“XX智研”重塑工作流程

你可以暂时不使用自动化设备，但是你不能没有懂自动化设备的人。未来十年，哪行能抢过自动化？ 抢的不仅是设备投入，而是机器人。工程师会调机器的人缺口大，薪资高，流动少。想让工厂不掉队，机器可以慢一点进场，但人才储备不能临时抓。有商业头脑和潜在性眼光的老板们， 如果您的工厂想升级工业机器人铲线，第一步把你的得力干将送来，学八个月机器人再上铲线，得心应手。

国家标准参编，全称为参与国家标准乞草编制工作，是指企事业单位、科研机构、行业协会等组织通过官方渠道申请并获批准后，正式参与国家标准的质修改过程， 成为标准乞草单位之一。国家标准参编的主要流程如下，整个流程可概括为询、申、编、 审发五个阶段，第一阶段，询标与拟向。第二阶段，申请与确认。第三阶段，编制与提交。第四阶段，征求意见与审查。第五阶段，发布与备案。重要注意事项 一、并非免费参编通常需要承担相应的费用，包括标准研制费、会议费、实验验证费等，具体根据相关的标委会或牵头单位的要求而定。 二、责任与投入参编意味着承担真实的技术工作，需要投入专人、时间和资源，并非挂名。 三、选择正规渠道，务必通过官方协会或国家标准的合法规口单位进行申请，警惕以包通过、快速办理为名的中介诈骗。 四、主导与参与的区别主导起草单位负责标准全过程的组织管理，责任和影响力最大。参与起草单位则承担部分技术工作，影响力次之。 国家标准参编是一个从信息追踪、主动申请、深度参与技术工作到最终成果发布的完整过程， 其核心价值在于通过深度参与规则制定来提升自身的技术话语权和市场竞争力。成功的关键在于极早关注、精准匹配，展现专业实力并持续投入。

参编行业标准是指企业、科研机构、高校等单位并非作为主导制定者，而是以参与方的身份加入到某项行业标准的参考、研讨、修改和审定等工作中的过程。 整个过程可以概括为以下几个关键步骤，这是一个从信息获取到最终署名的完整链条。第一步，获取信息与前期准备。第二步，联系接洽与正式申请。第三步，审核通过与参与工作。 第四步，持续跟进与审批发布。希望这个简要的表述能帮助您全面理解参编行业标准的意义和过程。

行业标准参编是指企业、科研机构、高等院校等相关单位作为企草组成员参与行业标准的制定、修定工作的过程。 参编不等于是主导，根据参与程度可分为主编单位和参编单位，新单位通常从参编单位做起。以下是申办流程的关键步骤的清晰表述。第一步，自我评估与前期准备。 第二步，信息获取与渠道对接。这是最关键的一步，需要主动寻找机会。第三步，正式提交申请。当有合适的标准项目启动征集参编单位时， 按要求提交申请材料。第四步，审核与纳入。主编单位及归口单位会对申请单位进行评审。第五步，全程参与编制工作，申请过后需履行责任。第六步，标准发布与署名。标准经参考、 征求、意见、审查、报批发布等一系列流程后正式出版。在前沿部分的本标准企草单位和本标准主要企草人列表中， 将列出所有被认可的参编单位及个人姓名。总结来说，行业标准参编是一个将技术实力转化为规则话语权的战略过程。 他要求企业不仅有领先的技术，还要有主动参与行业治理的意识和行动。通过系统性的准备和积极的对接，企业可以成功迈入标准制定的殿堂，为自身和行业的长远发展砥砺基石。 对于初次参与的企业，可以先从加入以历向标准的企草组开始，或参与地方标准、团体标准的编制，积累经验后，再争取主导国家标准或行业标准。 通过积极参与行业标准编制，企业不仅能将自身技术融入行业规范，还能提前把握技术方向，提升品牌权威性和市场竞争力。

参编行业标准是指企业、科研机构、高校等单位并非作为主导制定者，而是以参与方的身份加入到某项行业标准的参考、研讨、修改和审定等工作中的过程。 整个过程可以概括为以下几个关键步骤，这是一个从信息获取到最终署名的完整链条。第一步，获取信息与前期准备。第二步，联系接洽与正式申请。第三步，审核通过与参与工作。 第四步，持续跟进与审批发布。希望这个简要的表述能帮助您全面理解参编行业标准的意义和过程。

行业标准参编是指企业、科研机构、高等院校等相关单位作为其草组成员参与行业标准的制定、修定工作的过程。 参编不等于是主导，根据参与程度可分为主编单位和参编单位，新单位通常从参编单位做起。以下是申办流程的关键步骤的清晰表述。第一步，自我评估与前期准备。 第二步，信息获取与渠道对接。这是最关键的一步，需要主动寻找机会。第三步，正式提交申请。当有合适的标准项目启动征集参编单位时， 按要求提交申请材料。第四步，审核与纳入。主编单位及归口单位会对申请单位进行评审。第五步，全程参与编制工作，申请过后需履行责任。第六步，标准发布与署名。标准经参考、 征求、意见、审查、报批发布等一系列流程后正式出版。在前沿部分的本标准企草单位和本标准主要企草人列表中， 将列出所有被认可的参编单位及个人姓名。总结来说，行业标准参编是一个将技术实力转化为规则话语权的战略过程。 他要求企业不仅有领先的技术，还要有主动参与行业治理的意识和行动。通过系统性的准备和积极的对接，企业可以成功迈入标准制定的殿堂，为自身和行业的长远发展砥砺基石。 对于初次参与的企业，可以先从加入以历向标准的企草组开始，或参与地方标准、团体标准的编制，积累经验后，再争取主导国家标准或行业标准。 通过积极参与行业标准编制，企业不仅能将自身技术融入行业规范，还能提前把握技术方向，提升品牌权威性和市场竞争力。

过去两年，大家可能都沉浸在玩转大模型的兴奋中，但二零二五年之后，游戏规则已经彻底变了。简单会用 chat、 gpt， 写几个 prompt 甚至微调模型，这些技能正在变得越来越普遍，甚至同质化。 真正被市场疯抢、价值飙升的是另一类人，那些能把 ai 模型高效稳定、低成本地部署到生产系统中的系统型人才。 这就好比一个金字塔，过去两年，塔监是那些能训练出更大更强模型的算法专家。 但现在，这个金字塔完全颠倒过来了，站在最顶端的，变成了那些能解决实际问题，让 ai 真正落地生根的系统工程师。为什么？因为成本大厂们发现账单开始扛不住了。 推理成本成了决定商业模式生死存亡的命门。你用的是三块钱一千 token 的 模型，还是零点三块钱的？你的 gpu 每秒能服务二十个请求还是两百个？这不再是工程细节，而是直接关系到利润表上的数字。 所以只会调参数跑 benchmark 的 人，变得不那么稀缺了。而那些能通过底层优化把推理成本砍掉百分之三十，把吞吐量翻两倍的工程师，才是真正的香饽饽，是人行印钞机。 那这些系统工程师到底在做什么？他们可不是只会拍散的脚本小子，他们的技能数非常硬核，他们得能一路打到底，深入到 c、 u、 d、 a、 kernel 层面， 甚至直接编写 triton 推理内核，把注意力、机制、矩阵、乘法这些核心算子编导到显卡的血管里去。 它们不满足于一行 model generate 就 完事，它们会直接操刀 v、 l、 l、 m 这样的高性能推理引擎，从原码级别去调优 page、 attention、 kv、 cache 等关键技术，把每一寸显存都榨干。 在算力紧张、硬件受限的环境下，他们还能运用量化裁剪、知识蒸馏等手段，把一个巨婴模型压缩到能在边缘设备、国产芯片上稳定运行。 这学习曲线确实陡峭，但现实就是这样，在全球范围内，能把这条完整链路打通的人极度稀缺。 尤其是在中国，由于客观环境的约束，我们反而在这条路上走得更深，形成了独特的护城河。 接下来看第二类正在被重塑的岗位，我们可以称之为智能体编排师。过去一年，朋友圈里充斥着各种 ai 应用案例， x x 用 ai 做客服， x x 用 ai 做知识问答。 但坦白说，大部分做法本质上还是一个大模型接口，加上一点解锁 reg， 再加上几个 prompt 模板。 到了二零二五年，拉开差距的团队已经不再满足于让模型说几句话，而是开始搭建一套能自己干活的完整工作流。这里的关键变化是从限性调用一次模型走向，让多个智能体在一个状态机里长期协助。 你可以把它们想象成新一代的流程工程师。它们在 landgraff 这样的框架里，不再化简单的请求到解锁到生成流程，而是设计一个会自循环的图，先规划，再执行，再检查。如果发现信息不够，再回去补充、解锁、修正、计划、重试。 它们会搭建多智能体系统，比如一个负责分析需求，一个负责写代码，一个负责测试和补救。这些智能体之间有清晰的交接协议和冲突处理规则，而不是在一个对话框里炒成一锅粥。 第三块也是我个人这两年格外关注的领域，具深智能简单讲就是把大模型装进机器人里，让它不只是会说，还能会动，能操作物理世界。 你在新闻里看到的人形机器人、仓储机器人、智能机械臂背后都绕不开一个问题，怎么把看懂世界、听懂指令、做出动作？这三者串成一条闭环？这件事对人才的要求是那种可遇不可求的组合。 一方面，你得懂视觉和语言，让模型能从摄像头画面中识别出哪个是红色的苹果，哪个是桌子。 另一方面，你又得懂机器人学，包括关节、坐标系、运动规划、动力学、约束任何一个细节。错了，机器人不是生成错一段文本那么简单，而是可能直接撞掉一面墙。 最后，你还得能把这一切塞进一个实时系统里，用 ros 二之类的中间键，把 pi torch 或 jax 模型的推理循环接入机器人控制回路，确保控制延迟在可接受范围内。现实的问题是，能同时横跨这三块的人太少了， 绝大多数人要么偏算法，要么偏控制，要么偏硬件，很难有足够的耐心和环境去走通这条路。再加上巨深智能极度缺数据，催生了一类更稀缺的角色，仿真工程师。 他们在 isaxim、 mujo 这类仿真环境中构造复杂场景，通过领域随机化逼迫模型学到更鲁棒的策略，再慢慢迁移到现实世界。你可以理解为他们在给机器人搭建一个可以安全摔跤的虚拟世界， 再往上看，就是一群更小众，但可能是未来十年收入上限最高的职业群体。 ai for science 的 双语者。 这里的双语不是英语和中文，而是一门扎实的科学学科，比如生物、化学、材料物理，加上一套完整的 ai 技术战， 这群人每天在干的事，就是让大模型别只会聊天和写代码，而是去帮助我们在分子、蛋白、材料、晶体等层面作出新发现。他们需要懂几何深度学习，知道如何将蛋白质折叠分子结构这种非欧几何对象塞进图神经网络。 需要懂扩散模型流匹配模型能生成一堆理论上可能有用的分子，再用化学知识筛掉那些不可能合成或要带动力学不靠谱的后选。 还需要懂密度泛函理论、 dft 材料的物理特性，用机器学习近似原本需要几周才能算完的量子模拟，从而快速筛选电池、材料等组合。 再往前一步，就是所谓的自动化实验室。 ai 不 再只是分析结果，而是能自己提出实验假设，调用机器人做实验，根据结果自动更新模型，形成一个闭环。 要把这样的系统搭起来，你得同时理解 agentic 工作流设计、化学实验室的约束、机器人能力、边界、数据采集和误差控制。对大多数人来说，这听起来就已经劝退了，但现实是，全球能玩到这一步的人本来就少，所以溢价自然高得离谱。 如果你本身就是传统理工科背景，尤其是生物医药、材料物理专业，再反向补 ai 这条路，其实比从零开始卷模型更有壁垒。 如果我们把目光投向全球，会发现这场人才重构呈现出明显的区域差异。在美国，最有意价的依然是两类人，一类是能设计下一代基础架构的系统架构师，另一类是能定义新范式的研究员， 他们习惯从整个系统往下看，从芯片、算力、集群网络，到模型训练工具链，再到面向全球的萨斯产品，都在一条链路上思考。 由于那里聚集了 google、 meta、 open ai 这些巨头，一些极少数会在万亿参数规模上训练模型的人才，天然只会出现在这几个地方。 在中国，路径则更偏向工程化和现实主义，硬件受限，倒逼大家在软件层面进行极致优化，比如推理加速、模型压缩、边缘部署、国产芯片适配等等。 大量工程师做的不是在搞一个更大的模型，而是如何在有限算力下把现有模型压榨到极致。 再加上制造业基础，让机器人自动驾驶工业场景里的 ai 成为了中国非常自然的突破口。我们可以把中国这边的人才画像总结为一句话，在硬件约束下，把事情做到能用、好用、用得起。 在欧洲，则形成了两块相对特别的高地，一块是围绕合规治理隐私的 ai 治理观，另一块是以 deepmind、 e、 t h。 为代表的 ai for science 群体。 前者要把一整套合规条款翻译成模型可遵守的约束，把负责任使用 ai 变成企业的工程规范。后者就是我们之前提到的那些科学双语者。 说了这么多，最后还是要落到一个现实问题上，普通人在这波人才重构里，该怎么给自己定位？ 我的建议很直白，如果你已经在技术这条路上了，未来五年尽量避免停留在中间层 那种只会调 s， d、 k， 只会改改 prompt， 只会套一套开源。二、 ag 的 角色会是最危险的。一、当你要么往下挖一层，去理解推理成本是怎么来的，一个请求的延迟瓶颈卡在哪？ 学一点系统，至少搞清楚 v l l m、 tensor、 r t l l m 这些推理引擎在做什么，能读点源码，碰到 o o m 问题，知道从哪里下手。 在国内环境下，多接触国产芯片、边缘设备，把在受限环境里跑出效果变成自己的标签。 要么往上爬一层，从写 prompt 升级到设计完整智能体流程，从做一个聊天机器人升级到让一组智能体接管一条业务链条，包括状态管理、多人协做、人机回环、异常兜底。 从接受业务给的需求升级到反过来帮业务拆解，哪些环节适合 ai 接管，哪些环节必须由人来定夺。 所以过去两年，大家都在争做会开车的人。但现在开始，真正值钱的是两种人，一类是会造出更省油、更稳定的发动机的人。另一类是会指挥几十辆车协调运转，搭出一整套交通系统的人。 如果你已经决定留在这个赛道上，那么两千零二十五到两千零三十这五年，基本上就是你重新给自己定职业坐标的窗口期。你可以继续做一个坐在车里的人，也可以开始思考，我到底要站在未来这张 ai 人才地图的哪一个格子里。

制定国家标准是指根据国家经济社会发展的需要，由依法成立的标准化技术组织或机构，按照法定的权限和程序，对需要在全国范围内统一的技术、管理和服务要求 进行研究、取草、征求意见、审查并最终发布为国家标准的活动。整个流程可以概括为以下几个关键阶段，第一阶段，提出立向建议。 第二阶段，立向评估与下达计划。第三阶段，成立企草组与企草草案。第四阶段，广泛征求意见。第五阶段，送审与审查。 第六阶段，爆批。第七阶段，批准与发布。第八阶段，出版与实施。总结来说，制定国家标准是一个严谨透明、协商一致的过程， 强调科学性、民主性和广泛的参与性，以确保最终出台的标准技术先进、经济合理、广泛适用。整个周期通常需要二到三年甚至更长时间。