转行 AI 大模型：码农与产品经理的职业机遇与挑战

目前 AI 行业还没有大规模增长、商业化，林木不太推荐当下去 AI 运营的岗位，除非是针对海外的 AI 产品运营岗位。'目前 AI 处于 0 到 1 的阶段，C 端产品的 0 到 1 取决于产品经理，B 端产品取决于解决方案、产品经理甚至前端销售。等到 AI 能够大规模增长或商业化，运营岗位才能发挥规模化增长、精细化运营的核心作用。'

在 2024 年转行 AI，比 2014 年转行移动互联网，难得多。'2012 年，美团去我的毕业院校（一个 211 学校）招聘，基本上没有学生去的。大家真正开始关注移动互联网，是 2014、2015 年'大众创新、万众创业'的时候。现在入行 AI 的门槛高很多，过去很多产品经理培训，在网上报一两个月的班就可以做产品经理，现在校招生入行都需要很好的学历背景和实习经历。'林木说。

林木认为，对于普通人来说，不一定要在验证期进入一个新兴行业（AI 大模型还在验证期），可以在增长期进入。'苹果 2010 年发布了 iPhone 4，代表了移动互联网的到来，（移动互联网的）局势很明朗。但普通人 2012 年进入移动互联网就算早的，2015、2016 年进入也完全赶得上这个时代。'

02 效率最大化的战争，还是旷野漫游？

有人把转行看作在无数分岔路口做出最优解的战争，也有人当作临时起意的漫游。

对诚汉来说，这次尝试转到 AI 大模型，跟两年前放弃工作去读研一样，都是在分岔路口不断获取新信息做出最优解。2022 年，诚汉考研二战的初试结束后，立马开始找工作，'三线'并行：考研的复试调剂、拖入职时间然后上班、找更好的新工作。他当时入职华为的外包 C++ 软件开发岗位，在拿到研究生录取后，辞职读研。他觉得这是四个月的完美操作，'我应该是全网头一个这么做，并成功了的人。'

'我需要不断尝试并获取信息，再接收到新的信息之后，及时调整接下来的方向，而不是一股脑的一个方向。在你面前永远是有一棵分岔树的，每个枝丫都有自己的判断语句和权重。每个新收集到的信息都会改变枝丫的判断语句和权重。'他说。

他在 7 月份进行一轮信息收集，问了十几个从事互联网和 AI 行业相关的人。在 8、9 月份的秋招中集中投递了二十多份简历，但没有拿到正职 offer。

在理性的决策和行动无法获得正反馈后，他开始理性地考虑放弃。

但仍有人很松弛，有权衡但不纠结。

文悦（化名）就是如此。她不是技术科班出身，不会编程，今年从互联网 UI 设计师跳到了 AI 产品经理，虽然不是在互联网大厂，而在一家做 To-G 服务的农业公司。

文悦很多次在人生路口，选择临时变道。她 98 年生，家在河南农村，她喜欢画画，高中时想做艺术生，家里没钱不同意，于是辍学，买了无座票，在火车上站了 8 小时到杭州，在 19 岁的年纪做了快递客服，工资三四千，辗转几年后，给阿里做外包 UI 设计，上一份工作是在一家创业公司做设计兼产品经理，月薪 18k。

她最初想做设计是因为跟画画沾边，后来觉得'画画比较适合做副业，做主业就得执行甲方的意见'。她自己发挥创意做的设计优化方案，常常排不上需求，从入职到离职都没有落地。

去年，文悦之前的岗位上接触到 AI 搭建知识库的工作。今年初考虑辞职时，她开始想转到 AI，'AI 是新行业，我有机会能赶上别人，我的背景不好，如果去饱和成熟的行业，不一定能进去。'

文悦自己整理的面试逐字稿

今年 4 月，文悦裸辞了，'我要是不辞职的话，我可能下不了决心（转行），因为之前的工资挺高的，我害怕自己会安于现状、不想跳。反正先辞了再说。想了个大概，但没有想太多，没有想很远说一定在 AI 行业干个十年八年的。'

文悦在家休息了一两个月，然后用自己的积蓄来了北京，'北京做 AI 的公司多。我想反正转都转了，就来做得最好的城市。'

文悦 gap 期间过得'特别爽'。吃喝用度也没省钱，'一点也没委屈自己'，喜欢买'中看不中用'的东西，为了做小红书账号，把在北京的老破小出租屋，装修打扮了一番。gap 几个月，她把五六万的积蓄花光了。

'我也不知道为什么，（对于钱花光）我一点也不怕。不管最后能不能挣到钱，我得先想着自己能挣钱，不然肯定挣不到。大部分时候，我心里总有一种想法，就是我一定能挣大钱。'文悦说。

她每天中午十二点起床，做做饭，再花三四个小时看 AI 的视频和资料，一边学一边用平板放电视剧，'如果我某一天灵感大爆发，干活特别有状态，我就会把电视关掉，干通宵。'就这样学了两三个月。她习惯给每个面试问题写逐字回答稿，不断更新，40 多个面试问题，写了一万四千字。

她的面试邀约并不多，因为她是自考大专、不是全日制本科，很多公司不会约面。后来她面了四家，其中两家是大厂外包，她后来 9 月入职了如今这家做 To-G 业务的农业公司，月薪 15k，'没想加工资，想着先进行业再说。'

她目前所在的 AI 产品经理岗，不用对 AI 的底层技术了解透彻，她曾经看一本讲技术原理的《这就是 ChatGPT》，看了 100 多页没读完。目前的岗位，要求能设计产品的功能、辅助售前去谈项目就可以。

爸妈当初不同意她高中辍学，如今也不支持她换城市来北京，但拗不过她，'想做什么，我先做完了再跟爸妈说，大部分情况下，他们都是不同意的。'

男友跟着文悦来了北京，换了工作。男友之前是做软件测试的，在她的建议下，转到了大模型测试岗，给大厂做外包，也是先入行 AI 再说。男友当初犹豫要不要跟她来北京，文悦的想法是，'如果他不来，我也要自己来。好不容易想干个事了，不能有人耽误。'

文悦觉得未来不一定一直做 AI 产品经理，以她外向的性格，给客户做售前也能做得很好。

'我是想法比较多的人，今天想干这个，明天想干那个。以前有段时间特别想考研，后来了解到考上后要上三四年的学，就不太能接受，虽然我也不一定能考上。又想攒钱留学，虽然还不知道去哪里留学，但就是想去，作为一个目标，让我好好存钱。我爱好也广泛，除了画画，还喜欢做手工：黏土（橡皮泥）、热缩片、串珠、做美甲……我给自己做美甲可专业。'

如果说像诚汉和文悦这样的普通人，还能半路进入普通的技术岗或者外围的产品、运营岗，但对于更顶层核心的技术骨干，并不会跟风，而是早就在大模型技术上有深耕积累的。

猎头熊军（化名）今年招聘了多个 AI 方向的投资岗、技术岗，往往是团队管理者、早期投资人、研究员等级别。以他的经验，互联网大厂和 AI 独角兽六大家招聘的大模型技术骨干、核心科学家，大多数是博士起步、发过顶刊顶会论文的。

'现在做大模型需要 RL（Reinforcement learning 强化学习）方向的人，RL 专家本来在算法圈子里就很少，人才池很小，原来用的算法都是 NLP（自然语言处理）、CV（计算机视觉）。国内真正做 RL 的人屈指可数。原来整个腾讯 X Robotics 实验室下面，真正做强化学习的专家也就个位数。'熊军说。

这种大模型'科班'出身的专家，是互联网大厂和 AI 独角兽创业公司都在高价寻找的。'打个比方，如果大厂出 200 万，创业公司可能要再加个几十万的价，但这几十万不重要，因为这个人对公司的贡献是薪资的起码十倍，重要的是候选人能否解决问题。'

'这批人其实都是很坚定的，没有谁是跟风过来的，甚至在自己的领域已经达到 top talent 的级别。不是转不转行的问题，是这些人对于自己的赛道是否有辨识度的判断，是否有坚持下去的理由。'猎头熊军说。

在时代潮水中，每个人面临的都是选择与代价，浪潮中有小鱼们徘徊漫游的空间，浪头则永远是勇敢冒尖者的游戏。

技术学习框架建议

对于希望深入 AI 领域的开发者与从业者，以下是一个基于行业实践的技术学习路径，旨在帮助构建系统化的知识体系：

第一阶段：大模型系统设计

从大模型系统设计的底层逻辑入手，理解 Transformer 架构、注意力机制（Attention Mechanism）以及推理流程。掌握模型的基本工作原理，包括预训练（Pre-training）与指令微调（Instruction Tuning）的区别，为后续开发打下理论基础。

第二阶段：提示词工程（Prompt Engineering）

通过 Prompts 角度入手更好发挥模型的作用。学习如何编写结构化提示词，掌握 Few-Shot Learning、Chain-of-Thought 等技巧，优化模型输出质量，减少幻觉，提升交互体验。

第三阶段：平台应用开发

借助云原生 MLOps 平台（如阿里云 PAI、AWS SageMaker 等）构建垂直领域应用。例如，利用大模型能力构建电商领域的虚拟试衣系统或客服系统，熟悉模型部署、监控及资源调度。

第四阶段：知识库应用开发

以 LangChain 框架为例，构建行业咨询智能问答系统。重点掌握 RAG（检索增强生成）技术，结合向量数据库（Vector Database）实现私有数据的检索与引用，解决大模型知识时效性与准确性问题。

第五阶段：微调开发

借助大健康、新零售、新媒体等领域数据构建适合当前领域的大模型。学习 LoRA、P-Tuning 等高效微调方法，掌握数据准备、数据蒸馏、大模型部署的一站式技能，实现低成本垂直化训练。

第六阶段：多模态大模型

以 SD（Stable Diffusion）等多模态大模型为主，搭建文生图、图生文小程序案例。探索文本与图像、音频之间的跨模态转换，拓展 AI 应用的表现形式。

第七阶段：行业应用集成

以大模型平台应用与开发为主，通过星火大模型、文心一言等成熟大模型 API 构建大模型行业应用。将 AI 能力集成到现有业务流程中，实现降本增效，推动商业落地。

学会后的收获：

• 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），通过这门课程可获得不同能力；
• 能够利用大模型解决相关实际项目需求：大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性；
• 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：大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

综上所述，AI 大模型赛道虽然充满挑战，但对于具备持续学习能力和敏锐洞察力的从业者而言，依然是值得投入的高价值领域。无论是技术深耕还是产品创新，关键在于找准切入点，保持耐心，在不确定性中寻找确定性。