01.AI重塑運維范式后，運維人員能力提升方向在哪？

人工智能（AI）技術(shù)，尤其是大模型的迅猛發(fā)展，正重構(gòu)運維領(lǐng)域的底層邏輯。傳統(tǒng)經(jīng)驗驅(qū)動的被動式運維在復雜系統(tǒng)面前日益捉襟見肘，而AI賦能的預測性運維通過實時分析、異常預警和智能決策，推動行業(yè)向“治未病”的主動模式躍遷。

這種范式轉(zhuǎn)變的意義重大而深遠。但AI在為運維賦能的同時，也帶來了諸如模型幻覺、數(shù)據(jù)依賴性困境、模型可解釋性缺失等新的技術(shù)挑戰(zhàn)，給運維人員造成了不小的職業(yè)轉(zhuǎn)型壓力。

對于運維管理者和工程師而言，站在這一技術(shù)變革的十字路口，如何在充分挖掘 AI 賦能潛力的同時，有效控制由此帶來的風險，妥善應對職業(yè)轉(zhuǎn)型的挑戰(zhàn)，成為未來三年內(nèi)亟待解決的核心命題。這不僅關(guān)乎個人職業(yè)發(fā)展的走向，更關(guān)系到企業(yè)乃至整個行業(yè)在數(shù)字化時代下的競爭力與可持續(xù)發(fā)展能力。

接下來，本文將深入剖析 AI 在運維場景中的核心價值與落地挑戰(zhàn)，為不同角色的運維人員規(guī)劃轉(zhuǎn)型路徑與能力圖譜，并構(gòu)建全局行動框架，助力讀者在 AI 時代的運維變革浪潮中找準方向、乘風破浪。

02.AI在運維場景中的核心價值與落地挑戰(zhàn)

1）AI已實現(xiàn)的典型應用場景

在運維領(lǐng)域，AI技術(shù)已經(jīng)成功落地了多個具有顯著價值的應用場景，為提升運維效率與質(zhì)量發(fā)揮了重要作用。以下是這些場景的詳細描述和價值體現(xiàn)：

2）落地過程的三大技術(shù)風險

盡管 AI 在運維場景中展現(xiàn)出了巨大的應用價值，但在實際落地過程中，也面臨著一些不容忽視的技術(shù)風險。以下是這些風險的詳細描述和應對策略：

03.面向不同角色的轉(zhuǎn)型路徑與能力圖譜

1）管理型運維（管理驅(qū)動型團隊）

在央國企等管理驅(qū)動型團隊中，管理型運維人員肩負著統(tǒng)籌規(guī)劃、團隊管理以及確保運維工作符合合規(guī)要求等重要職責，他們在推動 AI 技術(shù)引入和應用的過程中，面臨著一些特有的挑戰(zhàn)。

首先，外包團隊技術(shù)能力參差不齊，這使得 AI 工具的引入可能會加劇對外包團隊的依賴，一旦外包團隊的技術(shù)支持出現(xiàn)問題，將對運維工作的正常開展產(chǎn)生嚴重影響。其次，央國企等機構(gòu)通常具有嚴格的合規(guī)要求，如《數(shù)據(jù)安全法》等相關(guān)法律法規(guī)的約束，直接應用一些大語言模型等 AI 工具，可能會存在數(shù)據(jù)泄露等合規(guī)風險，這給管理型運維人員帶來了巨大的壓力。

針對這些挑戰(zhàn)，管理型運維人員需要從以下幾個關(guān)鍵能力模塊入手提升自身能力：

2）技術(shù)型運維工程師（互聯(lián)網(wǎng)/技術(shù)驅(qū)動型公司）

在互聯(lián)網(wǎng)和技術(shù)創(chuàng)新型企業(yè)中，技術(shù)型運維工程師是運維團隊的核心力量，他們通常具備扎實的 DevOps 工具鏈技能，如熟練掌握 Jenkins、Kubernetes 等工具，能夠高效地進行持續(xù)集成與持續(xù)部署（CI/CD）流程的管理和優(yōu)化。然而，在 AI 時代，僅掌握這些傳統(tǒng)技能已不足以應對新的挑戰(zhàn)，他們還面臨著一些核心能力差距。

多數(shù)技術(shù)型運維工程師雖然對分布式集群的架構(gòu)有深入的理解，但對 AI 硬件基礎(chǔ)設(shè)施（如 GPU 集群調(diào)度）卻不夠熟悉。在 AI 驅(qū)動的運維場景中，GPU 等高性能硬件資源的合理調(diào)度與管理對于模型訓練和推理的效率至關(guān)重要。此外，他們往往缺乏 AI 模型訓練與調(diào)優(yōu)的經(jīng)驗，這限制了他們將 AI 技術(shù)與運維工作深度融合的能力。

為了彌補這些能力差距并實現(xiàn)升級，技術(shù)型運維工程師可以從以下幾個能力模塊入手：

在實戰(zhàn)建議方面，短期內(nèi)可以在變更管理中引入“AI+安全漏洞掃描”，利用靜態(tài)代碼分析模型等 AI 工具，快速發(fā)現(xiàn)代碼中的潛在漏洞和風險點，降低系統(tǒng)因變更而引入安全問題的可能性

從中期到長期來看，規(guī)劃并構(gòu)建 AIOps 中心，將異常檢測（如采用 OneClass SVM 等算法進行無監(jiān)督異常檢測）、根因分析（運用因果推理模型深入挖掘故障的根本原因）與自動化修復（借助機器人流程自動化 RPA 技術(shù)實現(xiàn)故障的自動修復）等各個環(huán)節(jié)有機串聯(lián)起來，形成一個智能化的運維生態(tài)系統(tǒng)，全面提升運維工作的效率和質(zhì)量。

04.AI對運維人員技能提升的影響

AI技術(shù)的快速發(fā)展對運維人員的技能提升產(chǎn)生了多方面的影響。一方面，AI能夠幫助運維人員更快獲取到相關(guān)的知識和方案。通過智能搜索和知識推薦系統(tǒng)，運維人員可以在海量的技術(shù)文檔和案例中迅速找到所需的信息，加速問題的解決過程。例如，當遇到一個復雜的系統(tǒng)故障時，運維人員可以利用AI驅(qū)動的知識庫，快速定位到類似的故障案例，并獲取詳細的解決方案，從而提高工作效率。

另一方面，由于AI及自動化取代了較多的基礎(chǔ)運維工作，運維人員實際的操作機會變少了。基礎(chǔ)工作被工具替代，雖然提升了整體效率，但也導致初級工程師學習的曲線變得非常陡峭。在傳統(tǒng)運維模式下，初級工程師可以通過大量的基礎(chǔ)操作積累經(jīng)驗，逐步提升技能水平。

然而，在AI時代，許多基礎(chǔ)工作由自動化工具完成，初級工程師缺乏實際操作的機會，難以通過實踐積累經(jīng)驗。這就要求運維人員在學習過程中更加注重理論知識的學習和對復雜問題的思考，通過參與高難度的項目和任務，提升自己的技能水平。

此外，AI對運維人員技能提升的影響還體現(xiàn)在對技能需求的變化上。隨著AI技術(shù)在運維領(lǐng)域的廣泛應用，對運維人員的技能要求也發(fā)生了轉(zhuǎn)變。除了傳統(tǒng)的運維技能外，運維人員還需要掌握AI相關(guān)的知識和技能，如機器學習算法、數(shù)據(jù)處理、模型訓練與部署等。這使得運維人員需要不斷學習和更新自己的知識體系，以適應新的技術(shù)要求。

以下是AI對運維人員技能提升影響的具體表現(xiàn)：

05.全局行動框架：構(gòu)建抗風險的 AI 運維體系

1）構(gòu)建“人機協(xié)同”安全網(wǎng)

為了確保 AI 在運維工作中的安全、可靠應用，需要構(gòu)建一個“人機協(xié)同”安全網(wǎng)，合理分配人機在決策過程中的權(quán)限和職責。以下是人機決策權(quán)分配的具體原則：

2）數(shù)據(jù)治理體系升級

數(shù)據(jù)是 AI 的基石，構(gòu)建一個完善的數(shù)據(jù)治理體系對于提升 AI 運維的效能至關(guān)重要。以下是數(shù)據(jù)治理體系升級的關(guān)鍵措施：

在數(shù)據(jù)治理體系升級的過程中，CMDB（配置管理數(shù)據(jù)庫）和可觀測數(shù)據(jù)的治理是兩個重要的方面。

• CMDB數(shù)據(jù)治理

CMDB作為運維數(shù)據(jù)的核心樞紐，其數(shù)據(jù)治理至關(guān)重要。以下是CMDB數(shù)據(jù)治理的具體措施：

• 可觀測數(shù)據(jù)治理

可觀測數(shù)據(jù)治理旨在提升數(shù)據(jù)的質(zhì)量和可用性，以更好地支持AI模型的訓練和推理。以下是可觀測數(shù)據(jù)治理的關(guān)鍵措施：

3）持續(xù)驗證與反饋機制

為了不斷提升 AI 模型的性能和適應性，需要建立持續(xù)驗證與反饋機制，確保模型在實際應用中的有效性和可靠性。以下是具體的實施策略：

06.即刻行動清單

為了幫助運維人員更好地應對 AI 時代的變革，以下是細化后的即刻行動清單：

07.個人能力路線圖設(shè)計方法

1）基礎(chǔ)能力：通用大模型在運維工作中的應用

通用大模型在運維工作中的應用可以顯著提升工作效率和質(zhì)量。以下是一些具體的應用場景和方法：

• 腳本編寫：利用通用大模型的代碼生成能力，快速生成和優(yōu)化腳本。例如，使用 GitHub Copilot 或其他基于大模型的代碼生成工具，提高腳本編寫效率。
• 解決方案查詢：通過大模型驅(qū)動的知識庫，快速查詢和生成解決方案。例如，構(gòu)建一個基于大模型的企業(yè)知識庫，員工可以通過自然語言提問獲取準確的解決方案。
• 文檔編寫：利用大模型的文本生成能力，自動生成文檔。例如，使用大模型生成會議紀要、技術(shù)報告等，顯著提高文檔編寫效率。

2）能力進階：技術(shù)型運維工程師

假設(shè)你是一名技術(shù)型運維工程師，具備扎實的 DevOps 工具鏈技能，如熟練掌握 Jenkins、Kubernetes 等，但對 AI 硬件基礎(chǔ)設(shè)施（如 GPU 集群調(diào)度）不夠熟悉，缺乏 AI 模型訓練與調(diào)優(yōu)的經(jīng)驗。

（1）分析自身當前的技術(shù)能力

在制定個人技術(shù)路線圖之前，需要先對自己的技術(shù)能力進行全面的評估。可以從以下幾個方面入手：

• 運維基礎(chǔ)知識：評估自己對操作系統(tǒng)、網(wǎng)絡(luò)、數(shù)據(jù)庫等基礎(chǔ)知識的掌握程度。
• 編程能力：了解自己是否具備編程基礎(chǔ)，如 Python、Shell 等。
• DevOps 工具鏈：檢查自己對 Jenkins、Kubernetes、Docker 等工具的熟悉程度
• 數(shù)據(jù)分析能力：評估自己對數(shù)據(jù)處理、統(tǒng)計分析的掌握情況。
• AI/ML 基礎(chǔ)：了解自己對機器學習、深度學習等 AI 相關(guān)知識的熟悉程度。

（2）根據(jù) AI 運維的需求，確定需要提升的技能

根據(jù) AI 運維的需求，結(jié)合自身的能力差距，確定需要提升的技能。主要可以從以下幾個方面考慮：

• AI 基礎(chǔ)知識：掌握機器學習、深度學習的基本概念和算法。
• AI 框架：學習 PyTorch、TensorFlow 等主流的深度學習框架。
• 數(shù)據(jù)處理與分析：提升數(shù)據(jù)清洗、特征工程、數(shù)據(jù)分析的能力。
• 模型部署與維護：學習模型的部署、監(jiān)控、優(yōu)化等技能。
• 人機協(xié)作：掌握如何設(shè)計高效的工作流程，實現(xiàn) AI 建議與人工決策的有機結(jié)合。
• 通用大模型應用：學習如何利用企業(yè)內(nèi)部或公網(wǎng)上的通用大模型，提升腳本編寫、解決方案查詢、文檔編寫等工作的效率。

（3）示例：

針對上述技術(shù)型運維工程師的能力差距，需要提升的技能包括：

• AI 基礎(chǔ)：掌握 PyTorch/TensorFlow 框架，熟悉運維數(shù)據(jù)預處理（日志清洗、指標聚合）。
• 模型部署與維護：熟練使用 MLflow 進行模型生命周期管理，優(yōu)化推理時延（如模型量化、輕量化部署）。
• 人機協(xié)作：設(shè)計“AI 建議→人工驗證→自動執(zhí)行→反饋模型”的工作流，開發(fā)數(shù)字孿生系統(tǒng)進行 AI 決策沙盤推演。
• 通用大模型應用：學習如何利用通用大模型提升腳本編寫、解決方案查詢、文檔編寫等工作的效率。

（4）制定 6 個月內(nèi)的學習計劃，明確每個階段的目標和任務

根據(jù)需要提升的技能，制定詳細的學習計劃，明確每個階段的目標和任務。以下是一個示例學習計劃：

3）能力進階：管理型運維人員

（1）當前能力評估

假設(shè)你是一名央國企的管理型運維人員，具備以下能力：

• 團隊管理：具備豐富的團隊管理經(jīng)驗，能夠協(xié)調(diào)內(nèi)外部資源，推動項目落地。
• 合規(guī)管理：熟悉《數(shù)據(jù)安全法》等法律法規(guī)，具備較強的合規(guī)意識。
• 戰(zhàn)略規(guī)劃：能夠制定和執(zhí)行運維團隊的長期發(fā)展戰(zhàn)略。

（2)需要提升的技能

根據(jù) AI 運維的需求，結(jié)合自身的能力差距，需要提升的技能包括：

• AI 技術(shù)理解：掌握 AI 技術(shù)的基本原理和應用場景。
• AI 模型管理：學習如何管理和優(yōu)化 AI 模型。
• 人機協(xié)作：掌握如何設(shè)計高效的工作流，實現(xiàn) AI 建議與人工決策的有機結(jié)合。
• 通用大模型應用：學習如何利用通用大模型提升管理效率。

(3)學習計劃

08.結(jié)語：在變革中尋找第二成長曲線

AI 不是運維人員的替代者，而是一種需要被駕馭的新質(zhì)生產(chǎn)力工具。在 AI 時代的運維變革浪潮中，無論是管理者還是工程師，都需要重新審視和定義自己的價值，積極尋找第二成長曲線，實現(xiàn)個人和團隊的可持續(xù)發(fā)展。

對于管理者而言，需要從傳統(tǒng)的“資源協(xié)調(diào)者”進化為“技術(shù)戰(zhàn)略家”，具備敏銳的技術(shù)洞察力和前瞻性的戰(zhàn)略規(guī)劃能力，能夠準確把握 AI 技術(shù)的發(fā)展趨勢，并將其與企業(yè)的業(yè)務需求相結(jié)合，制定出切實可行的技術(shù)戰(zhàn)略。同時，要構(gòu)建安全的人機協(xié)作框架，確保 AI 技術(shù)在提升運維效率的同時，不會給企業(yè)帶來不可控的風險，保障企業(yè)的穩(wěn)定運營和長遠發(fā)展。

對于工程師而言，要在技術(shù)深度和跨域認知兩個方面建立優(yōu)勢。在技術(shù)深度方面，深入學習和掌握 AI+運維實踐的相關(guān)知識和技能，成為這一領(lǐng)域的專家，能夠熟練運用 AI 技術(shù)解決實際運維問題。在跨域認知方面，加強對業(yè)務需求的理解，了解企業(yè)的核心業(yè)務流程和關(guān)鍵績效指標，使運維工作能夠更好地服務于業(yè)務發(fā)展，為企業(yè)創(chuàng)造更大的價值。

總之，拒絕被動等待“人機替代”浪潮的到來，主動塑造未來運維的新規(guī)則，才是運維人員在 AI 時代贏得挑戰(zhàn)、實現(xiàn)自我價值提升的關(guān)鍵所在。只有積極擁抱變革，不斷提升自我，才能在運維領(lǐng)域的廣闊天地中開創(chuàng)更加美好的未來。