前几天一个硕士期间搞材料的朋友，考上了某大学的人工智能博士，有点焦虑，我们聊了聊。
他焦虑的重点主要集中在硕士期间一直在做材料相关的课题，编程基础薄弱，参与的人工智能课题少，担心读了博士之后，会很难上手相关的项目，做起来会很费劲。
在我们沟通的过程中，我的一个观点是：人工智能专业的博士这个机会很难得，我建议把握住（）。
博士是一辈子的事，不论以后在哪里做什么，都要相信”流水的工作，铁打的博士”，况且他考的还是个双一流985的人工智能博士。
其实到目前为止，已经不知道有多少人和我聊过类似的问题了，很多同学是从机械、自动化或者其他专业，转行人工智能的。
有工作中转行的，有跨专业读研、读博的（姑且也算转行吧），大家都有一个共性，那就是编程基础不多、人工智能知识少、不知如何开始入门（）。
今天就分享一篇小白从零开始，转行做人工智能算法的故事，希望对大家有所启发。
这是一个真实案例，讲述的是一个机械专业的零基础的小白，从本科找工作开始，一步步完成转行，跨行搞AI算法的故事。
如果你也有相关的想法，可以去公众号首页联系我，一起交流，以下正文隐去真实姓名、学校等信息。
以下以第一人称讲故事，文章有点长，完整阅读大约需要10分钟。
1，本科毕业
我是北京某大学本科，本科毕业时，尝试着找过几家工作，当时拿到了几个offer，属于机械行业，现在还记得其中 2 个offer。
一个是北京大兴制造雪糕的工厂；另一个是做大厂房的机械设备加工设计的。
这两个公司给的工资一样，月薪5000。
当时大学毕业啥也不懂，什么公积金、社保完全不记得。5000的月薪在我们那一届的本科学生中，其实还算不错的薪资了，要知道那是好多年之前了。
后来没去找工作，直接本校继续读研了，选择读研有两个方面的考虑。
一是觉得自己还不太适合工作，还没有完全做好工作的准备；
第二个原因是，在找工作之前，其实已经在准备考研了，当时考的北京另外一所大学，可惜没上岸，后来调剂回了本校。
正是因为这两个原因，虽然当时找到了工作，薪资也还不错，但最终还是选择了读研。
2、读研
读研的时候，做的方向是图像和信号处理，可能有朋友知道这个方向，这个方向和机械设计不同，更多是集中在信号处理和算法的研究上。
记得当时为了验证一个算法的精度，做了不计其数的实验，最终得到了不错的结果，顺利发表了论文。
现在回想起来，研究生的日子，过的很充实。
发专利和论文
在研一刚开始的时候，开发了一个软件，软件里面集成了一个原创的算法。
软件是导师和师兄给辅导完成的，在研一刚开始后就做完了，随后发表出去，很快就收到了录用通知，貌似是在研二收到了发表的样刊。
另一篇 EI会议论文发表在一个会议期刊上，用的另一套算法，当时为了做这个实验，跑了很多厂子，借用他们的设备进行测试。
记得那是个夏天，坐公交，骑共享单车，满北京的跑，就为了尽快预约实验设备，做实验采集数据，最终文章成形，顺利发表。
虽然发表了软著，但当时用的编程软件并非C++/Python，可以说，直到研究生毕业，自己的C++水平几乎为零，Python当时更是完全没有接触过，更别提人工智能的算法知识了。
3、工作
硕士毕业就离京了。
为什么离开北京，因为当时考虑北京生活成本高，很现实，去了青岛。
青岛一家公司给了不错的offer，在一个电网公司做嵌入式开发。
这公司靠着自己独有的一套算法和设备，没几年做到了全国数一数二的位置，研究生刚毕业，他们给到了年薪13W，在当时青岛薪资，算是不错的。
在开始工作的没几个月，公司上市了，但上市和我无关，跟我有关的，是工作内容。
就像刚才说的，当时我的C语言知识几乎为零，而数电、模电的知识则早就忘光。
而嵌入式这个工作，需要对C/C++很熟悉，还需要对芯片知识有了解，比如IO、寄存器等，而我完全是个门外汉。
工作了半年，仍然没有领悟到工作中的技术核心，越来越感觉到困难重重，有一种未来发展受限的感觉。
心力交瘁，再加上青岛的生活，和我预想的不一样，物价并没有我想象的那么低，相反和北京的物价消费差不多，而且，同样青岛感觉买房遥遥无期。
于是鼓起勇气，毅然决然辞职回到了北京。
重回北京
不过做这件事真的需要勇气，勇气的核心就是舍与得。舍掉了啥，又得到了啥，就不说了。反正回北京之后，幸亏是一个研究生学历，工作还算好找。
去了一个同为电网的公司上班，这里真的很感谢这家公司。
为什么呢？
公司项目不紧急，每个人同事都很好，最关键的是，在这里有充足的时间，来弥补专业上知识技能的不足。
在这里我一边工作一边学习，C语言，电路图，操作系统，C++，以至于后来从这家公司离职的时候，和从青岛离职的时候，完全两种状态。
从青岛离职：我是谁，我会什么？我还能做什么？
从这家离职：我什么都会，我的未来一片美好！
当然有点夸张，但你能想象，一个机械专业的学生，当历经千辛万苦，跨了一个行业，终于在新行业中有信心可以说不害怕技术问题的时候，能有多骄傲和自豪吗？
4、从事 AI
从北京这家公司提离职的时候，我被公司总经理叫到了办公室，关上门畅聊了一下。
他问我以后什么打算？
“我说，我想做人工智能算法”。
彼时人工智能这个行业已经慢慢火起来了，我说我想去商汤那样的公司，做AI算法，我觉得AI算法，未来的应用潜力很大。
经理说“很多AI算法搞了很长时间了，很多算法已经固化成了包，很少会再有新的算法来研究了”。
当时我不知道经理是对AI算法这一行不熟悉，还是用这样的说辞来劝退我，希望我留在公司。
最后的谈话以以下对话收场。
“经理，我希望我在有动力，敢想敢干的年龄，去闯一闯，试一试AI算法这一行。”
“可以，既然你决定了，我支持你，但如果在外面混不下去，可以回来。”
“好的，谢谢经理”
AI 的面试
一周后，我正式结束了在北京的第一家公司的交接工作，离职重新投简历，只投了一类工作：AI。
收到了不少面试机会，大小公司都有。
一天跑好几个面试时常有的事，我给自己的目标，一定不要凑合，一定要找到自己喜欢的工作，工资啥的无所谓。
当时面过好几家初创公司，利用摄像头做成像，然后利用神经网络识别物品，类似于现在超市货架上的商品，用摄像头识别，类似于现在自助贩卖机，你付了钱，从里面拿出某件商品，可以识别出来你拿的和付的钱一不一致。
但是，彼时的我，算法真的一塌糊涂。
虽然有了C/C++语言的底子了，也有电路的底子，也有一些芯片的知识，但是做算法，怎么感觉又像是换了一个方向呢？
投了商汤，获得了面试机会，那次面试我是奔着学习去的，没有通过。
既然纯AI算法行不通，那就结合之前做嵌入式开发的底子，以及AI算法的需求，找工作吧。
什么样的工作需要这样的呢？AI芯片的算法开发。
第一，对芯片有了解是加分项，刚好我做嵌入式开发，了解过很多指令、总线、内存相关的知识。第二，算法正是我所要学习的。
彼时，国内搞 AI 芯片的屈指可数，阴差阳错的进入了一家当时的独角兽公司，在这家公司，学到了很多。
5、结尾
先回答一个问题：跨行做人工智能容易吗？不容易，但不是不可行。
只有亲历过的人才知道，别听网上谁说转行很容易，那都是骗人的。除非你能力出众到，面对一个全新的领域，别人一说你就懂。
隔行如隔山，但你是个天才。
否则，没有做好完全的心理准备，没有准备好的退路，没有足够的勇气，不建议贸然转行。
我认识好很多本科硕士都是机械和电气专业的，也认识几个本硕都是文科专业的，其中有转行自学算法搞人工智能，成功上岸的，当然也有确实感觉自己不合适放弃的。
转行没有捷径，需要用勤奋学习来弥补短板缺点，然后快速的将自己的水平和行业平均水平拉齐。只有这样，你才能快速的在新行业立足，建立自信。
否则，你只会陷入更加深刻的自我怀疑中。
我算是毕业之后经历了几家公司，才算是从机械到嵌入式开发到AI算法开发转行了。
这其中的艰难，只有经历了才懂得，劝君慎重！
如何系统的学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“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。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
)
)
)
)
