"AI Engineer"已死：一个被滥用的职称背后的行业焦虑

在LinkedIn上搜索"AI Engineer"，你会看到数十万个结果。但如果你仔细看这些人的工作内容，你会发现一个令人不安的事实：**他们中的大多数，做的事情和真正的AI工程完全不同**。

开发者Ariel最近发出了一个尖锐的观点：**"AI Engineer"这个头衔已经成为职场中的负面信号**。

这不是危言耸听，而是一个正在发生的现实。

## 一个被稀释的职称

什么是"AI Engineer"？

如果你问10个人，可能会得到10个不同的答案：

- **有人说**：AI Engineer是训练和优化机器学习模型的人
- **有人说**：AI Engineer是把AI模型集成到产品中的人
- **有人说**：AI Engineer是调用OpenAI API的人
- **有人说**：AI Engineer是做AI产品的前端开发者

这就是问题所在：**这个职称太模糊了，以至于它可以指代任何与AI沾边的工作**。

更糟糕的是，随着AI热潮的兴起，越来越多的人开始给自己贴上"AI Engineer"的标签，即使他们的工作只是：

- 调用几个API
- 写一些prompt
- 做一个简单的前端界面

**当一个职称可以指代任何事情时，它就什么也不指代了**。

## 前端开发者的"升级"

Ariel的观察很尖锐：**现如今，很多"AI Engineer"其实是一些前端开发者，或者对AI了解有限却带有优越感的从业者**。

这不是贬低前端开发者。前端开发是一个重要且专业的领域。

问题在于：**当一个前端开发者仅仅因为调用了OpenAI的API，就自称"AI Engineer"时，这对真正从事AI研发的人是不公平的**。

想象一下这个场景：

**场景A：真正的AI Engineer**

- 理解深度学习的数学原理
- 能够从头实现和训练模型
- 知道如何调试和优化模型性能
- 能够处理数据、特征工程、模型部署的全流程
- 需要多年的学习和实践

**场景B：自称AI Engineer的前端开发者**

- 学会了如何调用OpenAI API
- 写了一个聊天界面
- 可能连什么是梯度下降都不知道
- 花了几周时间就"转型"成功

当这两种人都叫"AI Engineer"时，**这个职称还有意义吗？**

## 专业性的丧失

相比之下，其他职称更具专业性且含义明确：

**Research Engineer（研究工程师）**
- 明确指向：将研究成果工程化
- 需要的技能：研究能力+工程能力
- 工作内容：实现论文中的算法，优化性能，构建可复用的系统

**ML Engineer（机器学习工程师）**
- 明确指向：构建和部署机器学习系统
- 需要的技能：机器学习+软件工程
- 工作内容：数据处理、模型训练、模型部署、系统优化

**Research Scientist（研究科学家）**
- 明确指向：进行AI/ML的基础研究
- 需要的技能：深厚的数学和理论基础
- 工作内容：提出新算法、发表论文、推动技术前沿

这些职称，**一听就知道这个人大概做什么，需要什么技能**。

但"AI Engineer"呢？**它可以是任何事情，也可以什么都不是**。

## 语义之争还是实质问题？

有人认为，这只是语义之争，没必要纠结。

但这不仅仅是语义问题，而是**专业边界和价值认同的问题**。

当"AI Engineer"这个职称被滥用时：

**1. 对真正的AI从业者不公平**

那些花了多年时间学习数学、算法、工程的人，和那些花了几周学会调API的人，被归为同一类。

这就像把米其林三星厨师和会用微波炉热饭的人都叫"烹饪工程师"。

**2. 对招聘方造成困扰**

当一个公司招聘"AI Engineer"时，他们可能收到数百份简历，但其中大部分人的技能和他们需要的完全不匹配。

**3. 对求职者造成误导**

新入行的人看到"AI Engineer"这个职称，可能以为只要会调API就够了，而忽视了真正需要的深度技能。

**4. 削弱了专业AI研发者的价值**

当市场上充斥着大量"AI Engineer"时，真正有能力的人反而难以脱颖而出。

## 职责的根本差异

有观点指出，AI工程师和机器学习研究员的职责完全不同：

**AI应用工程师（AI Application Engineer）**
- 工作重点：把现有的AI能力集成到产品中
- 核心技能：软件工程、产品理解、API集成
- 价值体现：让AI技术产生商业价值

**ML研究工程师（ML Research Engineer）**
- 工作重点：构建和优化机器学习模型
- 核心技能：机器学习、数学、算法、系统优化
- 价值体现：提升模型性能，解决技术难题

这两种角色都很重要，但**它们需要的技能和创造的价值是完全不同的**。

问题在于，"AI Engineer"这个职称无法区分这两者。

## 泛滥的根源：API的民主化

为什么"AI Engineer"这个职称会泛滥？

一个重要原因是：**AI能力的API化，大幅降低了使用AI的门槛**。

过去，要使用AI，你需要：
- 理解机器学习原理
- 会训练和调优模型
- 会处理数据和特征工程
- 会部署和维护模型

现在，要使用AI，你只需要：
- 注册一个OpenAI账号
- 学会调用API
- 写几行代码

**这是好事，也是坏事**。

好的一面是：AI技术的普及，让更多人能够利用AI创造价值。

坏的一面是：大量对AI了解有限的人，开始自称"AI Engineer"，稀释了这个职称的专业性。

## 优越感的陷阱

Ariel提到的另一个问题是：**对AI了解有限却带有优越感的从业者**。

这是一个有趣的现象。

当一个前端开发者学会了调用OpenAI API后，他可能会觉得：

"我现在是AI Engineer了！我比那些还在写传统代码的人更先进！"

这种优越感，来自于：
- AI是当前最热门的领域
- "AI Engineer"听起来很酷
- 市场对AI人才的高需求

但这种优越感是虚幻的。

**真正的AI能力，不是来自于会调用API，而是来自于理解原理、解决问题、创造价值**。

## 更准确的分类

如何解决这个问题？

一个建议是：**使用更准确的职称，明确区分不同的角色**。

### 研究侧

- **Research Scientist**：进行基础研究，发表论文
- **Research Engineer**：将研究成果工程化
- **Applied Scientist**：将研究应用到实际问题

### 工程侧

- **ML Engineer**：构建和部署机器学习系统
- **ML Platform Engineer**：构建机器学习基础设施
- **ML Ops Engineer**：负责模型的运维和监控

### 应用侧

- **AI Application Developer**：将AI能力集成到应用中
- **AI Product Engineer**：构建AI驱动的产品
- **AI Integration Engineer**：负责AI系统的集成

这些职称，**更准确地反映了工作内容和所需技能**。

## 行业的混沌状态

这场关于职称的讨论，折射出AI行业的快速发展与混沌状态。

**快速发展**：
- 技术迅速演进
- 新的角色不断出现
- 职责边界不断变化

**混沌状态**：
- 职称定义不清
- 技能要求模糊
- 价值评估困难

在这种混沌中，**头衔泛化背后，是从业者对身份认同的焦虑**。

每个人都想证明自己是"AI时代"的一员，都想在简历上写上"AI"这个关键词。

但这种焦虑驱动的头衔膨胀，最终伤害的是整个行业。

## 对求职者的建议

如果你是求职者，如何在这个混乱的环境中定位自己？

**1. 诚实评估自己的技能**

不要因为会调用API就自称"AI Engineer"。问自己：
- 我理解AI的原理吗？
- 我能独立解决AI相关的技术问题吗？
- 我的技能深度如何？

**2. 使用更准确的职称**

如果你主要是做应用集成，就用"AI Application Developer"。

如果你主要是做模型训练，就用"ML Engineer"。

如果你主要是做研究，就用"Research Scientist"或"Research Engineer"。

**3. 在简历中明确工作内容**

不要只写职称，要详细描述你做了什么：
- 你训练了什么模型？
- 你解决了什么问题？
- 你创造了什么价值？

**4. 持续深化技能**

如果你真的想成为AI领域的专业人士，不要满足于调用API。

学习原理，做深度项目，解决实际问题。

## 对招聘方的建议

如果你是招聘方，如何在这个混乱的环境中找到合适的人？

**1. 明确你需要的角色**

不要只写"招聘AI Engineer"。明确你需要：
- 研究型人才？工程型人才？应用型人才？
- 需要什么具体技能？
- 需要什么深度的经验？

**2. 关注实际能力，而非职称**

不要被"AI Engineer"这个职称迷惑。看候选人：
- 做过什么项目？
- 解决过什么问题？
- 掌握什么技能？

**3. 设计有针对性的面试**

如果你需要的是能训练模型的人，就考察机器学习原理。

如果你需要的是能做应用集成的人，就考察软件工程和产品理解。

**4. 使用更准确的职称**

在招聘启事中，使用更准确的职称，吸引更匹配的候选人。

## 未来：专业细分与精准命名

随着AI生态日益成熟，**专业细分与精准命名将成为行业共识**。

就像软件工程领域，经过多年发展，已经有了清晰的职称体系：
- Frontend Engineer
- Backend Engineer
- DevOps Engineer
- Site Reliability Engineer
- Security Engineer

每个职称，都有明确的职责和技能要求。

AI领域也会走向这个方向。

**"AI Engineer"这个模糊的标签，终将被更精准的职称取代**。

那些真正有能力的人，会用更准确的职称来定位自己。

那些只是会调用API的人，也会找到更合适的定位，比如"AI Application Developer"。

这对整个行业是好事。

## 结语：专业性的回归

"AI Engineer"已死，不是说AI工程这个领域已死，而是说**这个职称已经失去了它的专业性和区分度**。

在一个健康的行业中，职称应该是：
- **明确的**：一听就知道大概做什么
- **专业的**：反映所需的技能和经验
- **有区分度的**：能够区分不同层次和方向的人才

"AI Engineer"现在不符合这些标准。

但这不是无法改变的。

通过更准确的职称、更清晰的职责定义、更专业的技能要求，**我们可以重建AI领域的专业性**。

对从业者来说，不要被虚幻的职称迷惑。**真正的价值，来自于你的能力，而不是你的头衔**。

对行业来说，这是一个成熟的必经之路。**从混沌到秩序，从泛化到细分，从模糊到精准**。

"AI Engineer"已死，但AI工程的未来，才刚刚开始。