互联网从业者转行 AIGC 行业指南与机会分析

各 AI 应用：文本、图片、视频、音频生成

1. 技术岗位

• 前端工程师：负责 AI 交互界面的开发，需熟悉 React/Vue 及 WebGL 等技术。
• 后端工程师：负责 API 网关、任务调度、数据库设计及微服务架构。
• 算法工程师：负责模型微调、Prompt 优化及效果评估，薪资通常在 30-50k。
• 客户端开发：移动端 AI 应用集成，涉及本地模型部署。
• SDK 开发：封装 AI 能力供第三方调用。

2. 非技术岗位

• 产品经理：定义 AI 功能边界，设计用户体验流程。
• 业务分析师：分析用户行为数据，优化转化路径。
• AI 项目经理：协调跨部门资源，确保项目按时交付。
• 海外运营：负责海外市场推广与用户增长，薪资 20~40k。
• 产品营销：制定 GTM 策略，薪资 20~25k。
• 新媒体运营：利用 AI 工具高效产出内容。
• UI 设计师：设计符合 AI 特性的界面风格。

如果你也是个 AIGC 小白，可以尝试从应用层寻找工作机会，因为机会是真的多，技术要求也是真的低。目前的 AIGC 应用层主要分为视觉和语言两个主要领域，除此之外还有音频领域。

视觉 AIGC

视觉 AIGC 的应用主要在风格迁移、文生图、视频生成等，技术主要基于深度学习的生成模型，例如生成对抗网络（GAN）和扩散模型（Diffusion）等。视觉模型可以从大量图像数据中学习到数据的内在分布，并利用这些学习到的模型生成新的图像。为了适应特定的任务和场景，公司通常会在预训练的模型上进行微调，使用自有的数据集或自己训练出的结果，这些特定的参数和数据集将是各家公司的核心竞争力。比如 Midjourney 生成的图像就具有很强的自我风格，这是自有画师制作的高标准数据集和模型训练参数共同作用而成的。

语言 AIGC

语言 AIGC 的应用则主要在于自动文本生成，比如新闻报道、故事创作、诗歌创作、对话系统等。一些先进的深度学习模型如 GPT-4，以及其他的自然语言处理模型在此领域发挥了巨大作用。通过对齐技术（主要为 RLHF 机制，Reinforcement Learning from Human Feedback，以强化学习方式依据人类反馈优化语言模型），使其能够理解输入，并生成符合人类语言习惯的输出。如视觉 AIGC 一样，语言 AIGC 的具体参数和数据集也将是公司的核心竞争力，和视觉不同不同的是，大语言模型具有较好的自学习能力，所以行业先发的模型理论上将具有更快的迭代速度，同时也具有更好的多模态能力，这也是为何行业内认为现有的大语言模型可能成为一定程度的 AGI（通用人工智能）的基础。

AIGC 行业中游——模型层

中游指的是模型和 API 提供方。主要包括包括预训练模型的开发和训练，以及相关的数据处理和优化。这包括各种机器学习技术（如深度学习、强化学习和自监督学习），以及用于解决各种具体问题的 AI 模型。这一层的公司通常提供云计算服务（即 API），使下游企业能够无需自行建立和维护硬件和软件设施，就能够利用 AI 技术。这一层的核心竞争力在于数据和模型，比如大规模语言模型 GPT-4。盈利模式多为通过训练并销售或授权使用预训练模型，或者提供模型训练、优化等服务。

AIGC 行业中游人才需求

模型提供方：预训练模型的开发训练 API 提供方：云计算服务

1. 技术岗位

• AI 研究员：探索前沿算法，发表顶会论文。
• 算子工程师：优化底层计算算子，提升推理效率。
• 数据科学家：清洗高质量训练数据，构建数据闭环。
• 机器学习工程师：搭建训练流水线，管理分布式集群。
• AI 模型优化工程师：量化剪枝，加速模型部署。

2. 非技术岗位

• 产品经理：规划模型能力边界，设计 API 文档。
• 运营专员：维护开发者社区，收集反馈。
• 战略商业分析：分析市场竞争格局，制定定价策略。
• 售前解决方案专家：协助客户完成技术选型与对接。

AIGC 行业上游——基础设施层

AIGC 行业上游指的是软硬件基础设施、数据供给。主要包括硬件设施（如服务器、芯片等）和基础软件平台（如 HuggingFace、PyTorch 等）。硬件设施是支撑人工智能运算的物理基础，特别是高性能计算机和特殊的 AI 芯片，如 NVIDIA 的 GPU 和 Google 的 TPU。软件平台则提供了用于训练和推理的各种工具和框架。专门的数据公司将提供高质量的标注数据。这个层面的公司盈利模式主要是销售硬件产品或提供软件服务及云服务。

AIGC 行业上游人才需求

软硬件基础设施：服务器、芯片 基础软件平台：提供用于训练和推理的工具和框架 数据公司：提供高质量的数据标注服务

1. 技术岗位

• 算法工程师：针对特定硬件优化算法。
• 硬件工程师：设计芯片架构或服务器散热方案。
• 数据工程师：构建大规模数据处理管道。
• 网络工程师：优化数据中心网络通信。
• GPU 编译器/设计工程师：编写底层驱动与编译工具链。

2. 非技术岗位

• TPM（技术产品经理）：管理硬件产品生命周期。
• PMO（项目经理）：统筹大型基础设施建设进度。

进入 AIGC 产业需要的软实力

对于想要参与到这一浪潮之中的朋友，在软实力方面你还需要有：

好奇心

这是全新的产业，拥有全新的用户需求、全新的工作流、全新的技术路径，只有好奇才能更快的学习，更快的转化成自己的东西。

趋势感知，尤其是技术趋势

这是一个变化极快的行业，没有趋势感知能力（包括技术和市场两部分）以及能快速决策的公司必死无疑，创业型公司相比于现在的大厂在这一领域无论是资金、人力还是技术储备可能都不足，所以更需要有一定的前瞻性，同时遇到问题赶紧掉头。要有一定的跟踪技术能力，甚至建议多读读火爆论文，毕竟可能过一两个月竞品就用上了最新论文的技术。

产业 sense

AIGC 行业的锚点是生产力，目前的变现形式还是主要以降本增效为主（文生图主要作用于提效，纯粹 C 端用户的文生图需求现阶段付费意愿和可能的市场空间较小，而模型的训练和推理成本将在很长一段时间内保持高位），和传统大厂的 C 端广告变现有所不同，现阶段还做不到较高的货币化率，主要以 B 端或小 B 变现为主，所以如果没有产业 sense 很可能无法给出真正有商业价值的交付物。

尾声

在经济缺乏增长动力的几年里，政策、资金对科技的支持从未掉队，人们隐隐约约能看到科技的金矿埋藏在某个地方，但线索总是连上又断开，所以加密货币、web3、元宇宙等新兴概念总是被轻易地看做是新的风口。

每一个职场人，如若要从观望的看客纵身跃入时代潮水中，就必须拥有强大的主观意识和批判思维。

AIGC 可能是人类历史上第一次由机器开始替代一部分创意行业（或者说脑力劳动者），就如同弗洛伊德所说，技术完善了人类的'运动器官和感觉器官'，并演变成'被安装了假体的上帝'。从大的趋势来判断，机遇大于风险，但风险在每个人头上就是灭顶之灾，希望能够在进入这个行业之前认真思考自己是不是真的适合这类新行业。

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。虽然知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，但可以通过官方文档、开源社区、技术博客等正规渠道持续学习。重要的是保持实践，动手搭建项目，将理论转化为实际能力。

大模型学习路线图整体分为多个阶段，从系统设计入手，到提示词工程，再到平台应用开发、知识库构建、微调开发、多模态应用及行业应用落地。光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去。这时候可以搞点实战案例来学习。

学会后的收获包括：基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），能够利用大模型解决相关实际项目需求，基于大模型和企业数据 AI 应用开发，实现大模型理论、掌握 GPU 算力、硬件、LangChain 开发框架和项目实战技能，学会 Fine-tuning 垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握，能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力。