上海人工智能產業人才需求特征分析

中圖分類號］F126［文獻標識碼］A[文章編號］1000-4211（2025）02-0054-16

一、引言

近年來，人工智能成為經濟發展的新引擎。憑借云計算、物聯網等信息技術以及計算機的運算能力，人工智能成為諸多先進科技的“集合器”和引領第四次科技革命的戰略性技術。當前不少發達國家均已將人工智能產業發展納入社會經濟發展的戰略布局之中，并上升為國家戰略。為搶抓人工智能發展機遇，我國在2017年出臺的《新一代人工智能發展規劃》提出了“建設世界主要人工智能創新中心”的發展目標。根據中國科學技術信息研究所最新發布的《2023年全球人工智能創新指數報告》，當前中國人工智能創新水平已進入第一梯隊，與美國的差距進一步縮小。但不得不承認的是，我國人工智能產業起步較晚，產業人才積累較為薄弱，人才供給與產業需求之間的數量與結構矛盾突出。《中國人工智能人才培養白皮書》研究顯示，目前人工智能行業人才缺口高達500萬，并且在高度跨學科復合型人才的標準下，人才短缺將會長期存在。與此同時，人工智能人才培養體系尚處于借鑒探索階段，存在培養觀念陳舊、培養體系滯后等問題，所培養的人工智能人才尚不能支撐產業市場的動態變化與復合要求；市面上的人工智能人才大多是半路出家的“數字藍領”，也面臨著知識更新、技能迭代的壓力與挑戰。當前，人工智能產業人才供需結構的不平衡問題已成為產業發展和創新的掣肘，厘清市場用人主體對人工智能人才的需求特征是提升人才供給與產業需求之間匹配度的重要前提。

近年來，上海積極發揮人工智能產業“頭雁”效應，打造具有全球影響力的產業集群。從2018年到2023年，規模以上企業數量由183家增至350家，產業規模超過3800億元，人才規模超過25萬人。隨著人工智能產業規模的快速壯大，預計到“十四五”末，上海人工智能產業人才需求規模將達到34.3萬人，這意味著人才失衡問題可能會進一步凸顯。因此，本研究選取上海為例，基于網絡招聘數據，從市場用人主體角度出發，構建人工智能人才需求特征模型，從企業招聘需求與個人任職要求兩維度挖掘分析市場對不同種類人工智能人才的需求特征，為上海精準引育人工智能人才提供參考。

二、文獻綜述

（一）人工智能人才需求研究

人才是把握人工智能戰略發展歷史機遇的關鍵。在近70年的人工智能發展歷史中，我國積累了總量龐大、結構豐富的人工智能產業人才隊伍。但在新發展階段以及新技術不斷迭代過程中，產業對人才的需求也呈現出新的趨勢。國內學者圍繞人工智能產業人才隊伍特征及需求趨勢開展了較多討論，已有研究主要分為兩類。

一類是在宏觀層面，對我國人工智能人才隊伍的總體狀況及供需矛盾進行分析，主要基于國內外人工智能研究報告、白皮書等宏觀數據進行理論分析。例如，楊有韋（2020）從宏觀的角度對我國人工智能產業人才發展的總體狀況進行了總結歸納：當前我國人工智能產業人才發展存在供需不平衡、結構不均衡、質量不匹配等問題，人才供給難以支撐迅速擴展的產業規模，人才培養難以滿足復合多樣的人才需求。李利利等（2021）按照人工智能領域產業應用的實際情況，將人工智能人才隊伍定義為四層次金字塔結構，即研究創新人才、產業研發人才、行業應用人才和實用技能人才，后三類人才整體呈現出人力資本結構高級化，創新型、復合型、應用型人才需求增多的特征。童嘉等（2022）通過對中美兩國人工智能人才隊伍建設狀況比較，提出目前我國存在基礎層人才儲備薄弱、領軍人才結構失衡、技術人才供給不足等問題。劉飛（2021）認為，產業不同領域、不同發展階段對人才的需求都是不盡相同的，新領域的不斷出現加速了人工智能產業人才的分流現象，也加劇了人才需求的迫切性。

另一類則是在中觀層面，針對國內北京、上海等重點區域的人工智能產業人才發展狀況開展的研究，主要以定性分析為主，少量采用問卷調研數據。例如，范漪萍等（2019）研究顯示，北京的人工智能產業人才呈現出結構多元化、領域集中化、產業上游人才需求大以及國際化等特征，同時也存在高端人才缺乏、人才結構失衡等問題；高子平（2019）基于獵頭公司提供的人工智能崗位說明書、企業提供的人才簡歷以及314份補充性問卷調查等數據資料，對上海浦東新區的人工智能人才隊伍的結構化特征等建設現狀進行了分析，浦東新區人工智能產業發展呈現出“應用先導”的特征，超七成人才處于技術或應用層，基礎層比例偏離，頂尖大師和領軍人才明顯短缺。

整體來看，已有研究大多從宏觀層面或中觀層面出發，對人工智能產業人才的現狀及需求趨勢進行研究，分析得出我國人工智能產業人才頂尖人才缺乏、復合需求增多、結構矛盾突出等特征，但受限于調研范圍和數據采集，鮮有研究從市場用人主體需求出發，對微觀層面人工智能產業人才的具體需求特征開展分析。同時，在開展文獻檢索時發現，學者更多關注人工智能產業人才的培養環節，例如新質生產力背景下人工智能專業人才培養體系的構建、高校人工智能人才產教融合培養模式的探索、非人工智能專業的人工智能教育等，但這類研究中大多都忽視了對人才需求具體特征的挖掘與剖析，基于產業人才需求特征出發的人工智能人才培養研究較少。

（二）產業人才需求研究方法

重點產業人才需求是學界關注的熱點話題，學者采用不同的方法和途徑對多行業的人才需求開展了大量研究。整體來看，已有研究方法和數據獲取主要基于訪談或問卷調查。例如，張敏等（2023）采用209份智能財務人才需求調查問卷數據，從數量、類型、能力、課程等多個維度系統探討了我國智能財務人才的需求和供給；鄧媛等（2024）以126名語言服務從業者及397名學者作為研究對象開展問卷調查和訪談，對人工智能時代語言服務從業者的資質、能力等進行了剖析，并與語言服務行業人才培養現狀進行了對比分析，以推進語言服務創新人才的培養。王小剛等（2023）對全國58家軟件行業企業進行了人才需求調研，對未來軟件行業技術技能人才崗位進行了預測，從能力素質、職業素養等維度進行了特征分析。問卷調查法可以從企業和從業人員等多方獲取第一手數據，但受限于人力物力成本，大部分研究數據樣本量都不大，難以保證樣本選取的代表性和科學性；訪談法可以凝聚專家對特定領域人才需求的認知與洞察，但受限于專家或受訪者的個人觀點以及訪談的范圍，難以對行業總體的人才需求情況進行全面的掌握。

伴隨網絡招聘成為企業人才招聘的主要方式，網絡招聘數據成為重要的數據資源。海量的網絡招聘數據能夠直觀、及時地反映市場用人主體對人才的各類需求特征，也為學者帶來了新的研究視角和數據來源，不少學者開始基于網絡招聘數據挖掘人才需求特征。例如，魏巧云等（2024）采用爬蟲技術抓取了42家供應鏈金融企業的網絡招聘數據，總結出供應鏈金融職位特征和企業對供應鏈金融人才需求的特點。王寶慧等（2023）將“機器人工程”作為關鍵詞，從招聘網站抓取了4813條機器人產業人才招聘數據，輔以專家訪談和問卷調查，構建了“崗位-任務-知識點”的人才需求模型。陳曉婷（2021）基于智聯招聘、前程無憂等大型招聘網站采集到的招聘數據，通過特征提取算法、詞典分析和網絡語義等方法對檔案人才的需求特征進行了充分挖掘與分析。趙玲（2020）抓取了11777條成都地區人力資源行業的人才招聘數據，基于崗位、能力、經驗、學歷等維度的分析，以客觀分析結果支撐人力資源行業對復合型人才需求強烈、對團隊合作能力要求高等結論。朱愛璐（2020）采用文本挖掘方法對11224條數據分析崗位招聘信息進行分析，總結出不同地區對崗位的需求特征，并對數據分析人才的薪資水平影響因素等進行了研究。此類研究主要涉及的文本挖掘技術包括BERT + CRF模型、TF-IDF特征提取算法、基于詞典的分詞技術、LDA模型、Word2vec模型等。網絡招聘數據包含企業對需求人才方方面面的具體要求，通過文本挖掘等技術手段，可有效獲取招聘文本中潛在的有價值信息，無論是對人才需求還是產業發展都能帶來更有深度、更加精確的判斷和把握。

因此，本研究擬采用網絡爬蟲和文本挖掘技術，抓取并挖掘上海市人工智能產業人才招聘數據，開展人才需求特征的多維度分析。本研究的創新點以及邊際貢獻主要體現在以下三方面：一是實現人工智能產業人才具體需求的量化與可視化。本研究采用網絡爬蟲技術，解決了問卷和訪談等傳統研究方法獲取數據不夠客觀全面的問題；同時，文本挖掘技術的使用可以將招聘信息中的隱性文本特征進行可視化，實現結構化數據和非結構化數據的共同呈現。二是分類討論人工智能產業人才的需求特征。本研究按照產業應用實際中的崗位情況，將采集到人工智能產業人才崗位分為4大類，從人才分層的角度提煉出不同類型人才的需求特征。三是選取上海這一特定城市作為研究對象。由于人工智能作為新興高科技產業，全國各地在重點領域布局和產業發展成熟度等方面參差不齊，選取特定城市作為分析對象，更加能夠聚焦某一地區市場主體對于人工智能產業人才需求的真實情況，上海作為人工智能產業發展“頭雁”，研究思路和分析結果后續也可為其他城市提供借鑒。

三、研究設計

本文基于網絡招聘數據，從市場用人主體角度出發挖掘上海人工智能產業對于人才的需求特征，具體包括數據采集與預處理、人工智能產業人才需求畫像模型框架構建、統計分析與需求特征挖掘三個步驟，如圖1所示。

（一）數據采集與預處理

本研究以國內某大型招聘網站作為數據來源，數據采集過程如下：（1）選取人工智能產業熱門領域關鍵詞“機器學習”“深度學習”“計算機視覺”“自然語言處理”“知識圖譜”“智能芯片”等作為檢索詞；地點范圍設定為“上海”；招聘信息發布時間設定為“2023年3—4月”；（2）采用網絡爬蟲技術，對符合以上檢索條件的招聘信息中的崗位名稱、招聘企業相關信息以及學歷、工作經驗、工作職責等相關字段進行抓取；（3）將抓取到的數據統一導入excel中進行去空、去重等清洗工作，最終得到上海人工智能產業人才有效招聘數據共計10290條；（4）按照招聘崗位所屬領域、職位信息，參考產業實際應用中的崗位情況以及工信部人才交流中心發布的《人工智能產業人才崗位能力要求》和已有研究中對人工智能人才的分類，將采集到的招聘崗位數據分為了算法研究（2817條）、開發應用（3027條）、實用技能（2154條）以及運營服務（2292條）四大類，以便在后續研究中更精準地剖析不同種類人才的需求特征。其中，算法研究類人才是指進行創新、突破人工智能算法和技術研究，將人工智能前沿理論和實際算法模型相結合的人才，例如算法工程師、算法研究員等；開發應用類人才是指將人工智能算法工具與行業需求相結合，推進產業化落地應用的人才，例如機器視覺工程師、嵌入式軟件工程師等；實用技能類人才是指掌握一定的技能和實用方法，結合特定應用場景，保障人工智能技術快速、高效、規模應用的人才，例如數據分析師、機器人應用工程師等；運營服務類人才則是指開展人工智能市場調研分析、產品運營推廣和客戶服務等的人才，例如人工智能產品經理、市場專員等。

（二）構建人工智能產業需求人才畫像模型

人才畫像模型本質上是一組多維標簽組合的框架，借助人才畫像模型可清晰地勾勒出人工智能產業所需人才在各維度的特征。本研究根據招聘數據中的字段信息，構建起企業招聘需求和個人任職要求兩維度的人才畫像模型，如表1所示。其中企業招聘需求維度包含所需崗位名稱，企業所屬行業、性質、規模以及薪酬給付情況等；個人任職要求維度包含基本資歷、專業知識、工具技能、能力素質等特征。

（三）需求特征分析

人工智能產業人才需求畫像模型框架中包含顯性和隱性兩類需求特征。其中，顯性需求特征，例如招聘崗位，招聘企業的行業、性質、規模，以及學歷、工作經驗等，可基于招聘數據中的對應字段稍加處理后直接進行描述性統計分析；而專業知識、工具技能、能力素質等特征則隱藏在任職要求與崗位職責文本當中，對文本加工挖掘后才能進行統計分析。針對無法直接分析的隱性需求特征，本研究采用TF-IDF特征提取算法、基于詞典的分析技術等文本挖掘技術進行關鍵詞提取，通過詞云圖、需求占比等方式實現隱性需求特征可視化。TF-IDF特征提取算法可以用來評估某一關鍵詞在某一文檔中的重要程度，若某一關鍵詞在一個文本集中出現頻率偏高，在其他文本集中出現頻率偏低，則該關鍵詞可作為這個文檔集的特征，用于區別其他文本集。構建一個專業、全面的分詞詞典是準確挖掘專業人才需求特征的關鍵基礎，由于當前常用的中文分析詞典中難以有效地將人工智能領域的相關關鍵詞進行準確分割，因此需要重新構建人工智能專業領域分詞詞典。

因此本研究對隱性需求特征的挖掘步驟如下：（1）中文分詞：基于R語言中jiebaR關鍵詞分詞器對任職要求文本信息進行中文分詞，并去除停用詞；（2）關鍵詞抽取：采用TF-IDF關鍵詞抽取算法計算特征詞權重，抽取關鍵詞并進行詞頻統計，篩選詞頻達300以上的關鍵詞；（3）人工智能專業領域詞典構建：對以上關鍵詞進行人工篩選、同義詞合并、分類、增補后，得到專業知識類詞語401個，工具技能類詞語318個，以及能力素質類詞語194個；（4）特征提取與可視化：將基于所構建的人工智能專業領域詞典對四類不同人才崗位進行專業知識、工具技能、能力素質等特征提取。

四、上海人工智能產業人才需求特征

（一）企業招聘需求特征

1.人才需求區域集聚效應突出

受上海早先人工智能產業“ 4+X ”總體布局影響，人工智能人才需求的區域集聚效應比較突出，四大產業核心園區所在行政區—浦東、徐匯、閔行所需產業人才占全市需求的56.8% ，成為上海人工智能產業人才的“強磁場”；嘉定區汽車“新四化”、智能傳感器及物聯網、在線新經濟等相關產業的高質量發展，對人工智能人才的需求也較為強烈，占比6.5% ；楊浦、靜安、長寧三區需求次之，分別占比約為 5% 。

2.熱門需求崗位類型涉及多環節

本研究對招聘數據中的相似崗位進行了匯總與合并，并對各崗位的需求量進行了統計，表2為上海人工智能產業前十大熱門崗位。研究顯示，上海人工智能產業中需求最高的前十大崗位中不僅僅局限于產業鏈前端的開發人才，也涵蓋中下游的測試、運維、銷售、產品經理等人才。其中，算法工程師為需求最高的崗位，占比 27.5% ；其次為軟件開發工程師，占比 13.9% ；緊隨其后的為產品銷售、數據分析師，分別占比 5.2% 、 4.5% 。

3.人才需求行業分布廣泛

如圖3所示，計算機行業（軟件、硬件、服務）對人工智能人才需求排在首位，占比 23.8% ；其余 76.2% 的需求崗位均來自非計算機行業，例如電子技術/半導體/集成電路（ 12.4% ）、互聯網/電子商務（ 11.9% ）、儀器儀表/工業自動化（ 6.2% ）等。同時，伴隨人才智能技術在自動駕駛、金融證券、醫療器械等行業的滲透與融合，以及機械制造、建筑、交通等傳統行業的智能化轉型，以上行業對人工智能人才的需求也占據一定比例。整體來看，由于第三產業率先與人工智能技術實現了融合發展，因此對人工智能產業人才需求量大的行業大多集中在第三產業。

4.民營中小企業成為人才需求的主力軍

如表3所示，民營企業是上海人工智能人才需求的主要來源，占比 58.0% ；同時，由于人工智能屬于前沿行業，當前仍有許多技術及理論需從國外引進。因此，外資、合資企業對人工智能人才的需求量也較大，僅次于民營企業，分別占比 10.1% 、 8.3% ；國企的人才需求緊隨其后，占比 8.2% 。從單位規模來看，近七成人才需求來自規模小于500人的中小企業，尤其是規模在“50＼～150人”“150＼～500人”的企業，人才需求各占1/4左右（見表3）；除此之外，500人以下的中小企業還提供了超六成的博士招聘崗位。

5.企業對所需人才的薪資給付水平高

從薪資情況來看，上海人工智能產業對于所需人才的薪酬給付水平高，平均為26.5萬/年，是2023年上海社會平均工資的1.79倍。其中，崗位年薪在“10萬 ～20 萬”“20萬 ～30 萬”“30萬 ～50 萬”三個區間段較為集中，分別占比 27.6% 、 34.1% 、 23.1% ；除此之外，約有 7.1% 的崗位年薪超過50萬（見圖4）。

（二）個人任職需求特征分析

近年來，人工智能產業熱度擴散并不斷細化，伴隨而來的不僅僅是人才需求的爆發式增長，市場對于人才的需求也更加精細和多元，從算法研究、技術開發、應用交付到運營維護等多個環節對人才的任職需求均存在差異。本研究按照產業實際應用中的崗位情況，將人工智能人才劃分為算法研究、開發應用、實用技能以及運營服務四大類人才，并對四大類人才在基本資歷、專業知識以及工具技能等方面的需求特征開展了分析。

1.基本資歷

在學歷方面，有 83.7% 的人工智能人才崗位要求學歷在本科及以上；其中，算法研究類人才要求最高，本科及以上要求高達 99% ，碩博士學歷要求超過 40% ，且部分崗位要求人才為“雙一流”名校畢業；實用技能類與運營服務類人才要求相對較低，本科及以上學歷要求占比分別為 76.6% 、 61.6% 。在人工智能產業領域，學習能力及前沿意識是人才所必備的素養，通常擁有名校背景的人才在整體學習能力和前沿意識方面優于普通院校人才。因此，企業在招聘時不僅對學歷有要求，且更青睞于名校背景人才。

在工作經驗方面，如圖6所示，人工智能產業更青睞于有相關工作經驗的人才，平均93.5% 的崗位有工作經驗要求，無需相關工作經驗的崗位僅占 6.5% ，面向高校應屆畢業生的崗位占比 4.5% 。其中，“3＼～4年”工作經驗的需求在四類人才中均最為普遍，其次是“2年”“5＼～7年”。人工智能是不斷發展變化的技術，擁有\"3＼～4年\"經驗的人才技術掌握較為扎實，且以青年為主，對新技術、新變化的接受能力也較強。

2.專業知識

本研究基于建立的專業知識詞典，對四類不同人才崗位對專業知識的要求進行了提取與分析。表4為對各專業知識有要求的崗位占比情況，占比越高，說明對相關專業知識要求越普遍。分析得出，在四類人工智能人才中，對專業有明確限制的僅占 12.6% ，呈現出“寬口徑”的特征，同時對專業知識的要求呈現出多元交叉的趨勢。具體來看，算法研究類人才處于產業鏈上游，對深度學習、機器學習、圖像處理、計算機視覺、自然語言處理等各類算法要求較為普遍，同時對數學建模、論文發表等專業知識也有一定要求，以滿足人工智能技術的創新與突破要求；應用開發類人才致力于通過軟件研發等方式實現算法、技術與行業需求相結合后的應用落地，因此該類人才不僅要熟知算法、軟件工程、嵌入式技術等專業知識，同時對技術所應用的行業（例如物聯網、自動駕駛）相關知識也需有一定了解；實用技能類人才需要完成標注、調試、運維、數據分析等基礎工作，是行業落地應用的基礎人才與實現保障，因此對電子工程、統計、電氣等方面的專業知識需求較為強烈，對軟件工程、算法等知識要求遠低于前兩類人才；運營服務類人才主要是指產品經理、市場銷售等，對相關產品、商業等知識有要求，同時還需掌握數據挖掘、大數據等知識，便于開展市場調研、推廣銷售等工作。

3.技能工具

本研究基于構建的技能工具詞典對四類不同人才崗位的技能工具要求進行關鍵詞提取和詞頻統計，并繪制了詞云圖，如圖7所示，詞語面積越大，說明出現的頻次越高，對于該技能工具的要求就越為普遍。詞云圖結果表明，人工智能產業對人才在編程語言、機器學習工具、數據處理軟件等相關技能工具的要求較高，總體來看，要求排名前五的技能工具為 C++ 、python、java、Linux、PyTor，除此之外，四類人才對技能工具的要求側重點各有不同：算法研究類人才較為看重PyTor、Tensorflow等機器學習工具；應用開發類人才除去對編程語言有要求，還對Linux操作系統以及MySQL等數據庫工具有要求；實用技能人才對R、SAS等數據分析工具有特別要求；運營服務類人才則對PPT等Office辦公軟件、R等數據分析工具的要求高于編程語言。

4.能力素質

根據勝任力之冰山模型相關理論，能力素質是人才隱性特質的一部分，相較于專業知識、工具技能等顯性特質更穩定，更有利于職業發展的行穩致遠。對上海人工智能人才能力素質要求進行詞云圖分析后可得（見圖8），人才能力素質需求主要集中在溝通能力、團隊合作、獨立性、邏輯思維、責任心、抗壓性、創新、快速高效等；算法研究、應用開發、實用技能三類人才對英語的需求較高，而運營服務類人才對組織能力與管理能力的需求高于另外三類人才。

五、研究結論與對策建議

（一）研究結論

本研究采用網絡爬蟲技術提取了10290條上海人工智能產業人才招聘信息，基于構建的人工智能產業人才需求畫像模型開展分析，并通過文本挖掘技術實現了需求特征的定量化和可視化分析。研究發現上海人工智能產業人才需求呈現出區域集聚、崗位多元、行業廣泛、薪酬較高、資歷豐富、專業融合等特征。具體來看：（1）上海對人工智能產業人才的需求主要集中在浦東、徐匯、閔行三區，民營中小企業是人工智能人才需求的主要來源；（2）除計算機行業外，第三產業對人工智能產業人才需求旺盛，熱門需求崗位以算法工程師為首，同時涵蓋產業中下游的數據分析、產品銷售人才崗位；（3）在基本資歷方面，企業對學歷背景和工作經驗要求較高，尤其對算法研究類人才學歷要求嚴格，對“3＼～4”年工作經驗人才需求旺盛；（4）在專業知識方面，呈現出寬口徑、交叉多元的特征，算法研究類人才崗位對深度學習、機器學習、圖像處理等各類算法要求較為普遍，實用技能類人才崗位對電子工程、統計、電氣等方面的專業知識有特別要求，對軟件工程、算法等知識要求遠低于算法研究類和應用開發類；（5）在技能工具方面，企業對編程語言、機器學習工具、數據處理軟件等相關技能工具的要求整體較高，算法研究類人才崗位側重于機器學習工具，應用開發類注重編程語言和數據庫使用，實用技能類則特別要求掌握數據分析類工具；（6）在能力素質方面，需求主要集中在溝通能力、團隊合作、獨立性、邏輯思維等方面，運營服務類對組織能力與管理能力的需求高于另外三類人才。

（二）對策建議

上海人工智能產業正處于跨越升級、全面融入城市經濟生活的階段，對優質產業人才的需求將不斷增長且繼續細化，唯有以市場主體需求為出發點，更精準的引育產業人才，才能為加快建設更具國際影響力的人工智能“上海高地”賦能增效。基于研究結果，結合已有文獻、相關調研，本研究從以下三方面提出對策建議。

1.政府層面：擴總量、摸需求、抓重點

一是擴大高校人工智能相關專業招生規模。數據顯示，當前上海人工智能產業人才規模超過25萬人，預計到“十四五”末，人才需求規模將達到34.3萬人，人才失衡問題進一步凸顯。因此，建議進一步拓展上海及周邊高等院校人工智能相關專業點的布局，擴大本專生人工智能專業的覆蓋，增加相關專業招生規模，實現專業布局、人才供給與產業發展相匹配，逐步縮小人才缺口。二是建立人工智能人才需求預測與評估機制。研究結果顯示，需求最高的十大崗位中包含產業鏈前端的開發人才，也涵蓋中下游的測試、運維、銷售、產品經理等人才；區別于百度在2018年發布的《人工智能行業人才發展研究報告》中所提到的“職位需求集中于應用層，基礎層及技術層需求乏力”，在短短幾年間人才需求類型已發生較大變化。建議政府牽頭建立人工智能產業人才需求預測與評估機制，定期對人工智能產業人才需求結構和特征開展調研與監測，適時調整產業人才政策和緊缺人才需求目錄，使人才政策與產業發展共振，為人工智能產業人才引育提供指導。三是加強對重點領域、重點企業人才需求的關注和支持。一方面，加強對基礎理論、原創算法、高端芯片等重點領域頂尖人才的需求關注，明確限制關鍵技術突破和基礎理論創新的人才掣肘，有針對性地進行引進培養。另一方面，民營中小企業儼然已成為上海人工智能產業人才吸納和科技創新的關鍵引擎，建議加強對民營中小企業人工智能產業人才的需求關注，強化民營中小企業在人才項目計劃、用工需求對接、職業技能培訓、評價標準制定等方面的政策支持，多舉措護航民營中小企業中人工智能產業人才發展。

2.院校層面：分層次、育交叉、重實踐

一是實施人工智能產業人才分層差異化培養模式。研究結果顯示，上海人工智能產業對于算法研究、應用開發、實用技能、運營服務四類人才在基本資歷、專業知識、技能工具、能力素質等方面的要求各有不同。建議高校結合產業發展特色及重點領域需求，以市場主體人才需求特征為導向，實施統籌規劃分層差異化培養，有效區別研究生、本科、專科不同類型高校之間的培養差異。例如，加強專科教育對實用技能類人才培養，研究生教育則立足于基礎理論研究，注重對算法研究類人才開發，本科教育則應在基礎理論知識基礎上，加強實踐教育，實現對各類復合型人才的有效培養。二是完善“人工智能 +X ”交叉學科體制機制建設。數據顯示，超七成人工智能崗位需求來自非計算機行業，且企業招聘專業要求呈現出“寬口徑”特征，對具備“人工智能+X”交叉學科知識的復合型人才需求普遍。建議進一步深化人工智能與基礎科學、信息科學、工學、社會科學等相關學科的交叉融合，增設“人工智能+X”交叉學科型的專業或方向，或在原有學科培養計劃中增加人工智能相關專業課程，鼓勵學生將人工智能技術與本專業相結合。三是加強人工智能產業人才實踐創新能力培養。當前上海人工智能企業對人才工作經驗的要求高，面向高校應屆畢業生的崗位僅占 4.5% ，從側面反映出高校教育理論教學與實踐創新失衡、人才輸出與產業需求的錯位。建議高校進一步加強人工智能人才的實踐教育，推行校企聯合培養模式，通過與企業搭建人工智能人才實踐平臺、共同制定實訓實踐大綱，引進產業界師資隊伍資源等方式，著重提升學生動手和項目實踐能力，實現教育與產業的有效交互。

3.產業層面：把方向、強責任、搭平臺

一是充分發揮企業人才需求洞察敏銳的優勢。相較于高校，企業能夠快速地洞察到市場對于人工智能產業人才的需求的變化，建議企業充分發揮在把握行業發展方向、行業標準、制造過程以及服務標準等方面的優勢，加強與高校之間的溝通交流和需求對接，為高校人才培養提供指引，并通過提供實踐平臺、開放設備資源等拓展高校人才培養的實踐外延。二是增強企業人工智能產業人才培養的責任意識。一方面，建議具備雄厚科研能力的大型企業，加速建設人工智能產業研究院，例如百度云智學院、阿里云大學等，推動校外人工智能人才培養體系建設，開發“短平快”課程體系，為在職人工智能產業人才提供與產業契合度高、實踐實用能力強的培訓平臺。另一方面，建議各類中小企業提升企業內部人才培養能力，通過與市場專業教育機構合作、舉辦人工智能技術交流沙龍、聯合搭建人工智能知識共享平臺等方式，接好高校人才培養的“接力棒”，同時也為傳統產業人才知識轉型、更新提供渠道。三是充分發揮人工智能行業協會平臺橋梁作用。建議依托行業協會成立企業人工智能人才培養聯盟，促進人工智能產業產教融合校企供需對接，構建產教融合評價與監督機制，通過組織專題會議、研討會和論壇等形式，加強人工智能產業人才培養經驗、存在問題和解決方案等方面的交流，共同推動人才培養模式的創新。

參考文獻：

[1]陳曉婷.基于招聘數據的檔案人才需求特征挖掘及人才培育分析[J].檔案學研究，2021（04）：87-93.

[2]戴瑞婷，李樂民.面向產教融合的高校人工智能人才培養模式探索[J].高等工程教育研究，2024，（03）：19-25.

[3]鄧媛，楊嶼海，袁慶.人工智能時代語言服務行業需求分析與人才培養研究[J].湖南大學學報（社會科學版），2024，38（02）：95-102

[4]范漪萍，王曉迪，張煒，吳玉輝，劉彥君.北京人工智能產業發展人才需求分析及精準引才對策建議[C].創新發展與情報服務：2019：71-75.

[5]高子平.上海浦東新區人工智能人才隊伍建設現狀、問題及優化策略[J].北京教育學院學報，2019，33（03）：66-72.

[6]郝興偉，周元峰，任立英.面向非人工智能專業的人工智能教育探索與實踐[J].中國大學教學，2024，（09）：38-43.

[7]黃全振，竇永江，盧金燕，等.新質生產力背景下人工智能專業人才培養體系探索[J].高教學刊， 2024，10（32）：5-8+15.

[8]紀園園，沈濤.發揮\"頭雁\"效應打造人工智能高地[N].解放日報，2024-09-17（007）.

[9]李利利，楊佩瑜，陳新.新發展階段下的我國人工智能產業人才培養研究[J].信息通信技術與政策，2021，47（05）：6-10.

[10]劉飛.國內人工智能產業人才需求研究及思考[J].機器人技術與應用，2021（01）：46-48.

[11]孫樹強.厘清中國人工智能的早期發展脈絡[N].光明日報，2023-08-26（012）.

[12]童嘉，鄧勇新，李拓宇.我國人工智能人才隊伍建設：現狀、瓶頸及若干建議——基于中美兩國的比較分析[J].創新科技，2022，22（11）：84-92.

[13]王寶慧，劉倡，王琪皓，等.OBE理念下的機器人產業人才需求調研分析[J].高等工程教育研究，2023，（04）：65-72.

[14]王小剛，彭曉楠，姚明.軟件行業人才需求與職業院校專業設置匹配分析[J].中國職業技術教育，2023，（06）：39-47.

[15]魏巧云，宋曉黎.供應鏈金融人才需求分析——基于爬蟲技術對前程無憂網采集的數據分析[J].物流科技，2024，47（19）：133-137.

[16]楊有韋.人工智能產業人才發展研究[J].大數據時代，2020（07）：26-31.

[17]張敏，賈麗，史春玲.數字經濟背景下的智能財務人才需求研究——基于調查問卷數據的實證分析[J].廈門大學學報（哲學社會科學版），2023，73（02）：56-68.

[18]趙玲.成都地區人力資源行業招聘需求對人才培養的啟示——基于爬蟲數據[J].財富時代，2020（07）：109-110.

[19]周源，劉懷蘭，杜朋朋，等.基于改進TF-IDF特征提取的文本分類模型研究[J].情報科學，2017，35（05）：111-118.

[20]朱愛璐.基于文本挖掘的數據分析崗位人才需求分析[D].江西財經大學，2020.

Analysis of Human Resources Demand Characteristics of Shanghai Artificial Intelligence Industry

Li Ruirui

（Shanghai Institute of Human Resources and Social Security Science， Shanghai 200070）

Abstract：Artificial intelligence is one of the three leading industries that Shanghai prioritizes for development in line with the national strategic deployment. With the rapid development of the AI industry， the demand for AI industry human resources has grown exponentially， and the demand characteristics have also shown a diversified trend. This study utilizes a major domestic recruitment website as the data source， obtaining a total of 10，290 AI industry-related recruitment data in Shanghai from March to April 2023.

Then， this study constructed a human resources demand profile model framework for the AI industry and used Chinese word segmentation， feature extraction and other text mining technologies to conduct multi-dimensional analysis on the extracted recruitment data. Demand characteristic analysis was conducted from both the perspective of enterprise recruitment needs and individual job requirements， including the regional distribution， industry distribution， job position demand， industry demand， salary payment features， and the demand features for basic qualifications， professonal knowledge， skills tools，and ability qualities of human resources. The research findings show that the talent demand for Shanghai AI industry presents the characteristics of regional concentration， diverse job positions，wide-ranging industries， relatively high salaries， rich qualifications， and professional integration. Based on the demand features， this study provides relevant suggestions for Shanghai to attract and cultivate AI human resources more precisely.

Key Words： Recruitment Data; Artificial Intelligence; Human Resources Demand Characteristics; Feature Extraction