OpenAI 前研究员的 AI 时代职业建议

AI 模型在你能够设计出损失函数（Loss Function）的任何事情上都会越做越好，而学校的问题大多属于这类情况：定义明确的问题，需要根据已知的答案来进行评分。因此，未来十年真正有价值的工作，恰恰就是那些在模型训练过程中无法进行评分的任务。

说这话的人叫 Phil Chen。过去六年，他先后在 Helm AI（15→50 人）、Scale AI（500→1500 人）、OpenAI（1500→3000 人）和 Google（10 万人以上）工作过，现在是一名创业者。他的公司完全 Agent 原生（Agent-Native），对人才的需求与他此前待过的任何公司都不一样。

他给出的建议不是那种“追随你的热情”式鸡汤——而是一个在 Agent 原生公司花大量时间思考“什么人值得招”的人，从实战中提炼出来的六条经验。有些是经典智慧的延续，有些是 AI 时代的新变量。

1. 聚焦真正稀缺的资源

加入 Scale AI 之前，Phil Chen 手上有出价更高的量化公司 offer，但他选择了 Scale，因为那里有他感兴趣的社区，以及接触 Scale 各类产品的机会。通过 Scale，他接触到了大语言模型推理领域，由此获得了 DeepMind 和 OpenAI 的工作机会。他也遇到了许多有雄心的同事，这些人后来构成了一个 Scale 校友创业者社群。如今回头看，Scale 带来的独特人脉和学习机会，对他生活的贡献远超那份量化 offer 多出的薪水。

如今获取资金比以往任何时候都容易。不过，能够与其他人保持实时联系并建立起良好的关系仍然非常难得。过去在相关领域取得的卓越成就仍然是最宝贵的资源。

他的具体建议是：专注于做好工作，并让那些同样致力于做好工作的可信赖人士知道你的成就。务必合理安排时间，无论你是从事学习、项目还是实习工作，都要专注于那些你认为有意义的问题。在 Vibe Coding 时代，找到能快速变现的机会很容易，但当你去寻找真正的价值时，回报通常要大得多。

时间、人际关系和声誉——这三样才是你应该集中精力投入的真正稀缺资源。

2. 学会发现问题，而不只是解决问题

在 Agent 原生公司招人时，Phil Chen 和团队反复思考一个问题：今天什么样的技能对工程师真正重要？当没有人手动写一行代码的时候，传统的 LeetCode 式题目甚至系统设计题，都感觉与实际工作表现无关。最终，他们设计了一套面试流程，衡量的是：一个人能否快速理解所处的环境、识别值得解决的问题、然后在现有约束下执行解决方案。

最重要的技能将与问题选择和资源分配有关。越来越强大的 Agent 能够处理复杂且定义清晰的问题，因此最有影响力的人，将是那些最擅长识别重要问题、然后分配 Token 和时间去解决它们的人。

他注意到一个趋势：很多学生因为 Agent 能解决他们所有的习题集而感到沮丧。但根据他的面试经验，候选人在解决问题所需的时间和 Token 量上，表现差异巨大。优秀的候选人通常会给 Agent 协作带来高层次的直觉和外部上下文。

具体来说，他给过高分的候选人，都深入参与了问题解决的过程。他们要么是基于自己的兴趣项目来从事这项工作，要么是在那些问题层出不穷、人才稀缺的高成长型企业中工作。

3. 致力于解决最具挑战性的问题

过去十年，研究中最有用的思维框架之一就是苦涩的教训（The Bitter Lesson）：扩展通用方法，最终会优于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。

公司和职业的发展一直都遵循着某种规律，但人工智能的出现加速了这一进程。因为如今构建软件的门槛大幅降低，任何人都可以轻松搭建简单系统。而真正有价值的、持久的成果，只有在对那些具有挑战性的问题的专注努力下才能得以实现。

在选择公司时，建议很简单：先评估这家公司是否致力于解决最具有挑战性的问题，然后再判断他们是否有机会真正解决这些问题。在选择职位时，要考虑这个职位是否能让您直接参与到公司所解决问题的前沿工作中。

4. 冲刺最后一公里

对于初创公司来说，Alfred Lin 发表了一篇精彩的文章，讲述了最后那 10%的工作其实包含了 90%的复杂性和 90%的回报。人工智能带来的结果往往两极分化，因为中等水平的结果往往取决于用户提供的指令是否足够明确。因此，价值的体现在于能够为一个问题提供独特的视角，或者注重细节的处理。

要在最后阶段更好地执行任务，需要不断的练习和专注。没有什么是能够一蹴而就的，因此最后阶段往往需要反复改进。由于编程智能的发展速度非常快，因此更好的做法是借鉴之前迭代过程中的经验，然后开始开发下一代智能产品。

在自己的项目中练习这一点。主动多花一点时间来完善架构、提升系统的可扩展性、注入更多创造力。他确实在候选人中看到了这样做的人取得了显著的效果。

5. 同时提升 xG 和效率

在足球中，xG（Expected Goals，预期进球）是一个衡量球队基于机会质量——距离、角度、门将位置等——预期能进多少球的指标。效率则是这些机会转化为实际进球数的比例。

Phil Chen 认为，xG 和效率的类比，对他自己的职业轨迹相当准确。2023 年，他拒绝了 Anthropic（当时约 50 人）和 Cursor（当时 2 个非创始人全职员工）的 offer，因为他想在 DeepMind 做前沿模型推理和训练。2024 年，他再次拒绝了这两家，选择去了 OpenAI。这些替代机会从职业角度看都是高 xG，但他最终选择了与自己兴趣、文化契合度和目标更匹配的公司。

职业是长跑，机会来来去去。他不认为 ASI 会取代所有人类知识工作者，因为人类在为 ASI 选择有意义的问题和分配资本去解决这些问题上，拥有更出色的能力。

不是每个机会都能转化为进球，但站在能看到机会的位置，是进球的第一步。这又回到了声誉和专业知识。Cursor 的机会来自他与 Michael 和 Aman 共同人脉中的良好声誉；Anthropic 的机会来自他一直在专业和个人时间中投入该团队感兴趣的问题。

在人生的某个节点，真正的结果只看进球得分，而不仅是停留在发现机会——所以门前的效率同样重要。回顾自己的决策，他认为自己做对了很多选择，但希望能花更多时间收集数据来辅助决策。

选择早期公司，核心看的是团队和市场。很多候选人今天锚定在现有产品上，但如果团队足够好，产品几乎总会演化成完全不同的东西。我最初接触的 Anthropic 项目中的演示工具，其实比 ChatGPT 还要糟糕。

6. 你现在就能进入研究领域

最近，很多人问他如何进入研究领域。他的前同事 Vlad 是 Gemini 团队的负责人，在这个话题上有一篇出色的文章。

现代研究有了更多算力后变得更容易，但一个好的起点是：使用这些模型，把你自己的直觉蒸馏成评估。Phil Chen 的前同事 @kellerjordan0 推动的公开优化排行榜，也为在更结构化的环境中探索想法提供了很好的平台。

Modal 等算力提供商为学术研究者提供免费额度。用好它们，现在就探索你的想法。大多数想法在规模化时最终会失败，理解这些失败是建立“什么真正有效”这一认知的第一步。

归根结底，他认为做研究者是一种心态，不是一种职业。在前沿实验室中工作的研究人员，其工作内容包括：保持好奇心以探索新的想法；打破现有体系的束缚来实施这些想法；深入了解整个系统以高效地解决问题；以及明确阐述研究成果的价值，以获取更多的计算资源。这些工作即使不在前沿实验室中也能完成。

写在最后

这个世界仍然充满了机会。解锁它们的关键，是聚焦于发现有趣的问题，并交付非凡的结果。

同样的时代。一套完全不同的打法。

本文内容全部来源于 X（Twitter）Article · 2026 年 7 月 2 日 · Phil Chen “Career advice in the age of AI”来源：https://x.com/philhchen/article/2072793818945167475^[1]

引用链接