虚假的岗位增涨
AI岗位不是没增长，而是长在了非常上游的位置，比如：
基础模型团队: 设计Transformer结构LLM scaling、multi-modal alignment.这些都是大厂核心组在做，而且后面还会持续做，原先的A16小龙在这儿可能都快死了。
Infra团队: 负责算力调度、并行训练框架multi-GPU memory优化，面试可能一问就是你有没有写cuda，以及干卡调度的经验，这不是在放屁嘛。
Al product团队: 基于大模型构建RAG系统、agent平台、对话插件系统等，拿着公司的私有数据finetune model去解决具体落地问题。
在国外这些人叫appliedscientists，讲道理我感觉这个岗位应该算是目前最好找到的工作了。
可能在现在这个时代，能有1篇主会甚至只有一个finding或者short paper都有机会上岸。
这些岗位共同特征是: 不仅要会写代码，更要能理解系统结构、知道怎么落地、怎么调研设计、怎么平衡latency和效果、怎么scale到上线。
它需要的不是“编程技能’而是“抽象+架构+调度+决策”能力。而这些能力恰恰不是一两年内速成的，通常得：
211/985计算机本科，硕士，甚至博士的才会有这样的需求，而且如果你不是核心组的phd，这些都可能不一定能碰得到。
大厂infra或算法团队实习(硕导和博导暑假不放人直接寄)
能在极快的节奏下自学并实现SOTA模型(很多岗位直接要求你复现LLaMA3级别的paper，对模型架构对于面试者要求很高)。
我知道字节的seed团队对于LLM岗位的要求就是能手搓GRPO，DPO，PPO那些，并且还让你说出很多非常细节的东西，xAl，Meta的GenAl组也会要求手推diffusion的，code-面就是1-2个小时。
所以不是不给你岗位，而是岗位根本不设在你这个level上。
钱烧到哪儿去了？
你看到的“几十亿融资”或“大模型烧钱”，主要花在了下面这几块：
基础投入，包括GPU采购(A100/H100/GB200)，数据标注、过滤、对齐;训练框架、分布式优化器的搭建。
从Google DeepMind/Meta FAIR 挖人年包百万美金起，招顶会一作的PhD做tokenizer、optimizer、alignment工程研究前沿试错，做10种MOE结构、100组超参组合、跑上万小时试出来的最优策略。
每失败一次就是几十万美金成本，成功的团队吃下整个蛋。这不是大众化工程，这是资本在打AI时代的“高维战争”。
所以你会看到，基础研究岗位的确在爆发但要求高到离谱；中低端岗位在萎缩，因为AI反而在自动化掉原本需要人力的部分。
集中的寡头
我们常以为AI浪潮像“工业革命”“互联网浪潮”那样，能带来全面的就业增长，但这一波更像是“技术寡头崛起”：
模型能力集中在少数几家(OpenAl、Google、Meta、Anthropic)Infra平台集中(NVIDIA、Azure、AWS)应用生态被少数大公司定义(Copilot, Gemini, Claude)
而中小公司(包括这波误以为自己能吃到AI风头去做这个方向，想吃红利的，都极其有可能成为牺牲品，我没在说现在的AI几小龙)，他们不是没有AI愿景，而是烧不起训练费用，靠开源玩点边角料。
不是不想雇人而是自己都在用GPT写代码，没那么多初级岗位需求。所以你看到的，不是“岗位减少而是“岗位更集中、更高门槛、更加封闭”一些startup。
比如说做数字人的，就会发现技术发展实在太快了，他们找的人才刚学会GAN，就出现的image diffusion，然后是video diffusion，公司里那些卡可能连inference都养不起，拿上被新的公司拿着新的技术超越
普通CS学生，被“技术民主”的幻觉误导了
很多学CS的学生一直有个信念: “技术是最公平的，掌握了能力就有出路。”但AI时代打碎了这个幻觉。
技术不是不民主了，而是大模型让上层变得更强，下层工作变得更自动化:然后那些能用LLM做系统整合的人更吃香，只懂调包的人更边缘;项目不需要10个写模块的人，只要2个能驾驭整个pipeline的人。
普通CS学生现在面临的困境，不是“没有岗位”，而是“没有为你设岗位”。我很看衰SDE和数据分析的岗位。
如果你尝试过用Claude，GPT40以及copilot那些工具就会发现他们比你更加熟悉基础的语法，上手一种语言更加迅速往往原先你要写几十个小时才能完成的代码，他们可能在你手上几轮迭代就差不多完成了。
也就是半个小时，1个小时的事儿。说到底，AI浪潮没有带来“中间层”的广泛就业，只让“顶层更顶，底层更卷”。
那普通人该怎么办？
这个问题我回答不了，我就是那个普通人如果你是一个被AI卷到的人，希望你能尝试在使用它上面比其他人更加熟练，也许这样就能带来更多优势了？
