1. 从一则人事消息说起22级在小米意味着什么前阵子圈子里在传一个消息说罗福莉晋升到了小米的22级。我第一反应不是她是谁而是22级这三个字。在小米的职级体系里22级基本就是普通打工人能摸到的天花板了——再往上就是高管序列那是另一个维度的游戏。一个31岁的人走到这一步放在整个互联网行业里都算得上罕见。先把背景交代清楚。小米的职级体系大致是13级起步应届生通常从13到15级入场工作三五年能到16、17级再往上每升一级难度都是指数级上升。18级开始带团队19到20级是总监级别21级是高级总监22级就是副总裁级别。换句话说22级不是表现好就能升的层级它意味着你已经进入了公司的核心决策圈层。罗福莉这个名字在AI圈子里其实不算陌生。她之前在国际顶会上发过不少论文后来在阿里达摩院做过大模型相关的研究再后来去了幻方量化旗下的DeepSeek参与了大模型的核心研发工作。这条路径本身就很有意思——从学术到工业界从大厂到创业团队再到大厂的核心岗位每一步都踩在了AI行业最热的节点上。我写这篇东西不是要吹捧谁也不是要贩卖焦虑。我是觉得这个案例里有几个值得拆解的点一个技术人如何在十年左右的时间里完成从入门到顶级的跃迁大模型这个赛道到底给了技术人什么样的机会窗口以及对于还在路上的普通技术从业者来说能从中学到什么、又该避开哪些误区这些问题比单纯讨论一个职级数字有意义得多。2. 拆解这条职业路径每一步背后的选择逻辑2.1 学术积累期论文不是目的而是入场券罗福莉的起点是学术研究。她在自然语言处理和机器学习方向发表过不少高质量论文这个阶段大概持续了几年。很多人对学术阶段有个误解觉得发论文就是为了毕业、为了拿学位。但实际上对于想进入顶级工业界研究岗位的人来说论文的真正价值是证明你具备定义问题和解决问题的能力。我见过不少同学读研期间拼命水论文数量堆了一大堆但真正有影响力的工作几乎没有。这种策略在短期内可能有用但到了工业界面试的时候面试官一眼就能看出来你的工作有没有真正的技术深度。罗福莉的论文方向集中在NLP和大模型相关领域这个选择本身就很有前瞻性——她在读研的时候大模型还没有像现在这么火但她选的方向恰好踩在了后来的爆发点上。这里有个关键点选方向比努力更重要。你在一个夕阳方向上再努力产出也有限你在一个上升期的方向上哪怕资质平平也能被行业红利推着走。当然这不是说努力不重要而是说努力要用在对的地方。2.2 工业界转型期从达摩院到DeepSeek从学术圈转到工业界这个跨越比很多人想象的要大。学术界追求的是新颖性和理论贡献工业界追求的是落地效果和工程效率。很多学术做得很好的人到了工业界反而不适应就是因为这两种评价体系的差异。罗福莉在阿里达摩院的那段时间应该是她完成这个转型的关键期。达摩院当时在做大模型相关的研究她参与其中积累了工业级项目的经验。这个阶段最重要的不是发了多少论文而是理解了工业界做AI和学术界做AI的本质区别——数据规模、工程约束、产品需求这些都是学术圈不太需要考虑的东西。后来她去了DeepSeek这个选择在当时看来可能有些冒险。DeepSeek是幻方量化旗下的大模型团队背靠量化基金的资源但当时大模型赛道已经挤满了巨头。不过回过头来看这个选择非常精准——DeepSeek后来推出的一系列模型在业界引起了很大反响而罗福莉作为核心研发人员自然也跟着水涨船高。2.3 关键跃迁为什么是小米为什么是22级从DeepSeek到小米这个跳跃的幅度很大。小米在大模型领域起步不算早但投入力度很大雷军亲自挂帅把AI定为集团战略级方向。罗福莉加入小米大概率是负责大模型相关的核心研发工作直接向高层汇报。22级这个职级在小米意味着副总裁级别。一个31岁的人拿到这个职级说明小米对她的定位不是高级技术专家而是能带队打仗的技术负责人。这两者之间有本质区别前者只需要对自己负责后者需要对整个业务方向负责。我个人的判断是小米给这个职级看中的不只是她的技术能力更是她在DeepSeek期间积累的大模型实战经验。大模型这个领域真正有实战经验的人非常稀缺——不是那种调调API、跑跑微调的经验而是从零开始训练大模型、解决各种工程和算法难题的经验。这种经验在整个行业里都是硬通货。3. 大模型赛道的机会窗口普通人还能上车吗3.1 当前大模型人才市场的真实供需先说一个可能让人不太舒服的事实大模型赛道的高端岗位确实已经非常卷了。2023年的时候一个有大模型训练经验的人随便跳槽都能拿到翻倍的薪资。但到了现在市场已经冷静了很多企业招人更看重实际产出能力而不是参与过大模型项目这种模糊的描述。但另一方面大模型相关的岗位需求总量还在增长。不只是算法岗工程岗、产品岗、运营岗都在扩张。我认识几个做传统后端开发的去年转型做大模型推理优化现在发展得也不错。关键是要找到自己的切入点而不是盲目地往算法岗挤。3.2 不同背景的人如何找到切入点如果你是有一定工作经验的后端工程师可以考虑往大模型推理优化方向转。这个方向需要扎实的工程能力对算法要求相对没那么高而且目前人才缺口很大。具体来说你需要掌握模型量化、推理加速、显存优化这些技能这些都可以通过开源项目和实际动手来学习。如果你是算法背景但没做过大模型可以从微调和应用入手。现在开源模型很多自己找个垂直场景做一套完整的微调加部署流程这个经验在面试的时候比什么都管用。我见过一个候选人自己用开源模型做了一个法律问答系统从数据清洗到模型微调到部署上线全流程走了一遍面试的时候讲得头头是道最后拿到了不错的offer。如果你是学生或者刚入行建议先把基础打牢。大模型再火底层还是机器学习、深度学习那一套。数学基础、编程能力、工程素养这些基本功不扎实光会调包是走不远的。3.3 那些容易被忽略的软技能技术能力之外有几个软技能在大模型赛道特别重要。第一个是论文阅读能力。大模型领域发展太快了新的研究成果层出不穷你能不能快速读懂一篇论文、判断它的价值、决定要不要跟进这个能力直接决定了你的技术视野。第二个是工程落地能力。大模型不是跑个demo就完事了真正落地的时候会遇到各种问题推理延迟太高、显存不够用、并发上不去、输出不稳定。这些问题没有标准答案需要你一步步排查、实验、优化。这种能力只有在实际项目中才能锻炼出来。第三个是沟通协作能力。大模型项目通常涉及多个团队协作算法、工程、产品、运营都要打交道。你能不能把技术问题讲清楚能不能理解业务需求能不能推动事情往前走这些软技能在高级岗位上的权重越来越高。4. 职级跃迁的底层逻辑技术人的成长飞轮4.1 技术深度与业务价值的平衡很多技术人有个误区觉得只要技术够强职级自然就上去了。但实际上职级越高对业务价值的要求就越高。22级这个位置公司对你的期待不是技术最强的人而是能用技术创造最大业务价值的人。罗福莉的路径之所以顺畅很大程度上是因为她选的方向本身就是业务价值极高的方向。大模型是当前AI领域最大的商业机会之一她在这个方向上做出的技术贡献天然就能转化为业务价值。这不是说其他方向没有价值而是说方向的选择决定了你技术价值的放大器倍数。4.2 从个人贡献者到团队领导者从18级开始技术人的角色就开始从个人贡献者向团队领导者转变。这个转变的难点在于你需要从自己把事情做好变成让别人把事情做好。很多技术很强的人卡在这一步就是因为不擅长带人、不擅长分配任务、不擅长做决策。罗福莉在DeepSeek期间应该就已经开始带团队了到了小米直接负责一个方向这个跨度其实很大。带团队这件事技术能力只是基础更重要的是判断力、决策力、沟通力。这些能力没有捷径只能在实践中慢慢积累。4.3 时机与运气不可忽视的变量最后说一个可能有点扎心的事实职级跃迁这件事时机和运气占了很大比重。罗福莉赶上了大模型爆发的时间窗口赶上了DeepSeek快速崛起的阶段赶上了小米大力投入AI的节点。这些时机因素不是个人能力能完全控制的。但这不意味着个人努力没有意义。恰恰相反努力的意义在于当时机来的时候你已经准备好了。如果罗福莉没有在学术阶段积累扎实的研究能力没有在达摩院和DeepSeek积累实战经验就算大模型的风口来了她也抓不住。5. 常见问题与避坑指南5.1 关于大模型学习的几个误区误区一必须数学特别好才能做大模型。这个说法对也不对。如果你要做大模型的理论研究数学确实很重要。但如果你做的是工程和应用方向数学要求没那么高更重要的是工程能力和实践经验。误区二必须有大厂经验才能进大模型赛道。大厂经验确实是加分项但不是必须的。现在开源社区很活跃你自己做几个有深度的项目一样能证明能力。我见过不少从中小公司直接跳到大厂做大模型的案例。误区三大模型已经饱和了现在入行太晚了。大模型这个领域还在快速演进远没有到饱和的程度。而且大模型的应用场景还在不断扩展新的机会一直在涌现。关键不是早晚而是你有没有真正的能力。5.2 技术人晋升的常见卡点根据我的观察技术人晋升最常见的卡点有三个。第一个是技术深度不够工作多年但一直在做重复性的东西没有形成自己的技术壁垒。第二个是业务理解不足只关注技术实现不关心业务价值导致晋升的时候说不出自己的贡献。第三个是影响力不够只在自己的一亩三分地里干活没有跨团队的影响力。这三个卡点越早意识到越好。技术深度需要持续学习和实践业务理解需要主动了解和思考影响力需要刻意经营和积累。没有捷径但方向对了每一步都算数。5.3 如何判断一个方向值不值得投入我的判断标准很简单看这个方向上最优秀的人在做什么看这个方向上的资金和人才在往哪里流动。大模型这个方向最优秀的人在研究新的架构、新的训练方法、新的应用场景资金和人才在从各个方向涌入。这种方向值得投入。但也要注意不是所有人都适合做大模型。如果你对概率统计、线性代数这些基础的东西特别抵触做大模型会很痛苦。找到适合自己的方向比盲目追热点重要得多。6. 一些个人观察和体会我在这个行业里待了这些年见过太多人焦虑于别人升职比我快别人薪资比我高。但说实话罗福莉这个案例与其说是让人焦虑的不如说是让人清醒的。她的路径很清晰选对方向、积累深度、抓住时机、持续产出。每一步都没有捷径但每一步都走得扎实。大模型这个赛道确实给了技术人前所未有的机会。但机会只留给有准备的人。如果你现在还在犹豫要不要入局我的建议是先动手做起来哪怕只是跑通一个开源模型的微调流程也比空想强。做着做着方向就清晰了。最后分享一个我自己的习惯每隔一段时间我会问自己一个问题——如果明天我所在的赛道消失了我还能做什么这个问题很残酷但能帮你判断自己的核心能力到底是什么。罗福莉的核心能力不是会做大模型而是能快速学习新东西、能解决复杂问题、能带领团队打硬仗。这些能力放到哪个赛道都值钱。这才是真正值得积累的东西。 1. 从一则人事消息说起22级在小米意味着什么前阵子圈子里在传一个消息说罗福莉晋升到了小米的22级。我第一反应不是她是谁而是22级这三个字。在小米的职级体系里22级基本就是普通打工人能摸到的天花板了——再往上就是高管序列那是另一个维度的游戏。一个31岁的人走到这一步放在整个互联网行业里都算得上罕见。先把背景交代清楚。小米的职级体系大致是13级起步应届生通常从13到15级入场工作三五年能到16、17级再往上每升一级难度都是指数级上升。18级开始带团队19到20级是总监级别21级是高级总监22级就是副总裁级别。换句话说22级不是表现好就能升的层级它意味着你已经进入了公司的核心决策圈层。罗福莉这个名字在AI圈子里其实不算陌生。她之前在国际顶会上发过不少论文后来在阿里达摩院做过大模型相关的研究再后来去了幻方量化旗下的DeepSeek参与了大模型的核心研发工作。这条路径本身就很有意思——从学术到工业界从大厂到创业团队再到大厂的核心岗位每一步都踩在了AI行业最热的节点上。我写这篇东西不是要吹捧谁也不是要贩卖焦虑。我是觉得这个案例里有几个值得拆解的点一个技术人如何在十年左右的时间里完成从入门到顶级的跃迁大模型这个赛道到底给了技术人什么样的机会窗口以及对于还在路上的普通技术从业者来说能从中学到什么、又该避开哪些误区这些问题比单纯讨论一个职级数字有意义得多。2. 拆解这条职业路径每一步背后的选择逻辑2.1 学术积累期论文不是目的而是入场券罗福莉的起点是学术研究。她在自然语言处理和机器学习方向发表过不少高质量论文这个阶段大概持续了几年。很多人对学术阶段有个误解觉得发论文就是为了毕业、为了拿学位。但实际上对于想进入顶级工业界研究岗位的人来说论文的真正价值是证明你具备定义问题和解决问题的能力。我见过不少同学读研期间拼命水论文数量堆了一大堆但真正有影响力的工作几乎没有。这种策略在短期内可能有用但到了工业界面试的时候面试官一眼就能看出来你的工作有没有真正的技术深度。罗福莉的论文方向集中在NLP和大模型相关领域这个选择本身就很有前瞻性——她在读研的时候大模型还没有像现在这么火但她选的方向恰好踩在了后来的爆发点上。这里有个关键点选方向比努力更重要。你在一个夕阳方向上再努力产出也有限你在一个上升期的方向上哪怕资质平平也能被行业红利推着走。当然这不是说努力不重要而是说努力要用在对的地方。2.2 工业界转型期从达摩院到DeepSeek从学术圈转到工业界这个跨越比很多人想象的要大。学术界追求的是新颖性和理论贡献工业界追求的是落地效果和工程效率。很多学术做得很好的人到了工业界反而不适应就是因为这两种评价体系的差异。罗福莉在阿里达摩院的那段时间应该是她完成这个转型的关键期。达摩院当时在做大模型相关的研究她参与其中积累了工业级项目的经验。这个阶段最重要的不是发了多少论文而是理解了工业界做AI和学术界做AI的本质区别——数据规模、工程约束、产品需求这些都是学术圈不太需要考虑的东西。后来她去了DeepSeek这个选择在当时看来可能有些冒险。DeepSeek是幻方量化旗下的大模型团队背靠量化基金的资源但当时大模型赛道已经挤满了巨头。不过回过头来看这个选择非常精准——DeepSeek后来推出的一系列模型在业界引起了很大反响而罗福莉作为核心研发人员自然也跟着水涨船高。2.3 关键跃迁为什么是小米为什么是22级从DeepSeek到小米这个跳跃的幅度很大。小米在大模型领域起步不算早但投入力度很大雷军亲自挂帅把AI定为集团战略级方向。罗福莉加入小米大概率是负责大模型相关的核心研发工作直接向高层汇报。22级这个职级在小米意味着副总裁级别。一个31岁的人拿到这个职级说明小米对她的定位不是高级技术专家而是能带队打仗的技术负责人。这两者之间有本质区别前者只需要对自己负责后者需要对整个业务方向负责。我个人的判断是小米给这个职级看中的不只是她的技术能力更是她在DeepSeek期间积累的大模型实战经验。大模型这个领域真正有实战经验的人非常稀缺——不是那种调调API、跑跑微调的经验而是从零开始训练大模型、解决各种工程和算法难题的经验。这种经验在整个行业里都是硬通货。3. 大模型赛道的机会窗口普通人还能上车吗3.1 当前大模型人才市场的真实供需先说一个可能让人不太舒服的事实大模型赛道的高端岗位确实已经非常卷了。2023年的时候一个有大模型训练经验的人随便跳槽都能拿到翻倍的薪资。但到了现在市场已经冷静了很多企业招人更看重实际产出能力而不是参与过大模型项目这种模糊的描述。但另一方面大模型相关的岗位需求总量还在增长。不只是算法岗工程岗、产品岗、运营岗都在扩张。我认识几个做传统后端开发的去年转型做大模型推理优化现在发展得也不错。关键是要找到自己的切入点而不是盲目地往算法岗挤。3.2 不同背景的人如何找到切入点如果你是有一定工作经验的后端工程师可以考虑往大模型推理优化方向转。这个方向需要扎实的工程能力对算法要求相对没那么高而且目前人才缺口很大。具体来说你需要掌握模型量化、推理加速、显存优化这些技能这些都可以通过开源项目和实际动手来学习。如果你是算法背景但没做过大模型可以从微调和应用入手。现在开源模型很多自己找个垂直场景做一套完整的微调加部署流程这个经验在面试的时候比什么都管用。我见过一个候选人自己用开源模型做了一个法律问答系统从数据清洗到模型微调到部署上线全流程走了一遍面试的时候讲得头头是道最后拿到了不错的offer。如果你是学生或者刚入行建议先把基础打牢。大模型再火底层还是机器学习、深度学习那一套。数学基础、编程能力、工程素养这些基本功不扎实光会调包是走不远的。3.3 那些容易被忽略的软技能技术能力之外有几个软技能在大模型赛道特别重要。第一个是论文阅读能力。大模型领域发展太快了新的研究成果层出不穷你能不能快速读懂一篇论文、判断它的价值、决定要不要跟进这个能力直接决定了你的技术视野。第二个是工程落地能力。大模型不是跑个demo就完事了真正落地的时候会遇到各种问题推理延迟太高、显存不够用、并发上不去、输出不稳定。这些问题没有标准答案需要你一步步排查、实验、优化。这种能力只有在实际项目中才能锻炼出来。第三个是沟通协作能力。大模型项目通常涉及多个团队协作算法、工程、产品、运营都要打交道。你能不能把技术问题讲清楚能不能理解业务需求能不能推动事情往前走这些软技能在高级岗位上的权重越来越高。4. 职级跃迁的底层逻辑技术人的成长飞轮4.1 技术深度与业务价值的平衡很多技术人有个误区觉得只要技术够强职级自然就上去了。但实际上职级越高对业务价值的要求就越高。22级这个位置公司对你的期待不是技术最强的人而是能用技术创造最大业务价值的人。罗福莉的路径之所以顺畅很大程度上是因为她选的方向本身就是业务价值极高的方向。大模型是当前AI领域最大的商业机会之一她在这个方向上做出的技术贡献天然就能转化为业务价值。这不是说其他方向没有价值而是说方向的选择决定了你技术价值的放大器倍数。4.2 从个人贡献者到团队领导者从18级开始技术人的角色就开始从个人贡献者向团队领导者转变。这个转变的难点在于你需要从自己把事情做好变成让别人把事情做好。很多技术很强的人卡在这一步就是因为不擅长带人、不擅长分配任务、不擅长做决策。罗福莉在DeepSeek期间应该就已经开始带团队了到了小米直接负责一个方向这个跨度其实很大。带团队这件事技术能力只是基础更重要的是判断力、决策力、沟通力。这些能力没有捷径只能在实践中慢慢积累。4.3 时机与运气不可忽视的变量最后说一个可能有点扎心的事实职级跃迁这件事时机和运气占了很大比重。罗福莉赶上了大模型爆发的时间窗口赶上了DeepSeek快速崛起的阶段赶上了小米大力投入AI的节点。这些时机因素不是个人能力能完全控制的。但这不意味着个人努力没有意义。恰恰相反努力的意义在于当时机来的时候你已经准备好了。如果罗福莉没有在学术阶段积累扎实的研究能力没有在达摩院和DeepSeek积累实战经验就算大模型的风口来了她也抓不住。5. 常见问题与避坑指南5.1 关于大模型学习的几个误区误区一必须数学特别好才能做大模型。这个说法对也不对。如果你要做大模型的理论研究数学确实很重要。但如果你做的是工程和应用方向数学要求没那么高更重要的是工程能力和实践经验。误区二必须有大厂经验才能进大模型赛道。大厂经验确实是加分项但不是必须的。现在开源社区很活跃你自己做几个有深度的项目一样能证明能力。我见过不少从中小公司直接跳到大厂做大模型的案例。误区三大模型已经饱和了现在入行太晚了。大模型这个领域还在快速演进远没有到饱和的程度。而且大模型的应用场景还在不断扩展新的机会一直在涌现。关键不是早晚而是你有没有真正的能力。5.2 技术人晋升的常见卡点根据我的观察技术人晋升最常见的卡点有三个。第一个是技术深度不够工作多年但一直在做重复性的东西没有形成自己的技术壁垒。第二个是业务理解不足只关注技术实现不关心业务价值导致晋升的时候说不出自己的贡献。第三个是影响力不够只在自己的一亩三分地里干活没有跨团队的影响力。这三个卡点越早意识到越好。技术深度需要持续学习和实践业务理解需要主动了解和思考影响力需要刻意经营和积累。没有捷径但方向对了每一步都算数。5.3 如何判断一个方向值不值得投入我的判断标准很简单看这个方向上最优秀的人在做什么看这个方向上的资金和人才在往哪里流动。大模型这个方向最优秀的人在研究新的架构、新的训练方法、新的应用场景资金和人才在从各个方向涌入。这种方向值得投入。但也要注意不是所有人都适合做大模型。如果你对概率统计、线性代数这些基础的东西特别抵触做大模型会很痛苦。找到适合自己的方向比盲目追热点重要得多。6. 一些个人观察和体会我在这个行业里待了这些年见过太多人焦虑于别人升职比我快别人薪资比我高。但说实话罗福莉这个案例与其说是让人焦虑的不如说是让人清醒的。她的路径很清晰选对方向、积累深度、抓住时机、持续产出。每一步都没有捷径但每一步都走得扎实。大模型这个赛道确实给了技术人前所未有的机会。但机会只留给有准备的人。如果你现在还在犹豫要不要入局我的建议是先动手做起来哪怕只是跑通一个开源模型的微调流程也比空想强。做着做着方向就清晰了。最后分享一个我自己的习惯每隔一段时间我会问自己一个问题——如果明天我所在的赛道消失了我还能做什么这个问题很残酷但能帮你判断自己的核心能力到底是什么。罗福莉的核心能力不是会做大模型而是能快速学习新东西、能解决复杂问题、能带领团队打硬仗。这些能力放到哪个赛道都值钱。这才是真正值得积累的东西。