那些“误打误撞”进了AI圈的年轻人，后来咋样了

记者 巩悦悦 实习生 刘嘉奇 王利媛 卢柏州

提起人工智能，很多人想到的是年薪百万、顶会论文和清北复交的学霸。但在今天，越来越多“非科班”年轻人正挤进这个赛道。他们学的是统计、计算机，有的甚至跟AI不沾边。没有显赫的学历，却有清晰的规划和扎实的经验，他们想用自身的经历证明，在AI这个快速迭代的行业，实力可以比标签管用。

有人“步步为营”，有人“误打误撞”

“一开始想都不敢想。”学统计的林宇，曾被网上“顶会论文焦虑”压得喘不过气，甚至做好了延期毕业的打算。

直到ChatGPT火了，她看到一条新出路：数据建模。研究生阶段，她没再纠结自己的专业出身，而是盯着岗位需求“定制”实习——先做数据分析，再做量化，最后杀进建模岗。每一份经历都写得很清楚明了，经得起面试官深挖，“简历是敲门砖，其中的每个细节都得经得起推敲。”

相比林宇的步步为营，学计算机体系结构的张弛，入行AI纯属“意外”。

张弛原本只想回老家随便找份工作，后来阴差阳错，投了某大厂的底层技术岗。靠着读研时死磕的国产处理器项目，他一路过了三轮技术面试。入职才俩月，就碰上部门向AI转型，他顺势做起了大模型国产化算力适配，“说白了，就是赶上了，硬着头皮上。”

在很多人的想象里，AI行业“学历内卷”很厉害。但在这几位跨界者看来，实力才是真正的敲门砖。

一位大厂的校招负责人透露，近几年技术岗、工程岗、生态岗都缺人。招聘不看是不是985、211，“双非、职院都有机会。我们看硬实力、适配度、是否热情，学历只是参考。”

张弛面试时，三轮技术面全程围着他的简历项目转。从核心逻辑到RISC-V基础操作，每一个细节都被扒了一遍，“只要你真做过，就没什么好怕的。自信点，别露怯。”

入职百度半年，他最深的感受是技术迭代太快了。大模型的论文、方案一波接一波，“你不学，下周就跟不上了。”林宇也有同感：“在AI这行，停下学习，就等于自动退场。”

不是一直动手，但精神时刻紧绷

外人看AI从业者，总觉得要么是“996的苦行僧”，要么是敲代码就能拿高薪的幸运儿。但在林宇眼里，真实的AI工作，是另一种“累”。

在国央企做自然语言处理的她，日常是盯模型、调参数、优化数据，再迭代。一个模型跑半年才能看到效果，急不得。外人看来他们偶尔在走廊踱步、对着电脑发呆，以为在摸鱼，其实那是在思考，是脑子转得最累的时候。

“脑力活和体力活不一样，不是每时每刻都在动手，但精神一直是紧绷的。”林宇说，只要有技术问题没解决，下班回家脑子也在转，“那种心理负担，外人根本看不到”。

张弛的工作节奏分两个阶段：刚入职没有KPI，他一度担心“学不到东西”。后来部门转型，强度一下子大幅提升，回到了读研时的状态，“偶尔加班，但能扛住，早习惯了。”

两人都提到，AI工作最重要的是解决问题的能力，一时想不出不要紧，但得有清晰的拆解思路。张弛说，“多交流，不懂就问，乐于分享，把知识串成网，工作才有效率。”

跨专业，短板肯定有。拿林宇来说，她学的是统计学，入职后面对系统架构、GPU运行、模型部署这些内容，明显觉得吃力。张弛计算机网络底子薄，工作时偶尔卡壳。

“咋办？补！”林宇靠的是公司给的容错期，“3～6个月，允许你慢一点，容错期能让我慢慢适应工作节奏，只要主动补短板、不懂就问，这段阵痛期很快就能过去。”

张弛白天工作，晚上看技术教程补基础。遇到网络问题，就把解决过程一步步记下来，做成笔记，方便复盘。

“公司的培养机制也很得力。”林宇说，不同公司的技术平台、编程语言、业务场景都不一样，就算有实习经历，入职也几乎从零开始，“好在领导和同事愿意教，帮了我不少忙。”

如今，林宇已经能独立负责模型训练和部署，张弛也能独当一面，扛起算力适配的核心工作。两个曾经的“门外汉”，在AI领域站稳了脚跟。

AI行业，最紧缺应用型人才

未来AI行业最缺什么人？多位从业者认为，最紧缺的是应用型人才。

“现在大模型底座已经很成熟了，千问、DeepSeek能力都很强。”一位资深算法工程师说，“难点是怎么落地，怎么悄无声息地融入生活和工作，解决实际问题。这才是最缺人的地方。”

对于想进AI领域的在校生，这些受访者建议：要夯实核心基础，把编程、数学、机器学习的知识学扎实，提前掌握Linux、Docker、计算机网络等常用技能，做实践项目要做深做透，跟上技术迭代的节奏，提升跨岗位协作的能力。

从“不敢想”到“稳脚跟”，林宇最大的感受是，AI行业的大门，永远为脚踏实地的人敞开。