AI时代下的职业建议

AI模型在你所能定义损失函数的任何任务上都表现越来越好，而学校本质上就是损失函数：根据已知答案评判有明确定义的问题。因此，未来十年最有价值的工作，是那些在模型训练周期内无法被评判的一切。

在我6年的工作经历中，我很幸运地与来自各种规模公司的优秀同事合作过，包括我自己的创业公司、Helm AI（15→50人）、Scale AI（500→1500人）、OpenAI（1500→3000人）和Google（10万+人）。作为一名创始人，我花了很多时间思考，为了公司现在和未来，应该招聘什么样的人。由于我们完全是智能体原生的，我们的需求与我以前工作过的任何公司都截然不同。

对于有动力、有抱负、处于职业早期的个人来说，我现在对哪些技能在未来十年是有价值的有了更清晰的认识。我给过也收到过很多职业建议，虽然许多著名的格言仍然正确（比如“上火箭船，别管座位在哪”），但由于智能体编程的兴起，很多情况已经发生了变化。以下是一些依然正确的道理，以及新出现的变化。

1. 专注于真正有限的资源

在加入Scale之前，我收到了量化交易公司提供的、保证现金更高的offer，但我决定加入Scale，因为我对它的社区以及接触其各种产品和应用的机会感到兴奋。通过Scale，我接触到了LLM推理服务提供商，这进而带来了我在DeepMind和OpenAI的机会。我也遇到了许多其他有抱负的同事，他们现在形成了一个来自Scale的创始人社区。今天，Scale带来的独特人脉网络和学习机会，对我人生的贡献远远超过了我在量化交易公司可能获得的额外现金。

现在，获取资本比以往任何时候都更容易。但获得真实的时间和与他人的牢固关系仍然罕见。在过去相关领域中已被证明的卓越表现，仍然是最高信号。因此，我的具体建议是：花时间做好工作，并确保其他同样优秀且有信誉的人知道你做了什么。坚定不移地优先安排你的时间，这样无论你在做什么——学校、项目还是实习——你都要专注于你觉得有意义的问题。借助“氛围编码”，很容易找到快速赚钱的机会，但当你寻找真正价值时，回报往往要大得多。

时间、人际关系和声誉：这些才是真正有限的资源，值得你投入注意力。

2. 学习发现问题，而不仅仅是解决问题

为了在茫茫候选人中找到有潜力的信号，我们深入思考了对于一个智能体原生公司的工程师来说，今天哪些技能是重要的。鉴于没有人手动编写任何一行代码，传统的Leetcode风格问题，甚至系统设计问题，都与实际工作表现不太相关。最终，我们设计了一系列面试，来衡量一个人能否快速理解所处的环境，识别出值得解决的问题，然后在现有环境的约束下，执行解决这些问题的能力。

最重要的技能将是那些与问题选择和资源分配相关的技能。日益强大的智能体能够承担复杂、定义明确的问题，因此最有影响力的人将是那些最擅长识别重要问题，然后分配token和时间来解决这些问题的人。

我看到一种趋势，学生们因为智能体可以解决他们所有的习题集而感到沮丧。但根据我面试的经验，候选人在解决问题所需的时间和token数量上仍有很大差异。优秀的候选人通常会将高层次直觉和外部背景信息带入与智能体的协作中。

具体来说，我们评价高的候选人都会沉浸于解决问题的环境中——要么来自他们自己的兴趣项目，要么来自那些有意义的问题多于人手的高增长公司。

3. 致力于问题最具雄心的形式

在过去十年里，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。这个教训也适用于选择问题和公司。

公司和职业的成果一直遵循幂律分布，但AI加速了向这些成果迈进的步伐。因为现在构建软件变得容易得多，任何人都可以相对轻松地构建简单的系统。真正的持久价值，只有通过极度专注于真正雄心勃勃的问题才能建立。

选择公司时，这里的建议很简单：评估这家公司是否在致力于解决他们问题的最雄心勃勃的形式，然后再看他们是否真的有机会解决它。选择职位时，思考这个职位是否能让你直接从事公司所解决问题的最前沿工作。

4. 冲刺最后一英里

对于初创公司，Alfred Lin有一篇很棒的文章，讲的是最后10%既是90%的工作，也是90%的回报。AI两极化了结果，因为中等结果就是一个智能体通过一个草率的提示词就能产生的东西。因此，价值来自于对问题的一个独特视角，或对细节的关注。

学会在最后一英里良好执行，需要练习和专注。没有什么事情是一次就完美的，所以最后一英里往往关乎迭代。由于编程智能体的进步非常迅速，往往更好的做法是从之前的迭代中吸取教训，然后利用下一代智能体从零开始。在你自己的项目中练习这一点。主动多花一点时间打磨、优化架构、提升可扩展性或者增添创意。我确实看到，那些这样做了的候选人在面试中表现更佳。

5. 同时提高预期进球（xG）和效率

在足球中，xG（预期进球）是一个衡量球队在比赛中根据其机会预期能进多少球的指标，考虑了距离、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和效率的类比，在我的职业生涯中相当准确。2023年，我拒绝了Anthropic（当时约50人）和Cursor（当时2名非创始人全职员工）的offer，因为我想在DeepMind从事前沿模型推理和训练。2024年，我再次拒绝了这两个机会，去OpenAI工作。这些替代机会中的每一个，从职业角度来说都是高xG的，但我最终选择了更符合我兴趣、文化契合度和目标（双关语）的公司。

职业生涯很长，机会来来去去。我不相信ASI会取代所有知识工作岗位上的人类，因为人类在选择有意义的问题供ASI解决，以及分配资本来解决这些问题方面，有着独特的能力。

并非每个机会都会转化为进球，但处于正确的位置去发现机会，是进球的第一步。这再次归结于声誉和专长。Cursor的机会之所以出现，是因为我在Michael和Aman的共同朋友中口碑很好；Anthropic的机会则是因为我一直在投入职业和个人时间，研究对那个团队有吸引力的问题。

在某种程度上，生活是关于进球的，而不仅仅是看到机会，所以门前的效率也很重要。回顾我的决定，我认为我做了很多正确的选择，但更希望当时能花更多时间收集数据来为决策提供依据。

从本质上讲，选择早期公司主要是看团队和市场。许多候选人今天会锚定在现有的产品上，但如果团队很好，产品几乎总会演变成非常不同的东西。Anthropic最初的演示是一个Slack机器人，对我来说比ChatGPT还差。

6. 现在你可以进入研究领域了

最近，我从很多人那里收到了关于如何进入研究领域的问题。我以前在Gemini团队的同事Vlad，写了他对此的精彩见解，这里。

现代研究有更多计算资源会更容易，但一个很好的起点是使用模型，并将你自己的直觉提炼成评估标准。我前同事@kellerjordan0发布的公开优化排行榜，也为在更结构化的环境中探索想法提供了很好的平台。

许多计算提供商（如Modal）为学者提供信用额度。利用它们，现在就去探索你的想法。大多数想法最终在大规模运行时都会失败，理解这些失败是建立对什么真正有效这一认知的第一步。

最终，我认为成为一名研究者是一种心态，而不是一种职业。前沿实验室中研究者的工作，大多是混合了：足够好奇去探索新想法，与基础设施斗争来实现想法，极端详细地理解整个系统以高效调试问题，以及阐述结果的价值以获得更多计算资源。你不必非要在前沿实验室里，也能做到所有这些。

结尾思考

世界仍然充满机遇。解锁它们的关键是专注于发现有趣的问题并交付非凡的成果。如果这对你有吸引力，请联系我们，我们很乐意与你合作。