Phil Chen (@philhchen)
2026-07-03
D
原文
---
title: "AI 时代的职业建议"
author: "Phil Chen (@philhchen)"
source_url: "https://x.com/philhchen/status/2072793818945167475"
published_at: "2026-07-02T21:25:31.000Z"
fetched_at: "2026-07-03T14:40:24Z"
updated_at: "2026-07-03T14:41:59Z"
language: "zh"
review_status: "draft"
---
# AI 时代的职业建议
只要一件事能写出损失函数，AI 模型就会越来越擅长；而学校里的大多数事情，本质上都是损失函数：定义清楚的问题，对照已知答案打分。因此，未来十年有价值的工作，是那些无法在模型训练周期内被评分的事。
过去 6 年工作里，我很幸运，和各种规模公司的优秀同事合作过：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+ 全职员工）。作为创始人，我花了很多时间思考：对我们公司的现在和未来来说，什么样的人才是合适的人。因为我们是一家完全 agent-native 的公司，所以我们的需求和我过去待过的任何公司都很不一样。
对于有动力、有野心、处在职业早期的人，我现在对未来十年哪些技能有价值，有了更清晰的看法。我给过很多职业建议，也收到过很多职业建议。很多著名格言仍然成立（比如什么“上火箭船时别问坐哪个位置”之类的），但随着 agentic coding 兴起，很多东西也变了。下面是那些仍然成立的东西，以及新出现的变化。
### 1. 关注真正有限的资源
加入 Scale 之前，我拿到过现金保障高得多的量化 offer，但最后还是选择了 Scale，因为我对那里的社区，以及能接触 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，这后来带来了我去 DeepMind 和 OpenAI 的机会。我也认识了很多同样有野心的同事，他们现在组成了一个来自 Scale 的创始人社群。今天回头看，Scale 带来的独特人脉网络和学习机会，对我人生的贡献远远超过当年量化工作能多给我的那笔现金。
现在，获得资本比以往任何时候都容易。真正能和人相处的时间，以及和其他人之间牢固的关系，仍然稀缺。过去相关经历中被验证过的卓越表现，仍然是最强信号。因此，我的具体建议是：把时间花在做好工作上，并确保这些工作能被其他有声誉、也在做好工作的人知道。无论你在做的是学校课程、项目还是实习，都要无情地排定时间优先级，把注意力放在你认为有意义的问题上。有了 vibe-coding，找到一些能快速赚点钱的机会很容易，但如果你寻找的是真正的价值，通常奖赏会大得多。
时间、关系和声誉：这些才是真正应该投入注意力的有限资源。
### 2. 除了解决问题，也要学会发现问题
为了在候选人的海洋里找到信号，我们认真思考过：在一家 agent-native 公司里，今天的工程师到底需要哪些技能。既然已经没人手写任何一行代码，传统 Leetcode 风格的问题，甚至系统设计问题，都让人觉得和实际工作表现不再相关。最后，我们设计了[一系列面试](https://x.com/philhchen/status/2071017703889150418?s=20)，衡量一个人能否快速理解自己所处的环境，识别值得解决的问题，并在既有环境的约束下把问题解决掉。
最重要的技能，将会是和问题选择、资源分配相关的那些技能。越来越强大的 agent 已经能接手复杂且定义清楚的问题，所以最有影响力的人，会是最擅长识别重要问题，并把 token 和时间分配到这些问题上的人。
我看到一种趋势：学生因为 agent 能解完他们所有作业题而感到气馁。但以我的面试经验来看，候选人在“需要多少时间和 token 才能得到解法”这件事上，表现差异仍然很大。优秀候选人通常会把高层直觉和外部背景带进他们与 agent 的协作中。
具体来说，我们给高评价的候选人，通常都让自己浸泡在解决问题的环境里：要么来自他们自己热爱的项目，要么来自那些有意义问题比人还多的高速增长公司。
### 3. 去做一个问题最有野心的形态
过去十年，研究里最有用的心智框架之一是“苦涩的教训”：可扩展的通用方法，最终会胜过针对具体任务的优化。这个教训同样适用于选择问题和选择公司。
公司和职业一直都有幂律结果，但 AI 加快了走向这些结果的速度。因为构建软件现在容易得多，任何人都可以相对轻松地搭出简单系统。真正持久的价值，只会来自对真正有野心的问题极度专注。
选择公司时，这里的建议很简单：评估这家公司是不是在做它所面对问题中最有野心的形态，然后再判断它是否真的有机会解决这个问题。选择岗位时，则要思考这个岗位是否能让你直接工作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，Alfred Lin 有一篇[很好的文章](https://x.com/Alfred_Lin/status/2064341983720821034)，讲最后 10% 如何既是 90% 的工作，也是 90% 的回报。AI 让结果变得更加两极分化，因为中位数结果就是一个 agent 在潦草 prompt 下能产出的东西。因此，价值来自于你对某一类问题的独特视角，或对细节的关注。
学会在最后一公里把事情做好，需要练习，也需要专注。没有什么东西第一次就完美，所以最后一公里往往关乎迭代。由于 coding agent 的进展非常快，把之前迭代中学到的东西带走，然后用下一代智能从头开始，往往反而更好。你可以在自己的项目里练习这一点。主动多花一点时间在打磨、干净的架构、可扩展性或创造力上。我确实在候选人身上看到过这样做带来的影响。
### 5. 同时提高 xG 和效率
在足球里，xG（expected goals，预期进球）是一个指标，用来根据球队获得的机会，估算一场比赛里它预计能进多少球；这个指标会考虑距离、角度、守门员位置等因素。效率则是这些机会的相对转化率。
xG 和效率这个类比，用在我自己的职业上相当准确。2023 年，我拒绝了 [Anthropic 的 offer](https://x.com/philhchen/status/2065953231654793304?s=20)（当时约 50 名全职员工）和 Cursor 的 offer（当时有 2 名非创始人全职员工），因为我想在 DeepMind 做前沿模型推理和训练。2024 年，我又一次拒绝了这两家公司，转而去了 OpenAI。从职业角度看，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（双关一下）。
职业很长，机会会来，也会走。我[不认为 ASI 会取代所有人类](https://x.com/philhchen/status/2071020178582974732?s=20)的知识工作岗位，因为人在为 ASI 选择有意义的问题、以及为解决这些问题配置资本上，拥有差异化能力。
不是每个机会都会真正变成进球，但先站在正确的位置、能看到机会，是进球的第一步。这又回到了声誉和专业能力。Cursor 的机会来自我在 Michael 和 Aman 的共同联系人中有不错的声誉；Anthropic 的机会则来自我一直把职业和个人时间都投入到他们团队感兴趣的问题上。
到某个阶段，人生关乎的是进球，而不只是看到机会，所以门前效率也很重要。回头看自己的决定，我觉得自己做了很多正确决定，但也希望当时能花更多时间收集数据，用来支持自己的决策。
从根本上说，选择早期公司主要看团队和市场。今天很多候选人会锚定在现有产品上，但如果团队足够好，产品几乎总会演化成非常不同的东西。Anthropic 最早的 demo 是一个 Slackbot，对我来说它还不如 ChatGPT。
### 6. 你现在也可以进入研究
最近，我收到了很多人关于如何进入研究的问题。我的前同事 Vlad 是 Gemini 团队的负责人，他写过一篇[很棒的文章](https://vladfeinberg.com/2026/05/10/how-to-land-a-job-at-a-frontier-lab.html)，讲他在这方面的看法。
现代研究有更多算力会更容易做，但一个很好的起点，是使用模型，并把你自己的直觉提炼成评估。我的前同事 @kellerjordan0 发布的公开优化排行榜，也为以更结构化的方式探索想法提供了很好的场所。
很多像 Modal 这样的算力服务商会给学术人士提供额度。现在就用起来，去探索你的想法。大多数想法最终都会在规模化时失败，而理解这些失败，是建立“什么真正有效”这套理解的第一步。
归根结底，我认为研究者是一种心态，而不是一种职业。前沿实验室里研究者的大部分工作，是几件事的混合：有足够的好奇心去探索新想法；和基础设施搏斗，把想法实现出来；极其细致地理解完整系统，从而高效 debug 问题；并且清楚表达结果的价值，以争取更多算力。即使不在前沿实验室，你也可以做所有这些事。
### 结语
世界仍然充满机会。打开这些机会的关键，是专注于发现有趣的问题，并交付非凡的结果。如果这听起来吸引你，欢迎联系我，我们很愿意和你一起工作。