有趣的事

作为29届学AI的,工作将何去何从?好像没有高薪的机会了?

如果你说的“29届”是2029年毕业,现在就断定“没有高薪机会”还太早。更准确的判断是:AI岗位仍有机会,但只会“调模型、调提示词”越来越难形成稀缺性;高薪通常对应能把模型能力变成稳定产品或业务结果的人,而不是只会追热点的人。

可以把准备方向分成三层:

  1. 打牢计算机基础。 数据结构、操作系统、网络、数据库、Python/C++至少一门、工程协作和调试能力依然重要。模型和框架会变,定位性能瓶颈、处理数据、写可靠服务的能力更耐用。
  2. 选一条可证明的技术路线。 偏算法就补线代、概率统计、优化、机器学习与深度学习,做实验并能解释指标、数据和失败原因;偏应用/工程就练检索增强、工具调用、评测、推理部署、延迟与成本优化,以及权限、隐私和稳定性。不要只堆一个“套壳聊天机器人”项目,要说明它解决了什么问题、如何评估、相对基线改善多少。
  3. 把项目做成证据。 选一个真实、范围可控的任务,公开代码或写清设计、数据来源、评测集、错误案例和取舍。实习、实验室经历或能被复现的作品,比简历里罗列一串模型名更有说服力。也可以把AI能力和某个领域结合,例如金融、制造、医疗或内容工具;领域知识和工程交付常常比单纯追逐“模型岗”更能形成差异化。

求职时不要只盯着少数大厂的基础模型研究岗。应用算法、机器学习平台、数据工程、推理系统、AI产品工程,以及传统软件岗位中真实使用AI的团队,都可能是入口。薪资取决于公司、城市、岗位稀缺度和个人能力,没人能保证某届一定高薪;但把基础、工程能力和可验证成果准备好,会比押注某个模型或证书更稳妥。每隔几个月看目标岗位的真实招聘要求,调整项目和学习重点即可。

相关阅读