最近沉迷刷AI技术论坛，每天雷打不动翻几十个帖子，其中最吸引我的，就是各位程序员同学分享的AI求职经验帖——尤其是薪资爆料和offer选择类，既能看行业行情，又能间接了解大厂招聘偏好，对小白和正在求职的程序员来说，都是实打实的参考。
这类offer选择帖的模式很统一：网友拿到多家大厂offer后，纠结不定，就把岗位名称、薪资总包、福利构成等细节晒出来，让论坛网友帮忙投票出最优解。不同于一些夸张的“晒薪噱头”，这类帖子的真实度普遍很高，毕竟涉及具体offer选择，很少有人会故意虚构信息。
对我们来说，看这类帖子最大的价值，就是能实时捕捉AI岗位的最新市场行情，及时刷新自己的认知——AI行业迭代太快，半年前的薪资标准、岗位需求，放到现在可能就已经过时了，多看看真实offer案例，才能做到心中有数，不管是求职还是规划职业方向，都能少走弯路。
但刷得多了，我发现了一个特别有意思的现象，值得所有关注AI求职、想拿高薪的程序员（尤其是小白）重点关注：
在绝大多数晒AI相关offer选择的帖子里，京东给出的薪资，都出奇的高，甚至碾压百度、阿里、华为等一众大厂。
一开始我以为只是个例，没太在意，直到翻看的帖子越来越多，才发现这已经是普遍情况，下面就给大家整理几个最有代表性的案例，小白可以直观感受下京东AI岗的薪资力度，程序员也可以对标参考下自己的薪资水平。
1、京东 vs. 理想汽车 岗位：LLM 算法工程师
这名网友投递的是 LLM (Large Language Model) 算法工程师，这也是目前大模型领域非常火热、钱景很好的岗位。
并且收到了理想汽车和京东两家的 offer，单从薪资包上看，京东年包 64w，而理想年包只有 56w。
但如网友所言，京东年包中有 20% 是绩效，不一定能拿满，虽然如此，但整体而言京东的薪资还是非常高的。
一开始我以为这只是个例，没太在意，但是随着翻看的帖子越来越多，发现事情有点不太对劲。
2、京东 vs 百度
这里我找了两个比较有代表性的帖子。
3、京东科技 vs. 百度 meg 岗位：人工智能算法
京东 vs. 百度 岗位：推荐算法
上面两个帖子的 offer 中，都包含了京东和百度，虽然是不同的部门和岗位。
但是横向对比来看，薪资上京东还是完爆百度。
你以为只有京东对百度这样吗？那就错了。
4、京东 vs 阿里、滴滴
看下面这个。
京东 vs. 阿里 vs. 滴滴
该网友同时收到了京东、阿里和滴滴三家的 offer，岗位分别是大模型应用开发、搜索算法和出行定价，名副其实的 offer 收割机。
这三家公司的薪资对比，京东钱最多但是不知道能否拿满，其次是阿里，最后才是滴滴，在薪资这方面京东还是稳稳的第一。
5、京东 vs 华为
再看一看华子。
6、京东 vs. 华为
这个帖子中京东上海的总包大概在 50w-70w，给的很多，而且是核心组，但是担心被裁。
而华为比较稳定，适合长期发展，所以网友比较纠结。
以上列举了几个典型的 offer 对比，论坛还有很多类似的帖子，这里就不一一列举了。
我想说的是，上面我只是列举了一些客观帖子，不包含我个人的感情色彩，我也不是东吹，这里仅仅展示一下最近逛论坛发现的比较有趣的现象。
事实上，我对京东的印象还停留在东哥把快递员当兄弟的场景，就是东哥说的那句著名的话：我能保证我们快递员的收入永远比县长要高。
这件事在快递员身上有没有发生我不知道，但是从最近看到的帖子来看， AI 算法岗的薪资要比很多大厂的都要高确实是真的。
京东作为一个电商平台，很多岗位都是服务于销售和广告推荐的。
猜测京东招聘 AI 大模型算法的岗位，大概率也是服务于京东电商平台的推荐系统、客服以及广告等场景。
不知有没有在京东上班的朋友，可以评论区留言说下你的感受呀。
既然京东的工资这么高，那今天我们就看一个京东大模型实习的面试题。
学会这道题之后，沾沾欧气，未来也能找到和京东这样高薪资的工作。
7、京东面试题之算子融合
问题：请说一下什么是“算子融合”，并举例说明其作用？
算子融合其实就是将神经网络中多个连续的算子合并成一个，从而减少整个神经网络中算子的个数、减少内存的读写次数、降低延迟、提高模型的推理性能。
在 CV 时代，算子融合就已经非常常见了，而且有很多典型的算子融合场景。
一个典型的 CV 算子融合场景便是卷积和 BN 算子的融合。
这是因为自从 BN 被提出来之后，就成了 CV 模型的标配，几乎每个卷积算子后面都会放一个 BN 算子。
而两者从算法上来看，又有着天然的“好融合”特性，因此卷积+BN的融合成为了经典。
刚好今天看到了一篇关于 BN 的推文，一篇被证明“理论有误”的论文，拿下了ICML2025时间检验奖，说的就是 BN 提出 10 年之后获奖了，感兴趣的话可以点击查看。
为什么在 CV 模型中卷积和BN可以融合呢，他们又是如何融合的呢？
融合的目的
首先神经网络的性能很重要这是老生常谈的话题了。
将两个算法融合成一个算法，目的肯定就是为了提高神经网络的性能。
这里引入一点计算机体系结构的知识。
你可能听说过冯诺依曼架构，其最大的特点是：数据的存储和计算是分离的。
也就是说，要计算的数据是放在存储器上，而负责计算的硬件是另一个单独的计算单元。
在计算时需要将数据从存储器上搬运到计算单元上，完成计算后再搬运回存储器上。
就像是在厨房做饭，要计算的数据就是菜。
做饭需要先将菜从冰箱里拿出来，放在锅里炒，炒完再放回餐盘中。
这其中，冰箱就是存储器，锅就是计算单元，而餐盘是另一个存储器。
这是典型的冯诺依曼架构，现在大部分电脑和计算芯片依旧采用的还是这个架构。
在我们的笔记本电脑中，存储器一般指的是内存或者硬盘，计算单元是CPU。
将数据从内存搬运到 CPU 中是需要时间的，虽然时间很短。
假设卷积的输出数据是 [1, ho, wo, co]，然后给到下一层 BN 来计算。
如果将这个输出数据 [ho, wo, co] 存回存储器，下一层 BN 再去存储器上搬过来，这一来一回的时间就浪费了。
于是，就想到了一个方法，将卷积和 BN 融合成一个算法，这样只需要在锅里做一道卷积+BN的大菜，做完后直接放回餐盘中即可，而卷积的输出则无需放回，这样就能节省大量的时间。
为什么两者可以融合？
因为首先卷积和BN是紧挨着的两层。
卷积的输出结果直接给到 BN 作为输入，并且两者在算法上可以很好的完成融合。
怎么融合呢？
假设卷积的输入数据是 x， 权重是 W, 这里我们忽略掉卷积的参数，卷积计算利用 * 来表示。
如此一来，经过这样的算法融合，便可以减少卷积和BN之间的计算步骤，减少中间数据的额外搬运，大幅提升模型的运行性能。
在实际的应用中，许多深度学习框架都提供了优化方法可以完成这种融合，从而提高模型的推理速度。
好了，上面介绍了卷积和 BN 的算子融合原因和背景。
如果你在未来的面试中遇到“算子融合”相关的问题，都可以用本文卷积和BN融合的例子来作为回答呀。
最后祝看到这里的你化身offer收割机，收割京东那样高薪资的 offer。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
2、大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
3、AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
4、大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
5、大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
适用人群
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
)
