夜雨聆风能写出损失函数的地方，AI 迟早都会做得比你好。而学校，几乎全是损失函数。真正值钱的能力，藏在无法被打分的地方。
编译说明：本文编译自 Phil Chen 的长文《Career advice in the age of AI》。作者曾在 Helm AI、Scale AI、OpenAI、Google 工作，现在经营一家"agent-native"（完全以 AI agent 为核心的）创业公司。以下用第一人称转述他的核心观点，为公众号阅读做了删减与重组。原文出处见文末。
一个让很多学生焦虑的判断
AI 模型有一个很朴素的规律：只要一件事能写出损失函数，模型早晚会做得越来越好。
所谓损失函数，就是"有明确题目、有标准答案、能对着答案打分"的问题。而学校里的东西，几乎全是这种——习题集、考试、算法题，本质都是拿你的答案去和已知答案比对。
顺着这个逻辑往下推，结论有点扎心：未来十年真正有价值的工作，恰恰是那些在模型训练周期内无法被打分的事。
我常看到学生因为"agent 能秒解我所有习题"而感到沮丧。但作为一个天天面试候选人的人，我想说：能不能解题早就不是分水岭了，怎么解、用多少时间和 token 解出来，才是。
下面是我这些年给出和收到过的职业建议里，哪些依然成立、哪些因为 agentic coding 的崛起而变了。
1. 把注意力放在真正稀缺的资源上
我加入 Scale 之前，手上有现金保底高得多的量化（quant）offer。但我最终选了 Scale——因为我看中的是那个社区，以及能接触到 Scale 各种产品和应用的机会。
事后回看，这个选择的回报远超那点现金差价：
通过 Scale，我接触到了 LLM 推理服务商，这直接牵出了后来 DeepMind 和 OpenAI 的机会； 我认识了一批同样野心勃勃的同事，如今他们组成了一个"Scale 系创始人"社群。
结论很简单：钱从来没有像今天这样容易获得。真正稀缺的，是高质量的时间、以及与优秀的人之间真实、牢固的关系。
在过往相关领域里被验证过的"做成过事"，依然是最高的信号。所以我的具体建议是：花时间把事情做好，并且让那些同样在认真做事、有声望的人知道你做成了什么。
在 vibe-coding（凭感觉快速搭东西）时代，找个赚快钱的机会太容易了。但真正的大奖，往往属于那些去寻找真实价值的人。
时间、关系、声誉——这才是你该死死盯住的三样稀缺资源。
2. 除了"解决问题"，更要学会"发现问题"
为了在成百上千的候选人里找到信号，我们认真想过：在一家没人再手写代码的公司里，工程师到底需要什么能力？
结论是：传统的 Leetcode 刷题、甚至系统设计题，都和真实工作表现几乎不相关了。
于是我们设计了一套新的面试，专门测量一个人能不能：快速理解自己被丢进去的陌生环境 → 识别出值得解决的问题 → 在现有约束下把它解决掉。
因为足够强的 agent 已经能啃下那些复杂但定义清晰的问题，所以最有影响力的人，是最擅长"挑出重要问题"、再把 token 和时间合理分配到这些问题上的人。
我面试时的一个真实观察：候选人解出题的能力差别不大，但达到答案所需的时间和 token 差距巨大。 表现最好的人，往往能给 agent 带来高层次的直觉和额外的上下文——而不是把提示词一甩就等 agent 干活。
那些被我们打高分的候选人，无一例外都长期泡在"真问题多到人手不够"的环境里——要么来自自己的热爱项目，要么来自高速成长的公司。
3. 去做一个问题"最有野心"的那个版本
过去十年，AI 研究里最有用的心智模型之一是 "苦涩的教训"（the bitter lesson）：从长期看，可扩展的通用方法，终将胜过针对具体任务的精巧优化。
这条教训同样适用于选问题、选公司。
公司和职业生涯的结果一直服从幂律分布，而 AI 只是把冲向这种两极分化结果的速度大大加快了。 因为搭软件的门槛骤降，人人都能轻松做出简单系统——正因如此，真正持久的价值，只会诞生在对"极具野心的问题"极度专注的地方。
所以选公司时，我的判断标准很朴素：
这家公司做的，是不是这个问题最有野心的那个版本？ 他们真的有机会解决它吗？
选岗位时也一样：想清楚这个角色能不能让你直接站在问题的最前沿。
4. 冲刺"最后一公里"
关于创业，Alfred Lin 有一个著名观点：最后的 10%，既是 90% 的工作量，也是 90% 的回报。
AI 让结果变得两极分化，因为"中位数结果"就是一个 agent 用潦草提示词能产出的东西。价值因此来自两个地方：对某一小块问题独到的视角，或者对细节的极致打磨。
想在最后一公里执行到位，需要练习，也需要专注。没有什么东西第一次就是完美的，所以最后一公里往往关乎迭代。
这里有个反直觉但很实用的经验：因为编码 agent 进步太快，很多时候与其在旧成果上修修补补，不如带着上一轮的经验，用下一代更强的智能从头再来一遍。
拿你自己的项目练手吧。主动多花一点时间在打磨、干净的架构、可扩展性或创意上。在候选人身上，这一点做没做，差别我看得清清楚楚。
5. 同时提升 xG 和转化效率
看球的朋友知道 xG（预期进球）：它根据一支球队获得的机会质量（距离、角度、门将站位……）来估算这场比赛该进几个球。而转化效率，是你把这些机会真正踢进的比率。
这个类比套在我自己的职业选择上意外地准确：
- 2023 年
，我拒掉了 Anthropic（当时约 50 人）和 Cursor（当时只有 2 名非创始员工）的 offer，因为我想去 DeepMind 做前沿模型的推理和训练； - 2024 年
，我又一次拒掉了这两家，去了 OpenAI。
这些被我拒掉的机会，从职业角度看每一个都是高 xG。但我最终选的，是那些更契合我的兴趣、文化和目标的公司。
我不相信 ASI（超级人工智能）会取代所有知识工作——因为人类拥有一种差异化能力：为 ASI 挑选值得解决的有意义问题，以及分配资本去解决它们。
但光看见机会不够，人生最终是要"进球"的，所以临门一脚的效率同样重要。
值得一提的是：早期公司的核心，永远是团队和市场，而不是它当下的产品。很多候选人死盯着现有产品判断一家公司，可只要团队够好，产品几乎一定会演化成完全不同的样子——Anthropic 最早给我演示的 Demo，是一个还不如 ChatGPT 好用的 Slack 机器人。
复盘我自己的这些决定，我觉得多数是对的，唯一的遗憾是：当初应该花更多时间收集数据，再来做决定。
6. 现在，普通人也能入门研究了
最近很多人问我怎么进入 AI 研究领域。我的答案是：门槛比你想的低得多。
现代研究确实算力越多越好办，但一个很好的起点是：用起这些模型，把你自己的直觉沉淀成一套评测（evaluation）。 公开的优化排行榜也提供了一个更结构化的试验场。
很多算力平台（比如 Modal）会给学术研究者发放额度。现在就用起来，去验证你的想法。 大多数想法最终会在规模化时失败，而理解这些失败，正是搞懂"什么才真正有效"的第一步。
我最想传递的一句话是："研究者"是一种心态，而不是一个职位。
前沿实验室里研究员的日常工作，无非是这几件事的混合：保持足够的好奇心去探索新想法、跟基础设施死磕把想法实现出来、对整个系统了如指掌以便高效 debug、以及清晰地讲清结果的价值来争取更多算力。
这些事，你不进前沿实验室也照样能做。
写在最后
这个世界依然充满机会。解锁它们的钥匙，是专注于寻找有趣的问题，并交付非凡的结果。
能被标准答案打分的能力正在快速贬值；而"选择做什么问题""把最后一公里做到极致""积累真实的关系与声誉"这些无法被打分的东西，正变得前所未有地值钱。
参考资料
Career advice in the age of AI — Phil Chen — 本文全部观点与案例均编译自这条长推文
