响研究 以2024年人工智能基础软件开发为视角
一、引言
2024年,以大语言模型为代表的通用人工智能技术进入规模化落地阶段,人工智能基础软件开发成为产业竞争的制高点。基础软件层(包括深度学习框架、大模型训练与推理平台、向量数据库、MLOps工具链等)既是AI能力的底座,也是劳动力市场结构变化的直接推手。本研究聚焦该细分领域,分析AI大模型对就业岗位数量、技能结构与劳动关系的影响,旨在为政策制定与企业用工提供参考。
二、人工智能基础软件开发的内涵与人才需求特征
人工智能基础软件开发指构建支撑大模型训练、部署与应用的底层软件系统,典型岗位包括框架研发工程师、分布式训练系统工程师、推理优化工程师、数据工程与向量检索工程师、MLOps平台工程师等。其人才需求具有以下特征:一是知识门槛高,要求兼具系统软件、并行计算与机器学习背景;二是复合性强,需理解硬件、编译与算法协同;三是经验稀缺,具备大规模集群调优与生产级部署经验者供给不足。2024年,该类岗位在AI人才总需求中的占比持续上升,成为高校与企业争夺的核心方向。
三、AI大模型对劳动力市场的多重影响
(一)创造效应:高端研发岗位扩张。 大模型训练与推理的规模化带来对基础软件层的持续投入,催生框架开发、性能优化、算力调度等新增岗位。企业对既懂底层系统又懂模型特性的复合型工程师需求快速增长,相关岗位薪酬显著高于传统软件开发平均水平。
(二)替代效应:中低端编码与运维岗位承压。 代码生成与自动补全工具已能承担大量模板化编码、测试用例编写与基础运维脚本工作,使得初级程序员和部分数据处理岗位的需求相对收缩。基础软件开发中重复性较强的工程实现环节受到直接冲击,企业对初级人员的招聘门槛提高。
(三)重构效应:技能需求向“系统思维+AI工程”迁移。 岗位内涵从单纯编写代码转向系统设计、性能诊断与模型—硬件协同优化。从业者需要掌握分布式训练、推理加速、向量检索等新技能,传统软件工程师面临技能再投资压力,职业培训需求上升。
(四)极化风险:人才结构呈哑铃型。 高端系统研发人才与掌握AI工具的应用型人才需求旺盛,而处于中间层、技能更新滞后的从业者面临较大转型压力,可能加剧收入与就业质量的分化。
四、成因分析
其一,技术层面,大模型对算力与工程效率的极致追求放大了系统软件人才的价值;其二,产业层面,龙头企业加大基础软件自研投入,形成对稀缺人才的争夺;其三,教育层面,高校课程体系调整滞后,复合型人才培养周期长,短期供给弹性不足;其四,制度层面,职业标准与技能认证体系尚不完善,劳动者技能转型缺乏清晰路径。
五、对策建议
- 教育端:推动计算机、软件工程与人工智能课程交叉融合,增设分布式系统、大模型工程等方向,强化产教协同与实习实训。
- 培训端:建立面向在职软件人员的AI工程技能转换培训体系,重点覆盖训练框架、推理优化与MLOps,配套技能认证。
- 企业端:优化人岗匹配,推动“人机协同”而非简单替代,将初级人员培养重点转向需求分析、系统设计与质量把控。
- 政策端:完善新职业认定与劳动保障,关注灵活用工与技能分化带来的收入差距,建立就业监测与预警机制,防范结构性失业风险。
- 区域与产业端:引导基础软件人才合理流动,支持中小企业在开源生态中参与协作,降低人才集聚过度带来的区域失衡。
六、结论
2024年人工智能基础软件开发领域的发展表明,AI大模型对我国劳动力市场的影响是创造、替代与重构并存的复杂过程。高端系统研发岗位扩张与中低端工程岗位承压同时出现,技能结构加速向“系统思维+AI工程”迁移。应对之道在于教育、培训、企业与政策的协同发力,以技能升级为主线,在释放技术红利的同时缓解结构性冲击,实现劳动力市场的高质量适配。
如若转载,请注明出处:http://www.nqrxm.com/product/50.html
更新时间:2026-11-19 13:47:33