Anthropric 在本周宣布启动 Claude Frontier Academy 计划。该项目由公司自主承担工程师的培养工作，学员需要经过真实操作的考核环节，方可获得冠以 Claude 品牌的技能证书。
Anthropic 表示，公司将投入十亿美元级别的资金，计划在 2027 年年末之前，完成一万名工程师的培训任务。该项目执行标准遵循 Anthropic 内部工程师的能力模型。
用大模型修改一份邮件信息，和用它打造一套让团队成员安心依赖的系统工具，这两项任务之间存在巨大差异。但在当前的招聘现状中，候选人们却都习惯在简历上标注「具备 AI 工具使用能力」。（说实话，不同人口中的「精通」二字，真的差别很大呢）
1
这张证书该如何考取，戳进来看
该培养项目直接采用了 Anthropic 公司内部对工程师素质的衡量方式。学员被要求参与真实的企业项目，唯有通过考察，才能获得认证资格。
Anthropic 的目的是将学习、实战和认证这三个环节有机地融合起来。针对那些渴望把 AI 应用作为专业技能来深入学习的人群，该课程详尽地制定了培养方向和评估指标。
目前这个项目以企业推荐的方式进行，重点服务于公司级别的付费客户和合作伙伴。最初的学生队伍包括来自埃森哲、贝恩咨询、德勤和摩根士丹利这样的国际大企业的专业人士。
目前课程已在美国旧金山市、纽约市及英国伦敦三个城市开展。有意参加的人员，需由其所属机构主动联系 Anthropic 的商务部门或指定的合作经理。
申请者需具备一定的编程基础，曾经使用过生成式大模型进行过项目开发，并且在帮助他人融入 AI 应用方面有所积累。虽然开发智能体应用不是必须条件，但提名表中需明确说明学成后将负责的 Claude 有关工作。
该 Academy 的首期课程设计借鉴了医学专业人才的培养流程：通过跟随资深从业人员锻炼技能、接触实际工作案例，再通过评估测试。
根据项目网站，学员首先要参与为期四天的集中面授课程。由 Anthropic 的开发工程师和经过授权的培训讲师执教，参与者来自不同的组织机构。
前三个工作日，学员们需要为一家模拟的企业组织搭建完整的 Claude 应用系统。从需求梳理、信息安全评估、到系统交付，体验全流程。
课程所列出的能力评估项，兼顾了开发技能和判断能力：既要学会识别有价值的问题，同时得能够借助公司现有工具和数据资源去解决这些问题。通过安全审查环节之后，还要具备向同事传授如何使用系统的能力。
第四天将引入全新的场景与问题，进行真实操作测验。拿到通过评分后，参加者首先获得 Claude Resident Engineer 的徽章资格。
随后，学员需返回原单位，用三个月左右的时间去推进那些前期已经确定好的实际应用项目。在这个过程中若遇到困难，可以得到 Anthropic 开发人员的指导与帮助，也能与同期的学生们互相讨论与协作。
课程结束后还要再进行一次考评。只有顺利通过最后这关的学生，才能够获颁 Claude Frontier Deployed Engineer 的身份证明徽章。预计第一批证书将在 2027 年初发放到学生手中。
如果你没有编程经验的话，我们想为你推荐另外一个更包容的学习项目——Claude Academy。它的定位是作为入门选择存在，同时这类公开课程完全无需付费，大家可自主安排学习进度。
1
AI 代劳完成了，如何验证学习者真的会了
倘若 AI 有能力替人完成学科作业，那么在正式评估时，出题人怎样才能判断参与者究竟掌握了什么？
Anthropric 在本年 1 月发表了一篇学习研究。他们邀请了 52 位以初中级技术人员为主的程序员，让他们学习一个不太熟悉的 Python 库——Trio。
一半的人能够借用 AI 来辅助编程工作，另一半的人则完全手动编写代码。任务完毕后，研究人员随即组织了一场知识测试。
AI 协助的小组均分是百分之五十，自己动手的小组达到了百分之六十七。在找出程序问题这一类别的题目上，两组的成绩差异尤为突出。尽管 AI 协助的小组完成任务的耗时更短，但这个数值并未达到统计学上的重要性。
学者们的观察还表明，那些积极提出质疑、经常追问原因的学生，在测验中通常会取得更理想的成绩。
举例说，当你使用 AI 来生成一个 Excel 表格公式，粘贴上去，表格就自动计算出结果了。但当同事又加入了新的列、出现了更多空白单元格的时候，你是否还知道应该修改哪个地方？
从前，学生为掌握快速排序、KMP 算法、平衡树这类算法，必须逐行编写代码，不断调试修正。在当今时代，人们完全可以利用 AI 生成的代码作为学习素材：请它对某个步骤做出讲解，再用不同的输入样本去尝试，观察在哪些情况下会出现故障。
没多久前，知名的人工智能研究员 Andrej Karpathy 在社交媒体 X 上论及了这样一个新的趋势：将来的时光里，我们会投入更多的精力去领会和验证语言模型的输出结果。
他提议让大模型把材料转化成图形表达、可交互的前端应用，乃至根据内容制作教学讲解视频。
比如学习排序类算法时，能够请 AI 制造一个包含逐帧播放功能的演示小程序。每次交换数字时都暂停一下，让学习者自己判断接下来的操作。
Google 在 9 月 17 号对外公布了一份交互式学习的研究报告。教师们可以借由 AI 来设计包含反馈指导的模拟学习任务。
星球运行模型、速度增长、化学原子形态，都能够设计成互动性操作。画面出处：Google Research。
在官方的展示案例里，学生们通过调整小车装置的加快速率和发动机运作时长，随后启动模拟运行，来理解小车的动作过程。另外一个样例是在数值坐标上标记整数和负数，引导两辆不同颜色的车停在镜像对称的地点。
这类教学方案会循序渐进地提升难度层级，给出指引和回馈信息。
Google 已经放出了三十多个英语实战训练，覆盖的学生群体主要是初中学段。公司还计划组织课堂实验，评估学生的真实学习效果。
其实在进行工作方案讲述时，也可尝试应用这样的做法：让 AI 扮演一位会提问细节的同事。如果回答不了，就回头再看一遍你的参考资料。
出卷老师们，目前也在重新思考评估的技巧。
Anthropric 在本年 1 月的招聘工作总结里，分享过这样一道题：候选人要去优化一段在虚拟加速芯片上运行的程序代码。这个考题明确许可各位应用 AI 来协助。
彩色条纹代表命令分布在各个实行模块上的状况，供参赛者去找出可优化的位置。照片来源：Anthropic。
考试设计人本意是观察，参赛人怎样理解这个计算体系、进而寻找运行效率的薄弱环节。然而在后来的尝试中，Claude Opus 版本 4.5 用两个小时的时间内，用了一次携带人类参与的询问，做到了接近此时间约束下顶尖参赛者水平的表现。参赛的那名选手也是 Claude 的大量应用者。
如果持续往上提高合格线，就会碰到一个尴尬的状况：对应聘人来说，最聪明的战术可能就变成了坐以待毙，等着模型去完成。（毕竟阻挡自己前行的最大困难往往就是自己嘛，hhh）
考官团队随后调整了思路，让候选人面临陌生度更高的任务指令和约束条件。调试的辅助工具没有提前备妥，是自己动手写输出信息、或是找 AI 来建立实用工具，都得由参赛者来做决定。
Frontier Academy 正是在认证的过程中加入了实战项目和两轮现场考试。学员在转换新的场景后，能否继续完成相应的目标；当重新回到各自单位进行项目时，是否能够突破之前遇到的困难？
Google Cloud 的生成式 AI 专业技能徽章。出处：Google Cloud / Credly。
其他科技厂商同样在想办法给 AI 实践能力添加正式凭证。Google Cloud 在本年 5 月推送的人工智能生成认证，就面向管理层、企业战略人士等非工程师群体。
OpenAI 在本年 12 月月推出了最初的认证课程库，也倡导学生通过后续的学习和实践项目，获得完整的身份凭证。在这个合作中，在线教育平台 Coursera、教育考试组织 ETS 和凭证颁发机构 Credly 都参与其中。
假设日后这些教学内容和评估方式能够得到更广泛的业界认可，应聘者在职业发展中就会获得更清晰的学习规划。职位竞争时，求职者能够展示更详尽的知识积累过程和项目操练记录，而不仅限于简历中「精通 AI」这类泛泛之谈。
