🧠 AI Infra 转型 · 第 16 / 17 篇
AI-Infra 转岗指南 · 格桑（配套速览）
AI-Infra 转岗指南 · 格桑（配套速览）
用途：本文件是
00–13系统教材的配套速览——主打四件事：① 转岗路线一眼看完；② 技术点纠错汇总（把分散在各章的「纠错回顾」集中，防踩坑）；③ 面试项目骨架 + TI-ONE 对照；④ 2026 岗位与行情速览。 配合姿势：先读本指南建立全局感 → 按01→13系统学 → 学完回本指南落地12项目。 ⏱️ 数据截至：2026-08。
1. 转岗路线图速览（云原生 → AI Infra）
| 你已有的（入场券） | 要补的（三大短板） | 终点 |
|---|---|---|
| K8s / 容器编排 / Operator / 分布式系统 | ① GPU 硬件语义与选型 | 能搭/维护类 TI-ONE 的 AI 训推平台底座 |
| ② AI 负载特性（训练/推理差异、CUDA/算子） | ||
| ③ 性能调优与可观测（GPU 利用率排查） |
三大补强对应教材：
- 硬件/行业/选型 →
010203（含 AI/ML 基础速成） - 接入/虚拟化/调度 →
0405060708 - 训练/推理/可观测/平台 →
0910111213
⭐ 最佳切入点岗位：AI 平台工程师 / AI SRE——K8s 经验 100% 复用。详见
13.1。
2. ⭐ 技术点纠错汇总（防坑必看）
这些点是和元宝对话中确认过的易错点，已分别内联进对应章节，这里集中便于速记。
纠错 1：GPU Operator 与 device-plugin 是「包含」不是「并列」
- ❌ 错误认知：Operator 和 device-plugin 是两套独立东西。
- ✅ 正确：GPU Operator 内含 device-plugin（用 ClusterPolicy 一键管驱动+device-plugin+GFD+DCGM）。详见
04.3。
纠错 2：A100 MIG 不是「8 层显存 7 层计算」
- ❌ 错误说法：A100 有 8 层显存 7 层计算单元每层 5GB。
- ✅ 正确：A100 最多切 7 个独立 GPU 实例；A100-80G 最小 profile
1g.10gb，不存在「8 层」。详见05.2。
纠错 3：Volcano 是「完全开源」，大厂在其上扩展
- ❌ 错误说法：Volcano 是「半开源」，大厂从零自研调度器。
- ✅ 正确：Volcano 是 CNCF 完全开源；字节 Gödel、腾讯 qGPU 等多是在 kube-scheduler / Volcano 之上扩展，而非另起炉灶。详见
08.6/08.8。
纠错 4（最易踩）：7B 全参微调显存不是 50–70GB
- ❌ 旧资料写：「训练 7B 合计常需 50–70 GB」。
- ✅ 正确：混合精度 AdamW 全参微调 ≈ 16 字节/参数 → 7B ≈ 112 GB（优化器状态 alone 就 ~84GB），单张 A100 80G 根本放不下，必须 ZeRO-3/FSDP 多卡或 LoRA/QLoRA。做容量规划务必用「参数 × 16 字节」。详见
01.5/03.4。
纠错 5（认知补全）：异构不止 GPU
- 真实的「异构算力池化」还包含 Google TPU / AWS Trainium 等 ASIC（2025 起突破明显）。接入思路（device-plugin 标准化、调度亲和、框架编译）可迁移。详见
02.9。
纠错 6（认知补全）：Volcano API 是 v1beta1 不是 v1alpha1
- ✅ 正确：Volcano Job/Queue API 已统一为 v1beta1（早期资料写 v1alpha1 已过时）。详见
07.5。
纠错 7（认知补全）：混部的难点是隔离不是调度
- 很多人以为混部就是「调度在线+离线」，其实难点在干扰隔离——离线突发吃满资源会拖垮在线。Koordinator 的核心价值是干扰检测与压制，不是调度算法。详见
08.5。
纠错 8（2026 现实）：NVIDIA 中国份额不是 95% 了
- 受出口管制，2025 年 H20 被禁后 NVIDIA 中国份额从约 95% 暴跌；H20/H200 相继放行后回升到约 55%，国产已拿下约 41%。别再背「NVIDIA 占 95%」的旧数字。详见
02.6。
3. 面试项目骨架：迷你 TI-ONE
完整版见
12。这里给「必做清单」，照着落地即可形成面试作品。
最小可用闭环（MVP）：
- GPU Operator 接入多卡（验证
nvidia.com/gpu成资源）。 - Volcano 提交一个 8 卡 Gang 训练 Job（验证整组调度）。
- Kubeflow PyTorchJob 或 Ray 提交训练（验证编排抽象）。
- KServe + vLLM 起一个推理服务（验证推的一环）。
- Prometheus + DCGM + Grafana 看 GPU 指标（验证可观测）。
- 写一份 README（架构图 + 能力矩阵 + 与 TI-ONE 对照）。
加分项： MIG/qGPU 切分共享、Kueue 队列配额、Checkpoint+弹性容错、在离线混部（Koordinator）、读过 Volcano gang 源码、自定义 Scheduler Plugin、国产卡适配。
面试讲法： 不堆组件名，讲「我解决了什么」——提交从手写 YAML 变一条 CRD、利用率可观测可定位、架构对标 TI-ONE 可扩展、把单 token 成本降了 X%。详见 13.6。
4. 与腾讯云 TI-ONE 对照（精简）
| TI-ONE 能力 | 你的迷你版 | 可扩展方向 |
|---|---|---|
| 算力接入（多厂商） | GPU Operator | + 国产卡 / TPU operator（02.9/04.5） |
| 调度/训练 | Volcano + Kubeflow | 基本对齐 |
| 推理部署 | KServe + vLLM | 对齐 |
| 监控 | Prometheus + DCGM | 对齐 |
| 数据工程 | 对象存储 + 并行 FS（3FS/JuiceFS） | TI-ONE 有完整特征/标注链路 |
| 多租户/计费 | Kueue 配额（待补 RBAC/计费） | 需补 |
| Pipeline | 手动提交 | + KFP |
国内类似平台：阿里 PAI、百度 百舸、字节 火山方舟。完整对照见
12.8。
5. 2026 岗位与行情速览（详见 13.1-13.2）
- 最佳切入点：AI 平台工程师 / AI SRE（K8s 经验直接复用）。
- 最热方向：LLM Infrastructure（大模型推理服务，2025-2026 推理时代）。
- 招聘方：字节/腾讯/阿里/百度/美团、DeepSeek/智谱/月之暗面/MiniMax 等模型公司、云厂商、自动驾驶/金融科技。
- 薪酬（中国，仅供参考）：1-3 年 40-70 万、3-5 年 70-120 万、资深 120-200 万+；创业公司现金略低但给期权。
- 卖方市场：会调 GPU 集群的人远不够用，但必须「真懂」——带项目 + 读过源码是硬通货。
6. 30 天冲刺节奏（每天 2–3h）
- 第 1–2 周：
00–05（行业现实→硬件→接入→虚拟化），动手装 GPU Operator + 跑 MIG。 - 第 3 周：
06–09（调度→训练编排→互联），读 Volcano gang 插件源码、跑 Kubeflow Job。 - 第 4 周：
10–13（推理→可观测→平台→面试），落地12项目，按13准备话术与简历。 - 全程画架构图（手画也行），这是面试最加分的能力。
与
00总纲的「约 1 个月」节奏一致。开始吧。