6个月速成AI工程师？OpenAI CTO Brockman

Levels.fyi上AI工程师年薪20-30万美元的数据，让无数人涌入这个赛道。但一个扎心的事实是：零基础转行AI工程师的成功率，比中彩票高不了多少。

职业教练Egor Howe在辅导了数百名转行者后给出判断——那些承诺"6个月速成"的课程，本质是在卖梦。真实路径至少需要1年软件工程或数据科学经验打底，这是行业共识，不是危言耸听。

AI工程师≠炼丹师：搞清楚你在应聘什么

网上把AI工程师和机器学习工程师混为一谈的情况太普遍。Egor用一句话切分清楚：AI工程师是"用模型"的人，机器学习工程师是"造模型"的人。

具体做什么？把Claude、GPT-4这类基础模型嵌入到产品里。电商网站的智能客服、IDE里的代码补全助手（比如Cursor）、企业内部的知识库问答——这些落地场景才是AI工程师的日常。

这个定位决定了技能树的形状。你不需要推导Transformer的数学原理，但必须懂怎么调API、怎么处理延迟、怎么在成本和效果之间找平衡点。

软件工程的基本功是底座。Git工作流、代码审查、系统设计、运维监控——这些传统技能一个不能少。在这个基础上，再叠加AI系统的特殊知识：提示词工程、RAG架构、模型评估、安全对齐。

这种复合型人才确实稀缺。Egor观察到，很多公司招不到合适的人，不是因为候选人不懂AI，而是工程底子不扎实——写出的代码无法维护，做出的Demo无法上线。

Greg Brockman的路线图：为什么软件工程是更优起点

OpenAI CTO Greg Brockman的观点和Egor高度一致：先成为软件工程师，再补充AI/ML知识。

这个建议的逻辑很现实。AI工程师的日常工作中，80%是工程问题：怎么设计低延迟的推理服务？怎么实现流式响应？怎么处理模型输出的不确定性？这些问题的解法，来自软件工程经验，而非论文阅读。

Egor给出的工具清单也印证了这一点。Python和TypeScript是双语言基础——前者用于模型交互和数据处理，后者用于前端集成和全栈开发。云原生技能（AWS/GCP/Azure）是标配，因为模型部署离不开弹性计算。Docker和Kubernetes负责环境隔离和扩缩容，MLOps工具链（MLflow、Weights & Biases）则解决实验追踪和模型版本管理。

向量数据库是个关键技能点。Pinecone、Weaviate、Chroma这些名字需要熟悉，因为RAG（检索增强生成）架构正在成为行业默认方案。把企业私有数据灌进向量库，让大模型能"查资料"再回答，这是目前最主流的落地模式。

框架层面，LangChain和LlamaIndex是两大选择。Egor的建议很务实：先掌握一个，理解其设计哲学，再触类旁通。过早追求"全栈精通"往往是时间陷阱。

时间线拆解：从0到offer的现实节奏

假设你有STEM背景，每天能投入4-6小时有效学习，Egor给出的基准是：6个月拿到软件工程师或数据科学的第一份工作，再积累1年经验后转向AI工程岗位。

这个18个月的总时长，和那些"3个月转行"的营销话术形成刺眼对比。但Egor强调，这不是在泼冷水——设定不切实际的预期，反而会让大多数人在第4个月放弃。

第一年的软件工程阶段，核心任务是建立工程直觉。不是刷完LeetCode就完事，而是要参与完整的产品迭代：需求评审、技术方案、代码实现、上线运维、故障复盘。这些肌肉记忆，决定了你后续做AI工程时能走多快。

同步进行的AI知识积累，建议采用"项目驱动"模式。不要从头啃《深度学习》教材，而是直接上手调OpenAI API，做一个能跑通的Demo，再逐步优化。Egor见过太多人卡在理论学习的第3个月，一个能展示的项目都没有。

转行窗口期的选择也有讲究。内部转岗往往比外部跳槽更顺畅——你已经熟悉业务场景，只需要补足AI技能。很多公司的AI团队反而 prefer 有业务背景的人，因为懂需求才能做出有用的产品。

薪资背后的隐藏成本

Levels.fyi上20-30万美元的薪资区间，通常指向硅谷头部公司或高阶岗位。Egor提醒，这个数字有显著的幸存者偏差——大量AI工程师的实际收入在中位数以下，且工作强度与薪资成正比。

更隐蔽的成本是技术折旧速度。大模型能力每3-6个月迭代一次，昨天的最佳实践今天可能过时。提示词工程的书写规范、RAG的检索策略、模型的微调方法——这些都需要持续跟进。Egor形容这是"在跑步机上学习"，停下来就意味着贬值。

但市场需求的结构性缺口真实存在。传统软件工程师供给过剩，而能打通"模型能力→产品价值"的人严重不足。这个落差，就是转行的机会窗口。

一位从后端工程师转型AI工程的用户告诉Egor，他花了14个月完成转变，其中最难的不是学新技术，而是放弃"必须搞懂底层原理"的执念——"用黑盒做出可靠的产品，本身就是专业能力的体现。"

你现在的工作经验，距离这个18个月的基准线还有多远？