普通 SWE 现阶段究竟应该如何努力，以贴近 AI 相关工作赛道？
普通SWE转AI门槛高，建议通过内部转岗与实战切入。
关键信息
- 楼主 @Xinyongka (#1) 定义普通SWE：CS背景无AI/NLP PhD，工作偏软件开发，对LLM核心原理不熟，希望转入LLM research、MLE、AI infra等赛道。
- 转型瓶颈：AI岗位高度圈子化，LinkedIn reachout基本无效，缺乏从零开始的清晰路径；但 @creamboy (#2) 指出 AI native 的普通SWE岗位依然很多，如 GCP 等云厂商常年招人。
- 实战与学习建议：优先在现有工作中用 AI 工具解决痛点并做成可复用流程 (#18)；可加入 datawhale 开源社区学习 (#21)，或通过 @EmilyCoder (#27) 推荐的 prachub.com 强化算法基础。
- 潜在机会与跳板：可尝试去 Meta 蹭 AI 组作为跳板再谋求跳槽 OpenAI (#3)，或关注 Austin 地区小公司的发展机会 (#10)。
最新动态
- 帖子热议当前AI浪潮下SWE的焦虑，云厂商在继续扩招AI岗位 (#8)，但AI自动化应用亦可能减少大盘的整体需求 (#9, #20)。
- 针对 @Edward40 (#28) 提出的转型 AI Engineer 具体路径疑问，用户围绕大厂 MLE 与 Frontier Lab 岗位展开探讨。@leoyang311 (#29) 称大厂 MLE 门槛极高，普通 SWE 转型空间受限；@veritas (#30) 则认为大厂 MLE 含金量有限，与 Frontier Lab 差距巨大。
- 针对 Frontier Lab 内部的 MTS (Member of Technical Staff) 职位疑问 (#31-#33)，@LeoQ8 (#34) 补充指出，MTS 是 OpenAI、Anthropic、MAI 等 Frontier Lab 的统一 title，所有人均叫此名。
争议或不同意见
- 赛道思维之争：@flywire (#4, #19) 批评“赛道”思维，认为盲目竞争并不明智；而其他用户则认为 AI native 岗位仍蕴含大量机会 (#2)。
- 转型悲观论：@反求诸己 (#12) 认为当前的转型困局无解；@marche (#13) 戏称若学得太慢，可能过几天连学都不需要学了。
- 对红利期结束的看法：@Helldragoon (#35) 指出过去十几年的码农红利来自行业扩张和人才供不应求。AI 时代基调是人力 scope 减小和技术门槛大幅降低（人人可编程），除非是顶尖人才，普通打工人即便转入 AI 赛道也难寻往日红利。
- 面对焦虑的心态：面对 @Edward40 (#36) 追问当前的具体建议，@Helldragoon (#37) 建议摆脱陈词滥调（cliche）的焦虑，转而享受当下、做自己热爱的事。