For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/de/articles/deepseek-ai-cross-disciplinary-talent-hir-2c6dcdf2.md.
Auf der Karriereseite von DeepSeek gibt es eine ungewöhnliche Stellenausschreibung: **„AI Cross-Disciplinary Technical Talent“**.
Auf der Karriereseite von DeepSeek gibt es eine ungewöhnliche Stellenausschreibung: „AI Cross-Disciplinary Technical Talent“.
Die Position ist den Bereichen Full-Stack-Entwicklung und Algorithmen zugeordnet. In der Stellenbeschreibung heißt es jedoch, dass sie sich an Menschen mit außergewöhnlichen Fähigkeiten richtet, die am Aufbau einer AGI mitwirken möchten. Eine wesentliche Einschränkung gibt es nicht.
Statt nach einem klassischen KI-Lebenslauf zu suchen, erklärt DeepSeek, dass Bewerberinnen und Bewerber dem Forschungs- oder Engineering-Team zugeordnet werden, das am besten zu ihren Interessen und Fähigkeiten passt.
Am meisten diskutiert wird der Abschnitt zu den Bonuskriterien.
Neben herausragenden Wettbewerbsergebnissen, tiefgehender Expertise in einem Fachgebiet, einflussreicher Open-Source-Arbeit und Unternehmertum enthält DeepSeek dort einen bewusst vage gehaltenen Punkt:
Den unkonventionellen Weg einschlagen.
Dadurch wirkt die Stelle auf den ersten Blick widersprüchlich.
DeepSeek hat außerdem Recruiting-Formulierungen verwendet, nach denen das Unternehmen nicht einfach „Genies sucht“. Gleichzeitig richtet sich diese Position ausdrücklich an Menschen mit überdurchschnittlichen Fähigkeiten.
Der Widerspruch wird verständlicher, wenn man die Ausschreibung gemeinsam mit früheren Interviews des Gründers Liang Wenfeng über Einstellungen, DeepSeeks junges technisches Team und die Entstehung von Multi-Head Latent Attention (MLA) betrachtet.
Das Gesamtbild lautet weniger „Wir wollen Menschen ohne Erfahrung“ als vielmehr:
DeepSeek scheint Nachweise für eigenständige Problemlösung höher zu bewerten als eine konventionelle berufliche Laufbahn.
Die Stellenausschreibung ist ungewöhnlich, weil sie auf eine normale Checkliste aus Abschluss, Studienfach, Berufsjahren und früheren Jobtiteln verzichtet.
In der sichtbaren Beschreibung heißt es, dass sich die Position an Bewerberinnen und Bewerber mit außergewöhnlichen Fähigkeiten richtet, die bei der Entwicklung und dem Aufbau einer AGI helfen möchten.
Außerdem wird ausdrücklich gesagt, dass es keine Einschränkung beim Studienfach gibt.
Die Position kann als Praktikum oder als Vollzeitstelle ausgeübt werden.
Die aktuelle Ausschreibung nennt vier zentrale Anforderungen:
Zu den Bonuskriterien gehören:
Die letzte Zeile sorgte dafür, dass sich die Stelle in den chinesischen sozialen Medien verbreitete.
Sie lässt sich nur schwer in eine konventionelle Bewertungsskala für Recruiter übersetzen.
Für „unkonventionell“ gibt es kein Standardzertifikat.
Die Formulierung scheint als Kurzfassung für ein breiteres Profil zu dienen: eine Person, die Annahmen infrage stellen, eigenständig forschen und bedeutende Ergebnisse erzielen kann, ohne auf ein etabliertes Vorgehensmodell zu warten.
Die Recruiting-Kampagne von DeepSeek aus dem Juni 2026 verwendete eine weitere Formulierung, die Aufmerksamkeit erregte:
„Wir suchen niemals einfach nur Genies.“
Die übergeordnete Botschaft des Unternehmens lautete, dass es Menschen finden möchte, die etwas wirklich Eigenständiges beizutragen haben.
Diese Darstellung ist weniger widersprüchlich, als sie zunächst wirkt.
„Genie“ kann Status, Reputation, Eliteabschlüsse oder einen perfekt ausgearbeiteten Lebenslauf bedeuten.
„Außergewöhnliche Fähigkeiten“ sind in dieser Stellenausschreibung hingegen stärker an nachweisbares Verhalten geknüpft:
Die Position ist daher nicht gegen Qualifikationen gerichtet.
Wettbewerbsmedaillen und Bildungshintergrund erscheinen weiterhin in den Kriterien.
Besser lässt sie sich als fachunabhängig, aber bei nachgewiesenen Fähigkeiten äußerst selektiv beschreiben.
Der ursprüngliche Quellenartikel wiederholt Aussagen von Recruitern und Headhuntern, wonach DeepSeek gelegentlich Kandidaten mit langjähriger Erfahrung aussortiere und Menschen mit nur wenigen Jahren Berufserfahrung bevorzuge.
Diese Aussagen sind weit verbreitet, sollten aber nicht als offizielle Einstellungsregeln behandelt werden.
Auf DeepSeeks öffentlicher Jobseite steht nicht:
Mehr als acht Jahre Berufserfahrung = automatische Ablehnung
Ebenso wenig steht dort:
Goldmedaille oder nichts
Was sich überprüfen lässt, ist nuancierter.
In früheren Interviews sagte Liang Wenfeng, dass DeepSeek und High-Flyer häufig aufgrund von Fähigkeiten statt vorheriger Erfahrung einstellen.
Er sagte außerdem, dass viele zentrale technische Positionen von Hochschulabsolventen oder Menschen besetzt wurden, die erst ein oder zwei Jahre von der Universität entfernt waren.
Das ist eine Philosophie.
Es ist nicht dasselbe wie eine öffentlich dokumentierte, harte Obergrenze für Berufserfahrung.
Die gleiche Vorsicht gilt für die Formulierung „Geruch eines Großunternehmens“ oder „Großunternehmensprägung“.
Chinesische Medien haben Kommentare von Recruitern veröffentlicht, denen zufolge DeepSeek Kandidaten skeptisch gegenübersteht, die stark standardisierte Prozesse großer Unternehmen in die Spitzenforschung mitbringen.
Dies ist jedoch keine formelle Regel, die auf der Karriereseite veröffentlicht wurde.
Für Kandidaten ist die praktische Schlussfolgerung einfacher:
Gehen Sie nicht davon aus, dass ein bekannter Arbeitgeber oder ein langer Lebenslauf ausreicht. Zeigen Sie, wie Sie denken, was Sie entwickelt haben und an welchen Stellen Sie den Standard infrage gestellt haben.
Liang Wenfeng hat DeepSeeks frühes technisches Team als ungewöhnlich jung beschrieben.
In einem vielfach verbreiteten Interview wies er die Vorstellung zurück, dass das Team aus geheimnisvollen, etablierten Superstars bestehe.
Er beschrieb viele Mitwirkende als:
Er sagte außerdem, dass DeepSeek-V2 hauptsächlich von selbst aufgebauten Talenten entwickelt wurde und nicht von einem Team, das durch die Anwerbung internationaler Stars zusammengestellt wurde.
Der Punkt war nicht, dass das Alter selbst Innovation hervorbringt.
Vielmehr war das Unternehmen bereit, Menschen, die noch keine zehn Jahre die übliche Hierarchie der Branche durchlaufen hatten, große technische Verantwortung zu übertragen.
Das hilft zu erklären, warum die aktuelle interdisziplinäre Position so breit angelegt ist.
DeepSeek versucht nicht nur, Menschen einzustellen, die bereits wissen, wie ein KI-Labor normalerweise funktioniert.
Das Unternehmen sucht auch Menschen, die eine andere Denkweise in das Labor einbringen können.
Liangs ältere Äußerungen über Erfahrung sind für den Quellenartikel zentral.
Sein Argument war nicht, dass Erfahrung nutzlos sei.
In ausgereiften Engineering-Bereichen ist Erfahrung oft äußerst wertvoll.
Ein Senior Engineer, der ein Zahlungssystem entwickelt, kann Fehlerarten vermeiden, die ein Neuling noch nie gesehen hat.
Eine produktive Datenbank, ein Sicherheitssystem oder eine Empfehlungsmaschine profitieren enorm von angesammeltem Betriebswissen.
Die Spitzenforschung an AGI unterscheidet sich in einem wichtigen Punkt:
Es gibt möglicherweise noch keine etablierte richtige Methode.
Liang argumentierte, dass erfahrene Menschen manchmal zu schnell auf eine bekannte Lösung zurückgreifen.
Jemand mit weniger konventioneller Erfahrung ist möglicherweise eher bereit, ein Problem wiederholt von Grund auf zu untersuchen und zu einem Ansatz zu gelangen, der besser zur aktuellen Situation passt.
Dies ist ein echter Zielkonflikt.
Erfahrung kann wiederholte Fehler verhindern.
Sie kann aber auch Annahmen darüber schaffen, welche Richtungen „offensichtlich“ nicht lohnenswert sind.
DeepSeeks Kultur scheint darauf ausgelegt zu sein, mehr Raum für das zweite Verhalten zu bewahren.
Ein ausgereiftes Fachgebiet hat stabile Einschränkungen.
Ein Spitzenforschungsgebiet hat instabile Annahmen.
Der Quellenartikel nennt Beispiele wie:
Dies sind wichtige Techniken.
Aber keine ernsthafte Forschungsorganisation kann davon ausgehen, dass die heutige Standardarchitektur für immer die richtige Architektur bleiben wird.
An der Forschungsgrenze lautet die schwierige Frage oft nicht:
Wie optimieren wir den akzeptierten Ansatz?
Sondern:
Welche akzeptierte Annahme sollten wir nicht länger akzeptieren?
In diesem Umfeld kann interdisziplinäres Talent wertvoll werden.
Ein Physiker kann Optimierung anders betrachten.
Ein Mathematiker erkennt möglicherweise eine Invariante, die einem Ingenieur entgeht.
Ein Systemforscher kann die rechnerische Struktur infrage stellen.
Ein Philosoph kann ein konzeptionelles Problem identifizieren, das sich nicht auf Benchmark-Leistung reduzieren lässt.
Das Ziel ist nicht, technisches Fachwissen zu ersetzen.
Es geht darum, die Bandbreite der Annahmen zu erweitern, die infrage gestellt werden.
Der Quellenartikel verweist auf Multi-Head Latent Attention (MLA) als deutlichstes Beispiel für diese Kultur.
MLA ist eine zentrale Architekturkomponente, die in DeepSeek-V2 eingeführt und in DeepSeek-V3 übernommen wurde.
Die offiziellen technischen Unterlagen zu DeepSeek-V3 bestätigen, dass MLA für das effiziente Inferenzdesign des Modells zentral ist.
Die Entstehungsgeschichte stammt aus einem Interview mit Liang Wenfeng.
Er sagte, die Idee habe mit dem persönlichen Interesse eines jungen Forschers begonnen, der untersuchte, wie sich Attention-Architekturen entwickelt hatten, und sich fragte, ob sich eine Alternative entwickeln ließe.
DeepSeek bildete anschließend ein Team rund um diese Idee.
Es dauerte Monate, das ursprüngliche Konzept in eine funktionierende Architektur zu überführen.
Diese Geschichte ist wichtig, weil sie nicht so lautet:
CEO wählt Architektur
→ Team implementiert Architektur
Sondern eher:
Forscher bemerkt eine Annahme
→ Forscher untersucht eine Alternative
→ Idee zeigt Potenzial
→ Organisation stellt Ressourcen bereit
→ Team überführt sie in produktionsreife Forschung
Liang beschrieb DeepSeeks übergreifende Forschungsstruktur als Bottom-up-Ansatz, bei dem Menschen ihre eigenen Ideen einbringen und sich Teams um vielversprechende Richtungen bilden.
Genau in einem solchen Umfeld ergibt ein Einstellungskriterium wie „den unkonventionellen Weg einschlagen“ mehr Sinn.
Aus dieser Perspektive ist die ungewöhnliche Stellenausschreibung weniger rätselhaft.
Alle fünf Bonuskriterien weisen auf dieselbe grundlegende Eigenschaft hin.
Ein herausragendes Wettbewerbsergebnis deutet auf die Fähigkeit hin, schwierige und unbekannte Probleme unter Druck zu lösen.
Ein außergewöhnliches Niveau in einem Bereich zu erreichen, deutet auf Ausdauer und Tiefe hin.
Beschreibe deine Idee einmal, und We0 AI erstellt eine Showcase-Website, Seiten und ein CMS und hilft nach dem Launch bei Kunden und Traffic.
Eine komplette Projektgeneration zur kostenlosen Registrierung
Am besten geeignet, um einen vollständigen Generierungsablauf auszuprobieren und schnell einen ersten Projektentwurf zu sehen.
Das Fachgebiet muss nicht KI sein.
Ein starkes Open-Source-Projekt gibt DeepSeek etwas Konkretes, das geprüft werden kann.
Es zeigt, ob die Kandidatin oder der Kandidat außerhalb formaler Arbeitgeberstrukturen nützliche Systeme entwickeln kann.
Etwas von null auf eins aufzubauen, ist ein Beleg für Eigeninitiative unter Unsicherheit.
Dies ist das am wenigsten messbare Kriterium, verbindet aber die anderen miteinander.
Es fragt, ob eine Person ohne vorgezeichnete Karte handeln kann.
Die gemeinsame Variable ist nicht das Alter.
Es ist Handlungsfähigkeit.
DeepSeek ist nicht das einzige Spitzen-KI-Labor, das Menschen einstellt, deren ursprüngliches Fachgebiet nicht maschinelles Lernen ist.
Der Quellenartikel vergleicht DeepSeek mit Anthropic und Google DeepMind.
Die Beispiele sind real, auch wenn einige Statistiken zur Zahl der Beschäftigten im Quellenartikel auf der Analyse von Lebensläufen durch Dritte beruhen und nicht auf offiziellen Belegschaftsdaten.
Der übergreifende Trend lässt sich leichter bestätigen:
Spitzen-KI-Labore benötigen zunehmend Menschen, die zusätzlich zu klassischer Softwareentwicklung und ML-Forschung in den Bereichen Ethik, Philosophie, Bewusstsein, Entscheidungstheorie, Governance, Psychologie und Mensch-KI-Interaktion arbeiten.
Das liegt teilweise daran, dass die Systeme selbst inzwischen Fragen aufwerfen, die nicht allein durch Benchmark-Optimierung beantwortet werden können.
Amanda Askell ist eines der deutlichsten Beispiele.
Ihr Hintergrund liegt in der Philosophie, insbesondere in Ethik und Entscheidungstheorie.
Vor Anthropic arbeitete sie bei OpenAI.
Bei Anthropic wurde sie zu einer zentralen Figur der Arbeit am Charakter von Claude.
In der Claude Constitution von Anthropic aus dem Jahr 2026 heißt es, dass Askell die Character-Arbeit leitet und die Hauptautorin des Dokuments ist.
Hier wird Philosophie nicht nachträglich als Dekoration hinzugefügt, nachdem das Modell entwickelt wurde.
Anthropics Forschung zum Charaktertraining behandelt Fragen wie die folgenden als Produkt- und Alignment-Fragen:
Der Forschungsbeitrag „Claude’s Character“ aus dem Jahr 2024 beschreibt das Ziel, über einfache Harmlosigkeit hinauszugehen und reichhaltigere Eigenschaften wie Neugier, Wahrhaftigkeit, Offenheit, Geduld und überlegtes Urteilsvermögen zu fördern.
Diese Arbeit erfordert technische Umsetzung.
Doch die Entscheidung, welche Art von Verhalten trainiert werden sollte, ist teilweise ein philosophisches Problem.
Anthropics Constitution aus dem Jahr 2026 macht diese interdisziplinäre Arbeit zu einem deutlich umfassenderen operativen Dokument.
In den Danksagungen heißt es, dass Askell die Entwicklung leitete und den größten Teil des Dokuments verfasste.
Zu den weiteren Mitwirkenden gehören Forschende, die an Modellpsychologie, epistemischer Autonomie, Sicherheit, Werten und Alignment arbeiten.
Die Präsenz von Philosophen in einem Spitzen-KI-Unternehmen ist daher kein Zufall.
Mit zunehmender Leistungsfähigkeit von Modellen werden Fragen, die früher hauptsächlich der akademischen Philosophie zugerechnet wurden, zu Anforderungen an das Engineering:
Was sollte das System wertschätzen?
Wie sollte es unter moralischer Unsicherheit schlussfolgern?
Wann sollte es sich zurückhalten?
Wie sollte es Unsicherheit über sich selbst darstellen?
Diese Fragen lassen sich nicht durch das Hinzufügen weiterer GPUs lösen.
Der Quellenartikel erwähnt außerdem Ben Levinstein, dessen Forschungshintergrund unter anderem Erkenntnistheorie und Entscheidungstheorie umfasst.
Die aktuellen Forschungspublikationen von Anthropic und die Danksagungen der Claude Constitution bestätigen, dass Levinstein zu Anthropics Forschungsarbeit beiträgt.
Die genaue Darstellung seiner beruflichen Laufbahn sollte vorsichtig behandelt werden, sofern sie nicht anhand seines direkten beruflichen Profils überprüft wurde.
Der übergeordnete Punkt bleibt jedoch stichhaltig: Anthropics Alignment-Organisation umfasst Forschende mit Ausbildung in Bereichen wie Philosophie, Entscheidungstheorie, Kognitionswissenschaft und angrenzenden Disziplinen.
Google DeepMind machte den Trend im Jahr 2026 ungewöhnlich deutlich.
Henry Shevlin gab bekannt, dass er im Mai zu Google DeepMind wechseln werde – mit dem tatsächlichen Jobtitel:
Philosopher
Seine Arbeit konzentriert sich auf:
Shevlin ist weiterhin dem Leverhulme Centre for the Future of Intelligence an der University of Cambridge verbunden.
Dies ist keine normale ML-Engineering-Position.
Ziel ist es, an Fragen zu arbeiten, die operativ relevant werden, wenn KI-Systeme leistungsfähiger werden.
Beispiele dafür sind:
Die Antworten können Modellrichtlinien, Forschungsprioritäten, Sicherheitsentscheidungen und Produktdesign beeinflussen.
DeepSeek, Anthropic und Google DeepMind stellen nicht aus demselben Grund denselben Menschentyp ein.
| Unternehmen | Beispiel | Warum der Hintergrund wichtig ist |
|---|---|---|
| DeepSeek | Interdisziplinäres technisches KI-Talent | Unabhängige technische Ideen außerhalb eines festgelegten KI-Karrierewegs einbringen |
| Anthropic | Amanda Askell / Character-Arbeit | Reichhaltigere Verhaltenswerte und Urteilsfähigkeit definieren und trainieren |
| Google DeepMind | Henry Shevlin / Philosopher | Maschinelles Bewusstsein, Mensch-KI-Beziehungen und die Vorbereitung auf AGI untersuchen |
Der gemeinsame Nenner lautet nicht: „KI-Unternehmen bevorzugen plötzlich Absolventen geisteswissenschaftlicher Fächer.“
Das wäre eine Überkorrektur.
Spitzenforschung im Bereich KI bleibt ausgesprochen technisch.
Der gemeinsame Nenner ist:
Mit zunehmender Leistungsfähigkeit von KI-Systemen passen einige der schwierigsten Probleme nicht mehr sauber in eine einzige Disziplin.
Ein AGI-Labor muss sich gleichzeitig mit mehreren Kategorien von Fragen befassen.
Wie trainiert, betreibt und skaliert man das Modell effizient?
Welche Architekturen, Optimierer, Trainingsziele und Datenstrategien funktionieren?
Wie funktionieren Schlussfolgerungen, Gedächtnis, Handlungsfähigkeit und Generalisierung tatsächlich?
Wie sollte das System mit Menschen interagieren?
Welches Verhalten sollte es erlernen?
Was bedeutet es, dass ein Modell versteht, schlussfolgert, autonom handelt oder möglicherweise Zustände besitzt, die für sein Wohlergehen relevant sind?
Die ersten beiden Kategorien gehören zum vertrauten Terrain des Engineerings.
Die späteren Kategorien erfordern häufig andere Formen von Fachwissen.
Deshalb wird interdisziplinäres Recruiting sichtbarer.
Der Jobtitel lautet „interdisziplinär“, aber das eigentliche Auswahlkriterium scheint tiefer zu gehen als ein „anderes Studienfach“.
Eine Physikerin oder ein Physiker, die oder der jeden Standardweg verfolgt, ist nicht automatisch wertvoller als ein KI-Forscher.
Eine Person aus der Informatik, die wiederholt Annahmen infrage stellt, kann sehr gut zu dieser Position passen.
Die Stelle scheint eine Kombination aus Folgendem zu suchen:
Das erklärt, warum grundlegende Programmierkenntnisse weiterhin erforderlich sind.
Dies ist keine Stelle für jemanden, der technische Arbeit vermeiden möchte.
Es ist eine Stelle für jemanden, dessen stärkste bisherige Identität nicht zwingend „KI-Forscher“ lauten muss.
Die sicherste Lesart der Ausschreibung lautet nicht:
DeepSeek will nur junge Genies.
Sie lautet ebenso wenig:
DeepSeek kümmert sich nicht um Erfahrung.
Eine nützlichere Interpretation ist:
Zeigen Sie Belege dafür, dass Sie schwierige Probleme eigenständig angehen können.
Diese Belege können Folgendes umfassen:
Die konkrete Qualifikation ist weniger wichtig als das, was sie über die Arbeitsweise der Kandidatin oder des Kandidaten beweist.
Mehrere Aussagen im ursprünglichen Artikel sind interessant, aber keine erstinstanzlichen Einstellungsregeln.
| Aussage | Evidenzniveau |
|---|---|
| DeepSeek führt derzeit „AI Cross-Disciplinary Technical Talent“ | Auf der offiziellen Karriereseite bestätigt |
| Keine wesentliche Einschränkung | In der Stellenausschreibung bestätigt |
| „Den unkonventionellen Weg einschlagen“ ist ein Bonuskriterium | In der Stellenausschreibung bestätigt |
| Zentrale technische Positionen wurden in der Vergangenheit häufig mit Hochschulabsolventen bzw. Forschenden am Anfang ihrer Karriere besetzt | Durch Interviews mit Liang Wenfeng gestützt |
| MLA entstand aus dem persönlichen Interesse eines jungen Forschers | Durch ein Interview mit Liang Wenfeng gestützt |
| DeepSeek lehnt Kandidaten mit acht oder mehr Jahren Berufserfahrung automatisch ab | Nicht als offizielle Regel bestätigt |
| „Unterhalb einer Goldmedaille wird man im Grunde nicht berücksichtigt“ | Aussage von Recruitern/Headhuntern, keine offizielle Richtlinie |
| DeepSeek verbietet formell „Menschen aus Großunternehmen“ | Keine offiziell veröffentlichte Einstellungsregel |
| Anthropic beschäftigt genau 70 Ingenieure mit Physik-, 78 mit Mathematik- und 13 mit Philosophie-Hintergrund | Im Quellenartikel zitierte Analyse von Lebensläufen durch Dritte; hier nicht unabhängig verifiziert |
| Google DeepMind stellte Henry Shevlin als „Philosopher“ ein | Durch Shevlins Ankündigung und Berichte aus Cambridge bestätigt |
Es handelt sich um eine aktuelle Position bei DeepSeek für Kandidaten, die an AGI-Forschung oder -Engineering arbeiten möchten, ohne dass das Studienfach eingeschränkt wird. DeepSeek erklärt, Bewerber dem Team zuzuordnen, das am besten zu ihren Interessen und Fähigkeiten passt.
Nein. In der öffentlichen Stellenausschreibung heißt es, dass es keine wesentliche Einschränkung beim Studienfach gibt. Erforderlich sind jedoch grundlegende Programmierkenntnisse, ein starker Bildungshintergrund, ausgeprägte Lernfähigkeit und ein nachgewiesenes langfristiges Interesse an KI.
DeepSeek definiert dies nicht als messbare Qualifikation. Im Kontext scheint das Kriterium unabhängiges Denken und Belege dafür zu belohnen, dass ein Kandidat schwierige Probleme lösen kann, ohne einfach den üblichen Mustern der Branche zu folgen.
Nein. Die interdisziplinäre Position ist als Praktikum oder Vollzeitstelle verfügbar und veröffentlicht keine formelle Obergrenze für Berufserfahrung. Liang Wenfeng sagte, dass viele zentrale technische Positionen in der Vergangenheit von Hochschulabsolventen und Forschenden am Anfang ihrer Karriere besetzt wurden. Das ist jedoch nicht dasselbe wie ein offizielles Verbot erfahrener Kandidaten.
Laut einem Interview mit Liang Wenfeng ja. Er sagte, ein junger Forscher habe die Entwicklung von Attention-Architekturen untersucht, eine Alternative vorgeschlagen und DeepSeek habe später ein Team gebildet, das die Idee über Monate in ein funktionierendes System überführte.
MLA ist eine Attention-Architektur, die in DeepSeek-V2 und DeepSeek-V3 eingesetzt wird, um die Inferenzkosten zu senken, insbesondere die Belastung durch den Key-Value-Cache. Der offizielle technische Bericht zu DeepSeek-V3 bezeichnet MLA als zentrale Komponente seines effizienten Inferenzdesigns.
Anthropics Alignment-Arbeit umfasst Fragen zu Werten, Urteilsvermögen, Charakter, Autonomie und dem Verhalten eines KI-Assistenten in schwierigen Situationen. Amanda Askell, deren Hintergrund in der Philosophie liegt, leitet Anthropics Character-Arbeit und ist die Hauptautorin der Claude Constitution von 2026.
Ja. Henry Shevlin gab bekannt, dass er im Mai 2026 mit dem Titel „Philosopher“ zu Google DeepMind wechselte und dort zu maschinellem Bewusstsein, Beziehungen zwischen Menschen und KI sowie zur Vorbereitung auf AGI arbeitet.
DeepSeeks Position „AI Cross-Disciplinary Technical Talent“ ist ungewöhnlich, weil sie die normale Einschränkung des Studienfachs aufhebt und gleichzeitig eine sehr hohe Hürde für nachgewiesene Fähigkeiten setzt. Wettbewerbsergebnisse, tiefgehende Expertise, Open-Source-Arbeit, Unternehmertum und „den unkonventionellen Weg einschlagen“ weisen alle auf dasselbe hin: den Nachweis, dass eine Kandidatin oder ein Kandidat schwierige Probleme eigenständig bearbeiten kann.
Diese Philosophie entspricht Liangs früherer Beschreibung von DeepSeeks Kultur. Das Unternehmen hat historisch jungen Forschenden und Menschen am Anfang ihrer Karriere wichtige Aufgaben anvertraut. MLA ist ein konkretes Beispiel für eine Bottom-up-Idee, die aus der persönlichen Neugier eines Forschers zu einer zentralen Architektur wurde.
Anthropic und Google DeepMind zeigen, dass dieses Muster nicht einzigartig für DeepSeek ist. Spitzen-KI-Labore beschäftigen inzwischen Philosophen und andere nicht traditionelle Spezialisten, weil Fragen zu KI-Verhalten, Bewusstsein, Urteilsvermögen und Beziehungen zwischen Menschen und KI zu praktischen Forschungsfragen geworden sind.
Das gemeinsame Einstellungssignal lautet nicht „jung“, „nicht aus der KI“ oder „Genie“. Es ist die Fähigkeit, unabhängig zu denken, tief in ein Thema einzudringen und etwas Nützliches hervorzubringen, wenn das Standardvorgehen nicht ausreicht.
Starte mit einem Satz und erhalte in wenigen Minuten eine vollständige Website.
