寫給AI時代的年輕人：前OpenAI&DeepMind研究員的職業建議，值得細看

在人工智能（AI）時代，年輕人應該如何找到適合自己的職業路徑？

近日，前 OpenAI、DeepMind、Scale AI 研究員 Phil Chen 在 X 上發布了一篇長文，結合自己多年的職場經歷，為身處 AI 時代的年輕人提供了一些很有價值的職業建議。

他寫道，AI 越來越擅長將任務標準化，而學校里的大部分訓練，恰恰都是這類定義清楚、答案已知、可以被評分的問題。“未來十年，真正有價值的工作，往往是那些無法在模型訓練中被簡單評分的事情。”

他給出的建議也很直接：年輕人要學會關注真正稀缺的資源，并學會發現問題、選擇更有野心的方向，把結果做到最后一公里；同時，還要提高識別機會和把握機會的能力，盡早開始做研究。

以下為文章主要內容：

AI 模型會在任何可以寫出損失函數的事情上變得更強。而學校里的很多訓練，本質上都像損失函數：題目定義清楚，答案已知，結果可以被評分。

因此，未來十年，真正有價值的工作，會是那些無法在模型訓練周期內被輕易評分的事情。

過去 6 年里，我很幸運和許多優秀的人共事過，所在公司規模各不相同：從我自己的創業公司，到 Helm AI（15→50 名全職員工）、Scale AI（500→1500 名全職員工）、OpenAI（1500→3000 名全職員工），再到 Google（10 萬+ 名全職員工）。

我花了很多時間思考：對我們公司現在和未來來說，什么樣的人才是正確的。因為我們是一家以 Agent 為原生工作方式的公司，所以我們的用人需求和我過去工作過的公司很不一樣。

對于有動力、有野心、處在職業早期的人來說，我現在對未來十年什么技能最有價值，有了更清晰的看法。我給過也聽過很多職業建議。許多經典格言仍然成立，比如“加入火箭船時，不要問自己坐哪個座位”。然而，隨著 agentic coding 的興起，很多事情已經發生了變化。下面是一些依然成立的東西，以及一些新的變化。

1.關注真正稀缺的資源

在加入 Scale 之前，我拿到過現金收入更高的量化崗位 offer，但我最終選擇了 Scale，因為我對那里的社區，以及接觸 Scale 各類產品和應用的機會感到興奮。

通過 Scale，我接觸到了 LLM 推理服務商，這后來帶來了我進入 DeepMind 和 OpenAI 的機會。我也遇到了許多有抱負的同事，他們如今組成了一個來自 Scale 的創業者社區。回頭看，Scale 帶給我的人脈和學習機會，遠比當初量化崗位多出來的現金重要得多。

現在，獲得資本比以往任何時候都更容易。但真正能和優秀的人共事、交流并建立強關系的時間，仍然稀缺。

過去相關經歷中被證明過的卓越表現，依然是最強信號。因此，我的具體建議是：花時間做出好工作，并確保這些工作被其他同樣優秀、值得信任的人知道。

要極其認真地分配你的時間。無論是學校任務、項目還是實習，都應該聚焦在你認為有意義的問題上。借助 vibe coding，也就是用 AI 快速搭出項目，很容易找到一些能快速賺錢的機會，但如果你尋找的是真正的價值，回報通常會大得多。

時間、關系和聲譽，才是真正稀缺、值得投入注意力的資源。

2.不只要學會解決問題，還要學會發現問題

為了在大量候選人中找到信號，我們認真思考過：在一家以 Agent 為原生工作方式的公司里，工程師今天真正重要的技能是什么。

在我們這樣的 Agent 原生公司里，代碼已經不再主要依賴人工逐行手寫。因此傳統 Leetcode 題，甚至系統設計題，都不再那么能反映真實工作表現。最終，我們設計了一系列面試，衡量候選人能否快速理解自己所處的環境，識別值得解決的問題，并在既有環境約束下解決這些問題。

未來最重要的技能，會和問題選擇、資源分配有關。

能力越來越強的 Agent 已經能夠處理復雜但定義清楚的問題。因此，最有影響力的人，將是那些最擅長識別重要問題，并合理分配 token 和時間去解決它們的人。

我看到一種趨勢：很多學生因為 Agent 已經能解完他們的習題而感到沮喪。但根據我的面試經驗，候選人在“需要多少時間和 token 才能抵達解決方案”上仍然差異巨大。優秀候選人通常會帶著高層直覺和外部背景知識，和 Agent 協作。

具體來說，評分很高的候選人，通常都深度沉浸在解決問題的環境中。要么來自他們自己的熱情項目，要么來自那些高速增長、重要問題數量遠多于人手的公司。

3.選擇最值得做的問題

過去十年，研究中最有用的心智框架之一是“苦澀的教訓”：長期來看，通用方法的規模化最終會勝過特定任務優化。

這個教訓也適用于選擇問題和公司。

公司和職業一直都有冪律結果，但 AI 加速了人們走向這些結果的速度。因為構建軟件現在變得容易得多，任何人都能相對輕松地搭建簡單系統。真正持久的價值，只會來自對真正有野心問題的極度專注。

選公司時，判斷標準很簡單：它是否在解決一個足夠有野心的問題，以及它是否真的有機會把這個問題解決。

選擇角色時，則要思考這個角色是否能讓你直接站在公司所解決問題的前沿。

4.沖刺最后一公里

對于創業公司來說，Alfred Lin 有一篇很好的文章，講最后 10% 既是 90% 的工作，也是 90% 的回報。

AI 讓產出水平迅速兩極分化，因為普通水準的結果，往往已經是一個 Agent 加上草率 prompt 就能做出來的。因此，真正的價值來自你對某一類問題的獨特視角，或者對細節的高度關注。

學會在最后一公里執行到位，需要練習和專注。沒有東西第一次就完美，所以最后一公里往往意味著不斷迭代。由于 coding agent 的進步非常快，很多時候更好的做法是吸收上一輪迭代的經驗，然后用下一代模型重新開始。

你可以在自己的項目中練習這一點。主動多花一點時間打磨、優化架構、考慮可擴展性，或者加入創造性。我確實在候選人身上看到了這種練習帶來的影響。

5.同時提高xG和效率

在足球里，xG，也就是 expected goals，預期進球，是一種衡量一支球隊基于機會質量預計能進多少球的指標。它會考慮距離、角度、門將位置等因素。效率則是這些機會最終轉化為進球的比例。

用 xG 和效率來類比我的職業經歷，基本是準確的。

2023 年，我拒絕了 Anthropic 的 offer，他們當時大約 50 名全職員工；也拒絕了 Cursor 的 offer，他們當時除創始人外只有 2 名全職員工。原因是，我想在 DeepMind 做前沿模型推理和訓練。

2024 年，我再次拒絕了這兩個機會，選擇去 OpenAI。站在職業角度看，這些替代機會的 xG 都很高，但我最終選擇了更符合自己興趣、文化匹配和目標的公司。

職業很長，機會會來來去去。我不相信超級人工智能會取代所有知識工作者，因為人類在選擇哪些問題值得讓超級智能去解決，以及如何分配資本解決這些問題上，仍然擁有差異化能力。

不是每一個機會都會轉化成進球，但站在正確位置看到機會，是進球的第一步。這仍然取決于聲譽和專業能力。

Cursor 的機會來自我在 Michael 和 Aman 共同熟人圈中的良好聲譽；Anthropic 的機會則來自我在職業和個人時間里持續投入他們團隊感興趣的問題。

當然，到某個階段，人生不只是看見機會，而是要把機會轉化為進球，所以門前效率也很重要。回顧我的決定，我認為自己做出了許多正確選擇，但我也希望當時能花更多時間收集信息，幫助自己做決策。

從根本上說，選擇早期公司，主要看團隊和市場。今天很多候選人會盯著現有產品，但如果團隊足夠好，產品幾乎總會演化成完全不同的東西。Anthropic 最初的 demo 是一個 Slackbot，對我來說還不如 ChatGPT。

6.現在，你也可以做研究了

最近，我收到很多人問，如何進入研究。我以前的同事 Vlad 是 Gemini 團隊的負責人之一，他寫過一篇很好的文章，分享了他的看法。

現代研究有更多算力當然更容易做，但一個很好的起點是：使用現有模型，并把你自己的直覺蒸餾成評測。我的前同事 @kellerjordan0 推動的一些公開優化排行榜，也為更結構化地探索想法提供了很好的場所。

許多算力提供商，比如 Modal，會給學術用戶提供額度。用起來，現在就去探索你的想法。大多數想法最終會在規模化時失敗，而理解這些失敗，是建立“什么真正有效”直覺的第一步。

最終，我相信，研究者首先是一種心態，而不是一種職業。

在前沿實驗室里，研究者的大部分工作，其實是幾件事的混合：有足夠的好奇心去探索新想法；和基礎設施不斷較勁，把想法真正實現出來；極其詳細地理解整個系統，以便高效調試問題；清楚表達結果的價值，從而爭取更多算力。

即使不在前沿實驗室，你也可以做這些事情。

這個世界仍然充滿機會。打開這些機會的關鍵，是專注于尋找有趣的問題，并交付非凡的結果。

整理：夏千斯

如需轉載或投稿，請直接在本文章評論區內留言