近期有關人人都能成為 AI 工程師的說法在科技界引發強烈反響，這凸顯出簡化的 AI 開發工具與生產環境中 AI 系統複雜現實之間的巨大鴻溝。儘管新工具和框架使 AI 變得更加平易近人，但行業資深人士和從業者對將 AI 工程作為一門學科過度簡單化提出了重要擔憂。
AI 工程背後的複雜性
雖然現有工具使得基礎 AI 實現只需要最少的編碼即可完成，但專業的 AI 工程遠不止連線 API 和編寫提示詞那麼簡單。生產環境中的 AI 系統需要深厚的技術知識、嚴格的測試和對故障模式的審慎考慮。金融領域的從業者指出，實際的 AI 應用（如欺詐檢測模型）需要極高的可靠性，具體效能指標包括四個9的執行時間、100毫秒的延遲，以及每小時處理50,000次呼叫的能力。
生產環境AI系統的關鍵要求：
- 可靠性：四個9的執行時間（99.99%）
- 效能：100毫秒延遲
- 規模：每小時50,000次呼叫
- 精確率：50%的精確率
- 召回率：80%的召回率
技能差距的現實
這場討論揭示了構建 AI 原型應用與開發生產就緒系統之間的顯著區別。雖然具備基礎程式設計知識的人都可能建立 AI 演示，但專業的 AI 工程需要廣泛的系統架構、效能最佳化和風險管理知識。許多評論者強調，無論 AI 工具多麼容易使用，理解伺服器、DNS 和 HTTP 協議等基本概念仍然至關重要。
開源因素
雖然開源模型使 AI 變得更加普及，但它們也帶來了自己的挑戰。業內人士指出，本地執行模型可以提供更好的資料隱私和控制，但需要大量技術專長才能有效實施。一些開發者已經在利用開源模型處理個人圖片集合和建立可搜尋資料庫等特定用例，這既展示了這些工具的潛力，也體現了使用這些工具的複雜性。
市場現實
與門檻降低的說法相反，主要科技公司的資深 AI 工程師年度總薪酬可達70萬到100萬美元。這種薪酬水平反映了所需的專業知識水平，包括持續跟進研究進展並有效實施實際應用的能力。
大型科技公司 AI 工程師薪資待遇：
- 總薪酬範圍：年薪70萬至100萬美元
- 必備技能：研究專業知識、實施經驗、系統架構知識
結論
雖然 AI 工具的民主化是一個積極的發展，但業界的反應表明，成為專業的 AI 工程師需要的遠不止基本掌握當前工具那麼簡單。真正的 AI 工程需要全面理解軟體系統、嚴格的測試實踐以及處理複雜生產需求的能力。儘管基礎 AI 實現的可訪問性在提高，但使用 AI 工具與成為 AI 工程師之間的區別仍然顯著。
來源引用：We can all be AI engineers - and we can do it with open source models