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/zh-TW/articles/deepseek-ai-cross-disciplinary-talent-hir-2c6dcdf2.md.
DeepSeek 的招聘網站上出現了一個不尋常的職缺：「AI 跨學科技術人才」。
該職位隸屬於全端開發與演算法方向，但職位描述表示，它面向的是希望參與 AGI 建設、具備卓越能力的人才。該職位不對專業背景設置重大限制。
DeepSeek 並不是要求候選人提交一份傳統的 AI 履歷，而是表示會根據候選人的興趣與能力，將其安排到最匹配的研究或工程團隊。
最受討論的部分是加分條件。
除了高水平競賽成績、某一領域的深厚專業能力、有影響力的開源工作和創業經歷外，DeepSeek 還加入了一項刻意保持模糊的條件：
選擇非傳統道路。
這讓該職缺乍看之下充滿矛盾。
DeepSeek 也曾在招聘文案中表示，它並不是單純「尋找天才」，但這個職位又明確面向具備超出常人能力的人才。
如果將這份招聘資訊與創辦人梁文鋒早期關於招聘的訪談、DeepSeek 年輕的技術團隊，以及多頭潛在注意力（MLA）的起源放在一起理解，這種矛盾就更容易解釋。
這個職缺傳達的並不是「我們想要沒有經驗的人」，而更接近：
DeepSeek 似乎更看重獨立解決問題的證據，而不是傳統的職涯階梯。
這份職位描述之所以不尋常，是因為它沒有採用學歷、專業、工作年限和過往職稱等常見的招聘清單。
公開的職位描述表示，該職位面向具備卓越能力、希望參與 AGI 創建與建設的候選人。
同時，職位也明確表示不限制學術專業。
該職位既可以是實習職位，也可以是全職職位。
目前的職位描述列出了四項核心要求：
加分條件包括：
最後一行正是讓這個職位在中國社交媒體上廣泛傳播的原因。
它很難被轉化為傳統招聘人員的評分項目。
「非傳統」並不存在一張標準證書。
這個表述似乎是對更廣泛人才特質的概括：能夠挑戰假設、獨立探索，並在不等待既有方法論的情況下產生有意義的成果。
DeepSeek 在 2026 年 6 月的招聘活動中使用了另一句受到關注的文案：
「我們從不單純尋找天才。」
公司的整體訊息是：真正具備獨特貢獻的人，才是它希望找到的人。
這種表述其實沒有表面上那麼矛盾。
「天才」可能代表地位、聲譽、精英資格或精心包裝的履歷。
而在這份職位描述中，「卓越能力」更直接地與可證明的行為相關：
因此，這個職位並不反對資格或證書。
競賽獎牌和教育背景仍然出現在要求之中。
更準確的描述是：不受專業限制，但高度重視已被證明的能力。
原始文章重複提及招聘人員與獵頭的說法，稱 DeepSeek 有時會篩掉工作年限較長的候選人，而偏好只有幾年業界經驗的人。
這些說法被廣泛傳播，但不應被視為官方招聘規則。
DeepSeek 的公開職位頁面並沒有写著：
工作經驗超過八年 = 自動拒絕
也沒有寫著：
沒有金牌就不考慮
目前可以確認的情況更加複雜。
在早期訪談中，梁文鋒表示，DeepSeek 和幻方經常根據能力而非過往經驗進行招聘。
他也表示，許多核心技術職位由剛畢業的人才，或離開學校只有一兩年的人才擔任。
這是一種理念。
它與公開記錄的硬性工作年限上限並不是一回事。
對於「大公司氣質」或「大公司風格」這類說法，也應採取同樣的謹慎態度。
中國媒體曾報導招聘人員的評論，稱 DeepSeek 對於將高度標準化的大公司流程帶入前沿研究的候選人有所警惕。
但這並不是招聘網站上公布的正式規則。
對候選人而言，更實際的結論是：
不要以為知名雇主或冗長履歷就足夠。展示你的思考方式、你打造過什麼，以及你曾在哪些地方挑戰預設答案。
梁文鋒曾將 DeepSeek 早期的技術團隊描述為異常年輕。
在一場廣泛流傳的訪談中，他否認團隊由神秘的成熟業界明星組成。
他表示，許多貢獻者包括：
他還表示，DeepSeek-V2 主要由內部培養的人才打造，而不是透過海外明星人才招聘組建團隊。
重點並不是年齡本身會帶來創新。
而是公司願意將重要的技術責任交給那些尚未花十年時間沿著標準業界階梯晉升的人。
這有助於解釋為什麼目前的跨學科職位如此寬泛。
DeepSeek 不只是在招聘那些已經知道 AI 實驗室通常如何運作的人。
它也在尋找可能將不同思考方式帶入實驗室的人。
梁文鋒過去關於經驗的評論，是原始文章的核心。
他的觀點並不是經驗毫無價值。
在成熟的工程領域，經驗往往極其寶貴。
負責建設支付系統的資深工程師，可以避免新手從未遇到過的失效模式。
生產資料庫、安全系統或推薦引擎，也會極大受益於長期累積的運營知識。
前沿 AGI 研究在一個重要方面有所不同：
可能根本還沒有既定的正確方法。
梁文鋒認為，有經驗的人有時會過快地採用已知解法。
而缺乏傳統經驗的人，可能更願意反覆從第一性原理出發探索問題，並找到更符合當前情況的方法。
這是一種真實存在的取捨。
經驗可以避免重複犯錯。
但經驗也可能形成對某些方向「顯然不值得嘗試」的假設。
DeepSeek 的文化似乎正是圍繞著為第二種行為保留更多空間而設計。
成熟領域擁有穩定的限制條件。
前沿領域的假設則處於不穩定狀態。
原始文章使用了以下例子：
這些都是重要技術。
但任何嚴肅的研究組織都不能假設今天的標準架構會永遠是正確的架構。
在前沿領域，真正困難的問題往往不是：
我們如何優化已被接受的方法？
而是：
我們應該停止接受哪一項已被接受的假設？
這正是跨學科人才可能發揮價值的環境。
物理學家可能會以不同方式理解優化問題。
數學家可能會發現工程師忽略的不變量。
系統研究者可能會質疑計算結構。
哲學家可能會發現一個無法簡化為基準測試效能的概念問題。
目標不是取代技術專業。
而是擴大被挑戰的假設範圍。
原始文章將**多頭潛在注意力（Multi-Head Latent Attention，MLA）**視為這種文化最清晰的例子。
MLA 是 DeepSeek-V2 引入、並延續到 DeepSeek-V3 的核心架構元件。
DeepSeek 官方 V3 技術資料確認，MLA 是其高效推理設計的核心。
這段起源故事來自梁文鋒的訪談。
他表示，這個想法起源於一名年輕研究人員的個人興趣。該研究人員一直在研究注意力架構的演進，並思考是否能設計出另一種方案。
DeepSeek 隨後圍繞這個想法組建團隊。
團隊花了數月時間，才將最初的概念轉化為可運作的架構。
這個故事之所以重要，是因為它不是：
CEO 選擇架構
→ 團隊實作架構
而更接近：
研究人員發現一項假設
→ 研究人員探索替代方案
→ 想法展現潛力
→ 組織分配資源
→ 團隊將其轉化為生產級研究成果
梁文鋒將 DeepSeek 更廣泛的研究結構描述為自下而上：人們提出自己的想法，團隊則圍繞有潛力的方向組建。
在這種環境中，「選擇非傳統道路」這項招聘條件就更容易理解。
如此看來，這份不尋常的職位描述就不再那麼神秘。
五項加分條件都指向同一種底層特質。
頂尖競賽成績代表候選人能夠在壓力下解決困難且陌生的問題。
在某個領域達到卓越水平，代表持續投入與深度。
輸入一句想法，We0 AI 即可生成展示站、頁面與 CMS。發佈上線後並幫你獲取客戶和流量。
用戶註冊贈送一次完整項目生成
適合先體驗一次完整生成流程，快速看到專案初稿。
這個領域不一定是 AI。
優秀的開源專案可以讓 DeepSeek 檢視候選人的具體成果。
它能展示候選人是否可以在正式雇主流程之外，建立有用的系統。
從零到一打造事物，是在不確定性下展現主動性的證據。
這是最難量化的條件，但它將其他條件串聯起來。
它考察的是一個人在沒有預先繪製好的地圖時能否行動。
共同變量不是年齡。
而是行動主體性。
DeepSeek 並不是唯一一家招聘非機器學習原始專業人才的前沿 AI 實驗室。
原始文章將 DeepSeek 與 Anthropic 和 Google DeepMind 進行了比較。
這些例子是真實的，但原始文章中部分關於員工人數的統計，是基於第三方履歷分析，而不是官方人力資料。
更廣泛的趨勢則更容易確認：
除了傳統工程與機器學習研究之外，前沿 AI 實驗室越來越需要從事倫理學、哲學、意識、決策理論、治理、心理學以及人機互動工作的人才。
部分原因在於，這些系統如今提出的問題，已經不能只靠基準測試優化來回答。
Amanda Askell 是最清晰的例子之一。
她的背景是哲學，尤其是倫理學與決策理論。
在加入 Anthropic 之前，她曾在 OpenAI 工作。
在 Anthropic，她成為Claude 性格研究的核心人物。
Anthropic 的 2026 年《Claude 宪章》表示，Askell 負責領導公司的性格研究工作，並是該文件的主要作者。
這不是在模型建成後，才將哲學作為裝飾加入其中。
Anthropic 的性格訓練研究將以下問題視為產品與對齊問題：
2024 年的《Claude 的性格》研究文章表示，目標是超越單純的無害性，進一步培養好奇心、真實性、開放性、耐心和審慎判斷等更豐富的特質。
這項工作需要技術實作。
但決定應該訓練什麼樣的行為，部分上是一個哲學問題。
Anthropic 的 2026 年《Claude 宪章》將這種跨學科工作轉化為一份規模更大的運作文件。
致謝部分表示，Askell 主導了該文件的制定，並撰寫了大部分內容。
其他貢獻者包括從事模型心理學、認識自主性、安全、價值觀與對齊研究的研究人員。
因此，前沿 AI 公司中存在哲學家並不是偶然。
隨著模型能力提升，曾經主要屬於學術哲學的問題，逐漸變成工程要求：
系統應該重視什麼？
它應如何在道德不確定性下進行推理？
什麼時候應該交由人類決定？
它應如何表達對自身的不確定性？
這些問題不是增加 GPU 就能解決的。
原始文章還提到 Ben Levinstein，他的研究背景包括認識論與決策理論。
Anthropic 目前的研究出版物與《Claude 宪章》致謝部分確認，Levinstein 參與了 Anthropic 的研究工作。
除非與他的直接職業資料進行核對，否則應謹慎看待原始文章對其確切任職經歷的描述。
更廣泛的觀點仍然成立：Anthropic 的對齊組織包括來自哲學、決策理論、認知科學及相關學科的研究人員。
Google DeepMind 在 2026 年以一種格外直接的方式呈現了這一趨勢。
Henry Shevlin 宣布自己於 5 月加入 Google DeepMind，實際職稱就是：
哲學家
他的工作聚焦於：
Shevlin 仍與劍橋大學 Leverhulme 未來智能研究中心保持關聯。
這不是一個普通的機器學習工程職位。
它的目標是研究當 AI 系統能力提升後，會變得具有實際影響的問題。
例如：
這些問題的答案可能影響模型政策、研究優先級、安全決策和產品設計。
DeepSeek、Anthropic 和 Google DeepMind 並不是出於同一原因招聘同一類型的人才。
| 公司 | 例子 | 為什麼這種背景重要 |
|---|---|---|
| DeepSeek | AI 跨學科技術人才 | 從固定的 AI 職涯路徑之外引入獨立的技術想法 |
| Anthropic | Amanda Askell／性格研究 | 定義並訓練更豐富的行為價值與判斷能力 |
| Google DeepMind | Henry Shevlin／哲學家 | 研究機器意識、人機關係與 AGI 準備工作 |
共同點並不是「AI 公司突然更偏好人文科系畢業生」。
這樣的解讀會走向另一個極端。
前沿 AI 仍然是一個高度技術化的領域。
真正的共同點是：
隨著 AI 系統能力提升，一些最困難的問題已經無法整齊地歸入單一學科之內。
一個 AGI 實驗室同時面臨多種類型的問題。
如何高效地訓練、提供服務並擴展模型？
哪些架構、優化器、訓練目標和資料策略有效？
推理、記憶、代理能力與泛化究竟如何運作？
系統應如何與人互動？
它應該學習什麼樣的行為？
模型理解、推理、自主行動，或可能擁有與福利相關的狀態，究竟意味著什麼？
前兩類問題屬於人們熟悉的工程領域。
後幾類問題往往需要其他形式的專業知識。
這正是跨學科招聘日益受到重視的原因。
職位名稱中有「跨學科」一詞，但實際的篩選訊號似乎比「不同專業」更深一層。
一名來自物理學、但始終沿著標準路徑前進的人，並不會自動比 AI 研究人員更有價值。
一名來自電腦科學、卻反覆挑戰假設的人，可能非常適合這個職位。
這份職位似乎在尋找以下特質的組合：
這也解釋了為什麼職位仍然要求基本程式設計能力。
這不是一個希望避開技術工作的職位。
它面向的是那些最強的既有身份不必是「AI 研究員」的人。
理解這份職位描述最穩妥的方式不是：
DeepSeek 只想要年輕的天才。
也不是：
DeepSeek 不在乎經驗。
更有用的解讀是：
展示你能夠獨立攻克難題的證據。
這些證據可能包括：
真正重要的不是某項資格本身，而是它能證明候選人如何工作。
原始文章中的一些說法很有意思，但并不是第一方招聘規則。
| 說法 | 證據程度 |
|---|---|
| DeepSeek 目前列出「AI 跨學科技術人才」職位 | 已在官方招聘網站確認 |
| 沒有重大限制 | 已在職位描述中確認 |
| 「選擇非傳統道路」是加分條件 | 已在職位描述中確認 |
| 核心技術職位歷來包括許多應屆畢業生／職涯早期研究人員 | 有梁文鋒訪談支持 |
| MLA 起源於一名年輕研究人員的個人興趣 | 有梁文鋒訪談支持 |
| DeepSeek 會自動拒絕工作經驗超過 8 年的候選人 | 未確認為官方規則 |
| 「低於金牌基本不考慮」 | 招聘人員／獵頭說法，非官方政策 |
| DeepSeek 正式禁止「大公司人員」 | 不是官方公布的招聘規則 |
| Anthropic 確切擁有 70 名物理背景、78 名數學背景和 13 名哲學背景工程師 | 原始文章引用的第三方履歷分析；本文未獨立驗證 |
| Google DeepMind 聘請 Henry Shevlin 擔任「哲學家」 | 已由 Shevlin 的公告與劍橋相關報導確認 |
這是 DeepSeek 目前面向希望參與 AGI 研究或工程工作的候選人所設立的職位，不限制學術專業。DeepSeek 表示，會將申請者安排到最符合其興趣與能力的團隊。
不要求。公開職位描述表示不限制專業，但要求具備基本電腦程式設計知識、良好的教育背景、較強的學習能力，以及已被證明的長期 AI 興趣。
DeepSeek 沒有將其定義為可量化的資格。在語境中，這似乎是在肯定獨立思考，以及候選人不只是遵循業界標準模式、而是能夠解決困難問題的證據。
不是。這個跨學科職位可以是實習或全職招聘，也沒有公布正式的工作年限上限。梁文鋒曾表示，許多核心技術職位歷來由應屆畢業生和職涯早期研究人員擔任，但這與官方禁止有經驗候選人並不是一回事。
根據梁文鋒的訪談，是的。他表示，一名年輕研究人員研究了注意力架構的演進，提出了一種替代方案，DeepSeek 隨後組建團隊，花費數月時間將這個想法轉化為可運作的系統。
MLA 是 DeepSeek-V2 和 DeepSeek-V3 使用的一種注意力架構，用於降低推理成本，尤其是鍵值快取的負擔。DeepSeek 官方技術報告確認，MLA 是其高效推理設計的核心元件。
Anthropic 的對齊工作涉及價值觀、判斷、性格、自主性，以及 AI 助手應如何在困難情境下行動等問題。哲學背景出身的 Amanda Askell 負責 Anthropic 的性格研究，並是 Claude 2026 年《Claude 宪章》的主要作者。
是的。Henry Shevlin 宣布自己於 2026 年 5 月加入 Google DeepMind，職稱為「哲學家」，負責機器意識、人機關係和 AGI 準備工作。
DeepSeek 的「AI 跨學科技術人才」職位之所以不尋常，是因為它取消了對學術專業的常規限制，同時對已被證明的能力保持極高要求。競賽成績、深厚專業能力、開源工作、創業經歷和「選擇非傳統道路」都指向同一件事：候選人能夠獨立處理困難問題的證據。
這種理念與梁文鋒早期對 DeepSeek 文化的描述相符。公司歷來信任年輕及職涯早期研究人員，讓他們承擔重要工作，而 MLA 正是一個具體例子：一個源於研究人員個人好奇心的自下而上想法，最終成長為核心架構。
Anthropic 和 Google DeepMind 表明，這種趨勢並非 DeepSeek 獨有。如今，前沿 AI 實驗室聘請哲學家和其他非傳統專業人才，是因為 AI 行為、意識、判斷和人機關係等問題，已經成為實際的研究問題。
共同的招聘訊號不是「年輕」、「非 AI 背景」或「天才」，而是在標準方法尚不完整的地方，能夠獨立思考、深入研究並產出有用成果的能力。
從一句話開始，幾分鐘內拿到完整網站。
