从后厨厨师到 AI 系统总监，靠单卡 3090 手搓数据集的三年逆袭路

很多人对 AI 学习的认知还停留在“调包”或者写几个 Prompt，但真正能拉开差距的，其实是那些在本地环境里死磕数据质量的“手工活”。我没有大学学位，也没有行业人脉，主业甚至是一个时薪 20 刀的后厨厨师，但我在 21 岁这一年拿到了年薪 8.4 万刀且直接向 CEO 汇报的 AI 与系统开发总监（Director of AI and Systems Development）Offer。回看这三年，最核心的转折点在于我意识到：在微调模型时，数据质量的权重远高于数据规模。

起初，我只是想通过 AI 辅助独立游戏开发，但很快发现 AI 写代码的能力进化速度太快，如果只做使用者，很快会被替代。于是我决定尝试在本地跑训练。当时我的硬件配置非常单一，只有一张 RTX 3090 显卡。在那个环境下，我每天下班后死磕到凌晨 3 点，从给 Vicuna 和 LLaMA 喂知识开始，尝试摸索如何让模型在特定领域产生更好的推理能力。

在实操过程中，我踩过最大的坑就是“迷信数据量”。很多教程会告诉你数据集越大越好，但实际操作中，如果你喂入大量低质量的噪声数据，模型只会变得更像一个“复读机”，而失去了逻辑推理能力。为了攻克这个问题，我花了半年时间尝试手动构建高质量的推理链（Reasoning Chain）数据集。

我意识到，与其给模型喂 10 万条平庸的 Python 代码片段，不如喂 1000 条经过精心设计的、包含完整逻辑推演的样本。我开始手搓 Python 数据集，甚至专门设计了一些能够通过单条 Prompt 就生成完整游戏的复杂样本。在这个过程中，我重点研究了 LLaMA 等开源模型的微调机制，通过构建极高质量的指令对，最终搞出了 pydevmini-1 这个小模型。虽然它的参数规模不大，但在当时的 Python 编码能力 Benchmark 测试中，竟然能与一些顶尖的大规模模型打平。

正是这个 pydevmini-1 的项目，成为了我简历上唯一且最有力的技术证明。它证明了我不仅能搭建环境，更具备通过操纵数据来提升模型逻辑能力的核心竞争力。凭借这个项目，我被 Tesslate 团队看中，拿到了第一份真正意义上的技术经历。

在拿到全职 Offer 之前，我其实走了一条非常灵活的商业化路径：免费实习 → 独立咨询 → 正式高管。在积累了一定实操经验后，我尝试通过 Google Ads 和 LinkedIn 寻找需要 AI 落地方案的客户，提供 AI 咨询服务，每月能维持在 3000 刀左右的收入。这种模式让我习惯于从商业价值的角度去审视技术，而不是单纯地追求模型指标。

直到上个月，一个长期合作的老客户直接给我发了全职 Offer。从一个时薪 20 刀的厨师，到年薪 8.4 万刀且奖金不封顶的 AI 总监，这中间的跨度看似离谱，但逻辑其实很简单：在 AI 这个领域，实操能力（尤其是对数据的掌控力）是唯一的硬通货。

如果你现在也有一张 3090，我想给你的建议是：不要盲目追求数据集的规模，去尝试手动构建高质量的推理链。当你能用一个小模型在特定任务上击败通用大模型时，你就拥有了在这个行业谈判的筹码。