这篇文章，我将结合自己在大模型领域的经验，给大家详细聊聊新人应该如何转行大模型赛道？
比如大模型都有哪些方向？各方向的能力要求和岗位匹配？新手转行大模型常踩的坑和常见的误区？以及入行大模型最顺滑的路径？
如果你是正打算入行大模型的校招/社招同学，请一定看完，可能会让你在入行大模型的路上，少走很多弯路。
01
大模型都有哪些方向？
如果你在求职网站搜索"大模型"关键词，看一下招聘 JD，基本可以了解现在业内对大模型工程师的需求方向和能力要求.。
总结一下，大致可以分为 4 类：
-
做数据的（大模型数据工程师，爬虫/清洗/ETL/Data Engine/Pipeline）
-
做平台的（大模型平台工程师，分布式训练/大模型集群/工程基建）
-
做应用的（大模型算法工程师，搜/广/推/对话机器人/AIGC）
-
做部署的（大模型部署工程师，推理加速/跨平台/端智能/嵌入式）
02
大部分新手的误区
如果是你，看到这几个方向，会怎么选？我估计很多人都直奔第三点去了，坚定的要做应用，走在所有工种的最前沿，做出让老板，用户都看得到的核心"产品"。
不过这里我不禁要给各位泼一点冷水，在 AI 算法这个行业，三是很吃业务经验的，如果你之前本身就是做算法的，比如是做 NLP，又或者是做语音助手，对话机器人这类的，再顺水推舟做相关方向的大模型算法工程师，这是比较合适的。
在自身业务里融入一些大模型的算法和技法，拿到实际的业务产出，去市面上也比较好找这类岗位。
但如果你是 CS 方向的实习生/应届毕业生，或者其他 IT 方向转行大模型，3 未必是一个最好的选择，大家不要带着一个误区：大模型算法工程师就是调模型，调超参，做一做预训练，做一做 finetune，SFT 之类的活。
实际上呢，这部分工作只有很少人做，基本一个 team 中只有个位数的人，或者只是算法工作的很小的一部分。
注意一点，新人进去 90% 以上都不可能直接让你干算法模型调优的活，大部分可能还是让你配环境，搭链路，清洗数据，分析数据，调研，写一写 function，tools。
这些体力活都干熟了以后，可能才会让你跑一些模型实验。其中比较出色的，脑子比较灵活的同学，才会慢慢让他们开始接触线上业务。
也有很多同学，干了好几年，还是在干一些边角料，脏活，杂活，根本接触不到核心业务。对于刚入行的新人，如果你学历背景好点，可以去大公司做 intern 然后转正，背景差一点，可以去中小公司，积累业务经验。
03
数据很重要！
然后很多人可能往往忽视了上面的 1，2，4，觉得我学了这么多算法知识，学了机器学习，深度学习，还了解大模型，再去做数据，有点屈才了。
但我想告诉你的是，1 是更多转行大模型同学更容易上岸的方式。条条大路通罗马，不是只有一条路走到黑。
首先，目前国外的大模型技术至少领先国内两年，虽然国内已经有几十上百个“大模型”了，但真正能打的并没有几个。探究原因，还是有很多技术没有突破。
算法本身来说，GPT 已经不是什么秘密了。那剩下还有什么呢，一是数据，二是工程技巧。
拿数据来说，先说通用的大模型训练，数据的来源，从哪里采，数据的质量怎么把控，如何过滤有毒信息，语言的筛选与比例，数据的去重，以及数据的规范化处理，评测集的构建。这些既是体力活，又是技术活。
对于垂直领域，比如金融，电商，法律，车企，这种领域数据的构建就更考验技术了，业务数据怎么来，数据不够怎么办，完全没有数据怎么办？如果构建高质量的微调数据？
能把这些问题解决好，模型也就成功了一大半。因此，就目前的现状，对于数据工程师，特别是有经验的数据工程师，是非常稀缺的。
04
大模型平台干些啥？
然后说下 2，大模型平台工程师。如果你之前是做工程的，或者对工程比较感兴趣，我比较建议你选 2。
这二者其实并没有本质的区别，都是为了大模型业务服务的，也叫大模型基础设施的建设，作用就是让大模型 train 得更好，大模型跑得更快。
这块主要是干些啥呢？
从计算层面来说，有分布式计算，并行计算，高性能计算，有些公司对这三者也不加区分。
从硬件层面来说，有搞大模型训练集群，GPU 集群，CPU/GPU 混部集群，池子里要管理几百上千张卡，还要负责他们的利用率，机器的健康状况，有没有挂的，中小公司这块基本都是开发和运维一体的，一个工作干两个工种的活。
从平台层面来说，有做 LLMOps 的，也就是 pipeline。集数据 IO，模型训练，预测，上线，监控于一体，这种就是跟着业务团队走，做适配，造很多高效的轮子，方面业务团队使用，减少他们额外重复开发的时间。
这块整体上来说，在大模型时代稳中有升，因为实际上很多公司这方面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招过来的，技术上的 gap 相对比较小。因此，对于 AI 工程感兴趣的，可以选这个方向。
05
大模型部署干些啥？
最后说一下 4，大模型部署工程师。这个岗位之前也有，不过在大模型这一两年尤其的火热。
什么原因呢？
因为部署大模型太费钱了。首先模型延迟本身就高，30B 以上的模型，对算力，显存要求很高。
老板关心什么？一方面是大模型产品，也就是业务指标要好看，方便 PR。另一方面也要求控制成本(大厂/独角兽除外)。
一般企业里面，一个 P8 级别的 leader，要在公司里面抢业务，拉资源，找人力，本身就是一个不容易的事。
“降本增效”是 23 年以来，几乎所有公司的一个主旋律。所以老板们很关心你节约了多少钱，比如你把推理效率提高一倍，那就实实在在降低了一倍的成本。
回到大模型部署工程师来，这个岗位总体有两个方向的工作：云端部署和端侧部署。
云端比较好理解，可以做推理加速平台，也可以随着业务走，做大模型定制化加速。
比如 Qwen-7b 的加速，还可以做大模型推理引擎，比如搜索/问答的推理引擎，一般是在高并发用户场景下，在保证用户 SLO 的前提下，最优化 latency 和 throughput。
另一个大方向是端侧的部署。也就是在消费级 GPU/NPU 以及边端设备下，部署大模型，同时让领域大模型小型化，让业务能实际工程落地。
总的来说，大模型部署工程师对工程能力，系统能力，以及硬件等方面都要有一定的了解，现在各种推理框架出来以后，降低了一点难度，但仍然是一个比较有竞争力的工种。
你得了解计算图和 OP 的优化，得了解各种推理框架，缓存/显存优化，还有 LLM 结构运行时的系统架构。这个岗位一般不推荐新人入场，因为太吃经验了。建议先从 2 进场，然后逐步转到 4。
06
总结
最后，给准备入场大模型的新人几点建议：
-
不要只关心 finetune，SFT，RLHF，作为系统性学习是 OK 的，切忌花太多精力。
-
想做应用的，建议 focus 到某个垂直领域，比如对话机器人，问答系统，金融/医疗/教育方向，找一个具体的场景，把它做好，做深。
-
多关心数据，data pipeline，高质量训练/测试集的构建经验，对数据的sense，是最直接，也是最适合用到未来工作当中的。
-
大模型不只有算法，也可以有工程。大公司拼的都是基建，平台是对业务的支撑，牛逼的 infrastrure 是大模型产品成功不可或缺的因素。
如何学习AI大模型？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高
针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 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,