XM官网 - XM外汇平台官网注册入口

美国AI人才短缺，供给从哪来？(2025年03月02日)

XM 2025-03-02

2025年1月，CEA（Council of Economic Advisers，美国总统经济顾问委员会）发布了一份详细的人工智能人才报告，全景式地扫描了美国AI人才的现状。

咱们不要小瞧这个CEA ，它是美国白宫直属的经济政策咨询机构，其主要职能是向总统提供经济分析和政策建议，它的研究和建议不仅影响美国的短期经济决策，也对科技、就业、产业发展等长期战略有重要影响。

以下是该报告的重点：

1. CEA 研究了美国是否能够满足日益增长的AI人才需求，并通过建立分类体系，将AI相关学位分为软件和硬件两大类。

2. 在过去十年，美国AI相关学位（学士、硕士、博士）毕业生数量显著增长，主要来自学士和硕士学位的增加。其中，非美国公民占比高，博士生中近半数为国际学生。大多数AI博士毕业生来自公立大学。

3. 美国AI相关学位毕业生数量领先全球，仅次于印度（学士学位更多）和中国（学士、博士学位更多）。中国的AI人才增长速度快于美国，但美国仍在顶尖AI研究人员、实验室及前沿模型训练方面保持全球领先。

4. AI人才需求增长远超高校培养速度，尤其是在软件领域，相关职位招聘年均增长31.7%，但AI学士、硕士、博士学位的增长率仅为 8.2% 、8.5%、2.9%。

5. 提升AI人才供给的三大策略：第一，增加美国国内高校培养AI人才的数量；第二，吸引国际AI人才，减少美国AI毕业生流失；第三，促进跨行业人才流入AI领域。

一、AI人才的重要性

AI已成为全球竞争的关键，其发展影响经济、生产力、基础设施，甚至国家安全。AI的发展不仅依赖计算能力和数据，还高度依赖人才，因为：

算法研发、模型训练和优化需要高水平研究人员；

数据中心维护、芯片设计与制造需要专业工程师；

AI硬件开发（如半导体、计算架构）也日益与AI软件开发深度融合。

因此，人才供给成为CEA评估美国AI竞争力的核心因素之一。

CEA 将 AI 相关的职业分为软件和硬件两大类。

软件领域：涉及AI算法和模型开发，涵盖数据管理、模型架构设计、算法优化、模型训练与微调、产品部署等环节。这类岗位典型代表如机器学习工程师、软件工程师、研究科学家，他们通常就职于 OpenAI、Google DeepMind 等AI研发机构。

硬件领域：涉及整个AI硬件供应链的高技能岗位。由于本报告重点关注AI教育体系培养的专业人才，因此这里主要指具备高等教育背景的专业技术人员，如：数据中心：工程师、技术人员；半导体产业：芯片设计、制造、封装（ATP）等环节的工程师。

实际上，软件与硬件的界限并非泾渭分明。

例如，芯片设计工程师越来越依赖AI进行优化，而掌握计算机架构的硬件专家，也往往会参与AI模型的开发。因此，CEA认为，尽管软件和硬件分类存在一定交叉，但它们仍然是分析AI高端人才供给结构的有效方式，以更好地理解美国AI人才市场的现状及未来需求。

二、美国的AI人才短缺

人工智能的快速发展，使得对高端AI人才的需求持续攀升。无论是软件还是硬件领域，AI行业都面临着人才短缺的问题，尤其是在前沿技术研发和核心基础设施建设方面。

首先是在软件领域，人工智能实验室对顶尖人才的需求居高不下，且仍在持续增长。训练一个前沿AI模型的成本可能高达1亿美元，其中 29%~49% 用于支付研发人员的薪酬。AI领域的薪资远高于一般计算机行业，以吸引全球最优秀的技术人才。例如，2021至2022年间，AI从业者的薪资增长了10%~13% ，显示出行业的高需求和高回报。

另一个人才需求激增的证据来自招聘市场。数据显示，2015年至2023年，涉及“自然语言处理 ”和“神经网络”等技能的职位需求增长了257% ，远远超过同期整体职位增长率（52%）。这表明，AI软件人才的市场需求已进入高速扩张阶段，但供给却难以跟上。

而在硬件方面的AI人才需求涉及多个行业，尤其是数据中心和半导体供应链。由于AI计算的快速发展，这两个领域的投资与扩张速度惊人，但专业人才的短缺已成为行业发展的瓶颈。

（1）数据中心：增长快、缺口大。

2020~2021年，数据中心相关交易总额增长40% ，投资规模达480亿美元。但人才缺口严重：Uptime Institute 预测，该行业人才需求将以3%的年复合增长率上升，尤其是在云计算领域。2020年的调查显示，50%的数据中心经理称难以找到合格员工，71%的人预计到2023年仍难以填补职位。

数据中心的许多工作需要接受高等教育或专业技能培训，但当前的教育体系和市场供给远远跟不上行业增长的节奏。

（2）半导体供应链：AI硬件的核心短板。

AI计算离不开高性能芯片，而芯片的设计、制造、封装、测试等环节都需要高端人才。该行业同样面临技能型人才短缺的问题：半导体行业中，超过50%的从业者至少需要拥有学士或研究生学历；但目前全球范围内的芯片工程师供给不足，导致芯片生产能力受限，进一步影响AI产业的发展。

三、美国AI人才从哪里来？

在任何时候，美国都有一批人才投身于人工智能的开发和应用。这一人才库的规模在短期内相对固定，而从长期来看，人才的流动主要通过三种渠道实现：

1. 国内高校培养——通过美国高等教育体系获得AI相关技能；

2. 国际人才流动——AI专业人才的移民流入或流出美国；

3. 行业内外人才转换——受过AI相关培训的本土人才，可能进入或退出AI行业。

本报告重点关注第一个渠道，即美国高校培养的AI人才规模。

为此，CEA 设计了一套基于学位的AI人才分类系统，这一系统的核心逻辑是：AI行业需要的技能并不局限于明确的“人工智能”专业，而是涵盖更广泛的相关学科。具体来说，在美国国家教育统计中心（NCES）IPEDS数据库的2320个学术领域中，CEA选取了154个学科归类为AI相关。

当然，这个人工智能人才分类体系，主要聚焦于与AI技术直接相关的学科，但并不意味着AI的发展仅依赖于这些专业人才。

AI的广泛应用需要依托庞大的基础设施支持，而这些基础设施的建设与维护，同样涉及大量技术人员。

其中，电力行业是支撑AI计算的核心环节之一。

根据劳伦斯伯克利国家实验室的预测，到2028年，数据中心的电力消耗将占美国总电力需求的6.7%至12.0%，相比2023年的4.4%有显著提升。这一增长不仅要求电力行业扩建基础设施，也意味着该行业需要大量新人才。

数据显示，2020年至2024年，美国电力行业就业人数从38.1万增加至41.2万；预计到2033年，该行业就业人数将达到44.5万，进一步扩张。

不仅如此，AI基础设施建设还涉及非住宅建筑行业（如数据中心、芯片制造厂房的建设）。2020年至2024年，该行业从业人数从79.8万增加至92.3万，预计2033年将达到93.6万。

基础设施建设并非只靠扩招工人就能顺利推进，还需要克服技术、资金和政策等多重挑战。因此，尽管电力和建筑行业在AI产业发展中至关重要，但CEA的AI人才分类体系并未将这些行业的相关工人纳入统计范围。毕竟，这些行业的从业者尽管对AI生态至关重要，但他们的技能需求并非完全针对AI技术本身。

四、美国AI人才供给

使用前述的分类体系，CEA 发现：自2000年代末以来，美国AI相关学士学位的授予量大幅增加，2010年至2022年增长超过一倍。

其中，增长最快的学科是：

计算机科学/信息科学，占总增长的42%；机械工程，占13%。

硕士学位增长了71% ，表明研究生层面的AI人才培养力度显著提升。

博士学位授予量增加了48%，尽管增速相对较慢，但仍高于美国学位整体增长水平。

但AI人才的增长是否能满足市场的需求？

答案是供给仍然严重不足。

CEA也调研了美国AI人才的国籍结构：本科阶段，非美国公民仅占AI相关学位的11%；硕士阶段，非美国公民占比40%~60%；博士阶段，自2003年以来，非美国公民占比持续超过50%，2022年达到59% 。

相比之下，其他学科博士学位中，非美国公民的占比通常在20%左右。

这表明，AI领域的高端人才，特别是博士级别，极度依赖国际人才。

五、国际比较人工智能人才培养的全球格局

在全球范围内，人工智能相关学位的授予情况如何？

美国与其他国家相比，是否具有明显优势？

这个问题之所以重要，主要有以下几点原因：

人工智能的人才供应链高度全球化，顶尖的研究人员来自世界各地，而美国大学的AI相关毕业生中有很大一部分是国际学生，尤其是在博士阶段。

我们不仅关注研究人员在哪里获得学位，更关心他们最终流向何处——有多少人在美国取得学位后选择离开（人才流出），又有多少在海外完成学位后选择进入美国（人才流入）。

在前沿人工智能开发竞争日趋激烈的背景下，了解各国在人工智能人才储备上的对比尤为重要，特别是在国家安全和人工智能技术潜在风险的考量下。

当然，美国也能从全球人工智能的发展中获益。人工智能技术的国际合作与竞争，都可能促进全球科技进步和经济增长。虽然国家安全考量（本文不深入探讨）使美国有动力保持领先地位，但从长远来看，科技进步是一种公共产品，它将不断提高全球的生活水平。

为了获取相关数据，CEA采用了国际教育数据中最细粒度的常见分类，即“科学 ”（Science）和“工程”（Engineering），原因是，S&E类别的毕业生中，大约有三分之一不属于更精准的AI相关学科，而AI相关毕业生中，只有不到5%未被归入S&E类别。这表明两者之间的重叠度足够高，因此可以用S&E作为国际比较的基准。

根据各国每年发布的S&E统计数据，CEA对美国、中国、印度以及经济合作与发展组织（OECD）中学位产量最高的国家进行了比较。

数据显示：

在科学与工程学士学位层面，美国的授予数量虽然领先于大多数国家，但并非最高。印度授予的学士学位数量超过美国，而中国不仅在学士学位上超过美国，在博士学位数量上也遥遥领先。

在博士学位层面，中国授予的S&E博士学位数量大约是美国的1.5到2倍（具体取决于衡量标准）。

人口因素的影响也不可忽视。美国、中国和印度的S&E毕业生总数远超英国、澳大利亚等小国，主要原因是这些国家拥有庞大的人口基数。但如果按照人均S&E毕业生数量计算，英国和澳大利亚等国的表现反而更强。

从全球竞争力角度来看，虽然人均S&E毕业生数量可以衡量一个国家高等教育的健全性，但毕业生总数对AI领域的国际竞争力和领导力的影响更为重要。

六、中美AI人才对比

CEA进一步聚焦在美国与中国的对比，同时参考印度的数据。

在科学与工程学士学位层面，中国授予的学位数量远超美国。2022年，中国授予的S&E学士学位数量是美国的近6倍，远高于两国人口比例（中国人口约为美国的4.2倍）。

在博士学位层面，中国的博士学位授予数量同样超过美国，并且差距还在持续扩大。2018年，中国授予的S&E博士学位数量比美国多65%；到了2022年，这一数字增加至99% ，几乎是美国的两倍。相比之下，美国的博士授予数量长期保持相对稳定。

不过，学位授予数据并不完全等同于实际的AI研究人员数量。要了解最终有多少顶尖AI人才在不同国家工作，我们可以参考NeurIPS机器学习会议的研究人员数据。数据显示：

2019年，全球最顶尖的AI研究人员中，59%在美国公司工作，而在中国公司工作的仅占11%。到了2022年，美国占比下降至42%，而中国的比例上升至28%。

这一变化部分归因于中国顶尖AI实验室的激增。

2019年，在全球25家最具影响力的AI研究机构中，中国仅占2家，而到了2022年，这一数字增加到6家。而美国的顶级机构数量则从18家下降至15家。

七、AI人才的流动性

在人才流动方面，我们更关注的不是博士学位在哪里授予，而是获得学位后，人才最终选择在哪里工作。这一点对美国尤为重要，因为其世界一流的大学体系吸引了大量国际学生。

数据显示：

约一半的美国S&E博士学位授予了非美国公民，但并非所有人都会选择留在美国。根据保尔森研究所的分析，许多中国研究人员选择在美国攻读博士学位后返回中国工作。

如果仅看AI领域博士，美国AI博士毕业生的人才流出与流入几乎相互抵消。

美国吸引了大量国际学生攻读AI博士学位，其中许多人毕业后会回到母国，而美国的博士后就业机会又吸引了一部分AI人才流入美国。

这种人才流动保持了一种动态平衡。

八、AI人才的数量与质量之争

人工智能人才的数量与质量是影响美国 AI 竞争力的关键因素。并非所有 AI 相关毕业生都具备相同的能力和竞争力。人才质量的差异可能受到多种因素的影响，例如大学课程的选择性、教学资源的丰富程度以及科研环境的支持力度。因此，在评估 AI 人才的供应情况时，除了关注毕业生数量外，还需要考察他们的实际能力。

目前，并没有统一的国际标准化测试来衡量 AI 毕业生的专业能力，因此难以直接比较不同国家 AI 人才的水平。

但从多个指标来看，美国在 AI 人才质量方面仍然具有明显的优势，即使在 AI 毕业生数量上落后的国家（如中国）也难以在质量上全面超越美国。

尽管中国培养的科学与工程博士数量几乎是美国的两倍，但美国培养的顶尖AI博士研究人员数量却比中国多 90% 。

这表明，美国的 AI 博士毕业生在高端人工智能研究和技术开发方面具有更强的竞争力，即使美国在博士总量上落后，其人才的精英化程度更高。

美国在 AI 研究的实际产出上仍然处于主导地位，大多数全球顶尖 AI 实验室仍设在美国，大多数知名的机器学习模型和基础模型也在美国开发和训练，甚至 GitHub 上的 AI 相关项目多数也由美国开发者主导。

这些事实表明，即使美国的 AI 研究人员数量相对较少，其整体人才质量和科研能力仍然遥遥领先。

尽管美国在上述各项指标上依然领先，但这种优势并非不可撼动。全球 AI 竞争正在加剧，CEA提醒美国不能掉以轻心。

九、强化美国AI人才竞争力的政策建议

影响美国 AI 人才储备的政策可以分为三大类：

1. 影响美国学位授予数量的政策；

2. 影响 AI 人才净流入的政策；

3. 影响 AI 人才如何分布到实际工作的政策。