AI 模型在你能为其编写损失函数的任何事情上都会变得更好，而学校大多就是损失函数：针对已知答案评分的明确定义的问题。因此，未来十年有价值的工作，将是那些无法在模型训练周期内被评分的一切。
在我 6 年的职业生涯中，我有幸与来自各种规模公司的优秀人才合作过，从我自己创立的公司，到 Helm AI（15→50 名员工）、Scale AI（500→1500 名员工）、OpenAI（1500→3000 名员工）和 Google（100,000+ 名员工）。作为一名创始人，我花了很多时间思考，为了公司现在和未来的发展，应该招聘什么样的人才。因为我们完全以 Agent 为核心，所以我们的需求与我之前工作过的任何公司都截然不同。
对于有动力、有抱负、处于职业生涯早期的人来说，我现在对哪些技能在未来十年有价值有了更清晰的认识。我给过也收到过很多职业建议，虽然许多著名的格言仍然正确（比如火箭船理论，别问坐哪个座位），但由于 Agent 编程的兴起，很多情况已经发生了变化。以下是一些仍然正确的道理，以及一些新的见解。
1. 专注于真正有限的资源
在加入 Scale 之前，我收到了量化交易公司的 offer，保证现金收入高得多，但我决定加入 Scale，因为我对它的社区以及接触 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，这为我带来了 DeepMind 和 OpenAI 的机会。我还结识了许多其他雄心勃勃的同事，他们现在组成了一个来自 Scale 的创始人社区。如今，Scale 带来的独特人脉和学习机会，对我人生的贡献远远超过了我本可以从量化交易中获得的额外现金。
现在获取资本比以往任何时候都容易得多。但获取真正的时间和与其他人的牢固关系仍然稀缺。在过去的、相关领域中证明过的卓越表现仍然是最高信号，所以我具体的建议是：花时间做好工作，并确保其他有声望、自己也做得出色的人知道你的成就。不懈地优先安排你的时间，这样无论你做什么——无论是学业、项目还是实习——你都能专注于你认为有意义的问题。借助“氛围编程”，很容易找到快速赚钱的机会，但当你寻找真正的价值时，回报通常要大得多。
时间、人脉和声誉：这些才是真正需要你集中注意力的有限资源。
2. 学会发现问题，而不仅仅是解决问题
为了在众多候选人中找到信号，我们深入思考了在 Agent 原生公司工作的工程师，今天哪些技能才是重要的。鉴于没有人手动编写任何一行代码，传统的 Leetcode 式问题甚至系统设计问题感觉与实际工作表现不相关。最终，我们设计了一系列面试，来衡量一个人能否快速理解他们所处的环境，识别出值得解决的问题，然后在现有环境的约束下执行解决这些问题。
最重要的技能将是与问题选择和资源分配相关的技能。日益强大的 Agent 能够处理复杂、定义明确的问题，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 和时间来解决这些问题的人。
我看到一种趋势，学生们因为 Agent 能解决他们所有的习题集而感到沮丧。但根据我面试的经验，候选人在需要多少时间和 token 来找到解决方案方面，表现仍然差异很大。优秀的候选人通常会将高层次的直觉和外部背景带入他们与 Agent 的合作中。
具体来说，我们评价高的候选人，都沉浸在了解决问题的环境中——要么来自他们自己的热情项目，要么来自那些有意义的问题多于人手的高增长公司。
3. 致力于问题最具雄心的形式
在过去十年中，研究中最有用的思维框架之一是“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。这个教训也适用于选择问题和公司。
公司和职业一直遵循幂律分布的结果，但 AI 加速了向这些结果迈进的步伐。因为现在构建软件变得更加容易，任何人都可以相对轻松地构建简单的系统。真正的、持久的价值只有通过极度专注于真正雄心勃勃的问题才能建立。
要选择一家公司，这里的建议很简单：评估这家公司是否在致力于其问题最具雄心的形式，然后评估他们是否真的有解决它的机会。要选择一个职位，思考这个职位是否能让你直接在公司正在解决的任何问题的最前沿工作。
4. 冲刺最后一英里
对于初创公司，Alfred Lin 有一篇很棒的文章，讲述了最后 10% 既是 90% 的工作，也是 90% 的回报。AI 使结果两极分化，因为中位数结果就是 Agent 用一个草率的提示就能产生的东西。因此，价值来自于对问题某个切片的独特视角或对细节的关注。
学会在最后一英里执行好，需要练习和专注。没有什么是第一次尝试就能完美的，所以最后一英里通常关乎迭代。由于编码 Agent 的进步如此迅速，通常更好的做法是从之前的迭代中吸取教训，然后利用下一代智能从头开始。在你自己的项目中练习这一点。主动多花一点时间在打磨、干净的架构、可扩展性或创造力上。我确实看到过那些这样做的候选人所产生的影响。
5. 提高 xG 和效率
在足球中，xG（预期进球）是一个衡量球队根据其机会在比赛中预期进球数的指标，考虑了距离、角度、守门员位置等因素。效率则是这些机会的相对转化率。
xG 和效率的类比对我自己的职业生涯来说相当准确。2023 年，我拒绝了 Anthropic（当时约 50 名员工）和 Cursor（当时 2 名非创始人全职员工）的 offer，因为我想在 DeepMind 从事前沿模型推理和训练工作。2024 年，我再次拒绝了这两家，选择去 OpenAI 工作。从职业角度来看，这些替代机会中的每一个都有很高的 xG，但我最终选择了更符合我兴趣、文化契合度和目标（双关语）的公司。
职业生涯很长，机会来来去去。我不相信 ASI 会取代所有人类的知识工作，因为人类在选择有意义的问题供 ASI 解决，以及分配资本来解决这些问题方面，具有差异化的能力。
并非每个机会都会转化为进球，但处于正确的位置看到机会是进球的第一步。这又回到了声誉和专业知识上。Cursor 的机会之所以出现，是因为我在 Michael 和 Aman 的共同好友中口碑很好；Anthropic 的机会则是因为我一直在投入职业和个人时间，研究对那个团队有吸引力的问题。
在某种程度上，生活是关于进球的，而不仅仅是看到机会，因此门前的效率也很重要。回顾我的决定，我认为我做出了许多正确的选择，但更希望当时能花更多时间收集数据来为决策提供信息。
其核心是，选择早期公司主要是看团队和市场。许多候选人今天会锚定现有的产品，但如果团队优秀，产品几乎总是会演变成非常不同的东西。对我来说，Anthropic 最初的演示是一个比 ChatGPT 还差的 Slackbot。
6. 你现在就可以进入研究领域
最近，我收到很多人关于如何进入研究领域的问题。我以前的同事 Vlad 是 Gemini 团队的负责人，他对此有一篇出色的文章阐述了他的观点。
现代研究有更多算力会更容易进行，但一个好的起点是使用模型，并将你自己的直觉提炼成评估。我以前的同事 @kellerjordan0 公开的优化排行榜，也为在更结构化的环境中探索想法提供了很好的平台。
许多像 Modal 这样的算力提供商为学术界提供积分。现在就使用它们，探索你的想法。大多数想法最终会在规模化时失败，理解这些失败是建立对什么真正有效理解的第一步。
最终，我相信成为一名研究者是一种心态，而不是一种职业。前沿实验室中研究者的大部分工作是：保持足够的好奇心去探索新想法，与基础设施作斗争来实现这些想法，极度详细地理解整个系统以高效调试问题，以及阐述结果的价值以争取更多算力。你无需身处前沿实验室也能做到所有这些。
结语
这个世界仍然充满机遇。解锁它们的关键在于专注于发现有趣的问题并交付非凡的成果。如果这吸引了你，请联系我们，我们很乐意与你合作。
