在人工智能（AI）时代，年轻人应该如何找到适自己的职业路径？

近日，前OpenAI、DeepMind、ScaleAI研究员PhilChen在X上发布了篇长文，结自己多年的职场经历，为身处AI时代的年轻人提供了些很有价值的职业建议。

他写道，AI越来越擅长将任务标准化，而学校里的大部分训练，恰恰都是这类定义清楚、答案已知、可以被评分的问题。“未来十年，真正有价值的工作，往往是那些法在模型训练中被简单评分的事情。”

他给出的建议也很直接：年轻人要学会关注真正稀缺的资源，并学会发现问题、选择有野心的向，把结果做到后公里；同时，还要提识别机会和把握机会的能力，尽早开始做研究。

以下为文章主要内容：

AI模型会在任何可以写出损失函数的事情上变得强。而学校里的很多训练，本质上都像损失函数：题目定义清楚，答案已知，结果可以被评分。

因此，未来十年，真正有价值的工作，会是那些法在模型训练周期内被轻易评分的事情。

过去6年里，我很幸运和许多优秀的人共事过，所在公司规模各不相同：从我自己的创业公司，到HelmAI（15→50名全职员工）、ScaleAI（500→1500名全职员工）、OpenAI（1500→3000名全职员工），再到Google（10万+名全职员工）。

我花了很多时间思考：对我们公司现在和未来来说，什么样的人才是正确的。因为我们是以Agent为原生工作式的公司，所以我们的用人需求和我过去工作过的公司很不样。

对于有动力、有野心、处在职业早期的人来说，我现在对未来十年什么技能有价值，有了清晰的看法。我给过也听过很多职业建议。许多经典格言仍然成立，比如“加入火箭船时，不要问自己坐哪个座位”。然而，随着agenticcoding的兴起，很多事情已经发生了变化。下面是些依然成立的东西，以及些新的变化。

1.关注真正稀缺的资源

在加入Scale之前，我拿到过现金收入的量化岗位offer，但我终选择了Scale，因为我对那里的社区，以及接触Scale各类产品和应用的机会感到兴奋。

通过Scale，我接触到了LLM理服务商，这后来带来了我进入DeepMind和OpenAI的机会。我也遇到了许多有抱负的同事，他们如今组成了个来自Scale的创业者社区。回头看，Scale带给我的人脉和学习机会，远比当初量化岗位多出来的现金重要得多。

现在，获得资本比以往任何时候都容易。但真正能和优秀的人共事、交流并建立强关系的时间，仍然稀缺。

过去相关经历中被证明过的卓越表现，依然是强信号。因此，我的具体建议是：花时间做出好工作，并确保这些工作被其他同样优秀、值得信任的人知道。

要其认真地分配你的时间。论是学校任务、项目还是实习，都应该聚焦在你认为有意义的问题上。借助vibecoding，也就是用AI快速搭出项目，很容易找到些能快速赚钱的机会，但如果你寻找的是真正的价值，回报通常会大得多。

时间、关系和声誉，才是真正稀缺、值得投入注意力的资源。

2.不只要学会解决问题湖南PVC管件胶厂，还要学会发现问题

为了在大量候选人中找到信号，我们认真思考过：在以Agent为原生工作式的公司里，工程师今天真正重要的技能是什么。

在我们这样的Agent原生公司里，代码已经不再主要依赖人工逐行手写。因此传统Leetcode题，甚至系统设计题，都不再那么能反映真实工作表现。终，我们设计了系列面试，衡量候选人能否快速理解自己所处的环境，识别值得解决的问题，并在既有环境约束下解决这些问题。

未来重要的技能，会和问题选择、资源分配有关。

能力越来越强的Agent已经能够处理复杂但定义清楚的问题。因此，有影响力的人，将是那些擅长识别重要问题，并理分配token和时间去解决它们的人。

我看到种趋势：很多学生因为Agent已经能解完他们的习题而感到沮丧。但根据我的面试经验，候选人在“需要多少时间和token才能抵达解决案”上仍然差异巨大。优秀候选人通常会带着层直觉和外部背景知识，和Agent协作。

具体来说，评分很的候选人，通常都度沉浸在解决问题的环境中。要么来自他们自己的热情项目，要么来自那些速增长、重要问题数量远多于人手的公司。

3.选择值得做的问题

过去十年，研究中有用的心智框架之是“苦涩的教训”：长期来看，通用法的规模化终会胜过特定任务优化。

这个教训也适用于选择问题和公司。

公司和职业直都有幂律结果，但AI加速了人们走向这些结果的速度。因为构建软件现在变得容易得多，任何人都能相对轻松地搭建简单系统。真正持久的价值，PVC管道管件粘结胶只会来自对真正有野心问题的度注。

选公司时，判断标准很简单：它是否在解决个足够有野心的问题，以及它是否真的有机会把这个问题解决。

选择角时，则要思考这个角是否能让你直接站在公司所解决问题的前沿。

4.冲刺后公里

对于创业公司来说，AlfredLin有篇很好的文章，讲后10既是90的工作，也是90的回报。

AI让产出水平迅速两分化，因为普通水准的结果，往往已经是个Agent加上草率prompt就能做出来的。因此，真正的价值来自你对某类问题的特视角，或者对细节的度关注。

学会在后公里执行到位，需要练习和注。没有东西次就，所以后公里往往意味着不断迭代。由于codingagent的进步非常快，很多时候好的做法是吸收上轮迭代的经验，然后用下代模型重新开始。

你可以在自己的项目中练习这点。主动多花点时间磨、优化架构、考虑可扩展，或者加入创造。我确实在候选人身上看到了这种练习带来的影响。

5.同时提xG和率

在足球里，xG，也就是expectedgoals，预期进球，是种衡量支球队基于机会质量预计能进多少球的指标。它会考虑距离、角度、门将位置等因素。率则是这些机会终转化为进球的比例。

用xG和率来类比我的职业经历，基本是准确的。

2023年，我拒了Anthropic的offer，他们当时大约50名全职员工；也拒了Cursor的offer，他们当时除创始人外只有2名全职员工。原因是，我想在DeepMind做前沿模型理和训练。

2024年，我再次拒了这两个机会，选择去OpenAI。站在职业角度看，这些替代机会的xG都很，但我终选择了符自己兴趣、文化匹配和目标的公司。

职业很长，机会会来来去去。我不相信人工智能会取代所有知识工作者，因为人类在选择哪些问题值得让智能去解决，以及如何分配资本解决这些问题上，仍然拥有差异化能力。

不是每个机会都会转化成进球，但站在正确位置看到机会，是进球的步。这仍然取决于声誉和业能力。

Cursor的机会来自我在Michael和Aman共同熟人圈中的良好声誉；Anthropic的机会则来自我在职业和个人时间里持续投入他们团队感兴趣的问题。

当然，到某个阶段，人生不只是看见机会，而是要把机会转化为进球，所以门前率也很重要。回顾我的决定，我认为自己做出了许多正确选择，但我也希望当时能花多时间收集信息，帮助自己做决策。

从根本上说，选择早期公司，主要看团队和市场。今天很多候选人会盯着现有产品，但如果团队足够好，产品几乎总会演化成不同的东西。Anthropic初的demo是个Slackbot，对我来说还不如ChatGPT。

6.现在，你也可以做研究了

近，我收到很多人问，如何进入研究。我以前的同事Vlad是Gemini团队的负责人之，他写过篇很好的文章，分享了他的看法。

现代研究有多力当然容易做，但个很好的起点是：使用现有模型，并把你自己的直觉蒸馏成评测。我的前同事@kellerjordan0动的些公开优化排行榜，也为结构化地探索想法提供了很好的场所。

许多力提供商，比如Modal，会给学术用户提供额度。用起来，现在就去探索你的想法。大多数想法终会在规模化时失败，而理解这些失败，是建立“什么真正有”直觉的步。

终，我相信，研究者先是种心态，而不是种职业。

在前沿实验室里，研究者的大部分工作，其实是几件事的混：有足够的好奇心去探索新想法；和基础设施不断较劲，把想法真正实现出来；其详细地理解整个系统，以便调试问题；清楚表达结果的价值，从而争取多力。

即使不在前沿实验室，你也可以做这些事情。

这个世界仍然充满机会。开这些机会的关键，是注于寻找有趣的问题，并交付非凡的结果。

整理：夏千斯相关词条:离心玻璃棉     塑料挤出机     钢绞线厂家    铝皮保温    pvc管道管件胶

奥力斯    万能胶生产厂家    联系人：王经理    手机：13903175735（微信同号）    地址：河北省任丘市北辛庄乡南代河工业区

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。