Phil Chen 在 OpenAI、DeepMind 和 Scale 从事研究与工程工作，构建了前沿 LLM，今天发布了一篇文章，《Career advice in the age of AI》觉得还是挺实际的，现在把部分中文摘出来，都是作者一路走来的思考和感悟。 AI 模型会在任何你能写出损失函数（搞AI的机器学习的数学的不用过多介绍，必修课）的问题上变得更强，而学校里的大多数内容本质上也是损失函数：也就是对已知答案进行评分的明确定义问题。因此，未来十年里最有价值的工作，是那些在模型训练周期内无法被评分的事情。 在过去 6 年的工作中，我很幸运地与来自各种规模公司的优秀人才合作过，从我自己的创业公司，到 Helm AI（15→50 名全职员工）、Scale AI（500→1500 名全职员工）、OpenAI（1500→3000 名全职员工），再到 Google（100,000+ 名全职员工）。作为创始人，我会花很多时间思考公司现在和未来最合适的招聘对象。因为我们是完全 agent-native 的公司，所以我们的需求与我此前工作过的任何公司都大不相同。 对于有动力、有抱负、处于职业早期的人来说，我现在对未来十年哪些技能更有价值，有了更清晰的看法。我给出过很多职业建议，也收到过很多职业建议，虽然许多名言依然成立（诸如某种某种火箭飞船，不要问你坐在哪个座位），但随着代理式编程的兴起，很多事情都已经改变。下面是哪些仍然成立，以及哪些是新的。
1、把注意力放在真正稀缺的资源上 在加入 Scale 之前，我曾拿到过量化岗位的 offer，保证现金要高得多，但我还是选择加入 Scale，因为我对那里社区的氛围，以及接触 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，这也让我获得了去 DeepMind 和 OpenAI 的机会。我还认识了许多同样雄心勃勃的同事，如今他们组成了来自 Scale 的创业者社区。今天，Scale 给我的独特人脉和学习机会，远比我本可以多拿到的那部分现金对我的人生影响更大；（时机比钱重要，这句话虽然在中国当前不太适用，但长远来说是的） 如今获得资本比以往任何时候都容易得多。真正有价值的即时接触，以及与他人建立牢固关系，仍然稀缺 。过去相关经历所证明的卓越表现依旧是最高信号，因此我给出的具体建议是：把时间花在做好工作上，并确保其他同样做得很好、且值得信赖的人知道这件事 。要不遗余力地优先安排你的时间，无论你在做的是学校功课、项目还是实习，都要专注于你觉得有意义的问题。借助 vibe-coding，想靠快钱机会并不难，但当你寻找真实价值时，奖励通常会大得多。 时间、关系和声誉：这些才是真正稀缺、值得投入注意力的资源。 2、学会发现问题，而不只是解决问题 为了在大量候选人中找出真正有信号的信息，我们深入思考了，如今在一个 agent-native 公司里工作的工程师，到底哪些技能重要。既然没有人手写任何代码行，传统的 Leetcode 式题目，甚至系统设计题，都与实际工作表现几乎不相关。最终，我们形成了一套面试流程，用来衡量一个人能否快速理解自己所处的环境，识别值得解决的问题，然后在既定环境的约束下，把这些问题真正执行解决。 最重要的技能，将会是那些与问题选择和资源分配相关的能力。越来越强大的 agent 能处理复杂且定义清晰的问题，因此最有影响力的人，会是最擅长识别重要问题，并把 token 和时间分配给这些问题的人 我看到一种趋势：学生们因为 agent 能解出他们所有的练习题而感到沮丧。但根据我面试的经验，候选人在需要多少时间和多少 token 才能得到答案这件事上，表现仍然有很大差异。优秀候选人通常会把更高层的直觉和外部背景带入与 agent 的协作中。 具体来说，我们高度评价的候选人，往往都深度浸入过问题解决环境中，要么来自他们自己的热情项目，要么来自高增长公司，在那里有意义的问题数量远远超过了人手。 3、 持之以恒的专注于处理问题过去十年里，研究中最有用的心智框架之一就是“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。这个教训同样适用于选择问题和公司。 公司和职业一直都存在幂律式结果，但 AI 加快了走向这些结果的速度。因为现在构建软件容易得多，任何人都能相对轻松地搭建简单系统。真正持久的价值，只会来自对真正雄心勃勃问题的极度专注。 选择公司时，这里的建议很简单：先评估这家公司是否在做这个问题最有雄心的版本，再看他们是否真的有机会把它解决。选择岗位时，要思考这个岗位是否能让你直接站在公司所解决问题的前沿。 4、冲刺最后一公里 对于大部分工作：最后那 10% 的工作既占了 90% 的工作量，也占了 90% 的回报 。AI 让结果变得更加两极分化，因为中位水平的成果，agent 只需要一个粗糙提示词就能产出。因此，价值来自于：在某一小部分问题上提供独特视角，或在细节上投入额外注意力。 学会在最后一公里做好执行，需要练习，也需要专注。第一次尝试时不可能完美，所以最后一公里往往是在做迭代。由于编程 agent 的进步非常快，很多时候最好是吸收前几轮迭代的经验，然后直接从下一代智能重新开始。把这点练在自己的项目上：主动多花一点时间打磨、优化架构、提升可扩展性，或者增加创造力。我确实看到，做到这些的候选人会明显产生影响 5、同时提升 xG （预期进球）和效率 在足球里，xG（预期进球）是一个衡量球队在一场比赛中基于机会应该进多少球的指标，它会考虑距离、角度、门将位置等因素。效率则是这些机会的相对转化率。 xG 和效率这个类比，用来解释我的职业生涯还算准确。2023 年，我拒绝了Anthropic 的 offer（当时大约 50 名全职员工）和 Cursor 的 offer（当时只有 2 名非创始人全职员工），因为我想在 DeepMind 做前沿模型推理和训练。2024 年，我又拒绝了这两家，转而去 OpenAI 工作。从职业视角看，这些替代机会的 xG 都很高，但我最终选择了与自己的兴趣、文化匹配度和目标更一致的公司（双关有意）。 职业生涯很长，机会来来去去。我不认为 ASI 会在知识工作岗位上取代所有人，因为人类在为 ASI 选择有意义的问题、并分配资本去解决这些问题方面，仍然有差异化能力。 不是每个机会都会变成进球，但首先要站在能看到机会的位置上，这才是进球的第一步 。这又回到了声誉和专业能力。Cursor 那次机会来自于我在 Michael 和 Aman 的共同联系人中有不错的口碑，而 Anthropic 那次机会则来自于我一直在专业和个人时间上投入他们团队感兴趣的问题。从根本上说，选择早期公司主要看团队和市场。如今很多候选人会把焦点锚定在现有产品上，但如果团队足够好，产品几乎总会演化成完全不同的东西。Anthropic 最初的演示，对我来说是一个比 ChatGPT 还差的 Slackbot。 世界依然充满机会。打开这些机会的关键，是专注于寻找有趣的问题，并交付非凡的结果
夜雨聆风