AI 模型可以針對任何你能寫出損失函數的事物不斷進步，而學校教育大多就是損失函數：針對已知答案評分、定義明確的問題。因此，未來十年最有價值的工作，就是那些在模型訓練期間無法被評分的領域。
在我六年的工作經歷中，很幸運能與來自各種規模公司的優秀人才合作，從我自己的新創公司，到 Helm AI（15→50 名員工）、Scale AI（500→1500 名員工）、OpenAI（1500→3000 名員工）和 Google（超過 100,000 名員工）。身為創辦人，我花很多時間思考，為公司當下與未來的發展找到正確的人才。由於我們是 100% 原生 Agent 的公司，我們的需求與我過去待過的任何公司都截然不同。
對於那些積極進取、充滿抱負、處於職涯早期的人，我現在對於未來十年哪些技能有價值，有了更清晰的看法。我給出過也接受過許多職涯建議。雖然許多名言依然適用（例如選對火箭船，別管坐哪裡），但由於智能體編碼的興起，許多事情已經改變。以下是我認為依然不變的道理，以及新的觀點。
1. 專注於真正有限的資源
在加入 Scale 之前，我有幾份量化交易的工作機會，保證薪資高得多，但我決定加入 Scale，因為我對那裡的社群氛圍以及能接觸到 Scale 各種產品和應用的機會感到興奮。透過 Scale，我認識了 LLM 推理服務商，這也為我帶來了 DeepMind 和 OpenAI 的機會。我也認識了許多同樣雄心勃勃的同事，他們現在形成了 Scale 創辦人社群。時至今日，Scale 帶給我的獨特人脈和學習機會，對我人生的貢獻遠超過那些量化交易工作多給的薪水。
現在取得資本比以往任何時候都容易得多。但獲得真實的時間以及與他人建立深厚關係，依然非常稀有。在過去相關領域中展現過的卓越成就，仍然是最高信號。所以我的具體建議是，花時間做好工作，並確保這段經歷能讓其他同樣優秀的人知道。要毫不留情地優先安排你的時間，無論你投入的是學業、專案還是實習，都要專注於你覺得有意義的問題。有了「氛圍編碼」，賺快錢的機會很容易找到，但當你尋找真正的價值時，回報通常會大得多。
時間、關係和聲譽：這些才是真正有限、值得你投入專注的資源。
2. 學會發現問題，而不只是解決問題
為了在茫茫候選人中找到訊號，我們深入思考了在一家原生 Agent 的公司裡，工程師需要哪些技能。既然沒有人再手動寫一行程式碼，傳統的 Leetcode 風格題目，甚至系統設計題目，都感覺與實際的工作表現不相關。最終，我們設計了一系列面試，用於衡量一個人能否快速理解所處的環境、找出值得解決的問題，然後在現有環境的限制下解決這些問題。
最重要的技能將與問題選擇和資源分配有關。功能日益強大的 Agent 能夠處理複雜且定義明確的問題，因此最具影響力的人，將是那些最擅長找出重要問題，然後分配運算資源和時間來解決問題的人。
我看到一種趨勢，學生們因為 Agent 能解決他們所有習題而感到沮喪。但根據我進行面試的經驗，候選人在需要多少時間和運算資源才能找到解決方案上，表現仍然差異很大。優秀的候選人通常會帶著高層次的直覺和外部背景知識來與 Agent 協作。
具體來說，我們評價很高的候選人，都是沉浸於解決問題的環境中，無論是來自他們自己的熱情專案，還是身處在有意義的問題比員工還多的高速成長公司。
3. 致力於解決問題最具企圖心的形式
過去十年，研究中最有用的思維框架之一是「苦澀的教訓」：擴展通用方法最終會勝過特定任務的優化。這個教訓也同樣適用於選擇問題和選擇公司。
公司和職涯的成果一直都是冪律分布，但 AI 加速了達成這些成果的進程。由於建構軟體現在變得容易得多，任何人都可以相對輕鬆地建立簡單的系統。真正、持久的價值，只有透過極度專注於真正有企圖心的問題才能被創造出來。
對於選擇公司，這裡的建議很簡單：評估這家公司是否正在解決其問題中最具企圖心的形式，以及他們是否真的有機會解決它。對於選擇職位，要思考這個職位是否能讓你直接在公司解決問題的最前線工作。
4. 衝刺最後一哩路
對於新創公司，Alfred Lin 有一篇很棒的文章，談到最後的 10% 既是 90% 的工作，也是 90% 的回報。AI 讓成果極度兩極化，因為中等的結果，就是一個能用隨便的提示詞產生的 Agent 成果。因此，價值來自於在特定問題領域提供獨特的視角，或是對細節的極致關注。
學會在最後一哩路執行得好，需要練習和專注。沒有任何事能在第一次嘗試時就完美，所以最後一哩路通常關乎迭代。由於編碼 Agent 的進展非常快速，通常更好的做法是從先前的迭代中學習，然後直接用下一代的智慧從頭開始。在你的個人專案中練習這個做法。主動多花一點時間在打磨、乾淨的架構、可擴展性或創造力上。我確實看過這樣做的候選人，其影響力有顯著不同。
5. 同時提升 xG 值和效率
在足球中，xG（預期進球數）是衡量一支球隊根據其機會，預期能在比賽中進多少球的指標，會考慮距離、角度、守門員位置等因素。效率則是這些機會的相對轉換率。
這個 xG 和效率的比喻，對我自己的職涯來說相當準確。2023 年，我拒絕了 Anthropic（當時約 50 名員工）和 Cursor（當時 2 位非創辦人全職員工）的工作機會，因為我想在 DeepMind 從事前沿模型的推理和訓練工作。2024 年，我再次拒絕了這兩家，轉而加入 OpenAI。從職涯角度來看，這些替代機會都是高 xG 的選擇，但我最終選擇了更符合我興趣、文化契合度和目標的公司（雙關語，請見諒）。
職涯很長，機會來來去去。我不相信 ASI 會取代所有知識工作者，因為人類在為 ASI 選擇有意義的問題，以及分配資本解決這些問題上，擁有獨特的能力。
不是每個機會都會變成進球，但處在正確的位置才能看到機會，這是進球的第一步。這又回到了聲譽和專業知識。Cursor 的機會之所以出現，是因為我在 Michael 和 Aman 的社交圈中享有良好聲譽；而 Anthropic 的機會，則是因為我一直投入個人與專業時間，在解決那個團隊感興趣的問題。
在某個時刻，人生是關於進球，而不只是看到機會。因此，在球門前的效率也很重要。回顧我的決定，我認為我做了許多正確的選擇，但更希望能花更多時間收集數據來輔助決策。
歸根結底，選擇早期公司主要看的是團隊和市場。許多候選人現在會緊抓著現有的產品，但如果團隊夠優秀，產品幾乎總是會演變成非常不同的東西。Anthropic 最初的 demo 只是一個 Slack 機器人，對我來說甚至比 ChatGPT 還差。
6. 你現在就可以踏入研究領域
最近，我收到很多人詢問如何踏入研究領域。我以前的同事 Vlad 是 Gemini 團隊的負責人，他對於這個主題有非常精闢的見解。
現代研究在有更多算力的情況下更容易進行，但一個很好的起點是使用模型，並將你自己的直覺提煉成評估指標。我前同事 @kellerjordan0 公開的優化排行榜，也提供了很好的論壇，讓你能在更有結構的環境中探索想法。
許多算力提供商，如 Modal，會為學術界提供額度。現在就使用它們，探索你的想法。大部分的想法最終都會在規模化時失敗，理解這些失敗，是建立對什麼真正有效之理解的第一步。
最終，我相信研究員是一種心態，而非一種職業。在前沿實驗室中，研究員的大部分工作是混合了：保持足夠的好奇心去探索新想法、與基礎設施搏鬥來實現這些想法、極度詳細地理解整個系統以有效除錯，以及闡述結果的價值以爭取更多算力。所有這些，你都可以在不屬於前沿實驗室的情況下做到。
結語
這個世界依然充滿機會。解鎖這些機會的關鍵，在於專注於找到有趣的問題，並交出卓越的成果。如果你對此感興趣，歡迎聯繫我們，我們很樂意與你共事。
