算法 / 机器学习工程师

按本站对统计序列的处理方式,在本地从逐条上报的 CSV 算出来:整份文件拉下来,计数在这里做,读者可以复算。筛法:development_stage 为 Deployed 且 is_high_impact 为 High-impact,在 1,040 条已投产里得到 227 条。hi_testing_conducted 一栏于是是:Yes 44 条、In-progress 81 条、空 102 条。影响评估一栏:Yes 36、In-progress 90、空 101。独立复核一栏从未以「已完成」出现:31 条写的是首席 AI 官复核、4 条内部独立复核、1 条监督委员会,89 条进行中,102 条空。运行授权一栏:Yes 69、No 60、空 98。选择「高影响」这个标签、填这些栏目的是联邦机构自己,不是本站,依据是 EO 13960、《推进美国人工智能法案》与 OMB 备忘录 M-25-21。这些计数立住的,是机构就自己上线前那道闸门写下了什么;一栏留空就是留空,不是「否」,而一个「是」是自报,这里没有任何人核过。日期取 OMB 发布合并清单文件的那一天(摘要截至 2026 年 4 月 13 日;仓库本身建于 2026 年 1 月 28 日);底下那些部署横跨多年,文件没有给这一批一个统一日期。

企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。

Instacart 的五位署名工程师描述他们自己的搜索系统。他们说,Instacart 过去为搜索查询理解的各个子任务分别训练和维护多个独立模型,每个定制方案都有自己的数据管道、训练和服务架构;用一个能处理多种语言任务的大模型取代这些专用模型,消除了维护多个模型的复杂性;这套系统现已上线,每周处理数百万条冷启动查询;它把他们的核心挑战从特征工程转向了在控制延迟与成本的同时把这些底座模型投入生产。一家公司、一套系统,由搭建它的团队描述;它没有说 Instacart 雇用了多少机器学习工程师,也没有说人数是否变化。

企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。

美国政府自己编制的各机构 AI 使用清单,共 2,133 条。其中一问是:AI 系统部署后是否有监控其性能的流程,有四个选项。这里从文件中统计:处于「运行与维护」阶段的 874 条中,76 条选了四个选项之一 —— 47 条「间歇、手工更新」(数据科学团队与 DevOps 工程师合作,按计划手工更新模型,并建立指标检测分布偏移),15 条「自动、定期更新」(部分监控与再训练自动化,但数据科学团队仍深度参与),5 条「成熟的机器学习运维流程」(自动测试、漂移检测和由流水线驱动的再训练),9 条没有任何监控机制。其余 798 条留空或填写不适用;这些回答大多是自愿的,且集中在少数机构,所以它描述的是作答的那些系统,不是联邦 AI 的全貌。

企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。

七十五场机器学习工程类的 Kaggle 竞赛 —— 训练模型、准备数据、跑实验 —— 以每场竞赛自己的公开排行榜作为人类基线来评分,也就是说对照的是真的下场比过的人。写作时表现最好的组合(o1-preview 配 AIDE 脚手架)在 16.9% 的竞赛里达到至少铜牌;作者同时报告,算力投入与预训练数据污染都会改变这个数字,而基准是开源的,任何人都可以拿更新的模型重跑。有两条限制是结构性的,不是偶然的:一场 Kaggle 竞赛送到手上时,问题已经被框定、指标已经被选定、数据已经被收集 —— 而那恰恰是这份工作里基准完全考不到的部分;以及,OpenAI 建了这个基准,并出售被它测量的模型。

演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。

欧盟市场,且仅限用数据训练的高风险系统 —— 义务落在「提供者」也就是机构身上,不是落在某个工程师个人身上。这条记录挂的是「为系统对人做的事负责」,而不是数据准备那一项任务本身:第 10 条规定的是那份数据工作必须怎么做,不是其中有多少已由机器完成。它确立的是:能够证明数据适配预期用途、查过可能的偏见、盘过缺口,从职业操守变成一项要留痕的法律义务。2026/1744 号条例(《AI 数字综合法》,2026 年 7 月 24 日刊登)把这些义务的适用日期从 2026 年 8 月 2 日推迟到:附件三所列高风险系统 2027 年 12 月 2 日,第 6 条第 1 款与附件一所列高风险系统 2028 年 8 月 2 日;所以这是一条已经成文、但尚未适用的规则。原文没有说有多少团队本来就这么做、代价是多少,也没有说欧盟以外适用什么。

失败、撤回、监管或成本正在抑制采用。可以下调评估,或扩大不确定区间。

四位微软研究者在同行评审的会议论文里描述必应自己的标注做法。他们写道:自 2022 年底起,必应的大部分离线指标都由大模型配合专家标注员来标注;按他们的经验,大模型的标注比任何第三方标注员(包括员工)都准确,快得多,也便宜很多倍;他们发现有必要不断构建更难的金标准集,才能继续区分标注员和提示词的好坏。这些标注主要用于评估指标,而不是训练数据;所用的模型由微软开发并出售,因此有利害关系。它没有说这项工作雇用了多少标注员或工程师。

企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。

课程教的大部分 —— 结构、调参、特征设计 —— 正是这一页标为「被替代」的那部分,而其中一项在你开始学之前就已经被替代了。稀缺的是课程不容易留作业的那一项:做一套模型没见过的测试,以及把「这还不够好」说出口。比你觉得合理的时间更早地靠近一个跑在真实的人身上的系统,哪怕很小。

如果你的价值是「知道该用哪个模型」,那份知识贬值得很快,而且还在继续贬值。如果它是「知道这个领域是怎么坏的」—— 在这里答错要付什么代价、哪些输入本来就缺、当人群变了之后一个看起来合理的数字意味着什么 —— 那是变得更稀缺的那一半,因为被评判的东西更难评判了。不好听的那个版本:这个领域近年招的人里,有相当一部分要的是「会把接口调好的人」,而那是另一份工作,天花板也不同。

保住并强化

把那把尺子接过来

当模型是买来的,评估就是唯一还属于你的东西 —— 而一套从你们自己的失败里长出来的测试集,供应商供不了。

调整职责

去买不到模型的地方

窄领域、私有数据、硬延迟预算,以及不允许出现无法解释的输入的场景 —— 在这些地方,那个「可以买的替代品」并不存在,而经典的那套能力仍然是能力。

相邻转岗

在义务被指派之前先接过来

义务正在附着到「用在人身上的学出来的系统」上,而它们要求有一个能说清模型吃了什么、以及那为什么配得上这个用途的人。在多数团队里,这个人还不存在。

这里各部分是朝相反方向动的,而一个数字会把这件事盖住。为一个具体问题训一个模型,在很大比例的问题上已经被替代 —— 而且不是被「机器学会了做这件事」替代,是被「产物可以买了」替代,而后者是可逆的。判断一个学出来的系统够不够好,则同时变得更难、更稀缺。一个你自己能核对的信号:你最近三件工作里,有几件以「训出一个模型」结束、有几件以「对别人训的模型做出一个判断」结束。第二个数字就是这份工作正在去的方向。

有一部分是,而且值得把是哪一部分说准 —— 因为这里的机制不寻常。消失的是那个定制产物,不是一项人的能力:你的问题现在有了一个可以买的替代品。这种消失是会逆转的 —— 供应商的价格、许可、限流或能力一变,活就回来了 —— 而一件机器真正学会做的事不会这样回来。没有消失的是「判断这个替代品在你的问题上到底灵不灵」,而它在同一次变动里变得更难了。

把它问成「两套技能二选一」,正是它难回答的原因。两边耐久的位置是同一个:成为那个「关于这东西灵不灵的判断会被采纳」的人。不同的是入场价 —— 在模型上面做产品眼下几乎没有门槛,所以那条道拥挤,而它的天花板取决于你能不能把「好的结果」和「看起来合理的结果」分开。如果你只能把一件事做好,做那个判断。

需求和暴露度是两个问题,而这一页只回答后一个 —— 这点值得说明,因为它们经常被混为一谈。诚实的观察是:这个头衔现在盖着两份天花板不同的工作 —— 一份训练并评估系统,一份在买来的模型上组装应用 —— 而招聘启事很少把它们分开。接一个岗位之前,问团队上个季度交付了什么、有没有人为它做过一套测试集。答案会告诉你,这个头衔在那里指的是两份工作里的哪一份。