AI 大模型与互联网行业变革：人才需求及薪酬分析

特别值得一提的是，GPT-4o Mini 以其经济实惠著称，其成本比 OpenAI 之前最轻量级的 GPT-3.5 Turbo 还要低 60% 以上。GPT-4o Mini 不仅价格低廉，性能同样出色，在 MMLU 测试中得分高达 82%，在 LMSYS 排行榜上甚至超过了 GPT-4。此外，GPT-4o Mini 在数学和编码任务、多模态推理任务方面也超越了 GPT-3.5 Turbo 和其他小型模型，显示出其在性价比和性能上的双重优势。

大模型一览

开源与闭源模型

在 2023 年初，闭源大模型主要以纯文本的语言模型（LLM）为主。然而，随着时间推移，闭源模型在多模态能力上取得了显著进步，目前能够理解图像并生成图像内容。相比之下，尽管开源模型在文本处理能力上有了显著提升，但大多数开源模型尚未实现多模态功能。

国内与海外模型

国内主流大模型在 2023 年底以来的更新中开始追赶 GPT-4。例如：

• 2023 年 10 月更新的**文心 4.0（Ernie 4.0）**在综合水平上与 GPT-4 相比已不逊色。
• 2024 年 1 月更新的智谱 GLM-4，其整体性能已接近 GPT-4。
• 2024 年 4 月更新的商汤日日新 5.0在综合性能上宣称全面对标 GPT-4 Turbo。

代表模型详解

GPT-4

GPT-4 是 OpenAI 开发的最新语言模型，它在生成类似人类语言的文本方面表现出色，是 GPT-3.5 的一次重大升级。OpenAI 指出，GPT-4 在以下三个关键领域实现了显著进步：

1. 创造力：GPT-4 在创意项目生成和与用户合作方面表现更佳，包括音乐创作、剧本写作、技术写作等，并能学习用户的写作风格。
2. 视觉输入：GPT-4 增强了对图像内容的理解能力，能够处理视觉相关的任务。
3. 长文本处理：GPT-4 能够处理长达 128K 个文本令牌的上下文，甚至可以直接与网页链接中的文本进行交互。

尽管 GPT-4 在多个方面取得了进步，但它仍然存在一些局限性，如社会偏见、幻觉以及对抗性提示等问题。这些问题可能导致模型提供错误的答案或不准确的信息。网上有许多例子展示了 GPT-4 的这些局限性，表明尽管 AI 技术不断进步，但仍需持续优化和改进以提高模型的准确性和可靠性。

Claude 3.5

由 Anthropic 公司于 2024 年 6 月 20 日发布的 Claude 3.5 Sonnet 是其 LLM 大语言模型系列中的先遣版本。根据 Anthropic 公布的测评结果，Claude 3.5 Sonnet 在多个标准测试中表现卓越，甚至超越了业界公认的强模型 GPT-4o。

以下是 Claude 3.5 Sonnet 的一些关键特性：

• 视觉推理：在解释和分析视觉数据方面表现出色，包括理解复杂图表、图形、图解，以及分析信息图和科学可视化。
• 图文整合：能够无缝整合图像和文本信息，实现全面理解和分析。
• 对象识别：准确识别和描述图像中的对象。
• 视觉问答：根据视觉分析，提供详细、准确的回答。
• 基于图像的问题解决：利用视觉信息协助解决问题，例如分析建筑或工程图。
• 艺术和设计分析：提供关于艺术风格、设计元素和视觉美学的见解。
• 手写识别：在识别和转录手写文本方面有出色的表现。
• 视觉数据提取：从图像中嵌入的表格或图表提取信息。

Claude 3.5 Sonnet 的这些特性使其在多模态任务中具有强大的应用潜力，特别是在需要视觉和文本信息整合的场景中。

Llama 3

Llama 3 是 Meta 创建的一个开源 LLM，用于生成式 AI，包括聊天机器人，能够以自然语言响应各种查询。以下是 Llama 3 的一些关键特性和架构：

• 评估用例：集思广益、创意写作、编码、文档总结以及以特定角色或人物的声音回答问题。
• 模型架构：采用标准的密集 Transformer 模型架构，未使用 MoE（Mixture of Experts）架构。
• 细微调整：与之前的 Llama 模型相比，进行了细微调整以提高训练稳定性。
• 效率和长序列处理：使用分组查询注意力（Grouped Query Attention）和注意力掩码来提高效率和处理长序列的能力。
• 模型参数：参数规模从 8B 到 405B 不等，支持的上下文窗口可达到 128K tokens。

Llama 3 的开源特性和灵活性使其在 AI 社区中具有广泛的应用前景，特别是在需要定制化解决方案的场景中。

职业发展

人才市场现状

在 2024 年上半年，人工智能和软件工程领域的人才市场呈现出高度紧缺的状态，特别是在大模型算法、ChatGPT 研究、云计算和数字前端工程等岗位上。这种供需不平衡导致了激烈的人才争夺战，其中人才供需比低于 0.5，意味着平均有两个岗位在竞争一个合适的候选人。

薪资水平分析

在薪资方面，人工智能领域的薪资水平一直保持着较高的增长趋势。根据相关报告，2022 年人工智能新发岗位的平均月薪为 43817 元，而到了 2023 年前 8 个月，这一数字上涨至 46518 元，增长率达到 6.16%。

对于在国家实验室或国家重点实验室等第一梯队核心实验室工作的博士生，年薪甚至可以达到 120 万至 150 万元，这在业界被认为是一个常见的薪酬水平。

国外大模型工资平均薪资水平

根据薪酬网站 Levels.fyi 的信息，OpenAI 的软件工程师年薪总额为 92.5 万美元。这其中包括 30 万美元的基本工资和 62.5 万美元的股权，后者会分 4 年发放。如果员工能够正常完成服务期，总共可以获得高达 250 万美元的薪酬。

产品经理岗位的薪酬同样处于高位，反映了市场对既懂技术又懂业务人才的渴求。

技能要求与未来趋势

要在这个领域获得发展，技术人员通常需要掌握以下核心技能栈：

1. 编程语言：Python 是绝对的主流，其次是 C++ 用于底层优化。
2. 深度学习框架：熟练掌握 PyTorch 或 TensorFlow，理解模型训练流程。
3. 大模型框架：了解 LangChain、LlamaIndex 等应用开发框架，能够构建 RAG（检索增强生成）系统。
4. 向量数据库：熟悉 Milvus、Chroma 等向量存储方案，用于知识库构建。
5. 云原生部署：掌握 Docker、Kubernetes 以及各类云厂商的 AI 平台服务。

未来的发展趋势显示，端侧大模型（Edge AI）将成为新的增长点，这意味着对模型压缩、量化以及边缘计算优化的需求将大幅增加。同时，多模态能力的普及将推动视频、音频与文本融合应用的爆发。对于从业者而言，保持持续学习的能力，紧跟技术迭代节奏，将是应对行业变革的关键。

结论

AI 大模型正在重塑互联网行业的格局，从技术底层到应用层都发生了深刻变化。虽然通用大模型竞争激烈，但垂直领域的深耕机会依然巨大。对于人才而言，这不仅意味着高薪的诱惑，更代表着职业赛道的转换。无论是选择投身于基础模型的研究，还是专注于行业应用的落地，都需要扎实的技术功底和对业务场景的深刻理解。随着技术的成熟，AI 将从概念走向规模化生产，成为数字经济的核心驱动力。