在人工智能（AI）时代，年轻人应该如何找到适合自己的职业路径？
近日，前 OpenAI、DeepMind、Scale AI 研究员 Phil Chen 在 X 上发布了一篇长文，结合自己多年的职场经历，为身处 AI 时代的年轻人提供了一些很有价值的职业建议。
他写道，AI 越来越擅长将任务标准化，而学校里的大部分训练，恰恰都是这类定义清楚、答案已知、可以被评分的问题。“未来十年，真正有价值的工作，往往是那些无法在模型训练中被简单评分的事情。”
他给出的建议也很直接：年轻人要学会关注真正稀缺的资源，并学会发现问题、选择更有野心的方向，把结果做到最后一公里；同时，还要提高识别机会和把握机会的能力，尽早开始做研究。
以下为文章主要内容：
AI 模型会在任何可以写出损失函数的事情上变得更强。而学校里的很多训练，本质上都像损失函数：题目定义清楚，答案已知，结果可以被评分。
因此，未来十年，真正有价值的工作，会是那些无法在模型训练周期内被轻易评分的事情。
过去 6 年里，我很幸运和许多优秀的人共事过，所在公司规模各不相同：从我自己的创业公司，到 Helm AI（15→50 名全职员工）、Scale AI（500→1500 名全职员工）、OpenAI（1500→3000 名全职员工），再到 Google（10 万+ 名全职员工）。
我花了很多时间思考：对我们公司现在和未来来说，什么样的人才是正确的。因为我们是一家以 Agent 为原生工作方式的公司，所以我们的用人需求和我过去工作过的公司很不一样。
对于有动力、有野心、处在职业早期的人来说，我现在对未来十年什么技能最有价值，有了更清晰的看法。我给过也听过很多职业建议。许多经典格言仍然成立，比如“加入火箭船时，不要问自己坐哪个座位”。然而，随着 agentic coding 的兴起，很多事情已经发生了变化。下面是一些依然成立的东西，以及一些新的变化。
1.关注真正稀缺的资源
在加入 Scale 之前，我拿到过现金收入更高的量化岗位 offer，但我最终选择了 Scale，因为我对那里的社区，以及接触 Scale 各类产品和应用的机会感到兴奋。
通过 Scale，我接触到了 LLM 推理服务商，这后来带来了我进入 DeepMind 和 OpenAI 的机会。我也遇到了许多有抱负的同事，他们如今组成了一个来自 Scale 的创业者社区。回头看，Scale 带给我的人脉和学习机会，远比当初量化岗位多出来的现金重要得多。
现在，获得资本比以往任何时候都更容易。但真正能和优秀的人共事、交流并建立强关系的时间，仍然稀缺。
过去相关经历中被证明过的卓越表现，依然是最强信号。因此，我的具体建议是：花时间做出好工作，并确保这些工作被其他同样优秀、值得信任的人知道。
要极其认真地分配你的时间。无论是学校任务、项目还是实习，都应该聚焦在你认为有意义的问题上。借助 vibe coding，也就是用 AI 快速搭出项目，很容易找到一些能快速赚钱的机会，但如果你寻找的是真正的价值，回报通常会大得多。
时间、关系和声誉，才是真正稀缺、值得投入注意力的资源。
2.不只要学会解决问题，还要学会发现问题
为了在大量候选人中找到信号，我们认真思考过：在一家以 Agent 为原生工作方式的公司里，工程师今天真正重要的技能是什么。
在我们这样的 Agent 原生公司里，代码已经不再主要依赖人工逐行手写。因此传统 Leetcode 题，甚至系统设计题，都不再那么能反映真实工作表现。最终，我们设计了一系列面试，衡量候选人能否快速理解自己所处的环境，识别值得解决的问题，并在既有环境约束下解决这些问题。
未来最重要的技能，会和问题选择、资源分配有关。
能力越来越强的 Agent 已经能够处理复杂但定义清楚的问题。因此，最有影响力的人，将是那些最擅长识别重要问题，并合理分配 token 和时间去解决它们的人。
我看到一种趋势：很多学生因为 Agent 已经能解完他们的习题而感到沮丧。但根据我的面试经验，候选人在“需要多少时间和 token 才能抵达解决方案”上仍然差异巨大。优秀候选人通常会带着高层直觉和外部背景知识，和 Agent 协作。
具体来说，评分很高的候选人，通常都深度沉浸在解决问题的环境中。要么来自他们自己的热情项目，要么来自那些高速增长、重要问题数量远多于人手的公司。
3.选择最值得做的问题
过去十年，研究中最有用的心智框架之一是“苦涩的教训”：长期来看，通用方法的规模化最终会胜过特定任务优化。
这个教训也适用于选择问题和公司。
公司和职业一直都有幂律结果，但 AI 加速了人们走向这些结果的速度。因为构建软件现在变得容易得多，任何人都能相对轻松地搭建简单系统。真正持久的价值，只会来自对真正有野心问题的极度专注。
选公司时，判断标准很简单：它是否在解决一个足够有野心的问题，以及它是否真的有机会把这个问题解决。
选择角色时，则要思考这个角色是否能让你直接站在公司所解决问题的前沿。
4.冲刺最后一公里
对于创业公司来说，Alfred Lin 有一篇很好的文章，讲最后 10% 既是 90% 的工作，也是 90% 的回报。
AI 让产出水平迅速两极分化，因为普通水准的结果，往往已经是一个 Agent 加上草率 prompt 就能做出来的。因此，真正的价值来自你对某一类问题的独特视角，或者对细节的高度关注。
学会在最后一公里执行到位，需要练习和专注。没有东西第一次就完美，所以最后一公里往往意味着不断迭代。由于 coding agent 的进步非常快，很多时候更好的做法是吸收上一轮迭代的经验，然后用下一代模型重新开始。
你可以在自己的项目中练习这一点。主动多花一点时间打磨、优化架构、考虑可扩展性，或者加入创造性。我确实在候选人身上看到了这种练习带来的影响。
5.同时提高xG和效率
在足球里，xG，也就是 expected goals，预期进球，是一种衡量一支球队基于机会质量预计能进多少球的指标。它会考虑距离、角度、门将位置等因素。效率则是这些机会最终转化为进球的比例。
用 xG 和效率来类比我的职业经历，基本是准确的。
2023 年，我拒绝了 Anthropic 的 offer，他们当时大约 50 名全职员工；也拒绝了 Cursor 的 offer，他们当时除创始人外只有 2 名全职员工。原因是，我想在 DeepMind 做前沿模型推理和训练。
2024 年，我再次拒绝了这两个机会，选择去 OpenAI。站在职业角度看，这些替代机会的 xG 都很高，但我最终选择了更符合自己兴趣、文化匹配和目标的公司。
职业很长，机会会来来去去。我不相信超级人工智能会取代所有知识工作者，因为人类在选择哪些问题值得让超级智能去解决，以及如何分配资本解决这些问题上，仍然拥有差异化能力。
不是每一个机会都会转化成进球，但站在正确位置看到机会，是进球的第一步。这仍然取决于声誉和专业能力。
Cursor 的机会来自我在 Michael 和 Aman 共同熟人圈中的良好声誉；Anthropic 的机会则来自我在职业和个人时间里持续投入他们团队感兴趣的问题。
当然，到某个阶段，人生不只是看见机会，而是要把机会转化为进球，所以门前效率也很重要。回顾我的决定，我认为自己做出了许多正确选择，但我也希望当时能花更多时间收集信息，帮助自己做决策。
从根本上说，选择早期公司，主要看团队和市场。今天很多候选人会盯着现有产品，但如果团队足够好，产品几乎总会演化成完全不同的东西。Anthropic 最初的 demo 是一个 Slackbot，对我来说还不如 ChatGPT。
6.现在，你也可以做研究了
最近，我收到很多人问，如何进入研究。我以前的同事 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。
现代研究有更多算力当然更容易做，但一个很好的起点是：使用现有模型，并把你自己的直觉蒸馏成评测。我的前同事 @kellerjordan0 推动的一些公开优化排行榜，也为更结构化地探索想法提供了很好的场所。
许多算力提供商，比如 Modal，会给学术用户提供额度。用起来，现在就去探索你的想法。大多数想法最终会在规模化时失败，而理解这些失败，是建立“什么真正有效”直觉的第一步。
最终，我相信，研究者首先是一种心态，而不是一种职业。
在前沿实验室里，研究者的大部分工作，其实是几件事的混合：有足够的好奇心去探索新想法；和基础设施不断较劲，把想法真正实现出来；极其详细地理解整个系统，以便高效调试问题；清楚表达结果的价值，从而争取更多算力。
即使不在前沿实验室，你也可以做这些事情。
这个世界仍然充满机会。打开这些机会的关键，是专注于寻找有趣的问题，并交付非凡的结果。
整理：夏千斯
如需转载或投稿，请直接在本文章评论区内留言