基于 2026-06-01 14:59 语音转文字稿整理

写在最前

一场 AI 基建投资实习面试，48 个问题。

复盘下来核心问题不是”不会说”，而是”说得太泛”——面试官一直在把问题从行业判断往技术细节、财务概念、课程基础三个方向压：

液冷追到冷板 / 浸没 / 热交换的区别，再到浸没式泄漏怎么处理
电力追到 AI UPS 与传统 UPS 的差异
光通信追到为什么不用铜缆
课程追到 OLTP / OLAP、特征值、MSE、QKV、KV Cache、IQR、ROE

这一篇用问答形式还原全场，**重点是”哪里答得不够”**，并把每一类问题应有的回答方式记下来。

一、本次面试暴露的 5 大不足

#	不足	典型问题
1	AI 基建表述混着说	没分清训练 / 推理，把功耗、机架、KV cache 一起说
2	技术细节答不上	浸没式泄漏、UPS 高负载技术需求、铜缆 vs 光模块都答不出
3	简历技术词讲不出机制	LoRA 只说”低成本微调”，没讲 low-rank；IQR 规则忘了
4	课程基础不熟	特征值、MSE、OLTP/OLAP、K-means、KV cache 答不全
5	财务指标顺序乱	ROE 一开始答成”利润除以收入”；营业利润到净利润答不全

二、面试 48 问 × 当时回答（完整 Q&A）

图例：✅ 答得还行｜ ⚠️ 答得不够｜ ⛔ 答错 / 答不上

#	面试官问题	我当时的回答	评价
1	能听到吗？	可以，可以。	✅
2	先介绍一下自己。	老师好，我是周济睿，现在就读于上海交通大学大数据管理与应用专业，学积分前 10%。主修课程包括经济学、回归分析、中级微观经济学和中级宏观经济学等。过去在国泰海通证券做投资策略实习，参与 AI 行业研究，搭建过 token 研究框架，拆解 AI 从训练成本转向推理成本的结构，也找过液冷和电力系统等潜在投资赛道；同时搭建了策略周报 agent，把周报数据更新流程缩短约 80%。在科尔尼战略咨询实习期间，做过新能源专利池和东南亚电力市场研究。	✅
3	今年是大三是吧？	对，我马上就要大三，现在是大二下学期。	✅
4	所有项目和实习经历里，最想聊哪一个？	聊 AI 方向研究：2020-2023 年 AI 投资主线是看谁有更多 GPU；2026 年五大厂商 AI 基建资本开支 6500 亿美元，2025 年是 3800 亿；AI 训练机架功耗从 2023 年 10kW 提升到 2025 年 120kW。	⚠️ 把”训练”和”推理”数据混着说
5	咱讨论的是推理还是训练？	训练，训练。	⛔ 自己都没分清
6	继续。	功耗提升让空气冷却不太可行，液冷成为更有潜力的投资赛道。美国水务公司 ECL 在 2026 年 3 月以 47 亿美元收购一家美国私人企业，收购价约 29 倍前瞻 EBITDA。	✅ 案例好
7	是什么的 29 倍？	是它的前瞻 EBITDA。	✅
8	正常市场上这个倍数大概应该是多少？	普通产业基础倍数 0-10 倍，潜力产业 10-20 倍。29 倍非常夸张。	⚠️ 太粗，”0-10 / 10-20”是拍脑袋的数
9	什么东西是它的 29 倍？	它的收购价格。	✅
10	继续。	AI 基建价值链：应用 → GPU 计算层 → 网络互联、液冷散热 → 电力设备、水冷。	⚠️ 层级没讲清，缺”训练 vs 推理”维度
11	液冷打算采用浸没式吗？浸没式有前景吗？还是其他方式？	三个方向相对看好：冷板式、浸没式、热交换器。	⛔ 冷板式本身就是热交换式的一种，分类错误
12	浸没式怎么解决潜在泄漏问题？一台服务器 600 万美元，怎么解决？	这个确实是我之前做研究时没有考虑到的，对于技术方面实际跟踪还是比较有限。	⛔ 直接承认”没考虑过”
13	热交换式和冷板式的本质区别在哪里？	了解得不特别多。	⛔
14	介绍一下你对热交换式的理解。	水的比热容高，靠近芯片冷却，热交换把热量带走；冷板式把冷板贴 GPU 背后，冷却液管路流动直接冷却。	⚠️ 答得不清晰，没说”二次换热” vs “一次换热”
15	电力设备里面哪些细分赛道比较有机会？	AI 持续不间断运行，需要 UPS、备用发电机。	✅
16	AI 所用 UPS 和传统 UPS 的区别是什么？	AI 数据中心密度提升，UPS 需要承受更大瞬时负载，更高负载承受能力。	⚠️ 只答了”功率更大”，没讲电池、拓扑、储能耦合区别
17	更高负载会带来哪些技术需求？	不太了解。可能涉及高压直流、更模块化、UPS + 储能结合。	⛔ 技术细节 0 输出
18	网络传输这一块具体指哪些细分市场？	光通信。	✅
19	光通信具体是哪一类？	光模块、光学收发器。	⚠️ 概念没对齐——“光学收发器”≈”光模块”，重复
20	光学收发器指的是？	先说光模块：用于 GPU-交换机、交换机-交换机；现在 400G，AI 数据中心向 800G 发展。光学收发器支持更高带宽、更低功耗、更高密度。	⚠️ 概念重复 + 没解释光模块 vs AEC 铜缆
21	为什么用光模块？不能用铜线吗？	光信号可能出错概率会更低一点。	⛔ 本质答错——光的核心优势是距离 + 带宽 + 抗干扰，不是”出错率”
22	你的本科主修课程没有写很多大数据管理相关课程？	大数据管理更偏统计和运筹；偏代码课程是机器学习、回归分析。	✅
23	OLTP 和 OLAP 的区别学过吗？	课内不特别了解。OLAP 是 Online Analytical Processing。OLTP 管业务运行，OLAP 管经营分析。	⛔ 大概念都知道，机制答不全
24	为什么要分成两种？	OLTP 管具体业务（查订单、更新库存），OLAP 偏宏观聚合，不太关心单条数据实时修改。	⚠️ 答得浅
25	为什么不能在 OLTP 模式下做分析？	OLTP 上做分析会拖慢整体读写，因为 OLTP 更强调快速、准确、实时。	⚠️ 没答到行存 vs 列存、索引结构这些根因
26	为什么分析会拖慢读写速度？	因为它是整行整行存出来的。	⛔ 行存 ≠ 慢——根因是锁竞争 + 索引失效 + 大量随机 IO
27	解释一下 eigenvalue。	中文叫特征值、特征向量，大一上内容，记不太清。	⛔ 完全没答
28	管理科学主要学什么？	线性规划、非线性规划、整数规划、排队模型。运筹学导论。	✅
29	回归分析里 MSE 怎么算？	单样本误差平方 (yᵢ - ŷᵢ)²，加总后除以总样本量。	⚠️ 答对但没提”为什么除以 n 而非 n-1”，没提与 RMSE、MAE 区别
30	大语言模型公司了解哪些？	没具体拆解。看过 Cursor、Agent、DeepSeek。	⚠️ 缺头部公司分类（基础模型 / 应用 / 基础设施）
31	讲一下 Transformer 里面 Q、K、V 的区别。	Q=query，K=key，V=value。K 是 index/标签，V 是内容。分开是为了 match 和 select。	✅
32	了解过 KV caching 吗？	不太了解。可以理解为 token 缓存。输入/缓存/输出 token 计费差异大。缓存大影响上下文窗口、batch、显存。	⚠️ 没答到注意力矩阵复杂度从 O(n²) 降到 O(n)、显存换时间
33	数学建模竞赛里提到用 IQR 清洗数据，说一下什么是 IQR。	和 25% / 50% / 75% 分位数有关。具体规则忘了。	⛔ 公式答不出：IQR = Q3 - Q1，异常值阈值 Q1-1.5IQR / Q3+1.5IQR
34	说一下 K-means。	无监督聚类。随机选 K 个中心 → 计算距离分组 → 重新生成中心 → 迭代收敛。	✅
35	碳交易时序神经网络模型里做了 LoRA 金融微调，细讲一下。	喂入金融语料、碳交易语料防幻觉；只改少量可训练参数。	⚠️ 没讲low-rank 矩阵 A、B、ΔW = BA
36	这个调整和 LoRA 的关系是什么？	当时说的时候有点取巧，主要强调低成本，没有完全重构训练。项目里没体现 low-rank 的具体设计。	⛔ 自己承认简历写得不扎实
37	资产周转率怎么算？	总收入 / 总资产。	✅
38	ROE 怎么算？	一开始说成”利润除以收入”，后来意识到是净资产收益率 = 净利润 / 平均股东权益。	⛔ 第一反应答错
39	从收入开始，需要减掉哪些东西最终得到净利润？	减营业成本 → 减税 → 减销售、研发等费用。	⚠️ 顺序乱、漏非经营性损益、漏所得税独立步骤
40	从收入减掉什么得到毛利？	减营业成本。	✅
41	从毛利减掉什么得到营业利润？	再减去具体费用，得到最终利润。	⛔ “具体费用”是销售/管理/研发/财务四项费用，没说全
42	营业利润和净利润的区别是什么？	营业利润到净利润之间，还要考虑公允价值变动损益、资产减值损失等。	⛔ 漏所得税、漏少数股东损益、漏营业外收支的分类
43	你有什么要问我们的？	更关注如果加入贵公司，平常更多会做什么内容？快速扫描赛道 vs 其他？	✅
44	怎么区分”专业领域知识复现”和”大概的行业扫描”？	之前看到公司投了金盘科技，比较好奇投资是基于什么考量。	✅
45	你问投资规模？	问整体投资规模、团队决策规模。	✅
46	一年会跟进几个项目扫描？	追问一年大概跟进多少项目扫描。	✅
47	你想看哪个垂直行业？	AI 方向。AI 可算一个大的垂直行业，关注 AI 与其他领域结合。	✅
48	—	后续补问。	✅

统计：48 问中，✅ 19 个，⚠️ 14 个，⛔ 15 个。近三分之一问题答错或答不上。

三、按主题复盘：每一类问题，我哪里答错了，应该怎么答

3.1 AI 基建表述：训练 vs 推理

我的问题：把训练和推理的数据混着说，被面试官反问”咱讨论的是推理还是训练”才反应过来。

正确表述：

训练侧：强调集群规模、GPU 互联、功耗密度、液冷需求、网络拓扑。液冷、电力、高带宽光模块、PCIe/CXL 都是为训练集群服务的。
推理侧：强调请求量、延迟 (Latency)、吞吐 (Throughput)、成本、KV cache 显存、单卡利用率。推理对功耗/液冷没有训练那么敏感，但对网络延迟、单卡算力、利用率极敏感。

关键句：一句**”AI 基建 ≠ GPU”**开头，再分训练和推理两条线讲。

3.2 液冷分类：自己都搞混了

我的问题：把”冷板式 / 浸没式 / 热交换器”三者并列。冷板式本身就是热交换的一种。

正确分类：

维度	冷板式	浸没式	喷淋式
冷却液与芯片接触	间接（冷板接触芯片）	直接（浸泡）	直接（喷淋）
二次换热	冷板 → CDU → 冷却塔	冷却液 → CDU → 冷却塔	冷却液 → CDU → 冷却塔
泄漏风险	中	高（一次侧全浸）	中
维护	容易	难	中

浸没式泄漏问题（被问到没答出）：

二次侧隔离设计：电子部分与冷却液完全密封
绝缘冷却液：介电常数低、击穿电压高
压力/温度/液位传感器：实时监测，泄漏立即报警
冗余 CDU：单点故障不影响运行

3.3 UPS 与传统 UPS 的差异

我的问题：只答了”承受更大瞬时负载”，被追问”具体技术需求”答不上。

正确答案要点：

维度	传统 UPS	AI 数据中心 UPS
功率密度	0.5-1 kW/U	2-5 kW/U
拓扑	工频塔式	高频模块化（高频化、小型化）
储能	铅酸	锂电池（更高能量密度、更长寿命）
响应时间	10-20 ms	< 5 ms
与电网耦合	单一供电	光储直柔 (PEDF)，含光伏、储能、柔性直流
监控	本地	远程预测性维护

3.4 为什么用光模块不用铜缆（最基础但答错）

我的错误回答：”光信号可能出错概率会更低一点。”

正确逻辑：

维度	铜缆 (DAC/AEC)	光模块
传输距离	< 3 m (DAC) / < 5 m (AEC)	100 m - 80 km
带宽上限	800G 已是极限	1.6T、3.2T 在研
功耗	短距离低	长距离低（短距离不分胜负）
抗电磁干扰	弱	强
线缆体积/重量	粗重	细轻
成本	短距离便宜	长距离便宜

关键句：短距离铜缆也行，但带宽、距离、功耗一起涨时铜缆就是瓶颈；光模块是工程上的必然选择。

3.5 课程基础：OLTP/OLAP、特征值、MSE、IQR、K-means

题目	正确答案（要点）
OLTP vs OLAP	OLTP = 行存 + 事务 + 高并发短查询；OLAP = 列存 + 复杂分析 + 大批量扫描。两者不能在同一个数据库，因为行存跑分析慢、列存跑事务慢。
为什么 OLTP 跑分析慢	行存读整行 + 锁竞争 + 索引失效 + 大量随机 IO，不是”整行整行存出来”那么简单。
特征值	A·v = λ·v，方阵 A 的特征向量 v 经线性变换仍沿原方向，缩放因子 λ 是特征值。在 PCA、PageRank、解微分方程中都是核心。
MSE	MSE = (1/n) Σ(yᵢ - ŷᵢ)²。除以 n 是无偏估计的前置；除以 (n-1) 是样本方差。RMSE = √MSE，与 y 同量纲。MAE 更抗异常值。
IQR	IQR = Q3 - Q1。异常值 = 低于 Q1 - 1.5·IQR 或高于 Q3 + 1.5·IQR。源自 Tukey boxplot。
K-means	步骤：① 选 K 个初始中心（K-means++ 优化）；② 按距离分到最近中心；③ 用簇内均值更新中心；④ 收敛（中心不再变 / 达到 max_iter）。前提是球形簇、特征量纲统一。

3.6 大模型机制：Q/K/V 答对，KV cache 答不出

Q/K/V（已答对）：Q=query 是当前 token 的查询；K=key 是序列里所有位置的索引；V=value 是对应位置的内容。Attention = softmax(QKᵀ/√d)·V。

KV cache（没答出）：

机制：推理时，第 t 个 token 的 Attention 要看前 t-1 个 token 的 K、V。每次都重算太贵，把历史的 K、V 缓存下来直接用。
效果：计算量从 **O(n²) 降到 O(n)**，单 token 延迟大幅下降。
代价：显存线性增长（长上下文时 KV cache 占用甚至超过权重本身）。这也是为什么有 PagedAttention、KV cache 量化、KV cache 共享等优化方向。

3.7 LoRA：简历上写过但没讲机制

我的回答：”低成本微调”。**面试官追问”和 LoRA 的关系是什么”，我承认”项目里没体现 low-rank 的具体设计”**。

正确答案：

冻结预训练模型的原始权重 W ∈ ℝ^(d×k)
在 W 旁边加两个低秩矩阵 A ∈ ℝ^(d×r) 和 B ∈ ℝ^(r×k)，其中 r ≪ min(d, k)
训练时只更新 A、B，权重更新 ΔW = BA
推理时可以把 BA 合并回 W，不增加推理成本

为什么能 work：预训练权重主要分布在低秩子空间，所以低秩近似就够用。

3.8 财务指标：顺序、定义、对应项都乱

正确推导链（一定要能背）：

营业收入
  − 营业成本
  = 毛利
  − 销售费用
  − 管理费用
  − 研发费用
  − 财务费用
  ± 其他经营收益 (投资收益、公允价值变动...)
  = 营业利润 (Operating Profit)
  + 营业外收入
  − 营业外支出
  = 利润总额 (EBT)
  − 所得税
  = 净利润
  − 少数股东损益
  = 归母净利润

指标	公式	备注
ROE	净利润 / 平均股东权益	杜邦三因子：净利率 × 周转率 × 杠杆
ROA	净利润 / 平均总资产
资产周转率	营业收入 / 平均总资产	反映资产效率
毛利率	(营收 − 营业成本) / 营收
净利率	净利润 / 营收

四、面试官画像与”被问穿”规律

这次面试官风格：顺着简历关键词一层层打穿。

提到”AI 基建”→ 追训练/推理；
提到”液冷”→ 追冷板/浸没/泄漏；
提到”光通信”→ 追光模块/铜缆；
提到”LoRA”→ 追 low-rank；
提到”IQR”→ 追 Q1/Q3/1.5·IQR；
提到”ROE”→ 追公式 + 杜邦分解。

应对原则：每个关键词至少准备三层——

是什么（定义、分类）
为什么有用（解决了什么问题、有什么 trade-off）
被追问时技术细节是什么（公式、机制、案例数据）

五、补强清单（按优先级）

24 小时内必须重记

财务指标完整链：收入 → 毛利 → 营业利润 → 利润总额 → 净利润 → 归母净利润，每一步加减项能背
ROE / ROA / 资产周转率公式 + 杜邦三因子
液冷分类：冷板 vs 浸没 vs 喷淋的接触方式、二次换热、泄漏控制
为什么光模块不用铜缆：距离 / 带宽 / 功耗 / 抗干扰四维度
AI UPS vs 传统 UPS 差异：功率密度、拓扑、储能、响应时间

1 周内补齐

训练 vs 推理分线表述（每个细分赛道明确属于哪一侧）
LoRA low-rank 机制（ΔW = BA、r 取值、推理合并）
KV cache 机制（O(n²) → O(n)、显存换时间）
OLTP vs OLAP：行存 / 列存 / 锁竞争 / 索引失效
特征值、MSE、IQR、K-means：定义 + 公式 + 适用场景

持续机制

简历上每一个关键词都建三层笔记
每周一次”被追问 10 分钟”自测（请朋友随机问细节）
整理个人 Anki 牌组：定义卡 / 公式卡 / 机制卡

六、行动 Checklist

□  财务三表推导链（背到肌肉记忆）
□  液冷分类 + 浸没式泄漏控制
□  UPS + 光模块 + 铜缆 基础四件套
□  训练 vs 推理 两条线 + 各自 KPI
□  LoRA / KV cache / QKV 机制笔记
□  OLTP/OLAP / 特征值 / MSE / IQR / K-means 速记
□  简历关键词三层结构（定义/价值/细节）
□  Anki 牌组 + 每周自测

写在最后

这场面试的真正价值不是”挂了”，而是让我看见了简历和真实能力的 gap。

简历能写”参与 LoRA 微调”，但面试官多问一句”low-rank 怎么体现”就崩——这不是知识问题，是对自己写过的东西不熟的问题。

下一场前：把简历上每个词都问三遍自己。