AI时代的职业建议

philhchen 发布于 2026-07-04 阅读 144

作者结合自身在Helm AI、Scale AI、OpenAI、Google等公司的经验,提出AI时代下职业发展的六点建议:聚焦真正有限的资源(时间、人脉、声誉);学会发现问题而非仅解决问题;致力于问题的最激进形式;冲刺最后一英里(细节迭代);同时提高期望进球(xG)和效率;以及现在可以进入研究领域。核心观点是,AI能解决定义明确的问题,因此人类的价值在于发现重要问题并分配资源。

图像

AI 模型在你能为其编写损失函数的任何任务上都会变得更好,而学校基本上就是损失函数:根据已知答案评分的明确定义的问题。因此,未来十年有价值的工作,是那些无法在模型训练期间评分的事情。

在我六年的工作中,很幸运能与来自各种规模公司的出色同事合作,从自己的初创公司,到 Helm AI(15→50 全职员工)、Scale AI(500→1500 全职员工)、OpenAI(1500→3000 全职员工)和 Google(100,000+ 全职员工)。作为创始人,我花了很多时间思考如何为公司现在和未来招聘合适的人才。因为我们完全以 Agent 原生方式运作,所以我们的需求与以往任何一家公司都大不相同。

对于有动力、有抱负、处于职业生涯早期的个人,我现在对于未来十年哪些技能有价值有了更清晰的认识。我给出并接受过很多职业建议,虽然许多著名的格言仍然适用(比如登上火箭船,别问坐哪个座位),但由于 Agent 编码的兴起,很多事情已经改变。以下内容既有仍然正确的事情,也有新的观点。

1. 专注于真正有限的资源

在加入 Scale 之前,我收到过量化交易公司的 offer,它们提供更高的保底现金,但我决定加入 Scale,因为我对那里的社区以及能接触到 Scale 各种产品和应用的机会感到兴奋。通过 Scale,我接触到了 LLM 推理提供商,进而获得了 DeepMind 和 OpenAI 的机会。我还结识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。如今,Scale 带来的独特人脉和学习机会,远比我当时从量化交易公司获得的额外现金更有价值。

现在获取资本比以往任何时候都容易得多。但真正的时间和与他人的深厚关系仍然稀缺。在以往相关领域中证明的卓越表现仍然是最高信号,所以我的具体建议是:花时间做好工作,并确保其他有声望且同样做好工作的人知道你的成果。坚持不懈地优先安排自己的时间,无论你是在学习、做项目还是实习,都要专注于你觉得有意义的问题。借助 vibe-coding,很容易找到赚快钱的机会,但当你寻找真正的价值时,收获通常要大得多。

时间、人际关系和声誉:这些才是真正需要关注的有限资源。

2. 学会在解决问题之外发现问题

为了在众多候选人中筛选出有潜质的人,我们深入思考了在 Agent 原生公司工作的工程师今天需要哪些技能。既然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似乎与实际工作表现的相关性不大。最终,我们设计了一系列面试,衡量一个人能多快理解其所处的环境,识别出值得解决的问题,然后在现有环境的约束下着手解决这些问题。

最重要的技能将是与问题选择和资源分配相关的技能。日益强大的 Agent 能够处理复杂的、明确定义的问题,因此最有影响力的人将是最擅长识别重要问题,然后分配 token 和时间来解决问题的人。

我看到一种趋势:学生们因为 Agent 能解决他们所有的作业题而感到沮丧。但根据我面试的经验,候选人在到达解决方案所需的时间和 token 数量上,表现仍然参差不齐。优秀的候选人在与 Agent 协作时,通常会带来高层次直觉和外部背景知识。

具体来说,我们给予高评价的候选人已经沉浸到解决问题的环境中,要么来自他们自己的热情项目,要么来自有意义问题多于人员数量的高增长公司。

3. 致力于问题最雄心勃勃的形态

过去十年,研究中最有用的思维框架之一是“苦涩的教训”:通用方法的规模最终会超越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。因为构建软件现在变得更加容易,任何人都能相对轻松地构建简单系统。只有通过极度专注于真正雄心勃勃的问题,才能建立真正持久的价值。

在选择公司方面,建议很简单:评估这家公司是否在解决其问题最雄心勃勃的形态,然后评估他们是否真的有机会解决这个问题。在选择角色时,思考这个角色是否能让你直接从事公司正在解决的前沿问题。

4. 冲刺最后一英里

对于初创公司,Alfred Lin 有一篇很棒的文章,讲述了最后 10% 既代表 90% 的工作,也代表 90% 的回报。AI 使结果两极分化,因为中位结果就是 Agent 用一个粗糙的 prompt 所能产生的东西。因此,价值来自于对一小部分问题提供独特视角,或者来自于对细节的关注。

学会在最后一英里完美执行需要练习和专注。没有什么是第一次尝试就能完美的,所以最后一英里往往关乎迭代。由于编码 Agent 的进步如此迅速,通常更好的做法是从之前的迭代中学习,然后直接使用新一代的智能从头开始。在自己的项目中练习这一点。主动多花一点时间在打磨、整洁的架构、可扩展性或创造性上。我确实在那些这样做的候选人身上看到了效果。

5. 提高 xG 和效率

在足球中,xG(预期进球)是一项衡量球队根据机会本应得多少分的指标,考虑了距离、角度、守门员位置等。效率则是这些机会的相对转化率。

xG 和效率的类比对我自己的职业生涯来说相当准确。2023 年,我拒绝了 Anthropic(当时约 50 名全职员工)和 Cursor(当时 2 名非创始人全职员工)的 offer,因为我想到 DeepMind 做前沿模型推理和训练。2024 年,我再次同时拒绝了这两个 offer,去 OpenAI 工作。这些其他的机会从职业角度看都是高 xG 的选择,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,机会来了又去。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让 ASI 解决,以及分配资本解决这些问题方面具有差异化的能力。

并非每个机会都能转化为进球,但站在正确的位置看到机会是进球的第一步。这又回到了声誉和专业知识。Cursor 的机会之所以出现,是因为我在与 Michael 和 Aman 的熟人网络中声誉良好;Anthropic 的机会则是因为我一直在投入专业和个人时间在那个团队感兴趣的问题上。

在某种程度上,生活是关于进球,而不仅仅是看到机会,因此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决定,但更希望当时能花更多时间收集数据来为决策提供信息。

从根本上说,选择早期公司主要是关于团队和市场。今天许多候选人会执着于现有的产品,但如果团队优秀,产品几乎总会演变成非常不同的东西。对我而言,Anthropic 最初的演示是一个比 ChatGPT 还差的 Slack 机器人。

6. 你现在就可以进入研究领域

最近,我收到了很多人关于如何进入研究领域的提问。我之前的同事 Vlad 是 Gemini 团队的主管,他写了一篇很棒的文章分享他的看法。

现代研究在算力更充裕的情况下更容易进行,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。我以前同事 @kellerjordan0 公布的公共优化排行榜也提供了很好的平台,可以在更结构化的环境中探索想法。

许多计算提供商,如 Modal,为学术用户提供计算积分。使用它们,现在就探索你的想法。大多数想法最终会在规模化时失败,理解这些失败是真正理解有效方法的第一步。

最终,我认为成为研究者是一种心态,而不是一种职业。前沿实验室研究员的大部分工作是:足够好奇以探索新想法,与基础设施作斗争来实现想法,极其细致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算力。即使你不在前沿实验室,也可以完成所有这些工作。

结语

这个世界仍然充满机遇。解锁这些机遇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。

  • 原文链接: x.com/philhchen/status/2...
  • 登链社区 AI 助手,为大家转译优秀英文文章,如有翻译不通的地方,还请包涵~

相关文章

0 条评论