下个月加入@openai!

看到人们对Alisa分享经历的帖子反应后，我也写下了一些在研究科学家求职过程中希望提前知道的、令人意外的事情：https://t.co/vyFV6lYpWD

研究科学家求职中令人意外的教训

来源：https://yongzx.github.io/blog/2026/06/24/job-search/ 最近有两篇博客文章，分别来自Alisa (https://alisawuffles.github.io/blog/job-search/) 和 Silvia (https://silviasapora.github.io/blog/ml-interviews.html)，她们都是计算机科学博士生，分享了如何准备并进入OpenAI和Google DeepMind等前沿实验室的经历。我强烈推荐这两篇文章。在看到了Twitter上的反应 (https://x.com/ewveggies/status/2069211279366185027?s=20) 后，我想分享一个不同的视角：在我自己的研究科学家求职过程中，那些让我感到意外的事情。

我写这篇文章主要面向两类读者：

1. 计算机科学博士毕业生——可能像我一样，花了5-6年时间写作多篇研究论文，现在正在寻找工业界的机会。
2. 申请全职职位的人工智能安全研究员。

免责声明：本文撰写过程中未使用任何大语言模型。

个人经历

我是布朗大学的五年级博士生。我的求职经历有点非传统，因为在博士最后一年我进行了一些研究方向上的调整。

2025年秋季，我在申请多语言和人工智能安全方向的职位，但收到的多是多语言/后训练方向的研究科学家机会。这是因为我的研究组合中缺少核心人工智能安全方面的工作。

期间我意识到，由于我们正接近AGI/ASI，人工智能安全领域有许多重要方向需要立即关注，因此我决定完全转向人工智能安全研究。于是在获得Astra Fellowship (https://constellation.org/programs/astra) 后，我决定暂停求职几个月，专注于做好这个Fellowship，以便让自己更有资格获得高影响力的人工智能安全职位。为此，我拒绝了已有的录用机会，并将毕业推迟到2027年。

在Fellowship接近尾声时，我重新开始求职，但进展比我原先设想的要混乱一些。我原本计划在6月完成Fellowship，将工作整理成论文，然后才开始面试（意味着要到7月才正式启动）。然而，由于时间上的原因 (https://yongzx.github.io/blog/2026/06/24/job-search/#fn:timing) 以及对名额的担忧，我在5月中旬左右就开始面试，并在6月中旬之前拿到了让我满意的录用通知。实际上，我退出了部分正在进行中的面试，甚至没有机会充分探索其他选项。

总体而言，我很高兴事情顺利解决了，这样我就不必处理经费问题（因为推迟了毕业）和持续求职带来的焦虑（至少短期内是如此）。言语无法表达我对所有在过程中支持过我的人的感激之情。

意外发现1：求职过程中，只有一两篇论文真正重要。

根据Alisa的博文 (https://alisawuffles.github.io/blog/job-search/) 和网上的反应，也许很多人已经知道面试（例如LeetCode）可能与你所做的研究工作无关。

我更进一步：在求职过程中，只有一两篇论文真正重要。有时甚至一篇都不需要，我完全是凭现场解决团队问题的能力来被评估的。

根据我的经验，论文的作用主要有两个：

1. 拿到入场券。 我做过让团队感兴趣的工作，或者我的论文展示了团队正在寻找的某种专长，于是我被放进面试流程中。也就是说，我仅仅通过了门槛，被正式考虑为候选人。
2. 深入讨论。 这通常发生在研究展示或研究讨论环节，我会介绍一篇工作的动机和细节。有时这样的展示可能只有20分钟。

所以从某种程度来说，发文数量除了建立可信度之外并没有太大作用。就我而言，我的多语言研究论文数量远超人工智能安全论文——但因为我转向了人工智能安全研究，那些工作对面试结果没有任何影响，包括我获得最佳论文奖的论文。

这实际上让人松一口气，因为这意味着你可以随时转向你认为有影响力的新领域，并且如果你在该领域展示了足够的专长、团队想要你，你仍然能拿到心仪的录用通知。另一方面，这也意味着你需要跟上领域的发展，因为过去的成功对获得新机会的帮助较小。

意外发现2：面试环节五花八门。

我原本以为面试会类似于应届软件工程师的面试（例如LeetCode题目和行为面试），再加上一些关于大语言模型/深度学习的技术环节。

而且我认为面试环节是标准化的——我相信Alisa和Silvia的博客也给人这种印象。

令人意外的是，我在求职过程中遇到了系统设计以及并行编程（例如使用 asyncio 实现并发操作）的问题。我还了解到有些面试环节会评估你使用AI代理的能力。总而言之，教训是：你总得准备一些“意外题目”和多样化的面试环节。

意外发现3：工作试工。

这对我来说完全是新鲜事。在Alisa的博文中看到这个时我也很惊讶，因为我原以为工作试工只常见于人工智能安全职位。显然，它在人工智能初创公司中也越来越普遍。

工作试工完全不同于现场面试——你不需要飞到公司参加多个连续的面试环节；相反，你会与团队合作解决一个任务。有时任务可能相当开放。

这些工作试工通常是有报酬的，但让我惊讶的是，有些现场试工可能持续长达一周。

对我而言，进行工作试工会让我很难为其他公司的面试做准备，因为我必须全力以赴完成当前的任务，没有精力同时准备其他公司的面试。如果你同时面试多家公司并且周转时间很短，这一点需要特别注意。

意外发现4：时间因素很重要。

在当前就业市场上，时间因素起着重要作用。

例如，去年秋季，与强化学习相关的职位相比，找到人工智能安全职位异常困难。但现在，有更多初创公司提供人工智能安全相关的机会（例如Lila和Mechanize）。

关于时间因素如何影响全职职位搜索，有几个讨论点：

1. 你的工作突然爆火，很多机构对你的工作产生兴趣并想招募你。你可能被时间节点打个措手不及，此时最好的做法是利用这个时机，通过面试。
2. 你的研究领域变得更加热门。这与我上面提到的人工智能安全例子有关。可以认为总体机会更多了。职位申请窗口可能短至一个月，也可能持续几个月，因为公司正在扩张。
3. 名额限制。这一点你应该向招聘人员询问，特别是如果你计划推迟面试，或者在做同时面试多家公司的总体规划时。
4. “爆炸式录用通知”。如果你遇到这种情况，请求其他公司加快面试进程。不要惊讶于一天之内要连续进行三场面试，而准备时间只有不到一天。

要求稍晚开始面试是合理的（比如你可以推迟到一两个月后），但通常一旦开始面试，各轮之间的间隔会很短。另一个相关提示是：有些职位期望你在未来一两个月内到岗，不过入职日期可以协商。

意外发现5：实习转正录用机会很少。

与软件工程职位不同（实习转正通常是常态），研究职位的转正情况因具体情况而异。

例如，2024年我在Meta实习期间，全职转正录用很罕见，完全取决于名额和团队。我的许多朋友都没有拿到。而我在OpenAI的Astra Fellowship结束后，仍然需要像其他申请者一样经历全部面试环节才能进入OpenAI。

我听说有些其他组织面试流程更简化；例如，如果团队匹配成功，可能只需要再经过一两轮面试。

这对我来说是个意外，因为我当时正从能力研究（多语言）转向安全方向，我以为安全相关的面试会占据整个面试流程的大头。这种印象在Astra Fellowship期间（由于Constellation内部频繁讨论人工智能安全）被进一步强化了。

但事实并非如此。

实际上，我遇到了很多与人工智能安全完全无关的环节，更不用说与我的研究兴趣相关了。我相信这段经历与Alisa和Silvia分享的类似（尽管她们从事的是其他AI领域）。在少数几家机构中，我仍然感觉自己被当做全能的AI研究者来评估。我认为这有其道理（例如领域发展迅速，考察基础很重要等），但我原本期望人工智能安全相关问题的比例更高，因为在我看来这是一个紧迫的研究课题，而且它仍然是一个相当小众的领域。也许对于更高级别的职位，我的面试体验会有所不同。

对于安全研究人员： 如果对你有帮助，我合写了一份LessWrong帖子 (https://www.lesswrong.com/posts/dvsFfGuXXyHYkyifp/tips-for-cracking-the-ai-safety-technical-interview-1)，关于安全特定环节的内容，但请做好被问到各种问题的准备。

我推荐的阅读资源（2026年）：

以下是我可以担保的、关于如何为求职市场做准备的材料。

1. Nathan Lambert – Thoughts on the job market in the age of LLMs (https://www.interconnects.ai/p/thoughts-on-the-hiring-market-in)
2. Alisa Liu – Notes on the Industry Job Search (https://alisawuffles.github.io/blog/job-search/)
3. Silvia Sapora – ML Job Interviews: The Ultimate Guide (https://silviasapora.github.io/blog/ml-interviews.html)