夜雨聆风前言
最近有一篇 AI 时代职业建议的文章「Career advice in the age of AI 」，在社区非常火，被大量转发，作者是 Phil Chen。
Phil Chen 的履历很有意思。六年时间，从自己的创业公司到 Helm AI、Scale AI、OpenAI、Google，待过的公司从 15 人跨越到 10 万人以上。现在他自己创业，公司完全以 AI Agent 为核心运作：没人手写代码，一切由 agent 驱动。
他提了六条建议，我读完最大的感受是：表面上在讲职业选择，底层都在说同一件事，AI 能做的事越来越多，但"决定做什么"这件事，依然是人的优势。
稀缺资源：不是钱，是时间、关系和声誉
Phil 讲了一段自己的经历。
去 Scale 之前，他拿过另一个 offer，保底现金比 Scale 高得多。但他选了 Scale，看中的是社区氛围和能接触到的各种产品。通过 Scale，他接触到了大模型推理服务商，这才有了后来去 DeepMind 和 OpenAI 的机会。当年在 Scale 认识的一群同事，现在形成了一个创始人圈子。
Access to capital is far easier now than ever before. Access to real time and strong relationships with other humans is still rare.
这句话是整篇文章最重要的判断之一。现在拿钱比以前容易太多，但真正接触到优秀的人、跟他们建立深度关系，这件事依然稀缺。
他给的路径很具体：花时间把活干好，并让那些也在干好活、有口碑的人知道你在干什么，两者缺一不可。还有一个容易被忽略的点：无情地保护你的时间，不管上学、做项目还是实习，只做你觉得有意义的事。vibe coding 的时代，赚快钱的机会满地都是，但真正找对方向的回报通常大得多。
发现问题：识别该做什么，比会做更重要
这是 Phil 花最多篇幅讲的一条，也是他在自己公司面试时最看重的东西。
The most important skills will be the ones related to problem selection and resource allocation.
他的逻辑很清晰：既然没人手写代码了，传统的 LeetCode 刷题、甚至系统设计题，跟实际工作表现已经没什么关系。他设计的面试流程只衡量三件事：能不能快速理解环境，能不能识别出值得解决的问题，能不能在现有约束下把问题解决掉。
更有意思的是他对学生的观察。很多学生因为 AI 能做完所有作业而感到沮丧，觉得自己的技能不值钱了。但 Phil 在面试中发现，不同人在"花多少时间、用多少 token 才能搞定"这件事上，差距依然巨大。厉害的候选人带着高层次的直觉和外部上下文来跟 AI 协作，不是只会写 prompt。
他的结论很直白：评价高的候选人，要么泡在自己热情驱动的项目里，要么待过高增长公司，那种问题比人多的环境。
选公司：苦涩的教训也适用于职业选择
Real, durable value only gets built with extreme focus on truly ambitious problems.
Phil 把 Rich Sutton 著名的"苦涩的教训"从技术路线选择延伸到了职业选择。扩大通用方法的规模，最终会打败针对特定任务的优化。选公司和选问题同理。
现在做软件的门槛极低，谁都能搭出简单系统。正因如此，真正的、持久的价值只能来自对真正野心勃勃的问题的极度专注。不是什么都能做，而是只做最难的那个版本。
选公司的标准他给了两步：先看这家公司是不是在解决"这个问题最野心勃勃的版本"，再看他们是不是真有机会搞定。选岗位同理：这个岗位能不能让你直接站在公司所解决问题的前沿。
最后一公里：AI 拉高了及格线，价值在细节和视角
这条引用了 Alfred Lin 的一篇文章，核心观点很扎人：
The last 10% is both 90% of the work and 90% of the reward.
AI 把结果的分布拉得更极端了。为什么？因为"中位数水平"就是一个潦草 prompt 能产出的东西。及格线被大幅抬高，光做到 80 分不值钱了。价值的来源只剩两个方向：对某一类问题有独特视角，或者对细节死磕到底。
Phil 还提了一个反直觉的做法：很多时候直接从上一轮提取经验，然后用下一代智能从头开始重做。因为 AI 工具进步太快，修修补补不如重来。练这个能力的方法也很简单：在自己的项目里主动多花一点时间在打磨、干净架构、可扩展性上。他说他确实看到了差别：做过这些的候选人，跟没做过的，差距很明显。
xG 和效率：创造机会和抓住机会是两件事
Phil 用足球做了一个比喻，我觉得是整个文章最有意思的框架。
xG（预期进球数）衡量你创造的机会有多好。效率衡量你能把多少机会转化成进球。职业发展也是这两件事，很多人只关注怎么创造更多机会，但临门一脚的效率同样重要。
他用自己的经历举了例子。2023 年拒绝了 Anthropic（当时约 50 人）和 Cursor（当时只有 2 个非创始人员工），去了 DeepMind。2024 年又拒绝了这两家，去了 OpenAI。放弃的都是高 xG 的机会，但他选择的标准是兴趣、文化契合度、目标是否匹配。不是只看机会大小，也看自己能不能踢进去。
Not every opportunity will materialize into a goal, but being in the right position to see the opportunities is the first step to scoring goals.
能看见机会的前提是站在对的位置。这又回到了声誉和专业能力。Cursor 的机会来自共同朋友的好评价，Anthropic 的机会来自他在职业和个人时间都投在了对方感兴趣的问题上。都不是运气，是积累的结果。
但他也坦承做得不够好的地方：希望当时花了更多时间去收集信息来做判断。选早期公司这件事，他说的很直白：本质上是选人和选市场。很多候选人死盯着现有产品做判断，但如果团队够好，产品几乎总会演化成跟当初完全不同的东西。Anthropic 最早给他的 demo 就是个 Slackbot，当时用起来还不如 ChatGPT。
做研究不需要门槛：研究者是心态，不是职业
Being a researcher is a mentality, not an occupation.
Phil 说前沿实验室里研究员的大部分工作，无非是几件事的组合：足够好奇去探索新想法，跟基础设施搏斗把想法实现出来，深入理解整个系统排查问题，以及把结果的价值讲清楚以争取更多算力。这些事，不进前沿实验室也能做。
他给的起步路径很具体：直接用模型，把你自己的直觉蒸馏成评估标准；用公开排行榜在结构化环境里探索想法；用 Modal 之类算力提供商给学术界的免费额度去跑实验。关键不是你在哪，是你在干什么。
收尾
六条建议讲完，底层的逻辑其实只有一句话：AI 能解的问题越来越多，但"什么是值得解的问题"这件事，人依然是不可替代的判断者。
选问题、选人、选方向、把细节做好、抓住临门一脚、保持研究者的好奇心。这些能力没有一条是 AI 能替你做的。
