42倍增长的岗位，地球物理行业为什么还没准备好？- 大数跨境

首页

42倍增长的岗位，地球物理行业为什么还没准备好？

AI驱动数字化转型

2026-07-10

导读：地球物理行业的技术储备并不落后，但把技术部署到生产环境的工程能力，还需要时间补课。那篇弥合地震AI工程缺口的论文有一句结语说得比我这篇更准：研究成果到可靠系统之间的缺口不会自动闭合。需要用锤子的人自己

一组数字和一个判断

2026年5月，Computerworld发了一篇报道。数字很直接：FDE（Forward Deployed Engineer）岗位从2023年到2025年增长了42倍。Google Cloud的CEO在5月公开喊话，1513个FDE岗位挂在招聘页面上。Microsoft和Accenture在3月宣布了一个前向部署合作计划。OpenAI在5月成立了一个叫Deployment Company的新组织。LinkedIn在同期的研究里说，FDE是AI相关岗位中增长最快的类型，作为对比，AI工程师在同样时间内的增长率是13倍。

这几个数字指向一个判断：AI的能力已经不再是瓶颈，部署才是。大模型的门槛在降低，API调用越来越便宜，但把模型放进一个真实的生产环境让它持续产生价值，这件事始终没有人专门去干。FDE就是为这件事而生的角色，他们去客户的现场，理解数据长什么样，解决模型跑不起来的琐碎问题，把技术转化成业务能用起来的东西。

地球物理的技术家底不薄

同一段时间，地球物理领域技术层面的进展其实不慢。Seismic Foundation Model的论文在Geophysics正式发表。中科大和华为的团队从192个全球3D地震数据体中构建了228万张训练图像，用Transformer做了自监督预训练。结果是在断层检测、相分类、去噪、插值、反演五个任务上同时超越了专有模型，只需要1%的标注数据就能达到接近全监督的效果。这篇论文2023年就在arXiv上挂了，2025年正式出刊。从挂出来到被行业真正关注，中间隔了两年。

扩散模型也被证实在去噪和插值任务上有很好的零样本泛化能力，一个模型训练好了，换一个没见过的工区数据也能直接用，精度只比专用模型低1-2个dB。深度学习加速FWI的研究也有进展，压缩学习的方法把计算量降到了原来的五分之一到十分之一。

每一条单看都是好消息。每一条合在一起看都指向同一个问题：技术已经有了，为什么行业里感受到的变化不大。

一篇论文点出了缺口在哪

4月，Seismological Research Letters发表了一篇文章，题目就叫"弥合地震AI中的工程缺口"。文章的核心判断是：如果不在创新和工程化之间找到更好的平衡，研究成果到可靠系统之间的缺口就不太可能自动闭合。这个判断提到了几个具体的障碍，数据标准化不足、模型泛化能力验证困难、从研究代码到生产系统的迁移路径不清晰。

这些障碍不是论文能解决的。论文的终点是"模型在测试集上效果更好"，而现场需要的起点是"这个流程在工区数据上稳定可重现"。两个节点之间有一条没人铺路的空白地带。这篇论文的价值不在于它发现了这个问题，而在于它把这个缺口放到了学术讨论的台面上。

两个行业，一样的痛点，不同的结构

去年开始我在制造业看了不少AI落地的案例。一个发现是：地球物理和制造业面对的挑战有相似之处，但结构不同。

相似之处

两个行业都面临数据孤岛的问题。Deloitte 2025的制造业调查里接近70%的企业把数据质量和校验问题列为AI落地的头号障碍。地震数据也一样，不同来源的数据格式、品质、覆盖范围参差不齐，标注数据极度稀缺，且标注本身需要深厚的领域知识。

两个行业都需要面对模型泛化的痛。制造业里，一个在A产线调好的质检模型搬到B产线，因为光照、角度、产品批次不同，精度掉一大截。地震行业更明显，一个工区的地质条件跟另一个工区可能完全不同，模型换一个地方就失效是常态。

不同之处

制造业的生产环境是相对受控的。一条产线今天和明天生产同一种产品，传感器安装位置固定、工艺流程固定、数据的分布相对稳定。所以工业AI质检的路径是固定的：固定场景收集数据、训练模型、部署上线、监控迭代。场景确定性高，问题边界清楚。

地震行业不是这样。数据体量是TB级起步，格式有SEG-Y、ZGY、SEG-D几十种变体，处理流程涉及几十道工序，每一道都会改变数据的数学形态。AI模型在某个工序上效果不错，但上游换了参数、下游换了格式，模型的输入分布就变了。不是模型不好，是整个数据管道缺乏工程化的基础。

制造业的数据孤岛本质上是系统之间的隔离，打通接口就能解决大半。而地震行业的数据孤岛更深一层，不仅是系统问题，是每个环节对数据的理解方式不同。预处理工程师眼里的噪声、处理员眼里的有效信号、解释员眼里的地质异常，在地震数据上是同一个东西在不同语境下的不同解读。AI模型如果只在一个环节上训练，它就学不会其他环节的语义。

还有一个关键区别：验证闭环的完整性。

制造业的AI质检闭环清晰，检出了缺陷，人工复判，对就是对错就是错，反馈直接。地震处理流程中一个去噪模型做得好不好，有时候经验丰富的处理员都要争论。去噪过度了可能会损伤有效信号，去噪不够又会影响后续的偏移成像。短期看效果可以，长期看下游的解释结果才能验证。验证周期太长，反馈太慢，模型的迭代速度跟不上。

FDE能做什么，不能做什么

FDE在AI行业快速增长的原因很简单：OpenAI和Google发现模型参数从千亿到万亿带来的能力提升，边际在递减。而把当前模型部署好、让客户用上、产生实际价值这件事，投入产出比要高得多。

地球物理行业现在站在同一个节点上。论文层面的技术储备已经有了，缺的不是好模型，是有人专门去走那段从模型到生产的路。

但FDE不是Field Engineer换个名字。Field Engineer解决的是设备层面的现场问题，检波器埋置深度对不对、仪器参数设得合理不合理、采集质量有没有达到标准。这些问题的边界是清楚的，操作手册是有的，经验是可以积累传承的。FDE面对的是系统层面的现场问题，模型的输入数据分布跟训练数据差了多少、推理服务的延迟能不能满足生产节奏、模型输出的结果跟人工判断不一致时该信哪一个。这些问题没有操作手册，边界也不清楚。

把Field Engineer培训成FDE，不是加一门课那么简单。它要求的是在物探专业能力之外，叠加一套AI工程化的思维框架，数据管道怎么搭、模型怎么评估怎么维护、AI输出怎么融入既有流程。这两套能力在一个人身上合起来的时候，那个人才算具备了FDE的基本条件。

三个可以落地的方向

制造业这几年的经验给了一条参考路径：从单点切入，验证价值，再向前扩展。不是先搭平台再找场景，是从一个具体的问题开始，让一线团队先用起来。这条路径在地球物理行业同样适用。

有三个方向值得关注。

一是数据管道的工程化。这不是一个科研课题，是一个工程问题。把数据格式统一、元数据标注规范、版本管理流程建立起来，不需要发论文，但做这件事的人必须是懂地震数据的人。行业里很多AI项目死在数据准备阶段，不是因为数据不够，是因为数据没有规格化。

二是模型部署的标准化。从模型训练完到生产环境上线，中间的步骤现在基本靠人工手动操作，一个工区一个样，一种模型一种部署方式。把这套流程标准化、工具化，可以极大降低AI落地的工程成本。制造业已经很成熟的做法——容器化、流水线、自动化测试，在地震领域还远远没有被利用起来。

三是验证体系的建立。AI处理结果好不好，不能靠拍脑袋。需要定义行业认可的评价标准、验证流程、人工抽检比例。这件事难，但绕不过去。没有验证体系，AI辅助决策就永远是辅助，不可能进入核心生产流程。

这三件事都需要懂地震又懂AI的人来干。不是纯粹的研究人员，不是纯粹的操作人员，是中间那个既看得懂数据又能动手搭系统的人。行业里其实有不少人在做类似的事情，只是没有一个统一的岗位名称，也没有明确的职业发展路径。

修路的人不会自己出现

五月份那篇Computerworld的报道末尾引了Gartner分析师的一段话。

他说未来的FDE可能还需要负责降低客户的AI成本。当企业开始意识到Token的真实价格时，他们会把目光转向Token效率，而不仅仅是模型能力。

这句话说的是AI产业的趋势，但背后的逻辑对地球物理行业同样适用：技术发展的曲线不会停，但从技术到价值的转换路径，需要有人专门去修。

说回开头的两个数字，42倍增长的岗位，说明市场已经做出了选择。地球物理行业的技术储备并不落后，但把技术部署到生产环境的工程能力，还需要时间补课。那篇弥合地震AI工程缺口的论文有一句结语说得比我这篇更准：研究成果到可靠系统之间的缺口不会自动闭合。需要用锤子的人自己走过去，造锤子的人不会替他走那段路。

【声明】内容源于网络

AI驱动数字化转型

专注AI，促进智造行业数据衍生，服务智能制造企业的数字化、智能化，聚焦大模型私域部署、大模型微调、数据清洗、AI模型训练、私域知识库及agent技术延展等。行业智能，落地为先。

内容 1046

粉丝 1

AI驱动数字化转型专注AI，促进智造行业数据衍生，服务智能制造企业的数字化、智能化，聚焦大模型私域部署、大模型微调、数据清洗、AI模型训练、私域知识库及agent技术延展等。行业智能，落地为先。

总阅读8.0k

粉丝1

内容1.0k