本文详细解析了AI领域的四层岗位结构，从模型制造到应用开发，再到端侧部署与支撑岗位，帮助读者根据自身技能和背景找到最合适的AI发展方向
去年秋招，有个学自动化的同学来问我。
他说：AI 岗是不是都得发 paper？我本科没论文，是不是没戏了。
我问他：你知道 AI 相关的岗位，除了算法工程师，还有哪些吗？
他想了大概半分钟，说：数据标注？
——这不是他一个人的问题。
我问过不少同学同样的问题，答案高度雷同：算法工程师、数据标注，最多再加一个"AI 产品经理"
然后他们对照自己的条件一算：我数学不够好，我没论文，我不够格。
就这样，一条本来能走的路，被一个误会关掉了。
但真实的岗位表要长得多。而且最缺人的那几个，恰恰不在"算法"这一栏。
今天就把这张表摊开，一格一格讲清楚。
一
AI的岗位，其实分四层
不用记名字，先记一个坐标：你离模型有多远。
从离模型最近的一头开始数，一共四层。
1
第一层：造模型的
代表岗位：算法工程师、研究员。
干的事：预训练（从零训练一个大模型）、微调（拿现成的模型改成自己要的样子）、对齐（让它别乱说话）、多模态（让它能看图、听声音）
这是大家最熟悉的那一栏，也是门槛最高的一栏。数学、论文、竞赛、算力，缺一样都进不去。
岗位数量反而不多——一家公司养几十个算法撑起几百人的产品线。
2
第二层：用模型的
代表岗位：AI 应用开发、Agent 开发、后端集成。
干的事：把已经训好的模型，接到真实的业务里。
比如给公司搭一个知识库问答，让模型能查自己的资料；比如让模型学会调用工具，帮你订票、查数据；比如处理模型输出的不稳定性——它有时候会瞎编，你得想办法兜住。
这一栏岗位数量最多，因为每一个"AI 功能"最后都要有人把它写到产品里去。
它的门槛不是论文，是写代码的能力。
3
第三层：把模型赛进设备的
代表岗位：端侧 AI、嵌入式 AI、模型部署与优化。
干的事：让模型在手机、汽车、摄像头、机器人上跑起来。
这一栏知道的人最少，缺口却最大——后面单独用一节讲。
4
撑住上面三层的
代表岗位：数据工程、推理平台、模型评测、AI 测试。
干的事：不直接碰模型，也不直接碰业务，但没有这一层，上面三层全塌。数据要清洗和标注，模型跑起来要有平台，效果好不好要有人测。
门槛相对低，需求量稳定，涨薪空间小。
二
你该看哪一栏，取决于你手里有什么牌
不用纠结"我是不是这块料"，先看你现在会什么。
- 数学、统计强，能啃论文，有读研打算
→ 第一层，造模型。路径清晰，但要做好长期准备。
- 代码写得多，做过 Web 或后端
→ 第二层，用模型。工程能力可以直接迁移。
- 电子、自动化、通信、机电、计算机硬件方向
→ 第三层，塞进设备。你的模电、单片机、实时系统底子，正好是这一栏的前置。
- 想进 AI，但暂时没方向、也没什么项目
→ 第四层，支撑岗。优点入门快，但缺点也很明显，容易停留在低薪初级岗，有被工具替代的风险。
重点说第三行。
因为这一栏是"你的专业正好对口，但你可能压根没听说过"的那一栏。
三
什么叫“把模型塞进设备”
这一段是全篇最需要科普的地方，耐心看完，你会比大部分同学多一个选项。
你用手机上的 AI 助手，说一句话，等两秒，答案回来了。这两秒里发生了什么？
大部分情况是：你的声音被上传到云端，服务器上跑一个大模型，算完把结果传回来。
这个流程有三个问题：
慢。 一来一回就是延迟，网络不好的时候更明显。
要网。 地铁里、地下车库、工厂车间、野外，没信号就用不了。
数据出去了。 摄像头画面、录音、人脸、医疗数据——很多场景根本不允许上传。
所以整个行业正在做一件事：把模型做小，直接装进设备里，本地算。
小到什么程度？
今年 5 月开源的一个多模态模型，13 亿参数，运行时只占 6GB 内存。
三年前的中端手机就能跑得动。而在两年前，要跑一个"能看图说话"的模型，你需要一张专业显卡和一间机房。
从机房到一块板子，中间隔的不是一代技术，是一次搬家。
而每一次搬家，都会换一批人上桌。
但真正难的部分不在"模型变小"这一头，在另一头：
模型可以越做越小，装它的那个盒子，一点没变大。
一块车上的控制板，功耗预算、散热面积、内存带宽，都是设计的时候定死的，不会因为你换了个小模型就变宽。
手机芯片里的 NPU，支持哪些运算是指定的，不支持的你就得想办法绕过去。
机器人的关节要 10 毫秒内响应，模型再小也超不过这个时间窗。
于是这份工作变成了：把一个几十亿参数的东西，压到一块巴掌大的板子上，还得让它连续跑三十天不出事。
要做的事其实就三件，说人话就是：
1，把它压小。 量化（用更少的位数存参数）、剪枝（删掉不重要的部分）、蒸馏（让大模型教一个小模型）
2，让它跑起来。 算子（芯片认识哪些运算）、内存（别一跑就爆）、功耗（别烫到降频）
3，让它稳住。 异常处理、版本升级、长时间运行的可靠性。
看出问题了吗——这三件事，没有一件是纯软件，也没有一件是纯硬件。
它是硬件的活儿，加上对模型的理解。
四
为什么这一栏很适合一部分学生
因为学校教的东西，刚好是它的前置。
学电子的懂时序和内存，学自动化的懂控制和实时性，学通信的懂带宽和信号，学计算机的懂系统和调度。
这些能力在"造模型"那一栏基本用不上，但在"塞进设备"这一栏是硬通货。
还有一个更现实的好处：本科生能进。
算法岗现在硕士起步、论文打底，这是事实，不用美化。但端侧部署、模型优化这类岗位，看的是你有没有真的把东西跑起来过。
一块板子、一个能跑的项目、一次"从 200 毫秒优化到 80 毫秒"的经历，比学历更有说服力。
对本科生来说，这是很少见的一个口子。
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。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，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大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2026 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 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！
③ 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。
④ 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。
⑤ 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。
⑥ 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。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
-中级讲解)
