人工智能浪潮下的职业生存指南

AI 模型会在任何你能为其写出损失函数的事情上变得更强，而学校里大多数事情本质上都是损失函数：定义清晰的问题，并根据已知答案来评分。因此，未来十年真正有价值的工作，是那些无法在模型训练周期内被评分的事情。

在我 6 年的工作经历中，我很幸运与来自各种规模公司的优秀人才合作过：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）和 Google（10 万+名全职员工）。作为创始人，我会花很多时间思考，哪些人适合公司当下和未来的招聘需求。由于我们是一家完全智能体原生的公司，我们的需求与我过去工作过的任何公司都非常不同。

对于有动力、有野心、处于职业早期的人来说，我现在对未来十年哪些技能有价值有了更清晰的看法。我给过也接受过很多职业建议，虽然许多著名格言依然成立（比如什么“火箭船起飞时别问坐哪个座位”之类的），但由于智能体式编程的兴起，很多事情已经发生了变化。下面是那些依然成立的东西，以及一些新的变化。

在加入 Scale 之前，我拿到过量化岗位的 offer，保证现金收入要高得多，但我最终选择了 Scale，因为我对那里的社区，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，这后来带来了我在 DeepMind 和 OpenAI 的机会。我还结识了许多同样有抱负的同事，如今他们构成了一个来自 Scale 的创始人社区。今天来看，Scale 带给我的独特人脉网络和学习机会，对我人生的贡献远远超过了当时量化岗位能多给我的那部分现金。

如今，获得资本比以往任何时候都容易。真正的时间，以及与其他人建立牢固关系的机会，仍然稀缺。过往相关经历中被证明的卓越表现，依然是最高信号。因此，我的具体建议是：把时间花在做出优秀成果上，并确保这些成果被其他同样做出优秀工作、值得信任的人看见。要极其严格地安排你的时间，让你无论是在学校、项目还是实习中，都专注于那些你认为有意义的问题。借助 vibe-coding，找到一些能快速赚点钱的机会很容易，但如果你寻找的是真正的价值，回报通常会大得多。

时间、关系和声誉：这些才是真正值得你投入注意力的稀缺资源。

为了在海量候选人中找到信号，我们深入思考了：在一家智能体原生公司里，工程师今天真正重要的技能是什么。既然没有人再手写任何一行代码，传统 Leetcode 风格的问题，甚至系统设计问题，似乎都与实际工作表现不太相关。最终，我们设计了一系列面试，用来衡量一个人能否快速理解自己所处的环境，识别值得解决的问题，并在既有环境的约束下执行并解决这些问题。

最重要的技能，将是与问题选择和资源分配相关的能力。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，将是那些最擅长识别重要问题，并将 token 和时间分配到解决这些问题上的人。

我看到一种趋势：很多学生因为智能体能解出他们所有的习题集而感到沮丧。但根据我的面试经验，不同候选人在到达解决方案所需的时间和 token 数量上，表现差异仍然非常大。优秀候选人通常会在与智能体协作时，带来高层次直觉和外部背景信息。

具体来说，我们给出高评价的候选人，通常都曾沉浸在解决问题的环境中，要么来自他们自己的热情项目，要么来自那些快速增长、且有意义的问题数量超过人手数量的公司。

过去十年，研究领域最有用的思维框架之一是“苦涩的教训”：扩展通用方法最终会胜过针对特定任务的优化。这个教训同样适用于选择问题和选择公司。

公司和职业发展的结果一直都符合幂律分布，但 AI 加速了通向这些结果的进程。由于构建软件现在变得容易得多，任何人都可以相对轻松地搭建简单系统。真正持久的价值，只能通过极度专注于真正有野心的问题来创造。

在选择公司时，这里的建议很简单：评估这家公司是否在解决其问题中最有野心的那个版本，然后再判断它是否真的有机会解决这个问题。在选择岗位时，思考这个岗位是否能让你直接参与到公司正在解决的问题前沿。

对于创业公司，Alfred Lin 有一篇很棒的文章，讲的是最后 10% 如何既是 90% 的工作量，也是 90% 的回报。AI 让结果变得更加两极分化，因为中位数结果就是一个智能体在潦草提示词下能产出的东西。因此，价值来自于你能否对某一类问题提供独特视角，或能否对细节投入足够关注。

学会把最后一公里执行好，需要练习，也需要专注。没有什么东西第一次就完美，所以最后一公里往往意味着迭代。由于编码智能体的进步非常快，很多时候更好的做法是吸收前几轮迭代中的经验，然后直接用下一代智能从零开始。你可以在自己的项目中练习这一点。主动多花一点时间打磨品质、清理架构、提升可扩展性，或加入创造力。我确实在候选人身上看到了这样做带来的影响。

在足球中，xG（expected goals，预期进球）是一个衡量指标，用来根据一支球队在比赛中的机会，估计它预期能进多少球，同时考虑距离、角度、守门员位置等因素。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 offer（当时约 50 名全职员工）和 Cursor 的 offer（当时只有 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，我又再次拒绝了这两家公司，选择去 OpenAI 工作。从职业角度看，这些替代机会本来都有很高的 xG，但我最终选择了更符合我的兴趣、文化契合度和目标的公司（双关一下）。

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，仍然拥有差异化能力。

并不是每个机会都会转化成进球，但站在正确的位置看到机会，是进球的第一步。这再次归结为声誉和专业能力。Cursor 的机会来自于我在 Michael 和 Aman 的共同熟人圈中拥有不错的声誉；Anthropic 的机会则来自于我一直在把职业和个人时间投入到他们团队感兴趣的问题上。

到了某个阶段，人生关乎的是进球，而不只是看到机会，所以门前效率也很重要。回头看我做过的决定，我认为自己做出了很多正确选择，但我本希望当时能花更多时间收集数据，以支持我的决策。

从根本上说，选择早期公司主要看团队和市场。如今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 demo 是一个 Slackbot，对我来说比 ChatGPT 还差。

最近，我收到很多人询问如何进入研究领域。我的前同事 Vlad 是 Gemini 团队的一位负责人，他写过一篇关于这个问题的优秀文章，分享了他的观点。

现代研究在有更多算力时更容易开展，但一个很好的起点，是使用模型，并把你自己的直觉提炼成评测。我的前同事 @kellerjordan0 推广的公开优化排行榜，也为在更结构化的环境中探索想法提供了很好的论坛。

许多算力提供商，比如 Modal，都会为学术人士提供额度。现在就去使用它们，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，是建立对什么真正有效的认知的第一步。

归根结底，我认为研究员是一种心态，而不是一种职业。前沿实验室中研究员的大部分工作，是以下几件事的混合：保持足够的好奇心去探索新想法；与基础设施搏斗，以实现这些想法；极其细致地理解整个系统，以便高效调试问题；并清晰表达结果的价值，以争取更多算力。即使你不在前沿实验室，也可以做所有这些事。

这个世界依然充满机会。解锁这些机会的关键，是专注于发现有趣的问题，并交付非凡的结果。如果这对你有吸引力，欢迎联系，我们很愿意与你共事。