编译读物
原文：Phil Chen（@philhchen） ｜ 来源：https://x.com/philhchen/status/2072793818945167475 编译：Apex Learn · 首发于「登峰学园」微信公号 这是「综合思维」花园里的一篇外部读物——收录于此，供 BECome 学员延伸阅读。
AI 时代的职业建议：凡是能打分的，AI 都会替你做
职业 · AI 时代 · 编译 ｜ 原文：Phil Chen（@philhchen）
作者 Phil Chen 是一位连续创业者，此前在 OpenAI、Google DeepMind、Scale AI、Stanford 从事研究。
AI 模型会在任何”你能为它写出损失函数（loss function）“的事情上变得越来越强——而学校教的，大多正是这类损失函数：定义清晰、有标准答案、可以对着答案打分的问题。于是，下一个十年真正有价值的工作，恰恰是那些”在模型训练周期之内无法被打分”的事情。
凡是能被打分的，AI 都会越做越好；所以真正值钱的，是那些打不了分的事。
在过去六年里，我有幸与各种规模公司的优秀伙伴共事——从我自己的创业公司，到 Helm AI（15→50 人）、Scale AI（500→1500 人）、OpenAI（1500→3000 人），再到 Google（10 万+ 人）。作为一名创业者，我花大量时间思考：为了公司的现在与未来，我们该招什么样的人。因为我们是一家彻底 agent-native（智能体原生） 的公司，我们的用人需求，和我此前待过的任何公司都非常不同。
对那些有干劲、有野心的年轻人来说，我现在对”未来十年什么能力值钱”有了更清晰的判断。这些年我给过、也收过很多职业建议——许多经典格言依然成立（“上了火箭就别挑座位”之类），但随着 agentic coding（智能体编程） 的兴起，很多东西已经变了。下面是我认为”依然成立的”，以及”新出现的”。
1. 把注意力放在真正稀缺的资源上
加入 Scale 之前，我手上有保证现金高得多的量化（quant）offer，但我最终选择了 Scale——因为我被那里的社群，以及能接触到 Scale 各类产品与应用的机会所吸引。通过 Scale，我接触到了 LLM 推理服务商，这又牵出了我去 DeepMind 和 OpenAI 的机会；我也在那里遇到许多同样有野心的同事，如今他们组成了一个”Scale 系创业者”的社群。今天回头看，Scale 带给我的独特人脉与学习机会，对我人生的贡献，远远超过当初量化多给的那点现金。
如今，获取”资本”比以往任何时候都容易；而”真实的时间”、以及”与他人牢固的关系”，依然稀缺。“在过去相关领域里被验证过的卓越”仍然是最强的信号。所以我的具体建议是：花时间把事情做好，并且让那些同样在把事情做好的、有声望的人知道你做出来了。极度苛刻地排你的时间优先级——无论你在做的是学业、项目还是实习，都要聚焦在你自己觉得有意义的问题上。在 vibe-coding（凭感觉写代码）的时代，找到一个快速赚点小钱的机会很容易；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——这才是真正稀缺、值得你投放注意力的资源。
2. 除了解决问题，更要学会”发现问题”
为了在茫茫候选人中找到信号，我们认真思考过：在一家 agent-native 公司里，今天对工程师而言，什么能力才真正重要。既然没有人再手写任何一行代码，传统的 LeetCode 式刷题、甚至系统设计题，都和实际工作表现关系不大了。最终，我们设计出一套面试，用来衡量一个人：能多快理解自己被丢进的（陌生）环境、识别出值得解决的问题，然后在现有环境的约束下把它们解决掉。
最重要的能力，将是与”问题选择”和”资源分配”相关的能力。越来越强的 agent 已经能接手复杂而定义清晰的问题；因此，最有影响力的人，会是那些最擅长”识别重要问题”、再把 token 和时间分配到解决这些问题上的人。
我看到一种趋势：学生们因为”agent 能把他们所有习题都做出来”而感到沮丧。但以我做面试官的经验，候选人之间的表现差异依然巨大——差别就在于他们需要多少时间、多少 token 才能抵达答案。优秀的候选人，通常会把高层次的直觉和外部背景，带进他们与 agent 的协作里。
具体来说，被我们评为高分的候选人，都曾把自己沉浸在”解决问题的真实环境”中——要么来自他们自己热爱的项目，要么来自那种”有意义的问题多到人手不够”的高速成长公司。
3. 去做一个问题”最有野心的那个版本”
过去十年，研究中最有用的思维框架之一，是”苦涩的教训”（the bitter lesson）：可扩展的通用方法，最终会胜过针对特定任务的优化。这条教训，同样适用于选择问题和选择公司。
公司和职业生涯的回报，从来都是幂律分布的；而 AI 只是加速了走向这些结果的速度。因为”造软件”如今门槛低了很多，任何人都能相对轻松地搭出简单系统。真正持久的价值，只会在对”真正有野心的问题”的极度专注中被创造出来。
选公司，建议很简单：先判断这家公司做的，是不是它那个问题”最有野心的版本”；再判断它到底有没有机会解决它。选岗位，则要想清楚：这个岗位，能不能让你直接在”公司正在解决的那个问题”的最前沿上工作。
4. 冲刺”最后一英里”
对创业公司来说，Alfred Lin 有一篇很棒的文章，讲的是”最后的 10%“如何既是 90% 的工作量、也是 90% 的回报。AI 把结果两极分化了，因为”中位数结果”，就是一个 agent 用一段随手写的 prompt 就能产出的东西。所以，价值来自你对某一小片问题提供的独特视角，或是对细节的极致讲究。
学会在最后一英里执行到位，既需要练习，也需要专注。没有什么东西第一次就完美，所以最后一英里往往关乎”迭代”。因为编程 agent 的进步太快，通常更好的做法是：把上一轮迭代里学到的东西带走，然后直接用下一代智能，从头再来一遍。用你自己的项目去练这件事。主动多花那么一点时间，去打磨、去做干净的架构、去考虑可扩展性、去追加一点创意。在候选人身上，我确实看到了”有没有做这件事”带来的差别。
5. 同时提高你的 xG 和转化率
在足球里，xG（expected goals，预期进球）是一个衡量球队”基于所获机会、预期能进多少球”的指标——它会把射门距离、角度、门将站位等都算进去。而”效率”，指的是把这些机会真正转化成进球的相对转化率。
用 xG 和效率来类比我自己的职业生涯，其实相当准确。2023 年，我拒了 Anthropic（当时约 50 人）和 Cursor（当时只有 2 名非创始员工）的 offer，因为我想在 DeepMind 做前沿模型的推理与训练。2024 年，我又一次把它们都拒了，去了 OpenAI。从职业角度看，这些”另一条路”每一条都是高 xG 的机会；但我最终选的，是更契合我的兴趣、文化契合度和目标（goal，一语双关）的公司。
职业生涯很长，机会来来去去。我并不相信 ASI（超级人工智能）会取代所有知识工作——因为在”为 ASI 挑选有意义的问题”、以及”分配资本去解决这些问题”这两件事上，人类有着差异化的能力。
不是每一个机会都会变成进球；但站在”能看见机会”的位置上，是进球的第一步。而这，又回到了声誉和专业能力。Cursor 的机会，来自我在 Michael 和 Aman 那群共同好友里有不错的声誉；Anthropic 的机会，则来自我把职业和个人时间，都投在了那支团队感兴趣的问题上。
但人生到某个阶段，是关于”把球踢进”，而不只是”看见机会”，所以门前的效率同样重要。回看我做过的决定，我觉得自己做对了很多，但我更希望：当初能多花些时间去收集数据，好让决策更有依据。
说到底，挑选早期公司，主要看的是团队和市场。今天很多候选人会锚定在”现有产品”上，但只要团队足够好，产品几乎一定会演化成完全不同的样子。Anthropic 最初的 demo，是一个在我看来还不如 ChatGPT 的 Slack 机器人。
6. 现在，你完全可以进入”研究”
最近，很多人问我如何进入研究领域。我的前同事 Vlad 是 Gemini 团队的负责人之一，他写过一篇很好的文章，分享了他的看法。
现代研究因为算力更多而更容易做；但一个很好的起点，是直接用这些模型，把你自己的直觉，蒸馏（distill）成一套评测（evaluation）。我的另一位前同事 @kellerjordan0 发起的公开优化排行榜，也提供了一个更结构化地探索想法的好场所。
像 Modal 这样的算力提供商，会给学术界发放额度（credits）。用起来，现在就去探索你的想法。大多数想法最终都会在”规模化”时失败——而理解这些失败，正是建立”什么才真正有效”这套认知的第一步。
归根结底，我相信：做研究者是一种心态，而不是一份职业。 前沿实验室里研究者的大部分工作，是这几样东西的混合体：足够好奇去探索新想法、与基础设施搏斗以把想法落地、把整个系统理解到极其细致以高效地 debug，以及清楚地表达结果的价值以争取更多算力。这一切，你不在前沿实验室里，也照样能做。
结语
这个世界，依然充满机会。解锁它们的钥匙，是聚焦于”寻找有趣的问题”并”交付非凡的结果”。如果这一点打动了你——来找我们，我们很想和你一起工作。
原文：Phil Chen（@philhchen）《Career advice in the age of AI》（X 长文）
翻译整理：Apex Learn ｜ 仅作学习交流，版权归原作者所有
想读更多这样的编译？欢迎关注我们的微信公号「登峰学园」，或回到 综合思维花园首页。