AI大模型岗位确实在增长，但集中在高端领域，要求系统架构与落地能力等复合技能。资本投入形成技术寡头格局，AI自动化中低端工作，导致"顶层更顶，底层更卷"的就业结构。普通CS学生面临"没有为你设岗位"的困境，需通过系统学习提升核心竞争力，才能在AI时代立足。

---

虚假的岗位增涨

AI岗位不是没增长，而是长在了非常上游的位置，比如：

基础模型团队: 设计Transformer结构LLM scaling、multi-modal alignment.这些都是大厂核心组在做，而且后面还会持续做，原先的A16小龙在这儿可能都快死了。

Infra团队: 负责算力调度、并行训练框架multi-GPU memory优化，面试可能一问就是你有没有写cuda，以及干卡调度的经验，这不是在放屁嘛。

Al product团队: 基于大模型构建RAG系统、agent平台、对话插件系统等，拿着公司的私有数据finetune model去解决具体落地问题。

在国外这些人叫appliedscientists，讲道理我感觉这个岗位应该算是目前最好找到的工作了。

可能在现在这个时代，能有1篇主会甚至只有一个finding或者short paper都有机会上岸。

这些岗位共同特征是: 不仅要会写代码，更要能理解系统结构、知道怎么落地、怎么调研设计、怎么平衡latency和效果、怎么scale到上线。

它需要的不是“编程技能’而是“抽象+架构+调度+决策”能力。而这些能力恰恰不是一两年内速成的，通常得：

211/985计算机本科，硕士，甚至博士的才会有这样的需求，而且如果你不是核心组的phd，这些都可能不一定能碰得到。

大厂infra或算法团队实习(硕导和博导暑假不放人直接寄)

能在极快的节奏下自学并实现SOTA模型(很多岗位直接要求你复现LLaMA3级别的paper，对模型架构对于面试者要求很高)。

我知道字节的seed团队对于LLM岗位的要求就是能手搓GRPO，DPO，PPO那些，并且还让你说出很多非常细节的东西，xAl，Meta的GenAl组也会要求手推diffusion的，code-面就是1-2个小时。

所以不是不给你岗位，而是岗位根本不设在你这个level上。

钱烧到哪儿去了？

你看到的“几十亿融资”或“大模型烧钱”，主要花在了下面这几块：

基础投入，包括GPU采购(A100/H100/GB200)，数据标注、过滤、对齐;训练框架、分布式优化器的搭建。

从Google DeepMind/Meta FAIR 挖人年包百万美金起，招顶会一作的PhD做tokenizer、optimizer、alignment工程研究前沿试错，做10种MOE结构、100组超参组合、跑上万小时试出来的最优策略。

每失败一次就是几十万美金成本，成功的团队吃下整个蛋。这不是大众化工程，这是资本在打AI时代的“高维战争”。

所以你会看到，基础研究岗位的确在爆发但要求高到离谱；中低端岗位在萎缩，因为AI反而在自动化掉原本需要人力的部分。

集中的寡头

我们常以为AI浪潮像“工业革命”“互联网浪潮”那样，能带来全面的就业增长，但这一波更像是“技术寡头崛起”：

模型能力集中在少数几家(OpenAl、Google、Meta、Anthropic)Infra平台集中(NVIDIA、Azure、AWS)应用生态被少数大公司定义(Copilot, Gemini, Claude)

而中小公司(包括这波误以为自己能吃到AI风头去做这个方向，想吃红利的，都极其有可能成为牺牲品，我没在说现在的AI几小龙)，他们不是没有AI愿景，而是烧不起训练费用，靠开源玩点边角料。

不是不想雇人而是自己都在用GPT写代码，没那么多初级岗位需求。所以你看到的，不是“岗位减少而是“岗位更集中、更高门槛、更加封闭”一些startup。

比如说做数字人的，就会发现技术发展实在太快了，他们找的人才刚学会GAN，就出现的image diffusion，然后是video diffusion，公司里那些卡可能连inference都养不起，拿上被新的公司拿着新的技术超越

普通CS学生，被“技术民主”的幻觉误导了

很多学CS的学生一直有个信念: “技术是最公平的，掌握了能力就有出路。”但AI时代打碎了这个幻觉。

技术不是不民主了，而是大模型让上层变得更强，下层工作变得更自动化:然后那些能用LLM做系统整合的人更吃香，只懂调包的人更边缘;项目不需要10个写模块的人，只要2个能驾驭整个pipeline的人。

普通CS学生现在面临的困境，不是“没有岗位”，而是“没有为你设岗位”。我很看衰SDE和数据分析的岗位。

如果你尝试过用Claude，GPT40以及copilot那些工具就会发现他们比你更加熟悉基础的语法，上手一种语言更加迅速往往原先你要写几十个小时才能完成的代码，他们可能在你手上几轮迭代就差不多完成了。

也就是半个小时，1个小时的事儿。说到底，AI浪潮没有带来“中间层”的广泛就业，只让“顶层更顶，底层更卷”。

那普通人该怎么办？

这个问题我回答不了，我就是那个普通人如果你是一个被AI卷到的人，希望你能尝试在使用它上面比其他人更加熟练，也许这样就能带来更多优势了？

你是否懂 AI，是否具备利用大模型去开发应用能力，是否能够对大模型进行调优，将会是决定自己职业前景的重要参数。

为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和鲁为民博士系统梳理大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

【精选AI大模型权威PDF书籍/教程】

精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。

【AI 大模型面试题 】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

【640套 AI 大模型行业研究报告】

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

👇👇点击下方卡片链接免费领取全部内容👇👇

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

• 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
• 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
• 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

• 本资料由我与鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：

• • 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
  • 拥有多项中美发明专利。
  • 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。

• 目前，我有幸与鲁博士共同进行人工智能相关研究。

内容实用，循序渐进：

• 资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。

• 包含丰富的视频教程与实战项目案例，强调动手实践能力。

• 无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。

  

抓住机遇，开启你的AI学习之旅！