面对当下想从事大模型行业的学生,你会更推荐ta选择哪个领域?算法、infra还是芯片设计?
如果目标是进入大模型行业,先别把选择理解成三条互斥的“热门赛道”。算法、infra 和芯片设计解决的是不同层次的问题,适合的人以及就业市场也不一样。
算法/模型方向更适合数学、统计和机器学习基础扎实,并且愿意长期追论文、做实验的人。工作可能涉及预训练、后训练、对齐、评测或多模态。真正有价值的不只是复现模型,而是能提出可验证的问题,设计严谨实验,并解释收益来自哪里。要注意,基础模型研发岗位数量相对有限,门槛高;只会调用框架或调提示词,通常不足以形成壁垒。
Infra(训练与推理基础设施)适合系统能力强、喜欢性能与可靠性工程的人,常见问题包括分布式训练、GPU 利用率、通信与存储、推理服务、调度和成本优化。它与算法并非割裂:模型结构、并行策略和硬件特性会相互影响。若你擅长操作系统、网络、并发或编译器,能把一个端到端系统做稳定并量化吞吐、延迟和成本,往往比只追逐模型名词更有竞争力。代价是调试复杂、工程细节多,成果有时不如新模型直观。
芯片设计适合对数字电路、计算机体系结构、EDA 和硬件验证真正感兴趣的人。它周期长、专业分工细,通常需要较扎实的电路或体系结构训练;大模型加速器只是应用背景,不能替代芯片设计本身的基本功。若已经在微电子相关专业,这条路值得认真考虑;若只是因为“AI 芯片很热”而转入,则应先通过课程或项目确认兴趣,并了解所在地区的岗位、工具链和培养周期。
如果还没有明显偏好,我会建议先补共同基础,再用小项目做选择:实现并评测一个小模型或后训练实验,搭一个可测吞吐和延迟的推理服务,再学习一个简化的矩阵乘加速器或硬件设计流程。看自己更愿意反复解决哪类难题,而不是只看哪类名词更热。做决定时还要结合学历阶段、已有专业、所在地区的产业机会,以及你更想做研究还是工程。
简而言之:数学与实验驱动优先看算法;系统、性能与工程驱动优先看 infra;电路、架构与硬件训练驱动优先看芯片。大模型产业里能跨层协作的人很有价值,但不必一开始三条都学到很深;选一条建立硬实力,再理解相邻层的接口,通常更可行。