2024年AI前20岗位薪酬出炉！搞AI大模型的远超同行？

AI相关，细分技术领域，薪资前20岗位，都有哪些。

今天这篇文章与铁铁们分享一下。

1 薪资榜单

如下图所示，排名第一：深度学习算法工程师，平均月薪达到3万1千+；

排名第二的架构师，薪资与之相似；

机器学习算法工程师，月薪2万6千+；

AI算法工程师首选语言一般Python，想要做算法工程师的老铁，熟练应用Python是基本要求：

再往后的开发还有go语言，语音图形等开发，要想多拿薪水，开发方向绑定AI是一个很好的选择。

榜单最后一名UE4工程师，全名：Unreal Engine 4，一种游戏开发岗位，应用于VR技术。

另外，2024年生成式AI的平均薪资分布如下图，薪资还是很好，关键现在掌握好岗位所要求的技能：

2 AI岗位分布

AR/VR 边缘计算岗位分布前10城市：

量子计算 区块链岗位分布前10城市：

人工智能 数字孪生岗位分布前10城市：

物联网 隐私计算岗位分布前10城市：

3 生成式AI学习路线图

要想胜任上面AI岗位，学历背景+技能，两者缺一不可。

学历背景好，可以弥补技能不足；

技能强，可以一定程度弥补学历背景的短板。

两者有一种平衡关系。

学历背景不多说，接下来，重点总结AI大模型（生成式AI）：所需关键技能。

1. 机器学习和深度学习基础

• 概率论与统计学：理解基本的概率和统计学知识，这对于理解生成式模型的工作原理至关重要。
• 线性代数和微积分：掌握矩阵运算、微分和积分等数学工具，用于优化和训练神经网络。

2. 生成式模型

• 生成对抗网络（GANs）：掌握GAN及其变体（如DCGAN、CycleGAN、StyleGAN等）的工作原理和实现方法，用于图像生成和变换。
• 变分自编码器（VAEs）：理解VAE的理论和应用，主要用于生成连续数据如图像。
• 自动回归模型：如PixelRNN、PixelCNN，主要用于生成高质量的图像。

3. 自然语言处理（NLP）和生成

• 语言模型：掌握语言模型的原理，如GPT（Generative Pre-trained Transformer）、BERT等，用于生成文本。
• 序列到序列模型（Seq2Seq）：用于翻译、对话生成等任务。
• 注意力机制：理解和实现注意力机制，特别是在Transformer架构中，用于处理序列数据。

4. 音频和音乐生成

• 神经网络音频合成：如WaveNet，用于生成高质量的音频和音乐。
• 音频处理基础：理解基本的音频信号处理，如频谱分析、滤波等。

5. 计算机视觉

• 图像合成与变换：使用深度学习技术进行图像风格迁移、超分辨率生成、图像修复等。
• 三维生成：理解和实现用于生成3D模型和场景的技术，如3D GANs、神经渲染。

6. 工具和框架

• 深度学习框架：如TensorFlow、PyTorch，用于模型开发和训练。
• 图像处理工具：如OpenCV，用于预处理图像数据。
• 音频处理工具：如Librosa，用于音频数据的分析和处理。

7. 优化与训练技巧

• 优化算法：如SGD、Adam，理解其在训练生成模型中的应用。
• 正则化技术：如L1/L2正则化、Dropout等，用于防止过拟合。

ending

安利2个开源免费福利。

1. 我的个人AI 网站：https://ai-jupyter.com

2. 普通人了解AI应该做的最重要两件事：

• 应该先从AI工具使用开始
• 应该先了解AI基础名词

普通人了解AI大忌：

• 不应该上来就学AI理论
• 不应该排斥AI，认为AI无用

基于上面，我也花费不少时间，做了一个详细的开源教程：《普通人学AI指南》.PDF

咱们先别弄那些高深的AI理论，先玩熟AI基本概念、AI工具、自己电脑搭建AI和知识库。

PDF 指南思维导图

AI 大模型时代并不是你工作的终点，而是新旅程的起点。通过不断学习、积极转型和勇敢探索，正在用自己的方式书写着属于自己的辉煌篇章。让我们一起期待在 AI 大模型新时代创造更多的可能！

大模型的学习路线
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？

• 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。