AI 自動訓練 AI：連 AI 工程師都快被淘汰了？

這是一個諷刺到令人發笑的故事：AI 工程師正在被自己創造的東西威脅。2025 年，Google 的 AlphaCode 2 在程式設計競賽中超越了 85% 的人類參賽者。而 Meta 的 AutoML 系統已經能自動設計出比人類專家更優的模型架構。當 AI 開始自動化 AI 開發本身，「AI 工程師」這個曾被視為最安全的職業，還安全嗎？

AutoML 革命：AI 自己訓練自己

2026 年的 AutoML 已經不是 2022 年那個「自動調超參數」的玩具：

• 神經架構搜索（NAS）——Google 的 EfficientNet-V3 完全由 AI 設計，性能超越所有人類設計的架構
• 自動特徵工程——從原始數據到生產級特徵，AI 完成速度是人類的 50 倍
• 自動資料增強——AI 生成合成訓練資料的品質已達真實數據的 90%
• 一鍵模型部署——從訓練到 API 服務化，全流程自動化

Gartner 預測，到 2027 年，65% 的 AI 模型開發將由 AutoML 系統完成。

AI 工程師的弔詭處境

殘酷的悖論：AI 工程師越優秀，就越快讓自己變得不必要。數據顯示：

• 2025 年 AI/ML 工程師職缺增長已從 2023 年的 74% 放緩至 12%
• 企業對「AI 工程師」的定義正在改變——不再需要從零訓練模型，而是需要整合現有 AI 服務
• 初級 AI 工程師的薪資增長已經停滞

McKinsey 的報告更直接：未來三年，「調用 API 式」的 AI 開發工作將減少 50%。

即將被自動化的 AI 開發任務

高風險：

• 模型選型與超參數調整——AutoML 做得更好
• 標準化的 NLP/CV 應用開發——預訓練模型 + 微調已完全自動化
• 資料標註管理——AI 自動標註 + 主動學習大幅減少人力需求
• 模型監控與 A/B 測試——MLOps 平台已高度自動化

安全區：

• AI 安全與對齊研究
• 多模態 AI 系統架構設計
• 產業特化的 AI 解決方案設計

建構 RAG 架構 等應用層工作仍有需求，但門檻正在快速降低。

仍需人類判斷的關鍵領域

• AI 倫理與偏見審計——判斷模型輸出是否公平、是否有害
• 業務問題定義——決定「要用 AI 解決什麼問題」需要商業洞察
• AI 系統的安全與可靠性——對抗性攻擊防禦、模型幻覺控制
• 多代理系統設計——複雜的 MCP 協議與多代理系統 仍需人類架構師的全局視角

未來 AI 工程師的樣貌

1. AI 系統架構師——設計端到端的 AI 系統
2. AI 產品經理——理解技術邊界，定義 AI 產品策略
3. AI 安全工程師——確保 AI 系統的可靠性、安全性、合規性
4. AI 倫理官——監督 AI 系統的公平性和社會影響

AI 架構師的年薪中位數已達 25 萬美元，比傳統 ML 工程師高出 60%。

結語：建造工具的人也會被工具取代嗎？

歷史上，每次自動化浪潮都遵循同一個規律：自動化讓執行層消亡，讓決策層升值。AI 工程師也不例外。會被淘汰的是「調參工程師」，而不是「AI 系統思考者」。問題是——你現在是哪一種？