英国掌握人工智能 (AI) 技能的员工平均薪资似乎高出 11%,即便是在那些 AI 已开始自动化部分现有工作职能的行业中。
根据 PwC 发布的 2025 全球 AI 工作晴雨表显示,在那些能够利用 AI 技术完成部分任务的行业中,员工的生产率更高,因而薪资也相应更高。该研究基于近十亿则招聘广告的分析得出:在受 AI 影响最为显著的行业中,薪资增长速度达到其他行业的两倍。
从技能要求的角度来看,PwC 指出 AI 正在改变求职者应具备的技能。PwC 表示,为了在职场中取得成功,应聘者更有可能需要具备使用 AI 工具的经验,同时要展现出批判性思维与协作能力。
PwC 英国首席人力官 Phillippa O’Connor 指出,虽然学位依然对许多职位至关重要,但学位要求的降低暗示着雇主正在采用更为多元的标准来评估求职者的技能和潜力。
在受 AI 影响最大的职业中,PwC 表示雇主所要求的技能变化速度比受 AI 影响较小的职业快了 59% 。O’Connor 补充道: "AI 正在重塑就业市场 —— 在某些领域降低了入门门槛,而在其他领域则提高了所需技能标准。"
具备出色 AI 技能的人士正因此获得更高薪酬。事实上,PwC 发现,在受 AI 影响的行业中,薪资增长速度是其他行业的两倍。这其中还包括被归类为 "可自动化" 的职位,即其中部分任务可被轻易自动化。在那些需要 AI 技能的职业中,2024 年英国员工的平均薪资溢价达到了 11% 。
AI 正在重塑就业市场 —— 在某些领域降低了入门门槛,而在其他领域则提高了所需技能标准
Phillippa O’Connor PwC UK
PwC 的分析显示,受 AI 影响的行业中,每位员工所创造的收入增长率比其他行业高出三倍。报告还指出,当大语言模型 (LLM) 例如生成式 AI (GenAI) 成为主流时,这些行业中每位员工的收入增长率出现了显著提升。
例如,在那些受 AI 影响最为显著的行业(如软件行业),每位员工的收入增长率几乎翻了四倍,从 2018 年至 2022 年间的 7% 上升至 2018 年至 2024 年间的 27%。相比之下,在受 AI 影响较小的行业(例如采矿和酒店业),每位员工的收入增长率则略有下降,从 2018 年至 2022 年间的 10% 下降至 2018 年至 2024 年间的 9%。
然而,自 2018 年以来,招聘广告中涉及受 AI 影响较大的职业发布数量增长速度却低于受 AI 影响较小的职业,而这种差距还在不断扩大。
PwC 英国首席技术官 Umang Paw 表示: "关于 AI 的潜力仍有许多未知数。AI 能为那些愿意适应变化的人带来曙光,但也可能使其他人被甩在后面。"
Paw 认为,需要采取协同一致的行动,扩大技术和培训的普及,确保 AI 的红利能够广泛共享。
Paw 补充道: "在智能时代,AI 与实时数据分析等技术的融合,再加上企业不断拓展其产品和服务,将催生全新的产业与崭新的就业机会。"
好文章,需要你的鼓励
zip2zip是一项创新技术,通过引入动态自适应词汇表,让大语言模型在推理时能够自动组合常用词组,显著提高处理效率。由EPFL等机构研究团队开发的这一方法,基于LZW压缩算法,允许模型即时创建和使用"超级tokens",将输入和输出序列长度减少20-60%,大幅提升推理速度。实验表明,现有模型只需10个GPU小时的微调即可适配此框架,在保持基本性能的同时显著降低计算成本和响应时间,特别适用于专业领域和多语言场景。
这项研究创新性地利用大语言模型(LLM)代替人类标注者,创建了PARADEHATE数据集,用于仇恨言论的无毒化转换。研究团队首先验证LLM在无毒化任务中表现可与人类媲美,随后构建了包含8000多对仇恨/非仇恨文本的平行数据集。评估显示,在PARADEHATE上微调的模型如BART在风格准确性、内容保留和流畅性方面表现优异,证明LLM生成的数据可作为人工标注的高效替代方案,为创建更安全、更具包容性的在线环境提供了新途径。
这项研究由中国科学技术大学的研究团队提出了Pro3D-Editor,一种新型3D编辑框架,通过"渐进式视角"范式解决了现有3D编辑方法中的视角不一致问题。传统方法要么随机选择视角迭代编辑,要么同时编辑多个固定视角,都忽视了不同编辑任务对应不同的"编辑显著性视角"。Pro3D-Editor包含三个核心模块:主视角采样器自动选择最适合编辑的视角,关键视角渲染器通过创新的MoVE-LoRA技术将编辑信息传递到其他视角,全视角精修器修复并优化最终3D模型。实验证明该方法在编辑质量和准确性方面显著优于现有技术。
这项研究提出了ComposeAnything,一个无需重新训练的框架,可显著提升AI图像生成模型处理复杂空间关系的能力。该技术由INRIA、巴黎高师和CNRS的研究团队开发,通过三个创新步骤工作:首先利用大型语言模型创建包含深度信息的2.5D语义布局,然后生成粗略的场景合成图作为先验指导,最后通过物体先验强化和空间控制去噪引导扩散过程。在T2I-CompBench和NSR-1K基准测试中,该方法远超现有技术,特别是在处理复杂空间关系和多物体场景时表现卓越,为AI辅助创意设计开辟新可能。