来自前OpenAI&DeepMind研究员的独家分享：AI 时代的职业建议

来自前OpenAI&DeepMind研究员的独家分享：AI 时代的职业建议 来自前OpenAI&DeepMind研究员的独家分享：AI 时代的职业建议 Modified Yesterday 原帖链接：https://x.com/philhchen/status/2072793818945167475 AI 模型在任何你能写出损失函数的事情上表现得更好，而学校里的大部分内容本质上都是损失函数：定义清晰的问题，对照已知答案进行评分。因此，未来十年真正有价值的工作，会是那些无法在模型训练周期内被评分的事情。 过去 6 年工作中，我很幸运和许多优秀的人合作过，他们来自不同规模的公司：从我自己的创业公司，到 Helm AI（15→50 名全职员工），Scale AI（500→1500 名全职员工），OpenAI（1500→3000 名全职员工），再到 Google（10 万+ 名全职员工）。作为创始人，我花了很多时间思考什么样的人适合公司现在和未来的招聘需求。因为我们是一家完全智能体原生的公司，所以我们的需求和我过去工作过的任何公司都很不一样。 对于那些有动力、有野心、处在职业早期的人，我现在对未来十年哪些技能真正有价值有了更清晰的看法。我给过也收到过很多职业建议，虽然许多著名格言仍然成立，比如“如果有人邀请你登上火箭船，别问坐哪个座位”，但由于智能体式编程的兴起，很多事情已经改变了。下面是仍然成立的部分，以及一些新的变化。 1. 专注于真正稀缺的资源 加入 Scale 之前，我拿到过量化公司的录用邀请，其保证的现金报酬要高得多，但我最终选择了 Scale，因为我对那里的人群、社区，以及接触 Scale 各类产品和应用的机会感到兴奋。通过 Scale，我接触到了 LLM 推理服务商，这进一步带来了 DeepMind 和 OpenAI 的机会。我也认识了许多有野心的同事，他们现在组成了一个来自 Scale 的创始人社区。今天来看，Scale 带给我的独特人脉和学习机会，对我人生的贡献远远超过了当初量化工作能多给我的现金。 获取资本如今比以往任何时候都容易得多。真正的时间，以及与其他人建立强关系的机会，依然稀缺。过去在相关事情上被证明过的卓越表现，仍然是最有力的信号。因此，我的具体建议是：花时间做出好工作，并确保那些本身也在做出好工作、值得信任的人知道它。无情地优先排序你的时间。无论你在做学校任务、项目还是实习，都要把注意力放在你认为有意义的问题上。凭感觉让 AI 写代码，很容易找到一些能快速赚点钱的机会，但当你寻找真正价值时，奖赏通常会大得多。 时间、关系和声誉：这些才是真正值得投入注意力的稀缺资源。 2. 学会发现问题，而不仅仅是解决问题 为了在众多候选人中找到合适的人才，我们深入思考了在以智能体为核心的公司工作的工程师如今需要具备哪些关键技能。鉴于现在没人会手动编写代码，传统的力扣风格问题，甚至系统设计问题，都显得与实际工作表现不相关。最终，我们设计了一系列面试环节，用以衡量候选人能否迅速理解所处的环境，识别值得解决的问题，然后在现有环境的约束下执行解决这些问题的方案。 最重要的技能会与问题选择和资源分配有关。越来越强大的智能体能够处理复杂且定义清晰的问题，因此，最有影响力的人会是那些最擅长识别重要问题，并分配 token 和时间去解决它们的人。 我看到一个趋势：学生因为智能体可以解完他们所有习题集而感到沮丧。但在我的面试经验中，候选人在到达解法所需要的时间和 token 数量上，表现仍然差异巨大。优秀候选人通常会把高层直觉和外部上下文带入他们与智能体的协作中。 具体来说，我们给出高评价的候选人，通常都让自己沉浸在解决问题的环境里：要么来自他们自己的热情项目，要么来自那些有意义的问题数量多于人手的高增长公司。 3. 做一个问题最有野心的版本 在过去十年里，研究领域最有用的思维框架之一就是“苦涩教训”：扩展通用方法最终会胜过针对特定任务的优化。这一教训同样适用于选择问题和公司。 公司和职业发展一直呈现幂律分布的结果，但AI加速了向这些结果迈进的步伐。由于现在开发软件变得容易得多，任何人都能相对轻松地构建简单系统。真正持久的价值只有通过极度专注于真正有挑战性的问题才能创造出来。 选择公司时，这里的建议很简单：评估公司是否正在以最具雄心的方式解决问题，然后再看他们是否真的有机会解决这个问题。选择职位时，要考虑这个职位是否能让你直接参与公司正在解决的问题的前沿工作。 4. 冲刺最后一公里 对于创业公司，Alfred Lin 写过一篇很好的文章，讲了最后 10% 即是 90% 的工作，又是90% 的回报。AI 让结果两极分化，因为中位数结果就是一个智能体在粗糙提示词下能产出的东西。因此，价值来自于你对某一类问题的独特视角，或者你对细节的关注。 学会在最后一公里把事情执行好，需要练习，也需要专注。没有任何东西第一次就完美，所以最后一公里往往关乎迭代。由于编码智能体的进展太快，很多时候更好的做法是吸收前一轮迭代中的经验，然后用下一代智能从头开始。用你自己的项目练习这件事。主动多花一点时间在打磨、干净的架构、可扩展性或创造力上。我确实在候选人身上看到了这样做带来的影响。 5. 同时提高 xG 和效率 在足球里，xG，也就是预期进球，是一个衡量指标：它会根据机会、距离、角度、守门员位置等因素，估计一支球队在比赛中预期能进多少球。效率则是这些机会的相对转化率。 xG 和效率这个类比，用在我自己的职业生涯上相当准确。2023 年，我拒绝了 Anthropic 的录用邀请（当时大约 50 名全职员工）和 Cursor 的录用邀请（当时有 2 名非创始人全职员工），因为我想在 DeepMind 做前沿模型推理和训练。2024 年，我又再次拒绝了它们，去了 OpenAI。这些替代机会从职业角度看都有很高的 xG，但我最终选择了更符合自己兴趣、文化匹配度和目标的公司，这里也顺便玩了一个“进球”的双关。 职业生涯很长，机会来来去去。我不认为 ASI 会在知识工作岗位上取代所有人类，因为人类在为 ASI 选择有意义的问题，以及为解决这些问题分配资本方面，仍然有差异化能力。 并不是每个机会都会变成一个进球，但站在正确位置看见机会，是进球的第一步。这仍然回到声誉和专业能力。Cursor 的机会之所以出现，是因为我在 Michael 和 Aman 的共同联系人中有不错的声誉；Anthropic 的机会之所以出现，是因为我一直在把职业时间和个人时间都投入到他们团队感兴趣的问题上。 到了某个阶段，人生关乎进球，而不只是看见机会，所以门前效率也很重要。回看自己的决定，我认为自己做对了很多选择，但我会希望自己当时花更多时间收集数据，用来支持决策。 从核心上看，选择早期公司主要看团队和市场。今天很多候选人会锚定在现有产品上，但如果团队足够好，产品几乎总会演化成非常不同的东西。Anthropic 最初的演示是一个 Slack 机器人，在我看来它还不如 ChatGPT。 6. 你现在就可以进入研究 最近，我收到了很多关于如何进入研究领域的问题。我以前的同事 Vlad 是 Gemini 团队的一位负责人，他写了一篇非常好的文章，分享了他在这方面的看法。 现代研究在算力更多时更容易开展，但一个很好的起点是使用现有模型，并把你自己的直觉提炼成评测。我以前的同事 @kellerjordan0 公开的公共优化排行榜，也为你在更结构化的环境中探索想法提供了很好的场域。 许多算力服务商，比如 Modal，会为学术人员提供额度。现在就使用它们，去探索你的想法。大多数想法最终都会在规模化时失败，而理解这些失败，是建立“什么真正有效”这类判断力的第一步。 归根到底，我相信研究员是一种心态，而不是一种职业。前沿实验室里研究员的大部分工作，是几件事的混合：足够好奇，愿意探索新想法；和基础设施搏斗，把想法实现出来；以极深细节理解整个系统，从而高效调试问题；清楚表达结果的价值，以争取更多算力。即便不在前沿实验室，你也可以做所有这些事。 最后几点想法 这个世界依然充满机会。打开这些机会的关键，是专注于发现有趣的问题，并交付非凡的结果。如果这吸引你，欢迎联系我，我们很愿意和你一起工作。 很好的文章 Anthropic 的录用邀请 不认为 ASI 会在知识工作岗位上取代所有人类 非常好的文章 原帖链接：https://x.com/philhchen/status/2072793818945167475 原帖链接：https://x.com/philhchen/status/2072793818945167475 AI 模型在任何你能写出损失函数的事情上表现得更好，而学校里的大部分内容本质上都是损失函数：定义清晰的问题，对照已知答案进行评分。因此，未来十年真正有价值的工作，会是那些无法在模型训练周期内被评分的事情。 过去 6 年工作中，我很幸运和许多优秀的人合作过，他们来自不同规模的公司：从我自己的创业公司，到 Helm AI（15→50 名全职员工），Scale AI（500→1500 名全职员工），OpenAI（1500→3000 名全职员工），再到 Google（10 万+ 名全职员工）。作为创始人，我花了很多时间思考什么样的人适合公司现在和未来的招聘需求。因为我们是一家完全智能体原生的公司，所以我们的需求和我过去工作过的任何公司都很不一样。 对于那些有动力、有野心、处在职业早期的人，我现在对未来十年哪些技能真正有价值有了更清晰的看法。我给过也收到过很多职业建议，虽然许多著名格言仍然成立，比如“如果有人邀请你登上火箭船，别问坐哪个座位”，但由于智能体式编程的兴起，很多事情已经改变了。下面是仍然成立的部分，以及一些新的变化。 1. 专注于真正稀缺的资源 加入 Scale 之前，我拿到过量化公司的录用邀请，其保证的现金报酬要高得多，但我最终选择了 Scale，因为我对那里的人群、社区，以及接触 Scale 各类产品和应用的机会感到兴奋。通过 Scale，我接触到了 LLM 推理服务商，这进一步带来了 DeepMind 和 OpenAI 的机会。我也认识了许多有野心的同事，他们现在组成了一个来自 Scale 的创始人社区。今天来看，Scale 带给我的独特人脉和学习机会，对我人生的贡献远远超过了当初量化工作能多给我的现金。 获取资本如今比以往任何时候都容易得多。真正的时间，以及与其他人建立强关系的机会，依然稀缺。过去在相关事情上被证明过的卓越表现，仍然是最有力的信号。因此，我的具体建议是：花时间做出好工作，并确保那些本身也在做出好工作、值得信任的人知道它。无情地优先排序你的时间。无论你在做学校任务、项目还是实习，都要把注意力放在你认为有意义的问题上。凭感觉让 AI 写代码，很容易找到一些能快速赚点钱的机会，但当你寻找真正价值时，奖赏通常会大得多。 时间、关系和声誉：这些才是真正值得投入注意力的稀缺资源。 2. 学会发现问题，而不仅仅是解决问题 为了在众多候选人中找到合适的人才，我们深入思考了在以智能体为核心的公司工作的工程师如今需要具备哪些关键技能。鉴于现在没人会手动编写代码，传统的力扣风格问题，甚至系统设计问题，都显得与实际工作表现不相关。最终，我们设计了一系列面试环节，用以衡量候选人能否迅速理解所处的环境，识别值得解决的问题，然后在现有环境的约束下执行解决这些问题的方案。 最重要的技能会与问题选择和资源分配有关。越来越强大的智能体能够处理复杂且定义清晰的问题，因此，最有影响力的人会是那些最擅长识别重要问题，并分配 token 和时间去解决它们的人。 我看到一个趋势：学生因为智能体可以解完他们所有习题集而感到沮丧。但在我的面试经验中，候选人在到达解法所需要的时间和 token 数量上，表现仍然差异巨大。优秀候选人通常会把高层直觉和外部上下文带入他们与智能体的协作中。 具体来说，我们给出高评价的候选人，通常都让自己沉浸在解决问题的环境里：要么来自他们自己的热情项目，要么来自那些有意义的问题数量多于人手的高增长公司。 3. 做一个问题最有野心的版本 在过去十年里，研究领域最有用的思维框架之一就是“苦涩教训”：扩展通用方法最终会胜过针对特定任务的优化。这一教训同样适用于选择问题和公司。 公司和职业发展一直呈现幂律分布的结果，但AI加速了向这些结果迈进的步伐。由于现在开发软件变得容易得多，任何人都能相对轻松地构建简单系统。真正持久的价值只有通过极度专注于真正有挑战性的问题才能创造出来。 选择公司时，这里的建议很简单：评估公司是否正在以最具雄心的方式解决问题，然后再看他们是否真的有机会解决这个问题。选择职位时，要考虑这个职位是否能让你直接参与公司正在解决的问题的前沿工作。 4. 冲刺最后一公里 对于创业公司，Alfred Lin 写过一篇很好的文章，讲了最后 10% 即是 90% 的工作，又是90% 的回报。AI 让结果两极分化，因为中位数结果就是一个智能体在粗糙提示词下能产出的东西。因此，价值来自于你对某一类问题的独特视角，或者你对细节的关注。 很好的文章 学会在最后一公里把事情执行好，需要练习，也需要专注。没有任何东西第一次就完美，所以最后一公里往往关乎迭代。由于编码智能体的进展太快，很多时候更好的做法是吸收前一轮迭代中的经验，然后用下一代智能从头开始。用你自己的项目练习这件事。主动多花一点时间在打磨、干净的架构、可扩展性或创造力上。我确实在候选人身上看到了这样做带来的影响。 5. 同时提高 xG 和效率 在足球里，xG，也就是预期进球，是一个衡量指标：它会根据机会、距离、角度、守门员位置等因素，估计一支球队在比赛中预期能进多少球。效率则是这些机会的相对转化率。 xG 和效率这个类比，用在我自己的职业生涯上相当准确。2023 年，我拒绝了 Anthropic 的录用邀请（当时大约 50 名全职员工）和 Cursor 的录用邀请（当时有 2 名非创始人全职员工），因为我想在 DeepMind 做前沿模型推理和训练。2024 年，我又再次拒绝了它们，去了 OpenAI。这些替代机会从职业角度看都有很高的 xG，但我最终选择了更符合自己兴趣、文化匹配度和目标的公司，这里也顺便玩了一个“进球”的双关。 Anthropic 的录用邀请 职业生涯很长，机会来来去去。我不认为 ASI 会在知识工作岗位上取代所有人类，因为人类在为 ASI 选择有意义的问题，以及为解决这些问题分配资本方面，仍然有差异化能力。 不认为 ASI 会在知识工作岗位上取代所有人类 并不是每个机会都会变成一个进球，但站在正确位置看见机会，是进球的第一步。这仍然回到声誉和专业能力。Cursor 的机会之所以出现，是因为我在 Michael 和 Aman 的共同联系人中有不错的声誉；Anthropic 的机会之所以出现，是因为我一直在把职业时间和个人时间都投入到他们团队感兴趣的问题上。 到了某个阶段，人生关乎进球，而不只是看见机会，所以门前效率也很重要。回看自己的决定，我认为自己做对了很多选择，但我会希望自己当时花更多时间收集数据，用来支持决策。 从核心上看，选择早期公司主要看团队和市场。今天很多候选人会锚定在现有产品上，但如果团队足够好，产品几乎总会演化成非常不同的东西。Anthropic 最初的演示是一个 Slack 机器人，在我看来它还不如 ChatGPT。 6. 你现在就可以进入研究 最近，我收到了很多关于如何进入研究领域的问题。我以前的同事 Vlad 是 Gemini 团队的一位负责人，他写了一篇非常好的文章，分享了他在这方面的看法。 非常好的文章 现代研究在算力更多时更容易开展，但一个很好的起点是使用现有模型，并把你自己的直觉提炼成评测。我以前的同事 @kellerjordan0 公开的公共优化排行榜，也为你在更结构化的环境中探索想法提供了很好的场域。 许多算力服务商，比如 Modal，会为学术人员提供额度。现在就使用它们，去探索你的想法。大多数想法最终都会在规模化时失败，而理解这些失败，是建立“什么真正有效”这类判断力的第一步。 归根到底，我相信研究员是一种心态，而不是一种职业。前沿实验室里研究员的大部分工作，是几件事的混合：足够好奇，愿意探索新想法；和基础设施搏斗，把想法实现出来；以极深细节理解整个系统，从而高效调试问题；清楚表达结果的价值，以争取更多算力。即便不在前沿实验室，你也可以做所有这些事。 最后几点想法 这个世界依然充满机会。打开这些机会的关键，是专注于发现有趣的问题，并交付非凡的结果。如果这吸引你，欢迎联系我，我们很愿意和你一起工作。