引言在 AI 时代，年轻人面临着一个与前几代人不同的职业问题：如果模型能够解决许多定义明确的任务，那么什么样的工作仍然会有价值？本文基于前 OpenAI、DeepMind 和 Scale AI 研究员 Phil Chen 分享的一篇帖子。他的观点很直接：AI 模型正在变得极其擅长那些可以被清晰定义、评分和优化的任务。而大量学校训练看起来恰恰就是这样——一个定义明确的问题，一个已知答案，以及一套评分规则。因此，未来十年里有价值的工作，可能并不是那些最像家庭作业的工作。相反，它们往往是那些难以放进模型训练循环中打分的工作：选择正确的问题、建立关系、培养判断力、完成最后一公里，以及学会如何把机会转化为真正的成果。
下面是重写后的英文版本，在保留原始结构和核心观点的同时，使语言更适合博客发布。## 来源说明- 原始来源：BAAI Hub 文章，其中说明内容最初来自微信公众号。
- 文章由夏千斯整理。
- 原页面包含一个装饰性的“关注学术头条”横幅，以及文末的平台/宣传图片。由于这些内容对理解文章并非必要，因此未予保留。
- 来源页面中有一个末尾图片链接在检查时加载失败，且位于正文主体之外，因此未插入。
- 原文中不包含代码块或技术表格。## 正文AI 模型在一切可以表示为损失函数的事情上都在持续变得更强。许多学校作业在本质上也与此相似：问题定义明确，答案已知，结果可以被评分。这就是为什么未来十年最有价值的工作，很可能是那些无法在模型训练周期中被轻易评估的工作。在过去六年里，Phil Chen 曾与处于截然不同发展阶段的公司中的人共事：他自己的创业公司、Helm AI、Scale AI、OpenAI 和 Google。这些环境涵盖了从小团队到拥有超过 10 万名员工的大型组织。作为一名正在打造以智能体为原生核心公司的创始人，他花了大量时间思考：公司现在需要什么样的人，未来又需要什么样的人才。围绕智能体构建的公司，其招聘方式不会与那些大多数产出仍依赖人类手工完成的公司完全相同。对于职业生涯早期、胸怀抱负的人来说，这会改变一些实际建议。有些经典理念仍然成立。创业圈里那句老话——“当你加入一艘火箭飞船时，就去做”“不要过于纠结具体坐在哪个位置”这句话依然有其道理。但随着智能体编程的兴起，具体细节已经发生了变化。##
- 关注真正稀缺的资源在加入 Scale 之前，Phil 曾拿到过一份来自量化交易岗位、现金更高的 offer。之所以选择 Scale，是因为他对那里的人更感兴趣，也更看重公司周围的社区氛围，以及接触许多不同产品和真实世界 AI 应用的机会。这个选择后来带来了当时并不明显的回报。通过 Scale，他接触到了 LLM 推理服务提供商，这后来帮助他走向了 DeepMind 和 OpenAI。他还结识了很多有抱负的同事，而这些人后来成为从 Scale 走出来的更广泛创业者网络的一部分。回头看，这些人际关系和学习机会，比起那笔额外的现金更有价值。如今，资本比以往任何时候都更容易获得。但与优秀的人共事的时间依然稀缺。牢固的人际关系、信任和声誉也是如此。在相关工作中持续展现出的卓越表现，依然是最强的信号之一。实用建议很简单：把事情做好，并确保其他优秀且值得信赖的人能够看到。一定要非常谨慎地分配自己的时间。学校项目、副业项目、实习和早期工作，不应该只是作为简历上的勾选项。它们应该指向那些对你真正重要的问题。有了氛围编程和 AI 辅助构建，推出小项目、追逐短期机会比以往任何时候都更容易。其中一些机会或许能很快赚钱。但如果目标是创造持久价值，通常更好的做法是把时间投入到那些能够带来复利式积累的学习、人际关系和声誉上。时间、人际关系和声誉，才是真正稀缺的资源。要以这样的方式对待它们。##
- 学会发现问题，而不只是解决问题一家原生与智能体协作的公司，必须重新思考工程能力到底意味着什么。当代码不再主要由人一行一行手写出来时，传统信号就会变弱。LeetCode 式题目，甚至许多标准的系统设计问题，也未必总能体现一个人在真实环境中的表现。更重要的问题变成了：这个人能否快速理解环境，识别出真正值得修复的问题，并在真实约束下解决它？未来，最重要的能力将与问题选择和资源分配紧密相关。对于定义清晰的复杂问题，智能体已经很擅长处理。真正能产生最大影响的人，将是那些能够识别重要问题，然后分配时间、注意力、tokens、算力和人力去解决它们的人。当智能体能做出他们的作业时，很多学生会感到沮丧。但优秀候选人在多高效地到达一个好解法这件事上，仍然有很大差异。最出色的人通常会把高层次直觉、领域知识和上下文带入与智能体的协作中。在实践中，信号最强的候选人往往深度沉浸在真实的问题解决环境里。有时这来自严肃的个人项目。有时则来自高速成长的公司，在那里比起能够解决问题的人，更重要的问题要多得多。##
- 选择最值得投入的问题在 AI 研究中，最有用的心智模型之一是“苦涩的教训”。它的核心观点是：从长期来看，能够随着计算规模扩展的通用方法，往往会胜过人工设计、面向特定任务的方法。这个教训同样适用于职业选择和公司选择。公司的结果和职业发展的结果一直都遵循幂律分布。AI 让这种幂律分布来得更快，因为构建软件已经变得容易得多。现在，很多人都能迅速搭建简单系统。这意味着，持久的价值将越来越少来自“仅仅做出某个东西”，而越来越多来自对真正宏大问题的高度专注。在选择公司时，问题不只是这家公司现在看起来是否令人兴奋。要问的是：它是否在解决一个足够重要、足以产生影响的问题，以及它是否真正有路径去解决这个问题。在选择岗位时，要问这个岗位是否能让你接近公司试图解决的问题前沿。一个好的岗位应该让你贴近重要决策、权衡取舍和现实约束。学习的复利效应正是在那里产生的。##
- 冲刺最后一公里对于初创公司，Alfred Lin 曾写过关于最后 10% 的问题：最后的 10% 可能占据 90% 的工作量，但也可能带来 90% 的回报。AI 正在让产出质量变得更加两极分化。普通水平的工作正变得更容易产出，因为一个智能体加上一条粗略的提示词，就已经能生成一些可用的东西。这意味着，真正的差异化来自独特的品味、对问题的深刻理解，以及对细节的高度重视。最后一公里正是这种差异体现出来的地方。把最后的细节做好需要练习。没有什么东西第一次尝试就是完美的，所以最后一公里通常意味着反复迭代：打磨、测试、重建、简化和改进。由于编程智能体正在迅速进步，最佳路径并不总是无止境地修补同一个版本。有时候，更好的做法是吸收一轮迭代中的经验教训，然后用更新的模型或更清晰的架构重新开始。你可以通过自己的项目来练习这一点。多花一些时间改进架构，思考可扩展性，不要停留在“能跑就行”，而是加入创造力。小项目一旦体现出判断力和完成度，而不只是速度，就会变得更有价值。##
- 同时提升 xG 和转化效率在足球中，xG 指的是预期进球。它会根据机会质量来估算一支球队本应打进多少球，所依据的因素包括距离、角度以及守门员的位置等。这对职业发展来说是个很有用的类比。有些职业选择会提高你的 xG：它们会把你放到一个更容易出现绝佳机会的位置上。但机会质量只是等式的一半。你还需要转化效率——也就是把这些机会变成真实结果的能力。Phil 分享说，2023 年他拒绝了 Anthropic 和 Cursor 的邀请，转而选择在 DeepMind 从事前沿模型推理与训练工作。到了 2024 年，他再次放弃了这两个机会，选择了 OpenAI，因为它更符合他的兴趣、文化，以及当时的目标。从职业发展的角度看，那些其他机会的 xG 很高。但最佳选择取决于你的个人方向、团队、市场，以及你想学习什么。职业生涯很长。机会会来来去去。目标不是对所有看起来很厉害的事情都说“好”。目标是让自己站在那些有意义的机会能够触及你的地方——然后在机会真正到来时，做出更好的决定。声誉和专业能力仍然很重要。有些机会之所以出现，是因为别人已经信任你的工作。另一些机会之所以出现，是因为你确实在某些团队关心的问题上投入了大量时间。到了某个阶段，人生不再只是看见机会，而是要把机会转化为结果。这意味着收集足够的信息，提出更好的问题，并在拥有更多背景信息的情况下做出决策。对于早期公司来说，最重要的因素通常是团队和市场。很多候选人过度关注当前的产品。但如果团队足够卓越，产品往往会随着时间推移演变成好得多的东西。##
- 你现在就可以开始做研究很多人问，怎样进入 AI 研究领域。一个有用的起点是：不要等待许可。你并不总是需要前沿实验室级别的算力才能开始。一个很好的起点是使用现有模型，并把你自己的直觉转化为评测。如果你觉得某个模型在某类推理、工作流或任务上会失败，就设计一个能够捕捉这一点的简单评测。公开的优化排行榜和开放研究社区也能让探索变得更有结构。它们让人们能够测试想法、比较方法，并从失败中学习。当然，算力有帮助。但研究在大规模算力之前就已经开始了。它始于好奇心、严谨的实验，以及不断追问某件事为什么有效或为什么失败的习惯。很多想法在规模化时都会失败。这很正常。理解它们为什么失败，正是你建立“什么真正有效”这种直觉的方式。归根结底，研究者不仅仅是一个职位头衔，更是一种思维方式。
在前沿实验室内部，研究往往结合了几件事：1. 足够强的好奇心，去探索新想法。
2. 愿意与基础设施“较劲”，直到想法真正跑起来。
3. 对系统的细致理解，这样才能高效地调试问题。
4. 清晰地说明结果为什么重要，这样团队才能为其投入更多算力和关注。即使你不在前沿实验室内部，也可以练习这些能力。这个世界仍然有很多开放的机会。关键是寻找有趣的问题，然后交付明显高于默认水平的工作成果。## 常见问题### 在 AI 时代，给年轻人的主要职业建议是什么？核心建议是，专注于那些 AI 系统难以直接评分或自动化的工作。这包括选择重要问题、建立值得信赖的人际关系、培养判断力，以及把最后的细节执行到位。### 为什么随着 AI 智能体变强，发现问题的能力变得更重要？AI 智能体在解决定义清晰的任务方面正变得非常强大。这使得识别正确问题的能力变得更有价值。最优秀的人会知道什么值得在请代理去解决问题之前，先投入注意力思考。### 如果智能体编程持续进步，学编程还有用吗？有用，但价值会发生转移。构建者不再只是手动编写代码，还需要理解系统、引导智能体、调试结果、设计更好的架构，并决定一开始到底应该构建什么。### 在这种职业语境下，“稀缺资源”是什么意思？稀缺资源包括时间、人际关系、声誉，以及接触优秀人才的机会。金钱和基础工具或许会变得更容易获得，但可信赖的关系网络和经验证明的卓越能力仍会随着时间持续积累并放大价值。### AI 时代工作中的“最后一公里”是什么？最后一公里是把普通产出变成优秀产出的最后阶段。它包括测试、打磨、简化、改进架构，以及加入判断力，而这些通常是 AI 粗略生成结果所缺乏的。### 学生不加入前沿实验室，也能开始做 AI 研究吗？可以。学生可以先从使用现有模型、构建小型评测、验证假设，以及参与开放基准或排行榜开始。研究始于好奇心和严谨实验，而不只是职位头衔或算力规模。### 应该如何选择一家早期阶段的 AI 公司？看团队、市场，以及问题的雄心。当前产品很重要，但优秀的团队往往会随着时间推陈出新并持续改进产品。一个好的岗位还应让你接近公司最重要的问题。## 相关工具- OpenAI：一家从事前沿模型和 AI 系统研究与产品开发的人工智能公司。
- Google DeepMind：谷歌旗下专注于先进机器智能的 AI 研究机构。
- Scale AI：一家数据与 AI 基础设施公司，与许多 AI 产品和模型工作流相关。
- Anthropic：一家 AI 安全与研究公司，以 Claude 闻名。
- Cursor：一款由 AI 驱动的代码编辑器，常在智能体编程的语境中被讨论。
- Modal：一个用于运行 AI、数据和 GPU 工作负载的无服务器计算平台。
- GitHub：一个用于发布代码、研究实现和开源基准的平台。## 相关链接- BAAI Hub 原文：这篇改写文章所使用的中文来源页面。
- Phil Chen 的 X 文章：AI 时代的职业建议：BAAI 帖子引用的原始 X 文章。
- The Bitter Lesson：Richard Sutton 关于 AI 中可扩展通用方法的著名文章。
- Alfred Lin：最后的 10%：一篇讨论为什么执行的最后阶段可能创造大部分回报的帖子。
- Vlad Feinberg：如何获得前沿实验室的工作：面向想进入前沿 AI 实验室人群的职业建议。
- KellerJordan/modded-nanogpt：一个公开的优化与与亲手进行人工智能研究实践相关的 NanoGPT speedrun 仓库。
- Modal 官方网站：文中提到的一个计算平台，可让人工智能实验更容易运行。## 总结本文解释了，人工智能时代的职业成长不再只是解决被分配的问题，而更多在于发现重要问题、选择有抱负的环境，并建立能够带来高质量机会的声誉。文章还强调，智能体式编程正在改变技术工作的价值。普通水平的产出变得更容易获得，因此判断力、品味、系统理解以及最后一公里的执行能力变得更为重要。对于进入人工智能领域的年轻人来说，务实的路径很明确：与优秀的人共事，解决有意义的问题，练习深入执行，并通过小型实验和评估开始开展研究。在人工智能时代，优势属于那些能够选对问题，并交付超越默认水平成果的人。
