はじめに
AI時代において、若者たちはこれまでの世代とは異なるキャリア上の問いに直面しています。もしモデルが明確に定義された多くのタスクを解けるようになるなら、どのような仕事がこれからも価値を持ち続けるのでしょうか。
この記事は、元OpenAI、DeepMind、Scale AIの研究者であるPhil Chenが共有した投稿に基づいています。彼の主張は明快です。AIモデルは、明確に規定でき、評価でき、最適化できるタスクに対して、きわめて高い能力を発揮するようになっています。そして学校での訓練の多くは、まさにそれと同じ構造をしています。つまり、定義された問題があり、既知の答えがあり、それを採点するルールがあるのです。
だからこそ、これからの10年で価値を持つ仕事は、宿題のように見える仕事とは限りません。むしろ、モデルの訓練ループの中で評価しにくい仕事であることが多いでしょう。たとえば、正しい問題を選ぶこと、人間関係を築くこと、判断力を養うこと、最後のひと押しをやり切ること、そして機会を現実の成果へと変える方法を学ぶことです。
以下は、元の構成と主要な考え方を保ちながら、ブログ掲載向けに表現をより滑らかにした英語版です。
出典メモ
- 元の出典：BAAI Hubの記事。内容はもともとWeChat由来であると記されています。
- 記事の整理は夏千斯によるものです。
- 元ページには装飾的な「学術ヘッドラインをフォロー」バナーと、末尾のプラットフォーム／プロモーション画像が含まれていましたが、記事の理解に必須ではないため省略しました。
- 出典ページ末尾にあった最後の画像リンクは確認時に読み込めず、本文の主要部分の外側にあったため挿入しませんでした。
- 元の記事にはコードブロックや技術的な表は含まれていませんでした。
本文
AIモデルは、損失関数として表現できるあらゆるものに対して、ますます高い性能を発揮するようになっています。学校の課題の多くも、その意味ではよく似ています。問題は明確に定義され、答えは既知で、結果は採点可能です。
だからこそ、これからの10年で最も価値のある仕事は、モデルの訓練サイクルの中では簡単に評価できない仕事になる可能性が高いのです。
この6年間で、Phil Chenは非常に異なる段階にある企業の人々と働いてきました。自身のスタートアップ、Helm AI、Scale AI、OpenAI、Googleです。そうした環境は、小規模なチームから10万人を超える従業員を抱える大組織まで幅広くありました。
エージェント・ネイティブな企業を築く創業者として、彼は今の企業にどのような人材が必要なのか、そして将来どのような人材が必要になるのかについて、多くの時間をかけて考えてきました。エージェントを中心に構築された会社は、依然として大半の成果を人間がすべて手作業で書くことに依存している会社とは、まったく同じやり方で採用するわけではありません。
キャリア初期にある向上心の強い人々にとって、これは実践的な助言の内容を変えるものです。古典的な考え方の中にも、今なお通用するものはあります。昔からスタートアップ界隈で言われる「ロケット船に乗るなら、」
「正確な席次をあまり気にしすぎない」という考え方には、今でも一理あります。ですが、エージェント型コーディングの台頭によって、その中身は変わってきました。
- 本当に希少な資源に集中する
Scale に入社する前、Phil はクオンツトレーディング職から、より現金報酬の高いオファーを受けていました。それでも彼が Scale を選んだのは、そこで働く人々や会社を取り巻くコミュニティ、そして多様な製品や現実世界の AI 活用事例に触れられる機会に、より強く魅力を感じていたからです。
その選択は、当時は見えにくかった形で報われました。Scale を通じて彼は LLM 推論プロバイダーに触れ、それが後に DeepMind や OpenAI へ向かう道につながりました。また、後に Scale 出身のより広い創業者ネットワークの一部となる、野心的な同僚たちとも出会いました。
振り返ってみると、人間関係や学びの機会は、追加でもらえたはずの現金よりも価値がありました。
資本へのアクセスは、かつてないほど容易になっています。ですが、優れた人たちと過ごす時間は依然として希少です。強い人間関係、信頼、評判も同じです。
関連する仕事における過去の優れた実績は、今でも最も強力なシグナルの一つです。実践的な助言はシンプルです。良い仕事をし、それを他の優秀で信頼できる人たちの目に触れるようにすることです。
自分の時間をどう配分するかについて、強い意図を持ってください。学校のプロジェクト、個人プロジェクト、インターン、初期の仕事は、履歴書を埋める項目としてこなすだけではいけません。自分にとって重要な問題に向けるべきです。
vibe coding や AI 支援によるものづくりによって、小さなプロジェクトを素早く出し、短期的な機会を追うことはこれまで以上に簡単になっています。その中には、すぐにお金になるものもあるかもしれません。ですが、長期的な価値を目指すなら、学び・人間関係・評判が複利的に積み上がる場所に時間を使うほうが、たいていは良い選択です。
時間、人間関係、評判こそが本当に希少な資源です。そのように扱ってください。
- 問題を解くことだけでなく、問題を見つけることを学ぶ
エージェントとネイティブに協働する企業では、エンジニアリング能力の本当の意味を見直さなければなりません。
コードがもはや主に人の手で一行ずつ書かれるものではなくなると、従来のシグナルは弱くなります。LeetCode 型のパズルや、一般的なシステム設計の質問の多くでさえ、現実の環境でその人がどう成果を出すかを必ずしも示してはくれません。
より重要になる問いは、その人が環境を素早く理解し、本当に修正する価値のあるものを見極め、現実の制約の中で問題を解決できるか、ということです。
今後、最も重要なスキルは、問題の選定と資源配分に結びついたものになります。
すでにエージェントは、明確に定義された複雑な問題を処理することに長けています。最も大きなインパクトを出す人は、重要な問題を見つけ出し、それを解決するために時間、注意、トークン、計算資源、人材を配分できる人たちです。
多くの学生は、エージェントが自分の課題を解いてしまうと落胆します。ですが、優れた候補者の間でも、良い解決策にどれだけ効率よくたどり着けるかには大きな差があります。最も優秀な人たちはたいてい、エージェントとの協働の中に、高い視座からの直感、ドメイン知識、文脈理解を持ち込みます。
実際には、最もシグナルの強い候補者は、現実の問題解決環境に深く身を置いていることが多いです。時にはそれが本気の個人プロジェクトから生まれます。時にはそれが、急成長中の企業から生まれます。そこで彼らは
それらを解決できる人の数よりも、はるかに重要な問題がある。
- 取り組む価値の最も高い問題を選ぶ
AI研究において最も有用なメンタルモデルの一つが「The Bitter Lesson」だ。その中核にある考え方は、長期的には、計算資源に応じて拡張できる汎用的な手法が、人手で設計されたタスク特化型のアプローチに勝つ傾向がある、というものだ。
この教訓は、キャリアや会社選びにも当てはまる。
会社の成果もキャリアの成果も、これまでもべき乗則に従ってきた。AIは、ソフトウェア構築をはるかに容易にしたことで、そのべき乗則の到来を早めている。今では多くの人がシンプルなシステムを素早く作れる。つまり、持続的な価値は、単に何かを作ることからではなく、本当に野心的な問題に強く集中することから生まれるようになる。
会社を選ぶとき、問うべきなのは、その会社が今すぐ魅力的に見えるかどうかだけではない。取り組んでいる問題が本当に重要と言えるほど大きいか、そしてその問題を解決するための現実的な道筋があるかを考えるべきだ。
役割を選ぶときは、その役割が、会社が解こうとしている問題の最前線に自分を近づけてくれるかを考えよう。
良い役割とは、重要な意思決定、トレードオフ、制約の近くにいられるものだ。学びが複利的に積み上がるのは、まさにそこだからだ。
- 最後の一マイルを全力で駆け抜ける
スタートアップについて、Alfred Linは最後の10％について書いている。最後の10％は作業の90％を占めることがあるが、同時に報酬の90％にもなりうる。
AIは、成果物の品質の二極化を進めている。平均的な仕事はますます簡単に生み出せるようになっている。というのも、エージェントと大まかなプロンプトがあれば、すでに実用的なものを生成できるからだ。つまり、本当の差別化は、独自のセンス、問題への深い理解、そして細部への真剣な注意から生まれる。
その違いが表れるのが最後の一マイルだ。
最後の細部を正しく仕上げるには練習が必要だ。最初の試みで完璧になるものはないので、最後の一マイルはたいてい反復を意味する。磨き上げ、テストし、作り直し、単純化し、改善することだ。
コーディングエージェントは急速に進化しているため、常に同じバージョンに延々とパッチを当て続けるのが最善とは限らない。ある反復から得た教訓を吸収し、そのうえでより新しいモデルや、よりクリーンなアーキテクチャで作り直したほうがよい場合もある。
これは自分自身のプロジェクトを通じて練習できる。アーキテクチャの改善に余分に時間をかけよう。スケーラビリティについて考えよう。「動くからそれでいい」で止まらず、創造性を加えよう。小さなプロジェクトでも、速さだけでなく判断力とやり切る力を示せれば、はるかに価値のあるものになる。
数分で紹介サイトを作り、リード獲得を伸ばす
アイデアを一文で入力するだけで、We0 AI が紹介サイト、ページ、CMS を生成し、公開後の顧客獲得と流入拡大を支援します。
- xGと決定力の両方を高める
サッカーでxGとは、expected goals（予想得点）のことだ。距離、角度、ゴールキーパーの位置といった要素を用いて、チームがチャンスの質に基づいて何点取るはずかを推定する指標である。
これはキャリアにおいても有用なたとえになる。
キャリア上の選択の中には、xGを高めるものがある。つまり、素晴らしい機会が現れやすいポジションに自分を置くということだ。しかし、機会の質は方程式の半分にすぎない。もう半分として必要なのが決定力、つまりその機会を実際の成果に変える能力である。
Philは、2023年にAnthropicとCursorからのオファーを断り、代わりにDeepMindで最先端モデルの推論と学習に取り組むことを選んだと語っている。2024年にも、彼は再びその二つの機会を見送り、自分の関心、文化、そして
当時の目標。
キャリアの観点から見ると、そうした別の機会は高い xG を持っていました。しかし最善の選択は、あなた自身の進む方向、チーム、市場、そして自分が何を学ぼうとしているのかによって決まります。
キャリアは長いものです。機会は訪れては去っていきます。目標は、印象的に見えるものすべてに「はい」と言うことではありません。目標は、意味のある機会が自分に届く場所に立ち、そしてそれが訪れたときにより良い判断を下せるようにすることです。
評判と専門性は今でも重要です。ある機会は、すでにあなたの仕事が信頼されているからこそやって来ます。別の機会は、特定のチームが重視する問題に対して、あなたが実際に十分な時間をかけてきたからこそ訪れます。
ある時点から、人生は単にチャンスを見つけることだけではなくなります。それを成果に変えることが重要になります。つまり、十分な情報を集め、より良い質問をし、より多くの文脈を踏まえて意思決定するということです。
アーリーステージの企業において、最も重要な要素はたいていチームと市場です。多くの候補者は現在のプロダクトに過度に注目しがちです。しかしチームが卓越していれば、プロダクトは時間とともに、はるかに良いものへと変わっていくことが少なくありません。
- 今すぐリサーチを始められる
AI リサーチに入るにはどうすればよいか、と多くの人が尋ねます。有効な出発点の一つは、許可を待たないことです。
始めるために、常にフロンティア研究所級の計算資源が必要なわけではありません。強い出発点は、既存のモデルを使い、自分自身の直感を評価へと落とし込むことです。ある種の推論、ワークフロー、またはタスクにおいてモデルが失敗すると考えるなら、それを捉えられるシンプルな eval を設計してみてください。
公開された最適化リーダーボードやオープンな研究コミュニティも、探索をより構造的なものにしてくれます。そこでは、アイデアを試し、アプローチを比較し、失敗から学ぶための手段が得られます。
もちろん、計算資源は役に立ちます。しかし、リサーチは大規模な計算資源の前から始まります。好奇心、丁寧な実験、そしてなぜ何かが機能するのか、あるいは失敗するのかを問い続ける習慣から始まるのです。
多くのアイデアは、スケールさせたときに失敗します。それは普通のことです。なぜ失敗するのかを理解することによって、実際に何がうまくいくのかについての直感が育っていきます。
結局のところ、研究者であることは単なる職名ではありません。それはマインドセットです。
フロンティア研究所の内部では、研究はしばしばいくつかの要素の組み合わせになります。
- 新しいアイデアを探究するのに十分な強い好奇心。
- アイデアが実際に動くまでインフラと格闘する意欲。
- 問題を効率よくデバッグできるようにするための、システムに対する詳細な理解。
- その結果がなぜ重要なのかを明確に伝える力。そうすることで、チームはより多くの計算資源と注意を向ける正当性を持てます。
こうしたことは、たとえフロンティア研究所の内部にいなくても実践できます。
世界には今なお多くの開かれた機会があります。重要なのは、興味深い問題を探し、そのうえで明らかに標準以上の水準の仕事を届けることです。
FAQ
AI時代の若者にとって、主なキャリアアドバイスは何ですか？
中心となる助言は、AI システムにとって直接評価したり自動化したりするのが難しい仕事に集中することです。そこには、重要な問題を選ぶこと、信頼される関係を築くこと、判断力を養うこと、そして最後の細部までしっかり実行することが含まれます。
AIエージェントが進化するほど、なぜ問題発見がより重要になるのですか？
AI エージェントは、明確に定義されたタスクを解くことに非常に強くなりつつあります。そのため、正しい問題を見極める能力の価値が高まっています。最も優れた人は、何に取り組む価値があるかを見極められるでしょう。
エージェントに解決を依頼する前に注意を向けること。
エージェント型コーディングが進化し続けても、コーディングは依然として有用ですか？
はい。ただし、その価値は変化します。単に手でコードを書くことだけでなく、作り手にはシステムを理解し、エージェントを導き、結果をデバッグし、より良いアーキテクチャを設計し、そもそも何を作るべきかを判断する力が求められます。
このキャリア文脈における「希少資源」とは何を意味しますか？
希少資源には、時間、人間関係、評判、そして優れた人材へのアクセスが含まれます。資金や基本的なツールには以前よりアクセスしやすくなるかもしれませんが、信頼できるネットワークと実証された卓越性は、時間とともに蓄積し続けます。
AI時代の仕事における「ラストマイル」とは何ですか？
ラストマイルとは、平均的なアウトプットを優れたアウトプットへと引き上げる最後の仕上げの工程です。そこには、テスト、磨き込み、簡素化、アーキテクチャの改善、そしてAIが生成した粗い結果にはたいてい欠けている判断力の付与が含まれます。
学生は最先端の研究所に入らなくてもAI研究を始められますか？
はい。学生は既存のモデルを使い、小規模な評価を構築し、仮説を検証し、オープンなベンチマークやリーダーボードに参加することから始められます。研究は、肩書きや計算資源の規模だけで始まるものではなく、好奇心と丁寧な実験から始まります。
初期段階のAI企業はどのように選ぶべきですか？
チーム、市場、そして取り組む問題の大きさを見てください。現在のプロダクトも重要ですが、強いチームは時間とともにプロダクトを変え、改善していくことがよくあります。良い役割とは、その会社にとって最も重要な問題の近くで働けるものであるべきです。
関連ツール
- OpenAI: 最先端モデルとAIシステムに取り組むAI研究・プロダクト企業。
- Google DeepMind: 高度な機械知能に注力するGoogleのAI研究組織。
- Scale AI: 多くのAI製品やモデルのワークフローに関わるデータ・AIインフラ企業。
- Anthropic: Claudeで最もよく知られるAI安全性・研究企業。
- Cursor: エージェント型コーディングの文脈でよく語られる、AI搭載のコードエディタ。
- Modal: AI、データ、GPUワークロードを実行するためのサーバーレス計算プラットフォーム。
- GitHub: コード、研究実装、オープンソースのベンチマークを公開するためのプラットフォーム。
関連リンク
- Original BAAI Hub Article: このリライト記事の元になった中国語の原文ページ。
- Phil Chen’s X Article: Career Advice in the Age of AI: BAAIの記事で参照されている元のX投稿。
- The Bitter Lesson: AIにおける汎用的手法のスケーリングについて述べた、Richard Suttonの影響力の大きいエッセイ。
- Alfred Lin: The Last 10%: 実行の最後のひと踏ん張りが報酬の大半を生み出しうる理由についての投稿。
- Vlad Feinberg: How to Land a Frontier Lab Job: 最先端AI研究所を目指す人向けのキャリアアドバイス。
- KellerJordan/modded-nanogpt: 公開された最適化と
実践的なAI研究に関連するNanoGPTスピードランのリポジトリ。
- Modal公式サイト: AI実験をより簡単に実行できるようにする文脈で言及されているコンピュートプラットフォーム。
要約
この記事では、AI時代のキャリア成長は、単に与えられた問題を解くことではなく、重要な問題を見つけること、大きな挑戦ができる環境を選ぶこと、そして質の高い機会を生み出すような評判を築くことがより重要であると説明している。
また、エージェント的コーディングによって技術的な仕事の価値が変化していることも強調している。平均的な成果物は以前より容易に生み出せるようになる一方で、判断力、センス、システムへの理解、そして最後の詰めの実行力がより重要になる。
AI分野に入る若い人にとって、実践的な道筋は明確だ。優れた人たちと時間を過ごし、意義のある問題に取り組み、深い実行力を鍛え、小さな実験や評価を通じて研究を始めることだ。
AI時代において優位に立つのは、正しい問題を選び、標準的な水準を超える仕事をやり切れる人だ。
