1、虚假的岗位增长
AI领域的岗位并非毫无增长，只是增长集中在产业链的上游环节，例如：
基础模型团队：从事Transformer结构大语言模型的扩展、多模态对齐等工作。这些岗位多由大型企业的核心团队负责，且未来仍会持续布局，即便是过去能力较强的从业者（原指“A16小龙”），在这个领域可能也难以立足。
基础设施团队（Infra团队）：负责算力调度、并行训练框架的多GPU内存优化等任务。面试时可能会直接询问是否有CUDA编程经验以及显卡调度经验，这对许多求职者而言门槛过高（原指“这不是在放屁嘛”，此处弱化表达不合理性，强调门槛问题）。
人工智能产品团队（AI product团队）：基于大模型搭建检索增强生成（RAG）系统、智能代理（agent）平台、对话插件系统等，利用企业私有数据对模型进行微调，以解决实际业务落地问题。
在国外，这类岗位被称为appliedscientists。说实话，我觉得这应该是当下比较容易找到的工作了。
或许在如今这个时代，只要有1篇主会论文，甚至仅仅有一个研究发现或者一篇短论文，都有机会获得这个岗位。
这类岗位有个共同特点：从业者不仅要懂得写代码，更要能理解系统结构，知道如何将技术落地，如何进行调研设计，如何平衡延迟与效果，以及如何实现规模化上线。
它所要求的并非单纯的“编程技能”，而是“抽象+架构+调度+决策”的综合能力。而这些能力往往不是一两年就能快速掌握的，通常需要满足这些条件：
得是211/985院校计算机专业的本科生、硕士生，甚至博士生，才可能具备相应的能力需求；而且要是你不是核心课题组的博士生，可能都接触不到这些关键技能的培养。
还需要有大厂基础设施或算法团队的实习经历（要是硕士导师或博士导师在暑假不放人，那基本就没机会了）。
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”。
如何学习AI大模型？
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 学习和面试资料已经上传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】
第一阶段：从大模型系统设计入手，讲解大模型的主要方法；
第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
实录)
