2025 芯片设计行业 白皮书 人力核心指标 行业报告系列 2025 - 03 - 19 人力资源核心指标 芯片设计 薪智 目录 样本分布 01 人力指标 涨薪率 04 离职率 10 应届生起薪 11 城市薪酬差异系数 16 人力需求 招聘趋势 19 城市招聘趋势 20 5e3f6aaa06444fd8a666eb59160aa400 招聘动态 22 热门职能 39 电子、 瑞芯微、翱捷科技、上海贝岭、澜起科技 公司数量 样本数量 中游 材料及设备 长川科技、中微公司、盛美半导体、芯源微、华峰测控、 中晶科技、北方华创、拓荆科技、概伦电子、华亚智能 公司数量 样本数量 芯片制造 中芯国际、华润微、华芯微、英特尔、台积电、海力士、 武汉新芯、士兰集成、海威华芯、三星半导体 公司数量 样本数量 芯片测封 通富微电、利扬芯片、长电科技、晶方科技、锐骏半导体、 安测半导体、芯诚微电子、鼎晖科技、电通微电、红光股份 公司数量 样本数量 EDA/IP 新思科技、芯和半导体、中磊电子、纽创信安、芯动科技、 纽瑞芯科技、全芯智造技术、天创微波、斯达股份、纬而视 公司数量 样本数量 下游 分立器件 天马微电子、扬杰科技、银河微电、斯达半导、苏州固锝、 华映科技、江海股份、华微电子、捷捷微电、京东方 公司数量 样本数量 1 产业链分布 样本分布 4,762 2,085,860

其 中 有 80 余 家 已 经 建 立 HRSSC （ 约 69% ）。 HRSSC 是大型企业人 力 资源服务和管理体系的主流选项。 从入围世界 500 强的中国民企和 美 国企业样本来看， HRSSC 在 不同 行业的普及率没有显著差异， 对各 行各业都同样适用。 世界 500 强 美国企业约 69% 已建立 HRSSC 11 佩信集团 团 佩信集团 佩信集团 HRSSC 对于优化员工体验和提高满意度的实际作用，我 们 调研了广大职场人士，询问其对 8 个普遍且高频的员工服务和功能 是否 感到满意，并按照调研对象所在企业是否已经建立 HRSSC 将调 研样本 分组对比。 结果显示，在 6 个员工体验点上，已经建立 HRSSC 的企业中对此感到 满 意的员工占比，相比未建立 HRSSC 的企业有大于 5% 的领先；对于 另外 2 个普遍且高频的员工体验点，即打卡和报销，已经建立 HRSSC 都采用了 这 些技术产品中至少一项，纯软件产品比软硬件 结合 的产品普及率更高。此外，包括员工咨询、 招聘、 培训方面服务和功能的 HRSSC 采用这些 技术产品 的比例显著高于总体样本。 20 HRSSC 的人力数据分析功能涉及的相关技术 来源：佩信行业研究院自主研究绘制 佩信集团 团 佩信集团 佩信集团 佩信集团 佩信集团 佩信集团 佩信集团 佩信集团 佩信集团

模型可能无法学习到有效的特征，难以适应 新的领域或任务，限制了其在实际科学问题 中的应用。 为了解决这一挑战，可以从以下几个方 面寻找突破路径： 利用生成式模型生成高质量科学数据， 补充数据稀缺领域的样本多样性。通过预训 练跨领域基础模型，结合小样本学习技术， 快速适应新任务或学科场景 2.2.3 如何利用 AI 拓展科学发现的创新 边界 AI 目前仍局限于已有知识的重组与推 理，主要通过对已有数据的模式识别和重组 设计和训练部署全过程，是构建自主可控 的内生智能防护体系的关键 2。 4.2 最新进展 AI 系统全生命周期均面临严峻安全挑 战：数据采集阶段，投毒攻击通过注入噪 声或恶意样本，误导模型学习；训练阶段， 通过植入模型后门，使其具备隐蔽功能； 推理阶段，对抗样本、模型幻觉和风险内 容生成已成为主要威胁。超大规模参数、 极深网络结构的基础大模型生成行为可解 释性差、安全对齐内生性不强，易遭受越 狱、提示词注入、隐蔽后门等对抗诱导 扩散模型的架构根植于概率论和随机过程， 其正向过程利用马尔可夫链逐步注入高斯噪 声使数据退化，逆向过程则依赖参数化条件 概率逐步剥离噪声实现重构，构成一个可逆 随机过程。这样的设计在确保生成样本多样 性的同时，也保证了高质量的重构。此外， RNN 利用递归结构捕捉时序数据的动态特 性，其状态更新可用差分或微分方程描述， 而残差网络（ResNet）则通过引入跨层“捷 径”联结，缓解深层网络中梯度消失问题，

特征提取，避免字粒度模型提取特征后还需将其重新组合成词语的麻烦，也减少了模型的信息 损失。 模型训练时，我们使用职能、技能前后拼接的数据结构，其中来自相同 CV 数据的职能、技能作 为正样本，来自相似行业中不同 CV 数据的职能、技能作为负样本。正负样本数量比例为 1： 1。为了防止模型仅抽取职能对技能的依赖关系，我们在将职能和技能调换顺序后的数据加入样 本中同时训练，以提取双向的依赖关系。 经 过 充 分 训 新任务里的知识，使得模型能够 更加深入新任务所表达的规律。 2. 更少的样本依赖。 在 BERT 以前，凡是涉及自然语言理解的任务，需要少则数万，多则数十万的训练样本，才能 达 到 一 个 基 本 的 效 果，而 训 练 样 本 不 是 自 然 就 有 的，大 多 需 要 人 工 标 注。BERT 出 现 之 后， BERT 可以基于已经习得的语言规律，更好的利用样本，使依赖的标注数量降低至少一个量级， 极大加快模型的理解速度。 的情感分析模型，新训练的模型准确率达到了 93%，更重 要的是，在以上两方面问题上，基于 BERT 的模型有质的提升： 1. 训练模型需要的数据下降了至少一个量级。我们基于 BERT 尝试进行少量样本的学习，发现， 训练到同样的效果，BERT 需要的数据降低了一个量级。 2. 强大的迁移能力。当我们把在公司评价数据集上训练的模型迁移到面试官评价数据集的时候， 模型的效果几乎没有下降，这证明了

机遇，评估战略和业务模式的气候适应性，并鼓励采用情景分析等方法开展评估。在实施层面，《指引》坚持循序渐进、 务实推进的原则，坚持强制和鼓励相结合：明确要求上证 180、科创 50、深证 100 和创业板指数样本公司及境内外同 时上市的公司应最晚于 2026 年发布 2025 年度可持续发展报告，同时鼓励其他企业自愿披露。 以 ESG 治理驱动上市公司绿色转型 21 2024 年 12 月，财政部会 列政策出台标志着绿色基金从“自律探索”进入“制度规范”阶段，为市场扩容提供了顶层设计和标准支撑。 从市场实践看，金融机构正积极布局绿色基金。根据中国证券投资基金业协会统计，公募基金在绿色投资制度建设上 全面发力，超过半数的样本机构建立了全面的绿色投资研究和评价机制，并发行过或正在发行以绿色投资为目标的 产品。从市场规模看，据秩鼎数据，截至 2025 年二季度末，我国市场上已有低碳及绿色发展公募基金 223 只，规 模合计达 家机构建立了绿色表现负面清 单，其中，22 家机构同时建立了正面评价方法及负面 清单机制。具体实践中，多数样本公募机构搭建了投 资标的数据库和 ESG 投资评价体系，设置负面清单和 负面筛选机制，考察企业单位能耗、碳排放强度、环 境风险事件及监管部门处罚情况，将绿色因素纳入投 研决策流程。 · 在环境风险管理方面，21 家样本机构已建立环境风险 监控机制；21 家机构针对已投资标的环境风险暴露建 立了应急处置机制，形成绿色投资风险闭环管理。具

延续2023年恢复态势，带动了商业地产市场的温和复苏。《2024年上半年商业地产租金指数报告》依据全国15个重点城市主要商业街及购物中心商铺租赁的相关数据， 选取了重点城市中的100条商业街商铺与100个典型购物中心商铺作为样本标的进行了深入调查与分析。研究发现，商业街和商圈购物中心租金延续小幅上涨态势，但 涨幅收窄，消费市场有望保持平稳恢复态势，商铺租赁需求亦有望继续释放。 商业街及商圈购物中心租金小幅上涨，消费市场平稳恢复，商铺租赁需求有望继续释放 询 对该等信息的准确性、完整性或可靠性作尽最大努力的追求，但不作任何保证。在任何情况下，本报告中的信息或所表述 的观点均不构成任何建议。 本报告中发布的调研数据采用样本调研方法，其数据结果受到样本的影响。由于调研方法及样本的限制，调查资料收集范 围的限制，该数据仅代表调研时间和人群的基本状况，仅服务于当前的调研目的，为市场和客户提供基本参考。受研究方 法和数据获取资源的限制，本报告只提供

通系统稳定性、工业生产合规性），因此工程智能的可靠性成为规模化落地的核 心瓶颈。可靠性挑战体现在三个维度： 一是预测精度与泛化能力不足。工程场景的数据往往存在“小样本、高噪声、 强耦合”特征：大型桥梁的病害数据因灾害事件罕见而样本量有限，制造过程中 的传感器数据易受环境振动干扰，智能电网的负荷预测需同时关联气象、经济、 政策等多维度变量。这导致 AI 模型在训练阶段易出现过拟合，在实际应用中对 为工程活动的 产学研全链条提供标准化的智能体创建工具与方法。一方面，平台通过知识迁移 与能力内化，利用工程智能基础画模型快速生成具备工程通用素养的基础智能体； 另一方面，它支持通过知识注入和少样本微调等技术，将特定领域、特定任务的 专业知识、规范和经验融入基础智能体，高效定制出满足特定工程项目需求的专 业智能体。此外，平台还内置了智能体的持续演进框架，通过在线与离线学习机 制，使智能体 是工程知识的高效迁移问题， 如何将通用基座模型中蕴含的通用知识与工程领域的专业知识、工具使用经验、 流程规范等进行有效融合，在避免灾难性遗忘的同时，实现从通用智能到工程领 域智能的跨越。二是少样本场景下的快速定制问题，工程领域特定场景的数据往 往有限，如何在少量标注数据或示例引导下，使智能体快速掌握特定工程任务的 处理逻辑与决策规则。三是行业工具与流程的深度集成问题，工程智能体需熟练 调用

限于训练数据来源、数据预处理、数据标注、输出内容、内容标识等方面； ● 内容安全风险：由于训练数据的偏差和污染，以及模型生成机制的不完全可控，可 能生成违法违规不良价值观的内容； ● 对抗攻击风险：攻击者可通过构造对抗样本或指令注入攻击，诱导模型生成错误的 回答。 2.3 应用服务安全风险：算力消耗、供应链与隐私泄露 MaaS 平台在提供便捷服务的同时，也产生了特有的安全隐患。 ● 数据安全与隐私风险：攻击者 WHITE PAPER 安全 可信的 MaaS 阿里云百炼 安全白皮书 SECURE & TRUSTWORTHY MaaS （一）模型红蓝对抗 通过构建红队模型 / Agent，自动产生新的攻击样本 , 收集模型和系统的安全漏洞和 弱点，蓝队对这些弱点和漏洞进行修复，从而不断提升模型和系统的安全性。 （二）AI 安全挑战赛 构建了集学习、竞技、交流与成长于一体的平台。 赛事通过三大赛道实现全方位能 1 输入与输出内容安全 AI 安全护栏的核心职责是保障模型交互内容的安全性与合规性，通过一套分层且可定 制的策略，有效应对提示词注入和多模态内容风险。 ● 提示词注入攻击防御：内置了经过大量攻防样本训练的检测模型，能够精准识别 和拦截“越狱”、“角色扮演”等直接注入攻击。同时，能对输入数据源进行扫描， 剥离和清洗其中潜藏的、针对模型的间接注入指令。避免大模型在重要领域被误导， 产生决策失误。

无需提供示例， 用于测试模 型在完全未知任务上的通用推理和泛化能力 Few-shot Prompting ： 在任务描述中加入少量示例， 帮助模型理 解任务格式和语义要求， 用 于评估模型在小样本学习场景下的适应能力 Chain-of-Thought Prompting ( CoT) ： 在 Prompt 中 明确 要 求 模型展 示 思 考过 程， 生 成中 间 推 安全性：从潜在风险识别到安全输出保障 安全性在医疗场景下尤为突出，评测指标包括： 有害回答比例 / 违规输出率（如药物禁忌错误推荐率） 对抗样本攻击的成功率（%） 稳健性测试下的输出错误率 / 安全提示触发率 评测方式常引入真实临床场景模拟和对抗样本测试， 确保模型在极端输入下依旧能输出安全、合 规的建议 3.2.3.合规性：确保法律与行业标准的严格遵守 合规性考察模型是否按照 给出解释、提出建议 要 求明确）， 将 “ 患者隐私” 和 “ ” 知情同意 纳入伦理测评。采用定性 + 定量 结合， 结合专家、法规和患 者代表等多方多轮维度。定期复测并引入新样本，确保实时监控伦理表现 5.1.4.监管与评估体系建设 建 立 完 善 的 行 业 监 管 与 评 估 体 系 是 防 控 风 险 的 重 要 保 障 。 应 从 基 准 评测、协同 监管 、 风险

不仅能够分析局部特征，还能综合考虑肿瘤与周围组 织的整体关系，显著提高诊断精度。 2.智能化临床决策支持 由于罕见病和复杂病症等疾病种类繁多，且疾 病症状因人而异，导致医生在诊断过程中出现难以避 免的错误。四川华西医院进行的一项大样本量调查发 现，我国医院的临床误诊率平均约为 30%， 而肺 外结核和恶性肿瘤等恶性疾病的平均误诊率更是高 达 40%。 因此，如何提高医生的重大疾病诊疗水平 和工作效率，减少基层医疗机构的误诊、漏诊等现 别，并宣布与 Answer ALS 项目合作开展的肌萎缩 侧索硬化症（ALS） 靶点识别项目，利用其自主研 发的 AI 靶点识别引擎 PandaOmics 分析了来自公共 数据集的中枢神经系统（CNS）样本表达谱和由诱导 性多功能干细胞分化成的运动神经元（diMN）表达 谱， 成功发现 28 个经过验证的潜在靶点，其中 18 个 （64%）在果蝇实验中被验证有效。 此 外 ， BERG 公 司