AI 大模型职业选择

AI 大模型这么火，我能参与其中么？又该怎么参与呢？

如果你也有同样的困惑，不妨让我们一起静下心来，慢慢理清思路，找到属于自己的方向。

AI 大模型职业方向

AI 大模型从训练到推理的路径，

AI 算法
AI Infra（基础设施）
AI 编译器
AI 芯片

这也就有了四个方向。

• AI 算法：本质是实验科学。门槛在于顶会论文、数学功底和试错成本。岗位供需严重失衡，是典型的红海。
• AI 芯片：本质是硬件工程。门槛在于架构设计、Verilog/VHDL 和流片经验，掌握在少数巨头手中，学历门槛极高。
• AI Infra 与编译器：本质是系统工程。它拼的是工程能力、对性能的极致追求和全局视野，这是靠时间与经验积累起来的壁垒。

AI 算法和芯片是“造梦者”和“筑梦者”，而 AI Infra 与编译器则是“送梦者”。大模型的落地，最终要靠系统工程让模型变得稳定、高效、便宜。这条路门槛也不低，但胜在积累，走得踏实。

四个方向，四种人生

这四个方向，供需关系目前存在结构性失衡。

AI 算法人才（供过于求的“红海”）

• 现状：入门的技术门槛看似不高（掌握 NumPy, PyTorch 即可上手），但这导致了大量人才的涌入，使得初级岗位的竞争异常激烈。
• 紧俏度：结构性过剩。顶尖的、能发顶会论文、能设计全新架构的算法专家依然稀缺，但普通的、只会调参和套用模型的算法工程师，市场供应已经非常充足，甚至过剩。

AI 芯片人才（高精尖的“深潭”）

• 现状：门槛最高，需要深厚的硬件知识（计算机体系结构、数字电路、Verilog/VHDL），且集中在少数头部公司（如 NVIDIA、AMD、华为昇腾、地平线等）。岗位数量相对有限，且对学历和背景要求极高。
• 紧俏度：高精尖稀缺。他们是“硬核”稀缺，但因为培养难度极大、岗位总量少，普通开发者很难进入。

AI Infra 与编译器人才（极度紧缺的“蓝海”）

• 现状：需求井喷，但供给严重不足。一个能熟练使用 CUDA 进行性能优化、或者能为 PyTorch 提交高质量代码的工程师，是所有 AI 公司都争抢的对象。很多公司甚至开出了比同级别算法工程师更高的薪水来招募 Infra 人才。
• 紧俏度：极度紧缺。在这个领域，不需要和成千上万的应届生竞争同一个岗位。只是在和少数同样具备系统工程思维的开发者竞争，而市场上的坑位远比合格的人才多。

总结，

AI Infra 和编译器的人才紧俏，本质上是因为：

• 它们是决定大模型能否落地的关键。
  • 没有好的Infra，再牛的模型也只能躺在实验室里；没有好的编译器，算法就无法在各类芯片上高效运行。
• 它们是目前大模型成本问题的核心解。
  • 在追求模型效果的时代，算法最重要；但在追求规模化应用和盈利的时代，成本和效率最重要，而这就是 Infra 和编译器的战场。

如果说 AI 算法和芯片是“塔尖”和“塔基”，那 AI Infra 和编译器就是连接两者的“塔身”，而这个“塔身”目前正处于严重的“用工荒”状态。

认识自己，找准方向

以我举例：普通学历、普通开发，不过有十几年经验，都不清楚算好算坏。

对我来说：AI Infra 和编译器就是我这样的普通开发者进入 AI 大模型行业的“黄金入口”。

如何入行？

• 打好地基：深入理解系统（内存、网络、IO）
• 抓住一个点突破：分布式训练、Triton + RISC-V 等
• 工具链加持：学会用 Profiler（Nsight、Perf）说话
• 社区入场券：从提 PR 开始，让代码为我代言

二线城市！

• 本地机会挖掘：超算中心/半导体/IoT，或等发展
• 工作能力建设：开源贡献+技术博客+精准连接
• 小成本实验法：云上几百元买来的分布式训练学习

如果你和我情况不同，无论职业方向还是学习路径，都可以咨询 AI 了。

结语：AI 的下半场

AI 大模型的上半场是算法的狂欢，下半场拼的是工程落地。与其在红海里卷算法，不如在蓝海里建壁垒。