跟刚入门AI大模型的小白说一些心里话......

AIGC安琪

418人浏览 · 2026-04-13 21:38:38

AIGC安琪 · 2026-04-13 21:38:38 发布

这篇文章，我结合自己在大模型领域摸爬滚打的经验，跟大家好好唠唠，新人到底该怎么转行切入大模型赛道。

比如大模型到底有哪些方向可以选？每个方向要具备啥能力、适配哪些岗位？新手转行大模型最容易踩的坑、最常犯的误区有哪些？还有就是，入行大模型最顺畅、最不容易走歪的路径是什么？

要是你正打算校招、社招入行大模型，一定要看完这篇，说不定就能让你在这条路上少走好多冤枉路，节省不少时间。

01 大模型都有哪些方向？

其实你随便去求职网站搜“大模型”这个关键词，看几篇招聘JD，就能大概摸清现在行业里，对大模型工程师的需求方向和能力要求了。

总结下来，大概就4个方向，很容易记：

做数据的（大模型数据工程师，主要做爬虫、数据清洗、ETL、Data Engine、Pipeline这些）

做平台的（大模型平台工程师，负责分布式训练、大模型集群、工程基建这一块）

做应用的（大模型算法工程师，涉及搜索、广告、推荐、对话机器人、AIGC这些场景）

做部署的（大模型部署工程师，专注推理加速、跨平台、端智能、嵌入式相关）

02 大部分新手的误区

要是你看到这4个方向，你会怎么选？我猜很多人都会直接冲第三个，一门心思要做应用，觉得这样就能走在所有工种的最前面，做出能让老板、用户都看得见的核心“产品”，多有面儿。

不过我得给大家泼盆冷水，AI算法这个行业里，第三个方向特别吃业务经验。要是你之前本身就是做算法的，比如做过NLP，或者做过语音助手、对话机器人这类工作，那再顺理成章转去做相关方向的大模型算法工程师，就很合适。

在这里插入图片描述

在自己熟悉的业务里，融入一些大模型的算法和技巧，做出实实在在的业务成果，再去市面上找这类岗位，就容易多了。

但要是你是CS方向的实习生、应届毕业生，或者是其他IT方向想转行做大模型，第三个方向真不一定是最好的选择。大家千万别陷入一个误区：觉得大模型算法工程师，就是调调模型、调调超参，做一做预训练、finetune、SFT之类的活儿。

实际情况是，这类工作只有很少一部分人在做，基本上一个团队里也就个位数的人在负责，甚至只是算法工作里很小的一块。

重点提醒一下，新人入行，90%以上都不可能直接让你做算法模型调优的工作，大部分时候，都是让你配环境、搭链路、清洗数据、分析数据、做调研，或者写一写function、tools这些基础活儿。

等这些体力活你都干熟了，才有可能让你跑一些模型实验。其中做得比较出色、脑子灵活的同学，才会慢慢有机会接触线上业务。

也有很多同学，干了好几年，还是在干一些边角料、脏活累活，根本碰不到核心业务。所以刚入行的新人，要是学历背景好点，就去大公司做实习生，之后争取转正；背景一般的，就去中小公司，先积累点实实在在的业务经验，比啥都强。

03 数据很重要！

很多人都会忽略前面说的1、2、4这三个方向，觉得自己学了那么多算法知识，懂机器学习、深度学习，还了解大模型，再去做数据相关的工作，太屈才了。

但我想跟你说，第一个方向，是更多转行大模型的同学，最容易上岸、最稳妥的方式。条条大路通罗马，没必要一根筋走到黑。

先跟大家说下2026年的行业现状，现在国外的大模型技术，还是比国内领先至少两年。虽然国内现在已经有几十上百个“大模型”了，但真正能拿得出手、有核心竞争力的，其实没几个。深究原因，还是有不少技术难关没突破。

其实现在，GPT的算法原理已经不是什么秘密了，行业里大家都能接触到。那剩下的核心竞争力是什么呢？一是数据，二是工程技巧，这俩才是关键。

就说数据吧，先看通用大模型的训练，数据从哪采集、数据质量怎么把控、怎么过滤有毒有害的信息、语言的筛选和比例怎么分配、数据怎么去重、怎么规范化处理，还有评测集怎么构建，这些活儿，既费体力，又考验技术。

再看垂直领域，比如金融、电商、法律、车企这些行业，数据构建就更考验技术了。业务数据从哪来？数据不够用怎么办？完全没有数据又该怎么解决？怎么构建高质量的微调数据？

能把这些问题都解决好，模型成功就已经过半了。所以到2026年这个阶段，数据工程师，尤其是有实战经验的数据工程师，在行业里还是特别稀缺的，缺口很大。

04 大模型平台干些啥？

再说说第二个方向，大模型平台工程师。要是你之前是做工程相关工作的，或者对工程这块特别感兴趣，我特别建议你选这个方向。

其实做平台和做其他方向，没有本质区别，都是为大模型业务服务的，也叫大模型基础设施建设，核心作用就是让大模型训练得更好、运行得更快，支撑业务落地。

这块具体干些啥呢？我给大家拆解开说：

从计算层面来说，会涉及分布式计算、并行计算、高性能计算，很多公司对这三者也不做严格区分，能干好相关工作就行。

从硬件层面来说，主要是搭建大模型训练集群、GPU集群、CPU/GPU混部集群，池子里要管理几百上千张卡，还要负责监控这些卡的利用率、机器的健康状况，看看有没有出故障的。中小公司里，这块基本都是开发和运维一体，一个人干两个人的活，虽然累点，但能学到很多东西。

从平台层面来说，会做LLMOps，也就是pipeline，把数据IO、模型训练、预测、上线、监控这些环节整合到一起。这类工作就是跟着业务团队走，做适配、造高效的工具，方便业务团队使用，帮他们节省重复开发的时间，提升效率。

这个方向，在2026年的大模型时代，整体是稳中有升的。因为现在很多公司做这块的人，都是从之前搞深度学习平台、大规模机器学习平台的人转过来的，技术上的差距不算大，上手也相对容易。所以要是你对AI工程感兴趣，选这个方向准没错。

05 大模型部署干些啥？

最后说说第四个方向，大模型部署工程师。这个岗位以前就有，但这两年随着大模型的普及，变得特别火热，需求也越来越大。

为啥会这么火呢？核心原因就是，部署大模型太费钱了。首先模型本身延迟就高，尤其是30B以上的模型，对算力、显存的要求特别高，成本居高不下。

老板们最关心啥？一方面是大模型产品能做出成绩，业务指标好看，方便对外宣传；另一方面，除了大厂和独角兽，大部分公司都要控制成本。

大家都知道，“降本增效”从2023年开始，就一直是所有公司的主旋律，到2026年也没改变。所以老板们特别在意你能帮公司省多少钱，比如你能把推理效率提高一倍，那就能实实在在帮公司降低一倍的成本，这样的人才，公司肯定抢着要。

回到大模型部署工程师这个岗位，主要分两个工作方向：云端部署和端侧部署。

云端部署很好理解，要么做推理加速平台，要么跟着业务走，做大模型定制化加速。比如Qwen-7b的加速，还有做搜索、问答类的推理引擎，核心就是在高并发用户场景下，保证用户SLO的前提下，把latency和throughput优化到最好。

另一个方向是端侧部署，就是在消费级GPU/NPU以及边端设备上部署大模型，同时把领域大模型做小、做轻量化，让业务能真正落地应用。2026年以来，AI手机、AI眼镜等终端设备越来越普及，端侧部署的需求也越来越大。

总的来说，大模型部署工程师，对工程能力、系统能力还有硬件相关的知识，都有一定要求。现在各种推理框架不断更新，已经降低了一些入门难度，但依然是一个竞争力很强的工种，薪资也很可观。

你得懂计算图和OP的优化，了解各种推理框架，会做缓存、显存优化，还要熟悉LLM结构运行时的系统架构。这个岗位我一般不推荐新人直接入场，因为太吃经验了，新手很难快速上手。建议先从第二个方向切入，积累一段时间经验后，再慢慢转到第四个方向，这样更顺畅。

06 总结

最后，给准备入场大模型的新人，提几个实在的建议，都是我踩过坑总结出来的：

别一门心思只盯着finetune、SFT、RLHF，作为系统学习的一部分没问题，但千万别花太多精力在这上面，性价比不高，2026年行业更看重落地能力。
要是想做应用方向，建议聚焦某个垂直领域，比如对话机器人、问答系统，或者金融、医疗、教育这些赛道，找一个具体的场景，沉下心来做深、做好，差异化竞争才更有优势。
多关注数据相关的内容，比如data pipeline、高质量训练/测试集的构建经验，培养对数据的敏感度，这些能力，是最直接、也最容易用到未来工作中的，也是2026年行业稀缺的能力。
记住，大模型不只有算法这一条路，工程方向也很有前景。现在大公司拼的都是基建，平台是业务的核心支撑，牛逼的infrastrure，是大模型产品能成功落地、实现商业化的关键因素，这也是2026年大模型行业的核心趋势之一。

最后

选择AI大模型就是选择未来！最近两年，大家都可以看到AI的发展有多快，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？

与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，人才需求急为紧迫！

人工智能时代最缺的是什么？就是能动手解决问题还会动脑创新的技术牛人！智泊AI为了让学员毕业后快速成为抢手的AI人才，直接把课程升级到了V6.0版本‌。

这个课程就像搭积木一样，既有机器学习、深度学习这些基本功教学，又教大家玩转大模型开发、处理图片语音等多种数据的新潮技能，把AI技术从基础到前沿全部都包圆了！

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！