1. 职业选择的分水岭：AI领域外包与自研的本质差异

第一次接触AI领域的求职者往往会被"外包"和"自研"这两个术语搞得晕头转向。我在过去五年间先后经历过三家外包公司和两家自研企业，最直观的感受是：同样是写Python调TensorFlow，两种工作模式带来的职业发展轨迹可能天差地别。

外包项目通常以客户需求为导向，技术栈相对固定。我曾参与过某银行的智能客服项目，整套方案基于阿里云的现成API搭建，三个月交付期内主要工作就是写接口适配和业务逻辑。这种模式下，工程师更像"技术装配工"，优势是能快速积累行业经验，但技术深度容易遇到瓶颈。

自研团队则完全不同。去年在某自动驾驶初创公司，我们从头构建了一套基于点云的目标检测系统。从算法选型（最后选了PointPillars）、数据标注规范制定到模型蒸馏优化，每个环节都需要原创性思考。凌晨三点调参的记忆虽然痛苦，但看着mAP值从0.68爬到0.83的过程，获得的成长是外包项目难以比拟的。

2. 薪资结构的深层逻辑：为什么自研岗位更值钱？

2023年某招聘平台数据显示，北京地区3年经验的AI工程师，外包岗位中位数薪资24k，而自研岗位可达45k。这个差距背后是价值创造方式的根本不同：

2.1 技术栈溢价分析

自研岗位通常要求：

• 掌握PyTorch/TensorFlow框架底层机制（如自动微分实现）
• 能独立完成从论文复现到工程落地的全流程
• 具备性能调优经验（模型剪枝/量化部署等）

而外包岗位更关注：

• 主流云平台API调用（AWS/Azure/阿里云）
• 快速交付能力（Flask/Django等web框架）
• 文档编写与客户沟通技巧

2.2 典型案例对比

我辅导过两个同期毕业的学员：

• 学员A在外包公司做智能质检系统，主要工作是用OpenCV预处理图片后调用现成分类API，三年后薪资22k
• 学员B在医疗AI公司参与病理切片分析系统研发，从设计数据增强策略到开发轻量化模型，三年后薪资48k+期权

3. 职业发展路线图：如何规划成长路径？

3.1 外包转自研的关键跳板

对于已经在外包公司的开发者，建议通过以下方式突破天花板：

1. 主动啃底层源码（比如深入研究scikit-learn的算法实现）
2. 在现有项目中寻找优化点（如把API调用改为自建模型）
3. 考取权威认证（AWS ML Specialty/TensorFlow Developer等）

我曾在某保险项目中将OCR准确率从92%提升到97%，方法就是把阿里云OCR替换为自研的CRNN+Attention模型，这个案例后来成为我跳槽的重要筹码。

3.2 技术纵深发展矩阵

自研工程师应建立T型能力体系：

核心深度： - 数学基础（矩阵计算/概率统计） - 框架原理（自动微分/分布式训练） - 领域前沿（跟踪arXiv最新论文） 横向广度： - 数据处理（Spark/Flink等大数据工具） - 工程化能力（Docker/K8s部署） - 业务理解（所在行业知识）

4. 风险与机遇评估：不同阶段的选择策略

4.1 新手入行建议

应届生如果拿到以下offer：

• 外包公司：月薪15k，做政府项目
• 自研初创：月薪12k，做AI医疗

建议选择后者。早期薪资差异不大时，成长环境的价值会随时间呈指数级放大。我见过太多在外包公司呆满三年后，技术能力仍停留在API调用层面的案例。

4.2 中年危机预防

35岁以上的工程师要注意：

• 外包岗位：可能面临项目缩减风险
• 自研岗位：需向架构师或技术专家转型

有个取巧的方法：在外包项目中积累特定行业经验（如金融风控），然后转向该领域的自研公司，这样既能利用业务积累，又避免了纯外包的技术停滞。

5. 技术能力变现指南：让市场为你的技能定价

5.1 简历包装方法论

描述项目经历时：

• 外包项目应突出："主导XX系统对接，通过XX优化使吞吐量提升XX%"
• 自研项目要强调："设计XX算法架构，在XX指标上超越SOTA XX%"

避免出现"负责调用XXAPI实现XX功能"这类被动表述。

5.2 薪资谈判技巧

当猎头报价时：

• 外包岗位：可争取项目奖金（通常能多要10-15%）
• 自研岗位：重点谈股票/期权（优质企业这部分可能占包50%+）

去年帮一个朋友谈判某AI独角兽offer，最终通过展示在ICLR上的论文成果，将原始包从60万谈到85万（含期权）。

在这个算法红利逐渐消退的时代，真正的价值终将回归到解决实际问题的能力。选择自研路线意味着要承受更大的技术挑战压力，但当你看着自己设计的模型在生产线