大模型算法入行&转行？我建议你这样做！

关注

原创最新推荐文章于 2026-09-16 16:02:13 发布 1.4k 阅读 AI 写同款· GEO 优化 ›

服务器被攻击植入挖矿病毒，CPU占用高问题排查处理（.systemd-service.sh）客户服务器遭攻击，部署的应用服务经常性被停止，服务器CPU占用居高不下，top查看如下：可以看到第一个bash任务，占用cpu近400%，非正常的应用程序和脚本任务，多半是被植入了木马信息。查看该进程的符号连接，发现已经是被删除的状态 /usr/bin/-bash (deleted)，无法查看其启动程序的信息查看定时任务：cat /etc/crontab,发现都是正常的应用程序定时脚本又用 crontab -l 查看了一下，发现了异常定时任务如下，同top里的异常任务一致... 阅读详情

最近私信问我关于入行、转行方面的问题比较多，就专门写一篇讲讲我的理解。

首先说明一下个人的背景和现状，我本人是本科学历，有互联网大厂搜推方向经验，后来跳到中厂继续做推荐，去年开始做大模型。现在是个小组长，做以应用落地为目的的大模型方向工作。有兴趣的可以翻翻我上一篇内容，讲得比较详细。因为人在中厂，分工不像大厂那么细致，所以基本上上下下都摸过，粗肯定是粗，但是可能适合谈谈全流程的认识，现在大模型算法涉及的工作主要分为这几个方向：
1.偏底层的训练和推理框架工作，比如colossal-ai、vm这些，各厂如果自建集群搭建训练推理框架的话也会有一部分工作与之重合
2.预训练;
3. Alignment;
4.应用开发;

上面也就十分粗略的简单做了个划分，其实很多界限并不清晰，只是为了后面叙述有个结构。

底层框架

这一层我是没太接触过的，不过公司内有做这方面的人。以我粗浅的认知，这些人的技术栈和以前搞GPU算子优化、分布式框架的那拨人重合度比较高。不太懂就不多说了。

预训练

在我看来，预训练这块的工作最终肯定是赢家通吃的。现在只是因为大家都还在同一个水平线上，也没有能和开源拉开差距，卖api也卖不了多少，所以看起来竞争还挺激烈。等到决出三六九等之后肯定没有必要存在那么多团队做pretrain。况且即使做pretrain的团队，真正核心在干活的也没几个人。一千张卡可能不够供一个人用，卡就那么多，配用的人也就那么多。剩下的人做的事情我觉得都不是那么有意义，不是说洗数据啥的不重要，重要，但对大多数人来说，对个人价值提升不大。我之前也自己做基于lama的继续pretrain，现在这块工作已经完全放弃了，感觉没啥意义。

再有，所谓垂直领域大模型这个事情我觉得大概率是个伪命题，各方面知识应该是相互促进补充的，遵循奥卡姆剃刀原理我相信最终就是一个模型破一切。

所以我认为虽然现在预训练目前在就业市场上可能还是有比较大的需求量的，但是很多就是纯跟风，迟早得死。对于择业的建议就是:自信自己顶级天赋顶级卷度，势要干翻gpt4的人选这个。

Alignment

我其实觉得sft和强化学习都可以放一起，不知道我这个小标题准不准确。反正都是在基座上进一步提升对话的效果。这块工作其实就开始一定程度接近业务了，比如目前，很多业务团队都会根据下游任务来构造数据进行sft训练。会不会以后基座足够强之后全靠few shot啥的就完全解决问题，这个我不敢猜测。至少在国内，基于开源模型做sft拿到业务上用，应该是挺长一段时间会保持的状态，所以这个方向看起来我觉得是目前市场上需求较大，未来一段时间也还是会持续有比较大需求量的。想训模型的可以选这个方向我觉得挺好。

应用开发

这一块的岗位其实现在大家看到的还不多，主要可能有两个原因吧，第一是openai的接口在国内直接用是有监管问题的。第二是国内开源模型的水平还不行，以及一些相关链路上的工作还没做完(比如functioncalling)。所以时机还不成熟，还不到LLMnative应
用大规模爆发的时候。

但是我觉得毫无疑问这个方向的人才需求以后将远远超出前面几个方向加起来，这就像是你搞安卓系统和
安卓应用开发的对比一样。做操作系统开发才几个人，安卓开发那真是不知道有多少了。

我预计这个时间也不会太长，一两年肯定够了，所以现在找这个方向的机会开始布局也是很不错的。不过先训训模型等真的有机会起来也没问题，毕竟你做应用开发对系统原理了解清楚肯定是优势。

其他

其实除了上面说这些，还存在一些其他的方向，比如类似guidance这样在align模型之后的，和推理框架绑定比较强的组件，我觉得以后应该会融入到推理框架的范围内。

总结

最后简单总结一下，我认为现在总体的行业形势是资本进行了大规模投入，但是基本堆在预训练上，然后这个环节也容纳不了太多人就业，而且暂时也创造不了多少商业价值。所以很有可能一段时间后会有一个下行的阶段，现在做预训练这些创业公司死一批。然后随着应用端的工作越来越多，大家慢慢把投入方向往下移，往应用端发力，这时候会有一些找准机会和方向的公司出来。顺利的话各种LLM native应用就走入千家万户。(就纯粹我自己的想象哈哈哈)

总的来说我认为LLM肯定是一个好的方向，现在进来不管做什么，也算是比较早的了解原理的人，后面做应用应该也会有一些优势。

然后就是这个东西其实没有那么大难度，有的人会鼓吹需要非常高的学历、有多少多少文章xxx才能做，我觉得没啥道理。我前面说了我是本科学历对吧，虽然我这个情况可能确实比较个例，但是如果大家看我之前写的内容就知道，很多工作其实就是在扣细节这个token对不对，训练推理一致了不xxx的。你说需要多强的数学能力啥的我觉得其实没必要。真的搞的时候也都是调库，过程中保持敏感性，细致、观察很重要。当然有很多大佬他们全方位的强，比如我看到guidance、exllama这些一两个人开发的库，作者对数学原理的熟悉、以及极强的工程实现、性能优化能力让人叹为观止，让人心向往之，但是我又不是活不到明年了，也未必就不能至吧。至少试试呗，不行再说嘛。机会留给胆大的人，我是成功了，接下来看你自己了！

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。

在这里插入图片描述