AIAP

AIAP 的设计非常独特：

• 学徒制：不是上课，而是带薪做真实项目
• 9 个月：第 1 个月 deepskilling（恶补 ML 基础），第 2-9 个月做 100E 实际项目
• 导师制：每组学徒配资深 AI 工程师 / 研究员做 mentor
• 筛选严格：每年申请 1000+，录取约 60-80 人

学徒来源：

• 跨界转型：传统软件工程师转 AI（最大群体）
• 应届毕业生：CS / 数学 / 物理背景
• 海归：海外 AI 硕博毕业回新加坡
• 行业转型：金融、医疗等行业 IT 人转 AI

毕业后约 70% 留在新加坡 AI 行业，30% 流向海外大厂。

AIAP 解决的核心问题：新加坡本地 AI 工程师供给严重不足。

新加坡的高校 CS 毕业生质量高但数量少（NUS / NTU 一年合计也就千把人），其中真正做 AI 的更少。商业 AI 团队（DBS、Singtel、Grab）和创业公司常年在抢人。AIAP 的存在让"非 CS 背景但有学习能力"的工程师能快速进入 AI 工程领域，相当于给本地 AI 人才市场加了一条"侧门通道"。

技术上 AIAP 的训练强度很高——9 个月从零到能写 production 级 AI 项目，要求学徒每天工作 10+ 小时。这种强度筛掉了不适合的人，留下来的都是真正能干活的。

AIAP 是新加坡 AI 战略"杠杆 2（人才）"的核心抓手。

在「七条传导杠杆」里：

• 杠杆 2（人才）：本地 AI 工程师培养主管道
• 杠杆 3（应用）：通过 100E 项目让学徒在企业实战

观点：AIAP 的"学徒 + 项目"模式是新加坡 AI 人才战略的最大创新。它不是高校能做的（高校太学术），不是企业能做的（企业不愿意花 9 个月慢慢带新人），只能由 AISG 这种"国家计划 + 商业项目桥梁"型机构来做。

但 AIAP 也有结构性挑战：人才流失率高——9 个月后学徒进入私企，AISG 留不住自己培养的人；项目质量依赖企业方——100E 合作企业的项目水平参差不齐；规模天花板——每年 60-80 人的产出对新加坡 AI 行业仍然是杯水车薪。

NAIS 2.0 时期 AIAP 的关键问题：能否扩大到每年 200+？能否提高留存率？能否产出更高质量的 AI 工程师？