AI被等同于提示工程，工程师失望：桥梁裂缝还得靠定制模型

一位做机器学习与计算机视觉的工程师说，现在这行把 AI 等同于“提示工程”和套在大语言模型外面的产品。这种简化让他失望。他不认为基础 ML 正在变得无关紧要，只是炒作周期让它没那么显眼。

这些活儿不靠语言模型

他列了一串领域。环境监测：从卫星或传感器数据里发现森林砍伐、追踪野生动物数量、监测水质、识别污染。工业预测性维护：用振动、声学、热成像和时间序列数据，在设备坏掉之前找出细微异常。农业：作物病害早期检测、土壤分析、产量预测、精准灌溉。医学影像：在准确性和可靠性要求极高的专项影像任务里提升检出和诊断。基础设施监测：桥梁、管道、电网里的裂缝、腐蚀、结构疲劳。机器人和自主系统：在不可预测的环境里保持可靠感知、做传感器融合、实时决策。

这些问题有个共同点。它们需要领域知识、精心收集的数据集、稳健的模型，以及在真实世界里可衡量的性能。只套一层语言模型的应用替不了它们。

桥梁、管道、电网和医学影像的检测，靠的就是这类定制模型。医学影像漏掉一个病灶，或者桥梁裂缝没查出来，后果落在具体的人身上。

难的不是模型，是反馈回路

麻烦的部分常常在模型之外：罕见故障代价高，标签来得很晚，数据随季节、设备或操作员行为漂移。

他举了一个有用的做法。视觉或传感器系统把不确定的案例送去人工复核，部署之后继续监控假阴性和校准，而不是只报一个离线准确率分数。

相机陷阱监测野生动物是个具体例子。稀有物种的召回率和误报率会随栖息地、季节和相机位置变化。要测模型能不能泛化，应该留出整个地点或整个季节，而不是从同一批相机里随机抽帧。不确定的检测结果可以转人工复核。

已经有人在做

有两个实际案例：用 ML 模型根据地形容优化难民营里的水分配位置；清理无人机收集的大规模土地调查数据。

NGO 手里有棘手的问题，但薪酬和资金是瓶颈，特朗普还砍掉了 USAID。

生成式 AI 改变了什么

生成式 AI 让搭自己的 MLOps 变得容易，而以前这需要多年的知识和经验。高影响力行业里有很多人在做非生成式 AI 的工作，只是新闻只盯着大语言模型。机器人技术就是个现成的例子。

这些领域能不能提供足够的岗位和资金，基础 ML 的人才会不会流向别处，现在都还没有答案。