AI मॉडल उन सभी चीज़ों में बेहतर होते हैं जिनके लिए आप लॉस फ़ंक्शन लिख सकते हैं, और स्कूल अधिकतर लॉस फ़ंक्शन ही होता है: ज्ञात उत्तरों के आधार पर मूल्यांकन की जाने वाली सुपरिभाषित समस्याएं। इसलिए, अगले दशक का मूल्यवान काम वह सब कुछ है जिसका मूल्यांकन मॉडल प्रशिक्षण की अवधि के भीतर नहीं किया जा सकता।
अपने 6 वर्षों के काम के दौरान, मैं भाग्यशाली रहा हूँ कि मुझे सभी आकारों की कंपनियों के अद्भुत लोगों के साथ सहयोग करने का अवसर मिला, मेरे अपने स्टार्टअप से लेकर, Helm AI (15→50 FTE), Scale AI (500→1500 FTE), OpenAI (1500→3000 FTE), और Google (100,000+ FTE) तक। एक संस्थापक के रूप में, मैं अपनी कंपनी के वर्तमान और भविष्य के लिए सही भर्तियों के बारे में बहुत सोचता हूँ। चूँकि हम पूरी तरह से एजेंट-नेटिव हैं, हमारी ज़रूरतें उन सभी कंपनियों से बहुत अलग हैं जहाँ मैंने पहले काम किया है।
प्रेरित, महत्वाकांक्षी, शुरुआती करियर वाले व्यक्तियों के लिए, मेरे पास अब इस बात का स्पष्ट दृष्टिकोण है कि आने वाले दशक में कौन से कौशल मूल्यवान हैं। मैंने बहुत सारी करियर सलाह दी और प्राप्त की है, और जबकि कई प्रसिद्ध कहावतें सच बनी हुई हैं (कुछ ऐसा रॉकेटशिप, यह मत पूछो कि कौन सी सीट है), एजेंटिक कोडिंग के उदय के कारण बहुत कुछ बदल गया है। यहाँ वह है जो सच बना हुआ है, साथ ही वह जो नया है।
1. उन संसाधनों पर ध्यान केंद्रित करें जो वास्तव में सीमित हैं
Scale में शामिल होने से पहले, मेरे पास बहुत अधिक गारंटीकृत नकदी वाले क्वांट ऑफ़र थे, लेकिन मैंने Scale में शामिल होने का फैसला किया क्योंकि मैं समुदाय और Scale के सभी विभिन्न उत्पादों और अनुप्रयोगों के संपर्क में आने को लेकर उत्साहित था। Scale के माध्यम से, मुझे LLM इन्फ़रेंस प्रदाताओं से परिचय मिला, जिससे मेरे DeepMind और OpenAI के अवसर मिले। मैं कई अन्य महत्वाकांक्षी सहकर्मियों से भी मिला जो अब Scale से संस्थापकों का एक समुदाय बनाते हैं। आज, Scale के अद्वितीय नेटवर्क और सीखने के अवसरों ने मेरे जीवन में उस अतिरिक्त नकदी की तुलना में कहीं अधिक योगदान दिया है जो मुझे क्वांट से मिलती।
पूंजी तक पहुंच अब पहले से कहीं अधिक आसान है। वास्तविक समय और अन्य मनुष्यों के साथ मजबूत संबंधों तक पहुंच अभी भी दुर्लभ है। पिछले, संबंधित प्रयासों में सिद्ध उत्कृष्टता अभी भी उच्चतम संकेत है, इसलिए मेरी ठोस सलाह है कि अच्छा काम करने में समय बिताएं और यह सुनिश्चित करें कि यह अन्य प्रतिष्ठित लोगों को पता हो जो स्वयं अच्छा काम करते हैं। अपने समय को अथक रूप से प्राथमिकता दें ताकि आप जो भी काम करें, चाहे वह स्कूल, प्रोजेक्ट या इंटर्नशिप हो, आप उन समस्याओं पर ध्यान केंद्रित करें जिन्हें आप सार्थक पाते हैं। वाइब-कोडिंग के साथ, ऐसे अवसर खोजना आसान है जो जल्दी पैसा कमाते हैं, लेकिन जब आप वास्तविक मूल्य की तलाश करते हैं तो इनाम आमतौर पर बहुत बड़ा होता है।
समय, रिश्ते और प्रतिष्ठा: ये वास्तविक सीमित संसाधन हैं जिन पर ध्यान केंद्रित करना चाहिए।
2. समस्याओं को हल करने के साथ-साथ उन्हें खोजना भी सीखें
उम्मीदवारों के समुद्र में संकेत खोजने के लिए, हमने गहराई से सोचा कि आज एजेंट-नेटिव कंपनी में काम करने वाले इंजीनियरों के लिए कौन से कौशल मायने रखते हैं। यह देखते हुए कि कोई भी मैन्युअल रूप से कोड की एक भी पंक्ति नहीं लिखता है, पारंपरिक Leetcode-शैली के प्रश्न और यहां तक कि सिस्टम डिज़ाइन प्रश्न भी वास्तविक नौकरी के प्रदर्शन से असंबंधित लगते हैं। अंततः, हम साक्षात्कारों की एक श्रृंखला पर पहुंचे जो यह मापते हैं कि कोई व्यक्ति कितनी जल्दी उस वातावरण को समझ सकता है जिसमें उन्हें रखा गया है, हल करने लायक समस्याओं की पहचान कर सकता है, और फिर मौजूदा वातावरण की बाधाओं के तहत उन समस्याओं को हल करने पर अमल कर सकता है।
सबसे महत्वपूर्ण कौशल वे होंगे जो समस्या चयन और संसाधन आवंटन से संबंधित हैं। हमेशा शक्तिशाली एजेंट जटिल, सुपरिभाषित समस्याओं को लेने में सक्षम होते हैं, इसलिए सबसे प्रभावशाली लोग वे होंगे जो महत्वपूर्ण समस्याओं की पहचान करने और फिर उन्हें हल करने के लिए टोकन और समय आवंटित करने में सबसे अच्छे होते हैं।
मैं छात्रों में यह प्रवृत्ति देख रहा हूँ कि वे इस बात से निराश महसूस करते हैं कि एजेंट उनकी सभी समस्या सेटों को हल कर सकते हैं। लेकिन साक्षात्कार देने के मेरे अनुभव में, उम्मीदवारों का प्रदर्शन अभी भी इस मामले में व्यापक रूप से भिन्न होता है कि उन्हें समाधान तक पहुँचने में कितना समय और टोकन लगते हैं। अच्छे उम्मीदवार आमतौर पर एजेंटों के साथ अपने सहयोग में उच्च-स्तरीय अंतर्ज्ञान और बाहरी संदर्भ लाते हैं।
व्यावहारिक रूप से, हमने जिन उम्मीदवारों को उच्च दर्जा दिया है, उन्होंने खुद को समस्या-समाधान वातावरण में डुबो दिया है, या तो अपने स्वयं के जुनूनी प्रोजेक्ट से या उच्च-विकास वाली कंपनियों में होने से जहाँ सार्थक समस्याएं लोगों की संख्या से अधिक होती हैं।
3. किसी समस्या के सबसे महत्वाकांक्षी रूप पर काम करें
पिछले एक दशक से, अनुसंधान में सबसे उपयोगी मानसिक ढाँचों में से एक "कड़वा सबक" रहा है: सामान्य तरीकों को स्केल करना अंततः कार्य-विशिष्ट अनुकूलन से बेहतर प्रदर्शन करता है। यह सबक समस्याओं और कंपनियों को चुनने पर भी लागू होता है।
कंपनियों और करियर के हमेशा पावर-लॉ परिणाम रहे हैं, लेकिन AI ने इन परिणामों की ओर प्रगति की दर को तेज कर दिया है। क्योंकि सॉफ्टवेयर बनाना अब बहुत अधिक सुलभ है, कोई भी सापेक्ष आसानी से सरल सिस्टम बना सकता है। वास्तविक, टिकाऊ मूल्य केवल वास्तव में महत्वाकांक्षी समस्याओं पर अत्यधिक ध्यान केंद्रित करने से ही बनता है।
कंपनी चुनने के लिए, यहाँ सलाह सरल है: मूल्यांकन करें कि क्या कंपनी अपनी समस्या के सबसे महत्वाकांक्षी रूप पर काम कर रही है, और फिर क्या उनके पास वास्तव में इसे हल करने का मौका है। भूमिका चुनने के लिए, सोचें कि क्या भूमिका आपको कंपनी द्वारा हल की जा रही समस्या के मोर्चे पर सीधे काम करने की अनुमति देगी।
4. अंतिम मील दौड़ें
स्टार्टअप के लिए, Alfred Lin का एक शानदार लेख है कि कैसे अंतिम 10% काम का 90% और इनाम का 90% दोनों है। AI ने परिणामों को ध्रुवीकृत कर दिया है क्योंकि औसत परिणाम वही है जो एक एजेंट एक ढीले प्रॉम्प्ट के साथ उत्पन्न कर सकता है। इसलिए मूल्य समस्याओं के एक टुकड़े पर एक अद्वितीय दृष्टिकोण या विस्तार पर ध्यान प्रदान करने से आता है।
अंतिम मील में अच्छी तरह से निष्पादित करना सीखने के लिए अभ्यास और ध्यान दोनों की आवश्यकता होती है। पहले प्रयास में कुछ भी सही नहीं होता है, इसलिए अंतिम मील अक्सर पुनरावृत्ति के बारे में होता है। क्योंकि कोडिंग एजेंटों के साथ प्रगति इतनी तेज रही है, अक्सर पिछले पुनरावृत्तियों से सीख लेना और बुद्धिमत्ता की अगली पीढ़ी के साथ खरोंच से शुरू करना बेहतर होता है। अपने स्वयं के प्रोजेक्ट के साथ इसका अभ्यास करें। पॉलिश, साफ आर्किटेक्चर, स्केलेबिलिटी या रचनात्मकता पर थोड़ा और समय बिताने की पहल करें। मैंने निश्चित रूप से उन उम्मीदवारों पर इसका प्रभाव देखा है जिन्होंने ऐसा किया है।
5. xG और दक्षता दोनों बढ़ाएँ
फुटबॉल में, xG (अपेक्षित गोल) एक मीट्रिक है कि एक टीम अपने अवसरों के आधार पर एक मैच में कितने गोल करने की उम्मीद करती है, जिसमें दूरी, कोण, गोलकीपर की स्थिति आदि को ध्यान में रखा जाता है। दक्षता इन अवसरों पर सापेक्ष रूपांतरण दर है।
अपने स्वयं के करियर के लिए xG और दक्षता सादृश्य काफी सटीक रहा है। 2023 में, मैंने Anthropic के ऑफ़र (उस समय ~50 FTE) और Cursor (उस समय 2 गैर-संस्थापक FTE) को ठुकरा दिया क्योंकि मैं DeepMind में फ्रंटियर मॉडल इन्फ़रेंस और प्रशिक्षण पर काम करना चाहता था। 2024 में, मैंने OpenAI में काम करने के लिए दोनों को फिर से ठुकरा दिया। ये वैकल्पिक अवसर करियर के दृष्टिकोण से उच्च xG रहे होंगे, लेकिन मैंने उन कंपनियों को चुनना समाप्त किया जो मेरी रुचियों, संस्कृति फिट और लक्ष्यों (श्लेष उद्देश्य) के साथ अधिक संरेखित थीं।
करियर लंबे होते हैं और अवसर आते-जाते रहते हैं। मुझे विश्वास नहीं है कि ASI ज्ञान कार्य नौकरियों में सभी मनुष्यों को बदल देगा क्योंकि मनुष्यों में ASI को हल करने के लिए सार्थक समस्याओं का चयन करने और इन समस्याओं को हल करने के लिए पूंजी आवंटित करने में विभेदक क्षमताएं होती हैं।
हर अवसर एक गोल में परिणत नहीं होगा, लेकिन अवसरों को देखने के लिए सही स्थिति में होना गोल करने की दिशा में पहला कदम है। यह फिर से प्रतिष्ठा और विशेषज्ञता पर आता है। Cursor का अवसर इसलिए आया क्योंकि Michael और Aman के साथ मेरे आपसी परिचितों के बीच मेरी अच्छी प्रतिष्ठा थी, और Anthropic का अवसर इसलिए आया क्योंकि मैं उन समस्याओं में पेशेवर और व्यक्तिगत दोनों समय निवेश कर रहा था जो वहाँ की टीम के लिए दिलचस्प थीं।
किसी बिंदु पर, जीवन गोल करने के बारे में है, न कि केवल अवसरों को देखने के बारे में, इसलिए गोल के सामने दक्षता भी मायने रखती है। अपने निर्णयों को पीछे मुड़कर देखने पर, मुझे लगता है कि मैंने कई सही निर्णय लिए, लेकिन मैंने अपने निर्णयों को सूचित करने के लिए डेटा इकट्ठा करने में अधिक समय बिताना पसंद किया होता।
इसके मूल में, प्रारंभिक चरण की कंपनियों का चयन मुख्य रूप से टीम और बाजार के बारे में होता है। आज कई उम्मीदवार मौजूदा उत्पाद पर टिक जाते हैं, लेकिन यदि टीम अच्छी है तो वह लगभग हमेशा कुछ बहुत अलग में विकसित होता है। Anthropic का प्रारंभिक डेमो एक Slackbot था जो मेरे लिए ChatGPT से भी बदतर था।
6. आप अब अनुसंधान में प्रवेश कर सकते हैं
हाल ही में, मुझे लोगों से बहुत सारे प्रश्न मिले हैं कि अनुसंधान में कैसे प्रवेश किया जाए। मेरे पूर्व सहकर्मी Vlad Gemini टीम का नेतृत्व करते हैं और उनके पास इस पर अपने दृष्टिकोण का एक उत्कृष्ट लेख है।
आधुनिक अनुसंधान अधिक कंप्यूट के साथ करना आसान है, लेकिन शुरू करने के लिए एक शानदार जगह मॉडल का उपयोग करना और अपने स्वयं के अंतर्ज्ञान को मूल्यांकन में आसवित करना है। मेरे पूर्व सहकर्मी @kellerjordan0 द्वारा प्रचारित सार्वजनिक अनुकूलन लीडरबोर्ड अधिक संरचित सेटिंग में विचारों की खोज के लिए शानदार मंच भी प्रदान करते हैं।
Modal जैसे कई कंप्यूट प्रदाता शिक्षाविदों के लिए क्रेडिट प्रदान करते हैं। उनका उपयोग करें और अब अपने विचारों का अन्वेषण करें। अधिकांश विचार अंततः पैमाने पर विफल होंगे और इन विफलताओं को समझना यह समझने का पहला कदम है कि वास्तव में क्या काम करता है।
अंततः, मेरा मानना है कि एक शोधकर्ता होना एक मानसिकता है, न कि एक व्यवसाय। फ्रंटियर लैब में एक शोधकर्ता का अधिकांश काम नए विचारों का पता लगाने के लिए पर्याप्त उत्सुक होने, विचारों को लागू करने के लिए बुनियादी ढांचे के खिलाफ लड़ने, समस्याओं को कुशलतापूर्वक डीबग करने के लिए पूरे सिस्टम को अत्यधिक विस्तार से समझने और अधिक कंप्यूट प्राप्त करने के लिए परिणामों के मूल्य को स्पष्ट करने का मिश्रण है। आप यह सब फ्रंटियर लैब में हुए बिना कर सकते हैं।
समापन विचार
दुनिया अभी भी अवसरों से भरी हुई है। उन्हें अनलॉक करने की कुंजी दिलचस्प समस्याओं को खोजने और असाधारण परिणाम देने पर ध्यान केंद्रित करना है। यदि यह आपको आकर्षित करता है, तो संपर्क करें और हमें आपके साथ काम करने में खुशी होगी।
