AI浪潮中的职业生存法则

AI 模型在各类能够定义损失函数的任务上持续进化，而传统教育体系恰好与此高度吻合：明确的问题、标准的答案。因此，未来十年真正有价值的岗位，将出现在那些难以用现有标准衡量的领域。

过去六年，我有幸与不同规模企业的精英共事：从自创公司，到 Helm AI（15→50 人）、Scale AI（500→1500 人）、OpenAI（1500→3000 人），以及 Google（10 万人+）。作为创始人，我大量思考了企业当前和未来的招聘需求。由于我们是一家完全基于 Agent 的企业，需求与此前任职的公司截然不同。

对于有追求的上进青年，我对未来十年真正值得培养的技能有了更深的认知。我分享和接受过许多职业建议，尽管经典智慧仍然有效（例如「登上火箭比座位更重要」），但 Agentic Coding 的崛起已改变了许多游戏规则。以下是依旧适用的原则，以及新出现的变局。

加入 Scale 前，我拿到了量化金融的高薪邀请，但我最终选择了 Scale，因为那里的团队氛围和接触多元产品与应用的机会深深吸引了我。通过 Scale，我进入了 LLM 推理领域，随后获得了 DeepMind 和 OpenAI 的橄榄枝，也结识了一群志存高远的伙伴，他们如今已是 Scale 系创始人社群的核心。今天，Scale 赋予我的人脉和学习机遇，远比那份高薪对我的人生影响更深远。

现如今获取资金比历史上任何时期都简单，但高质量的真实人脉始终稀缺。过往在相关领域的可验证成就仍是最有力的证明。因此我的建议是：踏踏实实做出出色的成果，让那些同样务实且受人敬重的人了解你的工作。

要坚决把时间用在刀刃上——无论在学业、项目还是实习中，都聚焦于对你真正重要的课题。在「vibe-coding」时代，赚快钱的机会比比皆是，但真正的硕果通常源自对真实价值的追寻。

时间、人脉和声誉——这些才是真正稀缺的资产，值得全力投入。

为了在海量候选人中筛选出精英，我们深入思考了 Agent 时代工程师真正必备的能力。既然代码编写已完全交给机器，传统的 LeetCode 题目乃至系统设计考核都与实际工作表现的相关性大幅下降。最终，我们设计了一套面试流程，用来评估候选人能否迅速摸清环境、发现值得攻克的问题，并在现有条件下有效执行解决方案。

最核心的技能将是问题筛选和资源调配。强大的 Agent 已能handle复杂且定义明确的任务，因此最具影响力的人，将是那些最擅长发现关键问题、合理分配 token 和时间去解决它们的人。

我看到许多学生因 Agent 能完成所有作业而焦虑不安。但根据面试经验，候选人在「需要多少时间和 token 才能达成目标」上仍然差异悬殊。出色的候选人往往能提供高层级洞察和外部背景知识，赋能与 Agent 的协作。

具体而言，我们高度认可的候选人，都曾主动深入问题解决的情境——要么来自个人热爱项目，要么来自高速成长的企业（那里永远有做不完的有价值课题）。

过去十年，学术界最实用的思维框架之一是「苦涩的教训」（Bitter Lesson）：scale 通用方法最终会超越针对特定任务的精调。这个洞见同样适用于问题筛选和企业选择。

企业和职业发展始终遵循幂律分布，而 AI 加速了这一进程。由于软件开发门槛急剧降低，任何人都能相对轻松地搭建简单系统。真正可持续的价值，只能来自对真正宏大问题的极致专注。

选择企业时，建议很直接：评估这家公司是否在以最大胆的方式解决问题，以及他们是否真正有机会攻克它。选择岗位时，要看这个角色能否让你直接站在企业所解决问题的最前沿。

关于初创公司，Alfred Lin 有篇精彩文章指出「最后 10% 的工作耗费 90% 的精力，却带来 90% 的回报」。AI 让结果更加两极化，因为中位数产出不过是 Agent 用一个随意 prompt 就能搞定的东西。因此，价值来自独特的洞察，或是对细节的极致追求。

学会在最后一公里高效交付，需要练习和专注。初次尝试不可能完美，最后一公里往往就是迭代的过程。由于编码 Agent 的进化日新月异，通常更明智的做法是总结前次迭代的得失，用新一代智能从零开始重建。

在自己的项目中锻炼这一点：主动多投入时间在打磨、清晰的架构、可扩展性或创新上。我在面试中能明显感受到，那些下过这种功夫的候选人表现优异。

在足球领域，xG（expected goals）衡量的是根据机会（距离、角度、守门员位置等）预期能攻入多少球。效率则是这些机会的转化率。

这个比喻与我个人的职业轨迹高度吻合。2023 年，我婉拒了当时仅约 50 人的 Anthropic 和仅有 2 名非创始员工的 Cursor，因为我希望在 DeepMind 从事前沿模型的推理和训练工作。2024 年，我再次拒绝了他们，转而加入 OpenAI。这些备选在职业 xG 上都很亮眼，但我最终选择了与我的兴趣、文化契合度和目标更匹配的企业。

职业生涯很漫长，机会此起彼伏。我不认为 ASI 会取代所有知识工作，因为人类在「为 ASI 筛选有意义的问题」和「调配资本去攻克这些问题」上拥有差异化能力。

不是每个机会都能转化为进球，但首先要站在能看到机会的位置。这又回到了声誉和专业能力。Cursor 的机会来自我和 Michael、Aman 的共同朋友对我的认可；Anthropic 的机会则来自我长期在他们团队关注的问题上的持续投入（无论工作还是个人层面）。

人生某个阶段就是关于「进球」，而不仅仅是「看到机会」，所以门前的效率同样重要。回顾自己的决策，我认为很多选择是明智的，但希望当时能花更多时间收集数据来支撑决策。

选择早期企业，核心还是看团队和市场。许多候选人现在过于关注现有产品，但如果团队出色，产品几乎总会演变成截然不同的形态（Anthropic 最早的 demo 只是一个比 ChatGPT 还简陋的 Slackbot）。

最近我收到很多关于「如何进入研究领域」的咨询。我的前同事 Vlad 是 Gemini 团队的负责人，他写了篇很棒的文章分享他的见解。

现代研究因算力充裕而更容易入门，最佳起点是运用这些模型，将自己的直觉转化为评估指标。我的前同事 @kellerjordan0 公开的优化排行榜也是探索想法的绝佳结构化场所。

许多算力提供商（如 Modal）会给学术人员提供免费额度。现在就开始运用它们，验证你的想法吧。大多数想法最终在规模化时都会碰壁，而理解这些失败正是建立「什么真正有效」认知的第一步。

归根结底，我相信研究者是一种心态，而非一种职业。前沿实验室里的研究工作，大部分是：足够好奇去探索新想法、与基础设施搏斗来实现想法、极度深入理解整个系统以高效调试，以及清晰表达结果的价值以争取更多算力。你完全可以在没有进入前沿实验室的情况下做到这一切。