AI vs 云:2026年哪些技能对你的职业生涯最重要?

这是一个很多人都在问的问题。他们听到了很多关于人工智能的炒作。当然，云计算一直是人们非常感兴趣的领域，因为职业发展潜力巨大。所以，现在人们在问：究竟哪个更重要？是 AI 还是云计算？

让我先直接回答这个问题：它们并不是二选一的关系。实际上，真正的答案是——你需要同时掌握云技能和 AI 技能。但如果你必须选择一个作为起点，我会建议你先从云计算开始。

为什么这么说？让我慢慢解释。

AI 必须运行在某个地方

现实是，AI 必须运行在某个地方。如果一家公司想要部署一个应用，并想集成某种 AI 能力，他们可以使用云。所以云通常会以托管服务的形式提供这些能力。

比如 AWS 上的 Amazon Bedrock，或者微软 Azure 上的 Azure OpenAI Service，这些都让你可以直接调用 Claude、GPT-4 这样的顶级大语言模型，而不需要自己训练和维护模型。

同样，如果公司想要自建——想要使用 OpenAI 或 Anthropic 的 Claude 这样的顶级模型，然后把自己的公司数据整合进去，开始用自己的数据训练模型——这些也可以在云上完成。云让你更轻松地利用这些大语言模型，把自己的数据整合进去。这也是可以通过云的托管服务来实现的。

所以，现在的情况是，许多想要 AI 赋能应用的公司，都会把他们的基础设施和应用架构迁移到云上，因为这样才能以最具成本效益、最快速的方式完成。

当然，那些在云上的应用需要计算能力、存储系统、网络、内置的可扩展性和监控，还需要成本控制覆盖，还需要用于推送新代码的部署流水线。所以，这当然意味着我们既需要懂 AI 的人，也需要管理 AI 运行底层基础设施的人。这底层基础设施，就是云计算。

所以，这实际上不是 AI 对云计算二选一的问题。而是：什么样的技能组合，能让你在当今的行业中最有价值？

如果你想理解 AI 相关的角色，你需要先理解我们大致有三个核心类别：

这些人是负责训练和微调模型的。这些角色技术含量很高，需要很强的数学技能、数据科学知识和深度编程能力。

如果你想成为机器学习工程师，你需要对线性代数、微积分、概率统计有扎实的理解。你需要熟悉 Python 和 R 这样的编程语言，以及 TensorFlow、PyTorch 这样的深度学习框架。你还需要理解各种机器学习算法的原理，以及如何优化模型性能。

这是一个高度专业化的领域，入行门槛相对较高，但回报也很可观。

这种情况下，你在和 API 打交道，在和模型部署、提示词工程和 Agent 工作流打交道。构建 Agent 化的 AI 工作流、MLOps 流水线等。

所以，实际上往往是在利用现有能力，把这些能力构建到应用中。这更像是 AI 工程，而不是从零构建和训练模型的那种更偏数学和技术的部分。

AI 应用工程师的日常工作包括：设计和实现 AI 模型的部署 pipeline，构建能够调用大语言模型的应用程序，开发带有 RAG（检索增强生成）功能的知识库系统，以及维护和监控生产环境中的 AI 服务。

这个角色的门槛相对机器学习工程师要低一些，但需要很强的软件开发能力和对 AI 模型的理解。

他们不是去构建和训练模型，也不是去构建应用，而是使用 ChatGPT 等 AI 工具来让自己更高效。

比如，如果你是开发者，你可能会用 GitHub Copilot 来帮你生成代码，它可以根据你的注释和上下文自动补全代码片段，大幅提升开发效率。另一方面，如果你是一个管理者，你可能会用人工智能通过提问来帮助你更好地做决策，比如让 AI 分析某个商业问题的利弊。

所以有人是用它来提升生产力的。无论你是什么行业，什么岗位，学会使用 AI 工具都能让你工作更高效。

重要的一点是：即使是那些不训练模型的 AI 工程师，也仍然需要云计算知识。

他们需要理解云上的部署、身份和访问管理、网络扩展、成本管理、安全，以及所有这类东西。然后还有上面的 AI 服务，比如 Amazon Bedrock 或 Amazon SageMaker。所有这些都运行在云上。

让我举一个具体的例子。假设你是一个 AI 应用工程师，你的任务是构建一个基于 RAG 的智能问答系统。你需要：

首先，选择合适的云平台和 AI 服务。你可能需要使用 AWS S3 来存储文档，使用 Amazon Bedrock 来调用大语言模型，使用 OpenSearch 或 Elasticsearch 来构建向量数据库。

然后，你需要设计系统的架构。你需要考虑如何处理文档的加载和分块，如何将文本转换为向量，如何实现高效的相似度搜索，如何构建 prompt 来获取准确的答案。

接着，你需要部署和监控。你需要设置自动扩缩容来应对流量高峰，需要配置日志和告警来及时发现和解决问题，需要优化成本来控制支出。

最后，你需要确保系统的安全性。你需要设置合适的访问权限，需要加密敏感数据，需要审计系统的使用情况。

所以你看，即使是 AI 工程师，也需要大量的云知识。

从职业策略的角度来说，如果你是技术新手，才刚刚起步，先打好坚实的云基础。

我强烈建议你至少精通一个云平台。不要把自己摊得太薄。就精通一个云平台。你可以自己选。AWS 是目前最大的云平台，市场份额约 32%。紧随其后的是微软 Azure，市场份额约 23%。谷歌云平台市场份额约 10%。所以，就精通一个云服务就好。

为什么我建议先精通一个平台？因为每个云平台都有大量的服务和功能，如果你试图同时学习多个，很容易什么都学不精。精通一个平台可以让你成为这个平台的专家，建立起自己的竞争优势。

在那之后，你还需要叠加一些 AI 技能。所以我强烈建议，今天在科技行业工作的每个人，无论你是什么角色，都至少需要学会使用 AI 工具来提升自己的生产力。

如果你想深入人工智能和机器学习或者你要成为一个AI工程师，那么你应该看看一些认证，比如 AWS 的认证 AI 从业者或AWS解决方案架构师助理级/专业级认证。这些会帮你直接进入机器学习领域——那些构建和训练模型的人。

所以同时拥有 AI 技能和云平台技能会是一个广泛的组合。

所以 AI 不是在取代云，实际上是在加速云的采用。这意味着更多公司正在迁移到云上，这意味着随着我们进入未来，会有更多工作机会。

事实上，根据 Gartner 的研究，到 2025 年，超过 85% 的组织将采用云优先原则，这意味着云技能的需求只会继续增长。而 AI 的普及进一步推动了这一趋势，因为企业需要云基础设施来支持他们的 AI 工作负载。

我强烈相信，你所能拥有的最佳技能组合，就是云平台技能加上 AI 工程技能。这样你就可以去应聘云工程师、云解决方案架构师或 AI 工程师的岗位。随着我们走过 2026 年并进入 2027 年，我们肯定会看到越来越多的这类工作机会。

最后，我想说的是，无论你选择哪条路，持续学习都是最重要的。技术行业发展迅速，新的工具和服务不断涌现。保持好奇心，不断学习新技能，你就能在这个行业中保持竞争力。