文章指出，在大模型领域，AI基础设施（AI Infra）工程人才比算法人才更为稀缺。全球范围内，AI Infra 工程师需求高达10万人以上，而合格供给仅为2.5万至3.4万人，供需比仅为1:8.6。在中国，AI Infra核心工程人才的活跃供给不到1000人，而企业需求超过8200人。文章还分析了全球和中国主要大模型公司的团队规模和代表模型，以及猎头和候选人在大模型人才招聘中的判断依据。对于想要进入大模型领域的小白或程序员，AI Infra是一个值得关注的黄金赛道。

大模型人才盘点：AI Infra 才是真缺口

先说一句实在话："大模型算法 / AI Infra 总人数"目前没有单一权威口径，下文分"硬数据"与"合理估算"标注，来自猎头数据，供招聘判断&求职判断

这几年招聘大模型岗位，发现一个反直觉的事实——卡住项目的往往不是算法，是 GPU 集群跑不起来、推理成本高到吐血。

先抛一组数字：中国 AI Infra 核心工程人才，近 6 个月有看机会意愿的活跃供给不到 1000 人，企业需求 8200+，供需比 1:8.6；算法研究员是 1:4.5。

比算法研究员更缺的，是能让模型真正跑起来的 AI Infra 工程人才。

下面这份盘点，从全球到国内，把"人到底在哪、缺在哪、多少钱、往哪挖"讲清楚。

一、全球：能训前沿模型的人，不到 1 万

先界定两层：

真正前沿的研究员层

（能推进基础模型能力边界）：全球< 10,000 人。业内甚至有观点称，真正"从 0 到 1 训过模型"的只有几百人。

五大前沿实验室

（OpenAI / Anthropic / Google DeepMind / Meta FAIR / xAI）合计研究员 + 工程师≈ 7,000+：OpenAI ~1,500｜Anthropic ~800｜DeepMind ~2,000｜Meta FAIR ~1,500｜xAI ~800。

放到广义"大模型算法"（含训练 / 对齐 / 后训练 / 多模态算法）：

训练 / 对齐方向：需求 45,000 / 供给 8,000，缺口率82%。

更宽的口径（含所有 AI 岗）：全球 AI 相关岗位总需求 ~320 万，合格供给 ~65 万。

结论（全球）：狭义能训前沿模型的核心算法人才< 1 万；广义大模型算法工程师是4.5 万需求 vs 8 千供给的池子——这是各家 recruiter 抢破头的地方。

二、AI Infra：2026 缺口显著的工程方向

AI Infra 是什么？一句话：让 GPU 集群跑得动、训得快、推得省的那层工程。具体是 GPU 集群管理、分布式训练框架（Megatron / DeepSpeed / FSDP）、高性能网络（InfiniBand / RoCE）、推理优化（量化 / 投机解码 / KV-cache）。

口径	需求	合格供给
AI Infra / 系统工程	120,000	25,000
AI Infrastructure Engineer（在招）	78,000	34,000
全球 ML 工程师总量（含广义）	—	200,000–300,000

结论（全球）：

严格定义下（生产级、能管千卡 / 万卡集群的 AI Infra 工程人才），全球供给仅约 2.5 万–3.4 万。

需求 ~10 万+，缺口率 75–80%。JustSaid 直言：缺口明显的岗不是研究员，是 ML Infra 工程师。

广义 ML Infra / MLOps 全球约 20–30 万，但其中能碰大模型规模的"低几千人"。

三、中国盘面：核心模型人才约 1–1.5 万，Infra 活跃供给不到 1000

先看大盘：

中国 AI 研究员约 3.9 万（另有蓝皮书口径 5.2 万 / 2024）。

脉脉薪酬：AI 科学家 / 负责人月薪132,796 元；算法研究员74,441 元；AI Infra 工程师 73,702 元。

智联 / 猎聘（2026 H1）：AI 工程师需供比2.62，算法工程师 TSI 紧缺指数2.64；汽车研发 AI 工程师需供比高达8.2。

大模型算法各岗供需：

岗位	企业需求(人)	活跃人才(人)	供需比
大模型算法研究员	12,500	2,800	1:4.5
AI Infra 架构师	8,200	950	1:8.6
大模型应用开发	18,600	9,200	1:2.0
Prompt / 对齐工程师	6,400	2,100	1:3.0
大模型产品经理	9,300	4,600	1:2.0

结论（中国）：

真正训过模型的核心人才约 1 万–1.5 万

，高度集中在字节 Seed、阿里通义、腾讯混元、智谱、DeepSeek。

AI Infra 核心工程人才（GPU 集群 / 分布式训练 / 推理优化）活跃供给 < 1,000，总需求 8,200+，是缺口显著的方向（供需比 1:8.6）

。

招聘增长（2026 H1）：AI Infra 工程岗+82%、基础模型研发+45%、应用开发+113%。

四、谁在养人：公司图谱

全球头部实验室（团队规模多为 2025–2026 推算，取区间）：

公司	代表模型	总人数(估)	核心人物
OpenAI	GPT-5.6 / 5.5	~3,500–4,500	Sam Altman、Greg Brockman、Jakub Pachocki
Google DeepMind	Gemini	~6,000+	Demis Hassabis、Koray Kavukcuoglu
Meta AI / FAIR	Llama	~3,000+	Yann LeCun
xAI	Grok	~1,000+	Elon Musk、Igor Babuschkin
Anthropic	Claude Fable 5	~1,200–5,000	Dario Amodei

中国自研基座（按综合实力）：

公司	代表模型	团队规模(估)	核心人物
字节 Seed / 豆包	豆包 5.0 / Seed 2.0 Pro	~2,000+（国内头号基座团队）	吴永辉（前 Google Fellow）、周畅、郭达雅
阿里 通义	Qwen3.6-Plus	~1,000+	周靖人、张迪、周浩（前 DeepMind）
腾讯 混元	混元 3.0	~1,500+	姚顺雨（前 OpenAI 研究员）
智谱 AI	GLM-5.1	~700–800	唐杰、张鹏
DeepSeek	V4-Pro（MoE 1.6T，开源）	~200–300	梁文锋
月之暗面	Kimi K2.5 / K3	~250–800	杨植麟
阶跃星辰	Step 系列	~240–300	姜大昕、张祥雨（ResNet 作者）
MiniMax	M2.5 / ABAB 6.5	385	闫俊杰、赵鹏宇

中国 8 家大模型独角兽合计 ML 研究员约 1,600–2,400。字节 Seed 是当之无愧的"中国 AI 黄埔军校"，近一年字节离职员工创立了 30+ 家 AI 公司，大量人才流向腾讯 / 阿里 / 创业公司。

五、给猎头和候选人的 5 个判断

挖 AI Infra 比挖算法性价比更高、竞争更小。

全球供给 2.5–3.4 万 vs 需求 10 万+；中国活跃供给 <1,000、供需比 1:8.6。同样是稀缺，Infra 的"被抢烈度"反而低一档。

核心人才高度集中，盯住那几家。

字节 Seed（2000+）、阿里通义、腾讯混元、智谱、DeepSeek。挖人不是广撒网，是定点突破。

热点方向看招聘指数：

大模型后训练(171) > 预训练(151) > 推理优化(121) > 高性能计算 / 算子(113) > 强化学习(109) > AI Infra(90)。后训练 / 推理优化是当前最缺的细分。

核心人才流动性极高，这是挖角窗口。

吴永辉(Google→字节)、姚顺雨(OpenAI→腾讯)、周浩(DeepMind→阿里)、乔思远(字节→Meta)、蒋路(字节→Apple)——中美 + 大厂之间来回跳。

价格参考（年薪）：

中国头部研究员 200–500 万 RMB；资深工程师 100–250 万；名校 AI 博士应届 60–120 万。硅谷同级别总包 2–5M USD（含股权）。

大模型的知识又多又杂，到底怎么学？

做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。

第一阶段（10天）：初阶应用

这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。

• 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

这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。

• 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

• …

走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。

第三阶段（约20天）：动手微调

学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。

• 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
• …

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。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

第四阶段（20天）：商业闭环，部署落地

技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。

• 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
• …

想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：

1、大模型系统化学习路线

2、大模型学习视频教程

3、大模型学习书籍&电子文档

4、AI大模型最新行业报告

5、大模型项目实战&配套源码

6、2026大模型大厂面试真题

7、为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

8、适合谁学？

• 传统后端 / Java / 前端开发，想转型 AI 应用
• 大学生、应届生，想拿更好的 offer
• 产品经理、运营，想武装职业竞争力
• 技术负责人，想给团队落地提效

学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。

9、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

好了，就写到这。路线是死的，人是活的，卡住了随时来问我。觉得有用就点个收藏，别让它进收藏夹吃灰——动起来比啥都强。