我要认证
从20世纪90年代的互联网开发，到大型数据中心建设；从电力、制冷、储能等基础设施，到今天的AI算力中心——燕来老师（网名）的职业经历，几乎贯穿了数字基础设施的多次重大变革。
如今，已经处于“半退休”状态的他，仍在研究AI写作、AI编程、智能体、算力调度和绿色能源，并通过CAIE人工智能工程师认证，重新梳理自己的AI知识体系。
在他看来，资深从业者学习AI，并不意味着放弃过去几十年的经验，转行成为算法工程师。更现实的路径，是看懂AI正在怎样改变原来的行业，并用新的技术放大已有能力。
燕来老师早年在日本从事工业设计，后来创业开发过电商系统，也参与过早期互联网项目。随着业务对基础设施的需求不断增加，他又从数据中心的使用者逐渐转变为建设者，开始参与数据中心建设、运营和技术统筹。
此后，他还持续关注电力、储能、虚拟电厂等领域，并通过自媒体分享相关内容。近几年，他将更多精力放在两个方向上：一是AI如何提升个人生产力，二是AI如何与算力、能源和数据中心等基础设施协同发展。
表面上看，他经历过工业设计、互联网、电商、数据中心、新能源和人工智能等多个领域，但他认为，自己并不是在不断“换行业”。
“这些工作的底层其实都与技术和系统有关。早期做产品系统、交易系统，后来研究电力系统、制冷系统，现在关注的是AI生产系统和服务系统。”
这也是他面对新技术时一直保持学习动力的原因。行业名称在变，工具在变，但系统之间如何协同、资源如何配置、价值如何交付，始终是相通的。
在燕来老师看来，数字基础设施的发展大致经历了三个阶段。
20世纪90年代，企业内部通常只有规模不大的机房，十几个机柜已经足以支撑内部信息系统、网站和业务应用。进入互联网时代后，“机房”逐渐升级为数据中心，服务器托管、虚拟服务器等需求快速增加，数据中心规模也从几百个机柜发展到数千个机柜。
云计算兴起后，数据中心真正成为数字社会的基础设施。多中心互备、容灾和高可用架构逐渐成为常态，行业最关心的是业务不能中断、数据不能丢失、系统响应不能过慢。
到了AI时代，行业再次发生变化。数据中心开始被称为算力中心或计算中心，能源与散热成为更加核心的约束条件。
传统数据中心单个机柜的功率可能只有2kW到6kW，而AI训练和大规模推理使用的高密度机柜，功率可以达到20kW、60kW甚至更高。这意味着，AI算力中心已经不再是简单摆放服务器和交换机的场所，而是由电力系统、制冷系统、网络系统、算力设备和智能调度共同组成的复杂工程。
燕来老师认为，一座高标准算力中心，需要同时平衡三件事：可靠性、经济性与社会性。
可靠性意味着业务不能轻易中断，需要通过冗余架构、电力保障、制冷设计、网络配置和灾备演练降低单点故障风险；经济性意味着可靠性并非越高越好，因为冗余越多，建设和运营成本越高，最终还要看客户是否愿意为相应标准买单；社会性则体现在能源消耗、绿电比例、碳排放与区域电网承载能力等方面。
过去行业重点关注PUE等能效指标，未来还会进一步关注碳强度、绿电比例、算力利用率，以及算力和电力能否实现协同调度。数据中心不只是信息交换节点，也可能成为电力调节、储能和虚拟电厂体系中的重要组成部分。
作为拥有丰富项目经验的资深从业者，燕来老师接触过很多学习渠道和行业认证。对于证书，他始终保持一种非常务实的态度。
他将认证分为两类。第一类是从业资格型认证，例如电工证、驾驶证以及特定行业的从业资质，它们直接关系到能否合法、安全地开展某项工作。第二类是学习型或能力自检型认证，它不一定直接决定一个人能否进入某个岗位，但可以帮助学习者梳理知识结构、发现能力缺口。
对他而言，CAIE更接近第二类。
“现在AI领域的信息太多了，每天都有新模型、新工具和新概念。如果只是看新闻、刷短视频，很容易越看越乱。CAIE的价值，是把相关基础知识整理成一个相对系统的框架。”
在参加CAIE学习之前，他已经接触过AI写作、AI编程、智能体和部分生成式AI工具，也尝试过模型训练与可视化工作流。但这些知识更多来自兴趣驱动下的分散探索，缺少一张能够把不同概念连接起来的完整地图。
通过CAIE的系统学习，他重新梳理了人工智能的发展脉络、机器学习与深度学习的基本概念、常见算法、AI工具及其应用场景，也进一步理解了决策树、随机森林、线性回归、逻辑回归等过去“听说过但没有深入理解”的内容。
这些基础知识未必能立刻转化为某个单独的项目成果，却让他在面对大模型、智能体和AI工作流时，能够更清楚地判断：某项技术属于哪一个层级，解决的是什么问题，与数据、算力和具体应用之间又是什么关系。
“我最大的收获并不是拿到一张证书，而是把过去零散接触的信息重新梳理了一遍。”
这也是CAIE对于已有工作经验人群的重要价值。初学者可以借助系统框架建立认知，资深从业者则可以通过学习完成查漏补缺，把多年经验与新的AI知识连接起来。
对于数据中心、机电、能源和传统IT从业者而言，学习AI是否意味着必须转行？
燕来老师的答案很明确：没有必要。
传统基础设施从业者原本就具备可靠性意识、工程经验、成本控制、安全管理和运营纪律。这些能力在AI时代不会失效，反而会随着算力基础设施复杂度提升而变得更加重要。
真正需要补充的，是对模型、数据、算力和应用之间关系的理解。只有看懂AI客户究竟需要什么，才能判断算力需求从哪里产生，哪些是真实需求，哪些只是概念包装。
除了AI基础认知，传统工程人员还需要逐步补充产品思维和工具能力。过去做数据中心项目，可能更关注空间、电力、带宽和机柜能否按要求交付；现在客户真正购买的，是稳定、可用且成本可控的算力服务。从业者不仅要完成工程建设，还要理解客户使用算力解决什么问题、业务价值如何衡量。
AI编程、自动化脚本、数据分析和智能体，也会逐渐成为工程师的基础工具。未来真正有竞争力的，并不只是懂算法的人，而是能够把AI应用于能源、运维、制造、金融、内容、教育等具体行业的人。
“AI不是一个与传统行业完全分开的独立赛道，更像是一种新的基础能力。传统行业的人不用否定自己，更有价值的做法，是把原来的经验和AI能力结合起来。”
谈到学习方法，燕来老师没有给出复杂的时间管理技巧。他认为，成年人学习新知识，首先需要真实的需求或兴趣，其次要敢于“先玩起来”。
他在20世纪90年代接触互联网时，只学习了两周左右的HTML和JavaScript，就开始尝试做项目。后来因为业务需要使用数据中心，又从客户逐步走向基础设施建设一线。
这种经历让他更加相信，实践是理解技术最快的方式。没有真实项目时，也可以通过写文章、做短视频、参与内部培训或整理复盘笔记，把学到的内容讲出来。
分享不只是为了获得流量，更重要的是迫使自己把知识讲清楚。很多时候，人们以为自己已经理解了一个概念，真正开始写作或讲解时，才会发现其中仍有大量模糊之处。
他建议职场人在学习每个AI概念时，都可以问自己几个问题：它是什么？它不是什么？它能解决什么问题？它与我现在的工作和生活有什么关系？
备考CAIE同样不能只停留在背题层面。大纲可以看作一张知识地图，题库则是路标。做错一道题，意味着背后可能存在一个知识漏洞。比记住答案更重要的是顺着关键词继续查询、理解原理并形成笔记。
当学习不再只是为了通过考试，而是为了理解一个正在重塑行业的新领域，证书所代表的价值才会真正发挥出来。
在燕来老师看来，未来的AI算力中心将沿着高密度、液冷、绿电与储能结合、智能化运营和服务化交付等方向持续升级。自动驾驶汽车可能成为分布式算力节点，算力出海将涉及电力工程、开源模型、应用生态、政策、合规和结算，甚至太空算力也可能成为值得提前研究的长期方向。
对于普通从业者来说，不必一开始就笼统地说“我要进入AI赛道”。更有效的方式，是从自己的岗位找到一个具体入口：做运维，就研究AI运维；做数据，就研究AI数据分析；做开发，就尝试AI编程；做基础设施，就了解GPU、液冷、算力调度和绿电协同。
CAIE认证对燕来老师来说，正是一次系统的“拾遗补漏”。它让一个已经长期关注技术、持续实践AI的资深从业者，重新整理了自己的知识结构，也为判断下一轮产业变化建立了更加清晰的坐标。
采访最后，他送给所有希望拥抱AI、突破职业边界的人一句话：
“变化不是问题，看不见变化才是问题。先用起来，先做起来，机会往往是在一次次小实践中生长出来的。不要等到明天，很多东西只有真正用过以后，你才会懂。”
面对AI，与其焦虑自己是否需要彻底转行，不如先通过一次系统学习看清技术全貌，再从现有工作中找到可以落地的第一个场景。当原有行业经验与AI能力开始结合，新的职业可能性也会随之出现。
