微软向约6万名员工发出自愿离职邀请，占全球员工总数的27%，同时其上季度资本支出同比涨约七成，将资金主要用于AI领域。文章对比了微软、亚马逊和Meta在AI预算分配上的不同策略，指出AI发展需要从人力资源预算转向算力预算，并建议关注公司AI投入的实际回报。

微软6万人收到离职邀请，钱全拿去砸AI

早上那边 GPT-6.1 Terra降价50%发布 还在刷屏，晚上微软把镜头从模型挪到了人：当地时间周一，它向约6万名员工发出自愿离职邀请。6万，占全球22.3万员工的27%。今晚这条不是模型新闻，是账本新闻。

📋 同一道题，三家三种答案

题目是一样的：AI要烧钱，预算从哪出。微软的答案是发邮件——门开着，你自愿走。亚马逊今年1月的答案，是直接砍掉约1.6万个企业岗位。Meta今年5月的答案，是裁掉8000人（约占员工总数一成），同时把逾7000人调进新组建的AI团队。（以上均为各公司公开披露口径）

微软这封邮件写得客气。首席人力官Amy Coleman在备忘录里说，这是一次"新尝试"：符合条件的员工拿到财务支持和职业规划资源，自己决定走不走。范围是美国、加拿大、印度、英国四国、70级及以下（含部分副总裁头衔），销售和部分工程团队不参加；补偿与标准遣散方案相近，12月初前决定，年底离职。（微软官方备忘录口径）

微软官方公告《Introducing a Voluntary Exit Offer》页面。图源：微软官方博客（图：IT之家）

📐 换算一下

6万是什么概念？全球22.3万微软员工，每4个里就有1个会收到这封邮件。那钱呢？微软上季度资本支出410亿美元，同比涨了约七成，这个季度的指引还要到500亿美元——折合每天约4.5亿美元、差不多32亿元人民币，全砸向机房和芯片。一边是每天32亿的机房账单，一边是四分之一员工的离职邀请；这两笔账，其实是一本账。

微软数据中心冷通道，一名运维人员站在机柜过道。图源：微软官方数据中心页面

🔍 差异背后的逻辑

三家答案不同，底层逻辑是同一条：把钱从"人的预算"挪去"算力的预算"。差别在手法。亚马逊、Meta是动刀，快，但要付舆论代价；Meta多做了一步，把7000人挪进AI团队，等于赌"自己人能转身"；微软选了最体面的一种——不点名、不强制，走的人拿钱，留的人自己掂量。体面的另一面是效率：用自愿代替强制，公司不用背裁员的名声，还能顺手筛掉那些本来就在犹豫的人。

🧭 我的站队

我的判断只有一条：看一家公司把AI当"替代人的成本"，还是当"人的杠杆"。前者的信号很统一——预算往机房走，编制往冻结走，招聘页越翻越旧，然后给你一封"贴心"的离职邀请，让你以为是自己想走；后者的信号是钱花在培训和内部转岗上，像Meta那7000人调岗，好歹给了条转身的路。所以别听发布会上的AI演示，看这两笔钱各去了哪：机房和培训的比例，就是这家公司的AI态度。这封邮件里也有句实话——会帮留下的人"学习新技能、寻找内部新岗位"；但销售和部分工程团队压根不在名单里，体面是分部门的。已经在名单上的，把补偿条款逐条算清再签；不在名单上的，也别急着庆幸，先看自家招聘页还挂不挂新岗位。

⚠️ 泼冷水

三盆。第一，6万是"收到邀请的人数"，不是裁员人数；公司自己预计，真正接受的会比上一轮还少——今年那轮8750人符合，只有三成多点头。第二，微软公开说过：这不是裁员的替代品，也没把裁员排除在外。第三，本周三微软就发财报，AI投入到底有没有开始回报，那张表才是裁判；在那之前，"AI挤压预算"还只是叙事。（以上均为官方口径与公开财报数字，未经证实的传闻我不写）

AI预算不是凭空来的，
是从人的预算里挪出来的。

—— 帮你把AI用得明明白白

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。