工程领域的下一次跃升，未必来自某一项单点突破，更可能来自一种更好的习惯：更快地向其他行业学习。 很长一段时间里，工程行业更像是一个个彼此分隔的王国。航空航天守护着自己的精密文化；汽车工业擅长速度与规模；能源行业把重心放在韧性上；生命科学围绕监管与验证建立体系；土木基础设施则在漫长周期和公共约束下推进。这样的模式在技术变化较慢的时候说得通，但在今天已不再那么适用。如今，塑造工程行业的压力正在不断趋同：数字化、脱碳、供应链风险、劳动力老龄化、更严格的质量要求以及更快的产品周期。跨行业学习已不再只是锦上添花，而正在成为一种核心的运营优势。 而这种转变，正是当下工程领域最令人鼓舞的变化之一。即使技术颠覆正在加剧，更广泛的劳动力市场前景也并非只是被动防守。关键不只是岗位会发生变化，而是那些最有可能在未来占据优势的工程师和制造企业，往往是能够跨越行业边界转移方法、工具和思维方式的人。 工程领域的联系，比组织结构图显示的更紧密 旧有的“竖井式”模式正在失去效力，因为现代工程问题越来越呈现混合化特征。可再生能源项目需要电力工程、软件、控制、材料、土建和数据能力的协同；电动汽车处在机械工程、电池科学、电子技术、制造系统和网络安全的交汇点；生物医学工程如今与自动化、先进材料、传感和数字建模高度重叠；即使是传统基础设施，也正变得更加软件定义、更关注碳排放。工作也许仍按行业来组织，但要把工作做好所需的知识，已经在各个行业之间流动。 这正是为什么关于未来技能的讨论发生了变化。英国“Engineers 2030”项目指出，数字与数据能力、可持续发展与脱碳技能，以及更加连贯的工程人才发展路径需求正在上升。与此同时，制造业劳动力研究也揭示出一组熟悉的压力：已被广泛承认的技能短缺、人口老龄化、培训体系碎片化、快速数字化，以及跨行业和跨技术的人才需求错配。说得更直白一点，如今的问题已不只是“人才不足”，更是“互联式学习不足”。 真正的优势不在于照搬，而在于转化 跨行业学习常常被误解为模仿。实际上，它最有效的形态更像是一种“聪明的转化”。一个行业在自己的约束条件下验证了一种方法，另一个行业再将其调整到不同的应用环境中。精益方法在航空航天与在汽车行业的落地方式并不相同；数字孪生在制造、基础设施和能源领域的作用机制也不一样；增材制造在医疗器械中解决的问题，与它在重工业中解决的问题也不同。但其底层的方法论——例如过程控制、模型化开发、可追溯性、质量保证和全生命周期思维——却具有很强的可迁移性。 这也正是为什么面向未来的工程人才，越来越多地被描述为兼具“广度与深度”。制造业劳动力研究主张构建更多“T 型能力”：既具备扎实的基础能力，又拥有能够持续演进的深度专长。这很好地概括了跨行业学习所带来的价值。它不会削弱专业能力，反而会让专业能力更具可迁移性，也更有韧性。 案例一：汽车与航空航天已经在共享方法论 汽车与航空航天之间的相互借鉴，是跨行业学习最清晰的现实例证之一。长期以来，汽车行业一直与大批量生产、成本优化和持续不断的流程改进联系在一起；而航空航天则更强调较低产量、极高公差以及更长的变更周期。但如今，这条分界线已经变得模糊。像价值流分析和准时制这样的精益方法，过去更多被视为汽车行业的代表做法，如今也正帮助航空航天优化工位布局、减少浪费并提升生产效率。 这种知识流动同样是双向的。随着电动化、先进驾驶辅助系统以及软件复杂度不断提高，在严格监管和高可靠性要求下发展起来的航空航天级质量管理，对汽车行业变得越来越重要。材料与制造技术也是如此：航空航天推动了复合材料和增材制造的发展，而在电动车时代，随着轻量化愈发关键，这些能力对汽车行业也越来越有价值。 更深层的启示在于，行业之间借用的不只是工具，更是思维训练：如何把质量工业化，如何在不削弱信任的前提下降低浪费，以及如何在系统日益复杂、监管日益严格、数字化程度日益加深的环境中加快前进。这才是真正的杠杆所在。 案例二：绿色转型正在创造一种共同的工程语言 脱碳正在迫使原本可以各自为政的行业进入共同对话。“Engineers 2030”将可持续发展和脱碳列为未来工程核心技能之一，而世界经济论坛也将气候变化缓解、能源生成、储能与分配视为未来几年最具变革性的力量之一。落实到实践层面，这意味着汽车行业发展起来的电池知识，正在被应用于电网系统和储能系统；航空航天中的材料创新，对更广泛的交通效率提升同样重要；制造业中的循环经济思维，也正在影响采矿、过程工程与产品设计。 这一变化尤为重要，因为它正推动工程行业从狭义的局部优化，转向更完整的系统思维。最强的团队越来越不仅理解某个部件“性能如何”，还理解它会如何影响碳排放、可维修性、可追溯性、供应风险、能源使用以及生命周期终值。跨行业学习让这种系统视角变得可操作，而不只是停留在概念层面。 案例三：最聪明的培训模式是模块化、共享式和持续性的 如果工程工作的未来会更加流动，那么工程学习的未来也必须如此。国际上正在出现的一些最佳思路，并不是把资格路径拉得更长，而是围绕真实的技术变化，构建模块化、可迁移的学习体系。制造业劳动力研究提出了一个“技能价值链”的概念：把未来能力需求预测、岗位定义、模块化课程、协同供给方以及认证与认可连接起来。它的逻辑很简单：技能建设必须与技术演进同步，而不是在技术被采用多年之后才去补课。 各国的例子非常鲜明。在新加坡，SkillsFuture 把面向未来技术的内容放入获认可的短期课程中，既服务于就业前学习，也服务于在职提升；数字化能力既可以嵌入现有项目，也可以作为模块化提升单元提供。在瑞士，工业数字化正推动培训周期缩短，并促成更多“即插即用”的学习方案。在德国，工业 4.0 的推进速度正倒逼技术教育走在产业前面，而不只是事后响应。 这也让更宏观的劳动力图景变得清晰。近期关于未来工作的研究表明，技能扰动依然很高，雇主预计到 2030 年，员工核心技能中将有相当比例发生变化，而持续学习正是前景能够趋于稳定、而不是继续恶化的重要原因之一。信息非常明确：在工程领域，学习不能再被视作职业起点的一次性前置活动，它必须成为运营模式的一部分。 案例四：更好的培训生态可以成为经济基础设施 最有说服力的现实案例之一，来自爱尔兰的生物制药生态系统。围绕生物工艺技能建立的专门培训管道，被用来支撑高价值产业的人才需求；制造业劳动力研究将这种技能基础与十年间约 100 亿欧元流入爱尔兰生物制药产业的投资联系起来。这是一个重要提醒：技能体系的作用远不只是填补岗位空缺。做得好，它还能吸引资本、加速技术采用，并提升地区竞争力。 类似的模式也以不同形式出现在其他地方。在美国，定向劳动力发展项目被用来帮助中小企业在采用新技术的同时获得配套培训；芝加哥、新加坡和德国等地的“学习工厂”则被用来提升人们对工业数字化、富传感制造、网络安全和基于仿真的工作流程的理解。这些并不是抽象的教育改革，而是缩短创新与可用能力之间距离的务实机制。 这对各个工程学科的工程师意味着什么 对个体工程师而言，跨行业学习的兴起是一个好消息。它奖励的是好奇心、适应力和判断力，而不只是对某一套传统流程的狭隘熟悉。它为机械工程师强化数据与控制能力创造空间，为电气工程师理解材料与生命周期设计打开通道，也让土木工程师能够借鉴制造业的数字化交付方法，让制造专家的影响力超越工厂车间本身。这不是对工程身份的稀释，而是对工程价值边界的拓展。 它也为人们对自动化和人工智能的普遍焦虑提供了一个更好的回答。最强的长期画像，不是“什么都懂”，也不是“永远只专注于一条工具链”，而是“打牢基础、保持技术敏感度，并持续跨边界学习”。这与工程技能规划、工业劳动力研究以及当前雇主调查所体现出的证据是一致的。 未来之所以更有希望，是因为工程正在横向学习 未来当然仍充满挑战。技能缺口依然真实存在，供应链依旧脆弱，技术周期也依然严苛。但有一点已经在改善：越来越多的行业愿意进行横向学习，而不是试图独自解决每一个问题。汽车行业可以帮助航空航天改善流程与生产纪律；航空航天可以帮助汽车行业理解在严格约束下如何实现高质量；生物工艺体系可以向制造业展示，一个完善的培训生态如何促进投资；数字学习工厂可以帮助传统行业在无需等待“完美条件”的情况下，为工业 4.0 做准备。 这正是为什么工程与制造业的前景，比一些新闻标题所暗示的更为强劲。未来不会只靠发明来建造，也会通过方法、标准、教学模式、工具和直觉的转移来建造。真正能够脱颖而出的组织，将是那些有足够自信去向本行业之外学习、有足够纪律去改造所借鉴内容，并有足够智慧把共享知识转化为更好工程实践的组织

Per molto tempo, il settore dell'ingegneria si è comportato come un regno separato. L'aerospazio custodiva gelosamente la propria cultura della precisione. L'automotive ha perfezionato velocità e scala. L'energia si è concentrata sulla resilienza. Le scienze della vita si sono costruite attorno a regolamentazione e validazione. Le infrastrutture civili si sviluppano su orizzonti lunghi e [...]

Durante muito tempo, os diferentes ramos da engenharia comportaram-se como reinos separados. A aeroespacial guardava a sua cultura de precisão. A automóvel dominava a velocidade e a escala. A energia concentrava-se na resiliência. As ciências da vida apoiavam-se na regulação e na validação. As infraestruturas civis eram construídas em horizontes longos e sob fortes [...]

Durante mucho tiempo, el sector de la ingeniería se comportó como un conjunto de reinos separados. La industria aeroespacial protegía su cultura de precisión. La automoción dominaba la velocidad y la escala. La energía se centraba en la resiliencia. Las ciencias de la vida se construían alrededor de la regulación y la validación. La [...]

Pendant longtemps, les différents secteurs de l’ingénierie ont fonctionné comme des royaumes séparés. L’aéronautique protégeait sa culture de la précision. L’automobile maîtrisait la vitesse et l’échelle. L’énergie se concentrait sur la résilience. Les sciences de la vie s’organisaient autour de la réglementation et de la validation. Les infrastructures civiles se construisaient sur des horizons [...]

Lange Zeit verhielten sich die einzelnen Ingenieurdisziplinen wie getrennte Königreiche. Die Luft- und Raumfahrt bewachte ihre Präzisionskultur. Die Automobilindustrie perfektionierte Tempo und Skalierung. Der Energiesektor konzentrierte sich auf Resilienz. Die Life Sciences bauten auf Regulierung und Validierung. Die zivile Infrastruktur entstand in langen Zeithorizonten und unter öffentlichem Druck. Dieses Modell ergab Sinn, solange sich [...]

生成式人工智能和基础模型的出现，彻底改变了各行各业企业的运作方式。这在当前的关键转折点上尤为明显。尤其在人力资源职能方面，它已被推到新人工智能时代的前沿。根据最近的 IBV 研究，36% 的首席执行官认为劳动力和技能是影响企业的最重要因素。将人工智能能力扩展到招聘、留用和技能与人才发展的核心人力资源流程中，有望推动企业转型，并使组织能够在全球市场中竞争。 生成式人工智能下的人力资源与人才的未来 传统上，许多人力资源流程、应用和技术——从简历解析、人才搜寻与筛选，到候选人技能匹配——都受益于自动化和人工智能能力，并与之紧密结合。然而，在这个新时代，生成式人工智能能够通过定向顾问提供更多价值，其应用场景将不断扩展。诸如职位描述撰写、视频面试的自动评分以及智能搜索等流程，过去需要人工员工完成，如今可以通过数据驱动的洞察和生成式人工智能来实现。这不仅改变了人力资源流程并提升了业务运营，还赋能人力资源专业人士进行创新，专注于更高价值的工作。 人工智能在招聘和人才获取等应用场景中的能力不断演进，变得愈发复杂，从而降低了招聘新员工所需的成本和时间。通过根据岗位要求、人才供给和其他必要标准对招聘需求进行细分，招聘人员可以改善候选人技能匹配，吸引更多元化的人才，并提高生产力。 负责任地采用人工智能的关键考量 尽管可能性无限，但生成式人工智能在人力资源中的广泛应用也引发了关于滥用和潜在偏见的担忧。人工智能在 HR 应用中的普及带来了许多关于伦理影响以及员工在数据和隐私方面保护的顾虑。在采用人工智能之前，组织必须明确界定对其而言“负责任的人工智能”意味着什么，并识别出不仅愿意做的事情，还包括坚决不愿意做的事情。未能制定负责任的人工智能战略可能会带来严重的声誉、监管、法律甚至财务影响。 因此，负责任地使用人工智能对于整个员工生命周期的成功至关重要，必须纳入生成式人工智能战略之中。人力资源领导者不能仅依赖数据和人工智能来做决策。必须让员工参与整个过程，以确保信任并获得组织的支持。 为确保负责任地使用人工智能，公司建议组织遵循以下五大人工智能伦理支柱： 可解释性：通过明确晋升决策由人类员工做出，赢得并保持信任。 公平性：一致地应用规则，并为所有员工展示相同的数据。 稳健性：防范对抗性威胁和潜在入侵，保持系统健康。 透明性：通过与不同角色的利益相关者共享信息来促进并强化信任。 隐私：必须在整个生命周期中保护数据，从训练到生产再到治理。 尽管我们尚不清楚生成式人工智能的下一个阶段将如何发展，但组织必须将这些伦理支柱作为其文化的核心组成部分。人力资源领导者定下基调。他们必须推动整个企业思考人工智能和数据隐私的伦理影响。他们还必须能够向组织解释如何确保人工智能的使用值得信赖、合乎伦理并符合规范。 通过首先将组织的整体业务战略与生成式人工智能战略对齐，定义端到端的流程和工作流，并教育人员和技术如何协同工作，挑战就会变得不再突出。

Появление генеративного ИИ и базовых моделей революционизировало то, как работает каждый бизнес в разных отраслях на нынешнем переломном этапе. Особенно это касается функции HR, которая оказалась в центре новой эры ИИ. Согласно недавнему исследованию IBV, 36% генеральных директоров назвали рабочую силу и навыки самым важным фактором, влияющим на их предприятие. Расширение использования возможностей ИИ [...]