周四,谷歌云CEO托马斯·库里安发布招聘信息,呼吁"前置部署工程师"加入公司的AI市场推广团队。他们的任务是:帮助非科技企业扩大AI部署规模。
"前置部署工程师"(Forward-Deployed Engineers,简称FDE)这个术语最近频繁出现在与CTO、软件工程师以及技术和就业市场专家的对话中。
谷歌目前针对这一特定职位开放了1513个岗位,而刚在本周成立"部署公司"(Deployment Company)组织的OpenAI则有31个职位空缺。微软也加入了这一行列;今年3月,微软与埃森哲合作推出了前置部署合作伙伴关系。
OpenAI的新部署公司旨在"帮助组织构建和部署可靠的AI系统,使其能够在最重要的工作中每天使用",该公司在博客文章中表示。
LinkedIn今年早些时候发布的一项研究显示,前置部署工程是AI创造的增长最快的工作岗位,职位数量在2023年至2025年间增长了42倍。(相比之下,AI工程师职位在同一时间段内增长了13倍。)
J.Gold Associates首席分析师杰克·戈尔德表示,供应商和服务提供商创建FDE职位是为了帮助客户安装AI。
许多非科技公司曾尝试在内部部署AI项目,但未能成功或快速获得投资回报。这些努力失败的原因包括缺乏愿景、人才短缺、预算不足,以及低估了部署AI的复杂性。
这导致了FDE的出现——本质上是AI部署的雇佣专家。他们专注于为客户带来成功的结果,而不是编写代码。
"他们拥有组织可能不具备的技能,通常之前与其他公司做过类似的工作,因此他们带来了公司所需的专业知识,"戈尔德说。
FDE分析策略、制定作战计划、发现应用场景、构建智能体框架,并在客户自己的领域专家和工程师的帮助下推出AI系统。他们还使用AI模型,解决上下文和推理问题,评估模型,并建立安全和治理防护措施。
戈尔德表示,一个优秀的FDE可以大大提高实施成功的概率。
许多软件工程师曾担心AI会让他们的职业变得无关紧要。但分析师和IT专家表示,FDE角色体现了这一职业的发展方向。
Arm公司AI和开发者平台高级副总裁亚历克斯·斯皮内利表示,现在可以使用人类语言编写代码,这使得软件工程师能够更多地关注结果而不是服务代码。
"我认为工程正在朝这个方向发展……更多地融合技术产品管理思维、设计思维和架构思维,"斯皮内利说。
英伟达CUDA架构师斯蒂芬·琼斯表示,虽然AI可以让工程变得不可见,但它也打开了解决业务问题的工具箱。"你拥有比以往更多的工具来解决以前完全无法解决的问题,"他说。
Gartner高级总监分析师迪帕克·塞斯表示,未来FDE的职责很可能包括为客户降低AI成本。"一些公司正在转向基于结果的定价……当人们开始意识到Token的真实成本时,公司将开始关注Token效率。"
戈尔德表示,FDE的实施工作可以帮助推动Token节省。"如果实施得到优化,可以节省处理工作流程的Token成本,……尤其是当公司转向智能体时,"他说。
Q&A
Q1:什么是前置部署工程师?他们的主要工作是什么?
A:前置部署工程师(FDE)是专门帮助企业部署AI系统的专业人员。他们的主要工作包括分析策略、制定实施计划、发现应用场景、构建智能体框架,并与客户的领域专家合作推出AI系统。他们专注于为客户带来成功的结果,而不仅仅是编写代码。
Q2:前置部署工程师这个职位增长有多快?
A:根据LinkedIn今年早些时候发布的研究,前置部署工程是AI创造的增长最快的工作岗位,职位数量在2023年至2025年间增长了42倍。相比之下,AI工程师职位在同一时间段内增长了13倍。目前谷歌有1513个相关职位空缺,OpenAI有31个。
Q3:为什么企业需要前置部署工程师?
A:许多非科技公司在内部部署AI项目时遇到困难,未能成功或快速获得投资回报。失败原因包括缺乏愿景、人才短缺、预算不足,以及低估了部署AI的复杂性。前置部署工程师拥有企业可能不具备的专业技能和经验,能够大大提高AI实施成功的概率。
好文章,需要你的鼓励
刚刚,确实是刚刚。2026 年 6 月 12 日,SpaceX 以每股 135 美元在纳斯达克挂牌(SPCX),收于 160.95 美元,涨 19%,市值突破 2 万亿美元,史上最大 IPO。
这项研究提出用费舍尔信息矩阵谱范数衡量深度神经网络的内在脆弱性,无需发动对抗攻击即可评估模型稳健性,并推导了VGG、ResNet、DenseNet和Transformer的理论排名。
前美国总统候选人杨安泽认为,AI浪潮将压缩薪资、取代就业,由此催生出一个新的创业机会——帮助普通人降低生活成本。他以马克·库班的平价药品公司为灵感,于去年创办了移动虚拟运营商Noble Mobile,以低价提供手机服务并与用户共享利润。杨安泽表示,住房、教育、食品、交通等基本生活领域都存在巨大机会,市场可以在政策失灵时发挥再分配作用,鼓励创业者突破AI泡沫思维,关注真实的民生问题。
南加州大学提出DistIL方法,通过前向交叉熵目标和完整序列级梯度,解决AI自蒸馏训练中方向偏差与局部信用分配问题,在科学推理、编程和难题数学上均超越现有基线。