技术裁员分析 (2025)

在过去的一年中，超过152,000名科技员工失去了工作。根据Layoffs.fyi的数据，仅到2025年2月中旬，就有近10,000名科技工作者被裁员：

技术裁员背后的关键因素

是什么导致了这种情况？

• 慢慢的经济和上升的通货膨胀正在给全球企业带来财务压力。
• 许多公司在疫情期间雇佣了太多人，现在负担不起。
• 人工智能正在重塑行业，自动化具有重复任务的工作。

适应不断变化的技术环境

尽管发生了裁员，但对于那些拥有正确技能的人来说，机会正在出现。保持竞争力的关键是持续学习和适应。一些技能变得不那么相关，而另一些则需求旺盛。

本文将突出目前最有价值的技能，并提供实用步骤来发展你的职业生涯。

1、需求旺盛的技术技能

这里列出的技能顺序不是重要性的排名，而是相关领域的逻辑分组。当然，你不需要知道所有这些技能！浏览一下，挑选最感兴趣的那些。

1.1 人工智能（AI）

什么是AI：

人工智能是指能够执行需要人类智能的任务的系统，例如决策、模式识别和自动化。AI工程师通过开发模型、在数据上训练算法并整合AI解决方案到应用程序中来设计、构建和部署AI系统，用于任务如自动化、分析和决策支持。

为什么重要：

越来越多的公司开始使用AI来加速工作、改进产品和节省资金。AI在自动驾驶汽车、推荐系统、机器人技术和预测分析中有着广泛的应用。

入门所需的关键技能：

• 数学和统计学：线性代数，以及概率论。
• 编程：Python是最广泛使用的语言，配有库如TensorFlow和PyTorch。
• 算法和数据结构：理解搜索算法、图论和数据结构至关重要。
• 数据处理：处理大型数据集、数据预处理和特征工程。
• AI伦理和偏见意识：了解人工智能伦理设计并避免偏见模型。

1.2 机器学习（ML）

什么是ML：

机器学习是AI的一个子集，使计算机能够在没有明确编程的情况下从数据中学习模式。它包括技术如监督学习（分类、回归）、无监督学习（聚类、异常检测）和强化学习。

为什么重要：

你可以找到ML在个性化推荐和预测性维护中的应用，涉及医疗保健、金融和制造业等领域。它帮助专业人士创建更智能、更高效和自动化的解决方案。

入门所需的关键技能：

• 概率和统计：对于理解像决策树、贝叶斯网络和支持向量机（SVMs）这样的模型至关重要。
• 机器学习算法：了解回归、神经网络和集成方法的知识。
• 模型评估与调优：超参数调整和交叉验证。
• 大数据工具：熟悉框架如Apache Spark以进行大规模机器学习应用的经验。

1.3 自然语言处理（NLP）

什么是NLP：

NLP是AI的一个分支，使计算机能够理解和处理人类语言。它使用规则、统计或机器学习来处理文本。

为什么重要：

NLP帮助我们通过语音助手（如Siri）和聊天机器人（如Pi）与技术互动。它还帮助医疗保健和客户服务等行业改善沟通并检测欺诈。

入门所需的关键技能：

• 语言学和文本处理：分词、词干提取、词形还原和命名实体识别（NER）。
• NLP深度学习：使用变换器（如BERT、GPT）和RNNs/LSTMs。
• 向量化技术：词嵌入如Word2Vec、GloVe和TF-IDF。
• 语音和音频处理：语音识别工具如Whisper。
• NLP库：动手经验如spaCy、NLTK和Hugging Face Transformers。

1.4 生成式AI

什么是生成式AI：

生成式AI是AI的一个子集，使用生成模型来创建新内容，如文本、图像、音乐甚至代码。它背后有工具如ChatGPT、Copilot、Gemini、Stable Diffusion、Midjourney和DALL-E。

为什么重要：

生成式AI帮助企业节省时间、金钱并保持竞争力。它驱动内容创作创新、自动化任务并支持更好的决策。

入门所需的关键技能：

• 深度学习架构：理解变换器、GANs、VAEs和扩散模型。
• 神经网络训练：微调大型模型并优化性能。
• 提示工程：编写有效的提示以生成有用的输出。

1.5 数据科学、分析和工程

什么是数据科学、分析和工程：

所有这些领域都帮助从大量数据中提取价值。然而，它们有不同的目的：

• 数据分析检查历史数据以发现趋势、模式和见解。分析师使用工具如SQL、Excel和可视化软件来解释数据以供决策。
• 数据科学应用统计方法、机器学习和预测建模来分析和预测趋势。它结合编程、数学和领域知识来构建数据驱动的解决方案。
• 数据工程收集、清理和结构化原始数据以供分析。工程师构建可扩展的数据管道、管理数据库并优化数据存储以提高性能。

为什么重要：

数据驱动的决策在各个行业中都很重要，如：

• 零售与电子商务：数据科学改进产品推荐（如亚马逊）。
• 金融：数据分析有助于欺诈检测和风险评估。
• 医疗保健：预测分析有助于早期疾病检测和资源优化。
• 市场营销：客户细分和情感分析推动活动。
• 技术和AI：AI应用依赖于结构化数据。

入门所需的关键技能：

• 基础数据技能：学习SQL查询和管理数据库。使用Excel进行基本的数据操作和可视化。
• 编程语言和工具：Python在数据领域很受欢迎。R也是另一种选择，特别是在统计分析方面。学习库如Pandas进行数据操作和Numpy进行数值运算。
• 统计和分析概念：熟悉概率、假设检验和回归分析。
• 处理真实世界数据：练习开放数据集（如Kaggle和Google Dataset Search）。构建个人项目（如分析销售趋势）。
• 可视化和商业智能工具：学习Tableau、Power BI或Python可视化库（Matplotlib和Seaborn）。

1.6 网络安全

什么是网络安全：

网络安全保护系统、网络和数据免受黑客、恶意软件、网络钓鱼和勒索软件等网络威胁。这些攻击旨在窃取敏感信息、扰乱运营或要求赎金支付。安全措施包括加密和防火墙。

为什么重要：

网络攻击越来越频繁且复杂。一次泄露可能会造成巨大损失，损害公司的声誉并引发法律问题。熟练的网络安全专家有助于预防这些风险。

入门所需的关键技能：

• 网络和安全基础知识：学习TCP/IP、加密、防火墙和认证。
• 动手实践：使用安全工具如Wireshark、Metasploit和Snort来分析威胁。
• 渗透测试：使用平台如TryHackMe来练习道德黑客。
• 获得认证：例如，CompTIA Security+、CEH或CISSP。

1.7 云计算

什么是云计算：

云计算允许你在线存储和访问数据和应用程序，因此你不需要投资昂贵的硬件。它可以让你只支付实际使用的费用。流行的云服务包括SaaS、PaaS和IaaS。这里有一个解释说明了这些服务之间的区别。

为什么重要：

大多数公司都在转向云计算，因为它具有灵活性、可扩展性和成本节约的特点。云服务使得从任何地方访问数据变得容易。例如，Netflix使用AWS在全球范围内流媒体内容。

入门所需的关键技能：

• 理解云环境：AWS、Azure和Google Cloud。
• 核心概念：虚拟机的使用（EC2、Azure VMs）、存储选项（S3、Azure Blob）、网络（Amazon VPC、Azure Virtual Network）和安全性（IAM、Cloud Identity）。
• 热门认证：AWS Certified Solutions Architect、Microsoft Azure Fundamentals或Google Cloud Associate。

1.8 DevOps和自动化

什么是DevOps：

DevOps将软件开发和IT运维结合起来，以改善协作、自动化工作流程并加快软件交付速度。它包括CI/CD实践。自动化取代了测试、部署和系统管理中的手动步骤。

为什么重要：

公司需要更快地交付软件，同时保持良好的质量。例如，谷歌应用站点可靠性工程（SRE）来保持服务稳定，同时大规模部署更改。

入门所需的关键技能：

• 核心DevOps工具：Docker、Kubernetes、Terraform和Ansible。
• 动手实践CI/CD工具：GitHub Actions、GitLab CI或Semaphore CI。
• 云环境：理解如何使用AWS、Azure和Google Cloud等云平台，类似于云计算。
• 有用的资源：这个DevOps路线图提供了项目想法，并与Semaphore CI的CI/CD学习工具的学习路径很好地配合使用。

1.9 区块链开发

什么是区块链开发：

区块链开发涉及创建和维护区块链网络和去中心化应用程序（dApps）。它包括两个主要领域：核心区块链开发用于设计区块链协议，智能合约开发用于构建去中心化应用程序。

为什么重要：

区块链在多个行业中都有应用：

• 金融：银行和金融科技公司使用区块链进行数字资产（如JPMorgan的Kinexys）。
• 医疗保健：区块链确保医疗记录的安全并提高数据隐私。
• 供应链：公司如Walmart使用区块链追踪食品安全。

入门所需的关键技能：

• 理解区块链基础知识：分布式账本、共识机制、密码学安全。
• 探索平台：Ethereum（智能合约）、Solana（快速交易）、Hyperledger。
• 学习区块链编程：Solidity、Rust、Go。
• 使用区块链开发工具：Hardhat和Truffle用于测试和部署，Ethers.js和Web3.js用于区块链交互。
• 构建项目：创建智能合约、ERC-20代币或去中心化应用程序。

2、需求旺盛的技术岗位

根据LinkedIn的“正在崛起的职位”报告，2025年需求最高的技术岗位包括AI专家、数据科学家、软件工程师和网络安全专家等角色。

此外，云架构师、DevOps工程师、区块链开发者和AI伦理专家等角色也日益流行。

3、需求旺盛的编程语言

随着技术的发展，某些编程语言的需求依然很高。根据Stack Overflow开发者调查2024，以下是必不可少的语言：

• JavaScript（62%）——网页开发的关键。
• Python（51%）——广泛用于数据科学和AI。
• SQL（51%）——管理数据库的关键。
• Java——常见于企业应用。
• C#——游戏开发和业务应用的重要语言。
• Go和Rust——在云计算和系统编程中逐渐流行。
• Kotlin和Swift——移动应用（Android和iOS）的首选。

学习其中的一些语言可以开辟新的职业道路。

5、在AI时代软技能的重要性

随着AI的进步，似乎人类技能变得不再重要。然而，软技能将比以往任何时候都更重要。虽然AI可以快速处理任务，但我们的独特品质将推动创新并让我们与机器区分开来。

以下是需要重点关注的五大软技能：

5.1 批判性思维

AI生成了很多信息，但我们需要评估、分析并做出明智的决定。批判性思维帮助我们区分事实与观点，避免偏见。

增强批判性思维的方法：

• 在日常工作中经常问“为什么”。
• 从不同角度看待问题。你可能忽略了什么？
• 考虑相反的观点。对方是否有合理的论点？
• 将大问题分解成小部分。哪个部分可以先做？在继续之前需要回答哪些小问题？

5.2 情商（EQ）

情商是理解和管理自己情绪的能力。情商强的人通常会成为更好的领导者和团队成员，因为他们能更有效地沟通。

提升情商的方法：

• 先听后说：专注于倾听同事的担忧，然后再提出自己的想法。这有助于建立信任并让他人感到被重视。
• 观察压力信号：如果一个队友看起来不堪重负，询问是否可以帮助。
• 提供帮助：不要假设别人需要什么，而是问：“我能怎么支持你？”
• 反思错误：在沟通失误后，问问自己：“下次我该如何更好地交流以确保更好的理解？”

5.3 创造力

创造力是人类的独特优势，AI无法复制。跳出框框思考使我们能够用创新的方式解决问题并产生新的想法。

提升创造力的方法：

• 保持好奇心：探索新话题，提问并经常阅读。读得越多，产生的想法就越多。
• 暂时离开：暂时离开一个难题，回来时会有新的想法。
• 头脑风暴：与他人讨论想法以获得新的见解。
• 不怕失败：并非每个想法都会成功，但从错误中学习能教给我们最有价值的课程。

5.4 适应性和持续学习

你今天使用的工具明天可能就会过时。变化是永恒的，快速学习的能力会让你保持价值。

促进适应性和学习的方法：

• 探索新领域：挑战舒适区，探索新角色或项目。参加在线课程以培养新技能。
• 保持积极态度：对变化持积极态度，而不是将其视为威胁。
• 实践：利用新技能改进当前工作流程。

5.5 情境意识

情境意识帮助你理解周围发生的事情及其对你目标的影响。它使你能够发现潜在的问题并抓住机会。

培养情境意识的方法：

• 注意会议并主动听取更新。
• 与其他团队外的人交谈，以理解不同的视角。
• 关注公司新闻和重大决策。
• 当事情感觉不对劲时，注意——比如突然的项目变更或团队压力。
• 每天花几分钟检查你所在行业的最新动态。
• 当你真心相信能帮上忙时，主动提供帮助！

6、提升技能的策略

采取以下可行步骤来获取知识：

• 多元化技术技能：不要把所有的鸡蛋放在一个篮子里。例如，如果你是一名后端开发人员，学习一些DevOps实践。寻找可以增强你现有技能的新技能。
• 追求认证：报名参加可信课程（微软、PluralSight、Coursera、Udemy）。选择那些教授实用技能的课程。
• 创建强大的技术作品集：在LinkedIn或GitHub上分享你的最佳项目，展示你的知识。
• 参与技术社区：通过网络研讨会保持更新，并在技术论坛如Stack Overflow、Dev.to、Reddit和Discord中建立联系。解决实际问题以帮助他人。

保持一致性——定期留出时间来持续学习和提高。

7、结束语

我们已经看到技术裁员很艰难，但这并不意味着职业生涯的终结。通过专注于技术和软技能，你可以在不断变化的环境中保持竞争力。

记住，你今天在成长上的投资越多，你未来的事业就越稳固。未来属于那些能够适应的人——持续学习，持续成长！

原文链接：Tech Layoffs Analysis: Which Skills Are Still in High Demand

汇智网翻译整理，转载请标明出处