今天在 X 上看到这篇文章，觉得挺不错的，于是在 AI 的协助下翻译了一版，分享给大家。

00

前言

AI 模型表现更好的地方，是那些能写出损失函数的事情。

而学校里大多数事情，恰恰都是损失函数：题目定义清楚，答案早已知道，成绩按标准答案来判。

因此，未来十年真正有价值的工作，正是那些无法在模型训练周期内被评分的事情。

过去六年工作中，我很幸运，和许多优秀的人共事过。他们来自不同规模的公司：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 万名以上全职员工）。

作为一名创业者，我花了很多时间思考：对公司现在和未来来说，什么样的人才是合适的。

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一家公司都很不一样。

对于那些有动力、有野心、职业生涯刚起步的人，我现在对未来十年什么技能有价值，有了更清楚的看法。

我给过很多职业建议，也收到过很多职业建议。

许多著名的老话依然成立，比如「加入火箭船时，不要问坐哪个座位」之类。但随着 agentic coding 的兴起，很多东西也已经改变。

下面我想谈谈：哪些仍然成立，哪些已经是新的规则。

01

把注意力放在真正稀缺的资源上

加入 Scale AI 之前，我拿到过量化公司的 offer，保证现金收入要高得多。但我最终选择了 Scale，因为我看重那里的社群，也看重接触 Scale 各类产品和应用的机会。

通过 Scale，我接触到了 LLM 推理服务商，这后来带来了我进入 DeepMind 和 OpenAI 的机会。我也认识了许多同样有野心的同事，如今他们成了一个由 Scale 出身的创业者组成的社群。

今天回头看，Scale 带给我的独特人脉和学习机会，对我人生的价值，远远超过当年那份量化工作多出来的现金。

现在，获得资本比过去任何时候都容易。真正稀缺的，仍然是时间，以及和优秀的人建立真实、牢固关系的机会。

在过去相关领域中被证明过的卓越表现，仍然是最强的信号。

所以，我的具体建议是：花时间做真正好的工作，并且让那些同样在做真正好工作、声誉可靠的人知道你做了什么。

你要极其严格地管理自己的时间。无论你在做的是学业、项目，还是实习，都要把注意力放在你认为有意义的问题上。

借助 vibe coding，找到一些能快速赚点钱的机会并不难；但如果你寻找的是真正的价值，最终的回报通常会大得多。

时间、关系、声誉：这些才是值得你集中注意力的真正稀缺资源。

02

不只要学会解决问题，还要学会发现问题

为了在一大批候选人中识别出真正的信号，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什么能力。

既然已经没有人手写任何一行代码，那么传统的 Leetcode 式面试题，甚至系统设计题，都显得和真实工作表现不再高度相关。

最后，我们设计出一系列面试，用来衡量一个人能否快速理解自己所处的环境，识别出值得解决的问题，并且在既有环境的约束下，把问题真正解决掉。

未来最重要的技能，将和「问题选择」与「资源分配」有关。

越来越强大的 agent 已经能够处理复杂但定义清楚的问题。因此，最有影响力的人，将是那些最擅长识别重要问题，并能把 token 和时间分配到这些问题上的人。

我看到一种趋势：学生们发现 agent 能解完他们所有的习题集，于是感到沮丧。但以我面试候选人的经验来看，不同候选人的表现差异依然很大：他们到达解法所需要的时间和 token 数量，差别非常明显。优秀的候选人，通常会带着高层次的直觉和外部背景知识，去和 agent 协作。

具体来说，那些被我们高度评价的候选人，往往都曾经深度沉浸在解决问题的环境里：要么来自他们自己的热情项目，要么来自高速成长的公司。在那样的公司里，有意义的问题远比能解决问题的人更多。

03

去做一个问题最有野心的形态

过去十年，研究中最有用的心智框架之一，是「苦涩的教训」：最终胜出的，往往是可扩展的通用方法，而不是面向具体任务的局部优化。这个教训同样适用于选择问题和选择公司。

公司和职业生涯的结果，一直都服从幂律分布；而 AI 加速了我们通向这些结果的速度。

现在，构建软件的门槛已经大大降低，任何人都能相对轻松地做出简单系统。真正持久的价值，只会来自对真正有野心问题的极致专注。

选择公司时，这里的建议很简单：看这家公司是不是在解决它所面对问题中最有野心的那个版本；再看它是否真的有机会把这个问题解决。选择岗位时，则要思考：这个岗位能不能让你直接站在公司所解决问题的前沿。

04

冲刺最后一公里

对创业公司来说，Alfred Lin 有一篇很好的文章，讲到最后 10% 既是 90% 的工作，也是 90% 的回报。

AI 让结果变得更加两极分化，因为中位数水平的结果，就是一个 agent 在一个粗糙 prompt 下就能产出的东西。

因此，价值来自两件事：你对某一类问题有独特视角，或者你对细节有非同寻常的关注。

学会把最后一公里执行好，既需要练习，也需要专注。任何东西第一次都不会完美，所以最后一公里往往意味着反复迭代。

由于 coding agent 的进展非常快，有时候最好的做法，是吸收前几轮迭代中的经验，然后直接用下一代智能从头开始。你可以在自己的项目中练习这一点。

主动多花一点时间，把事情打磨得更好：更精致一点，架构更干净一点，可扩展性更强一点，或者更有创造力一点。

在候选人身上，我确实看到过这种训练带来的差异。

05

同时提高 xG 和效率

在足球中，xG，也就是 expected goals，意思是「预期进球数」。

它根据球队在一场比赛中获得的机会，结合距离、角度、守门员位置等因素，估算这支球队本应打进多少球。效率，则是这些机会实际转化成进球的比例。

把 xG 和效率这个类比用到我的职业生涯上，我觉得相当准确。

2023 年，我拒绝了 Anthropic 的 offer，当时他们大约有 50 名全职员工；也拒绝了 Cursor 的 offer，当时他们除创始人外只有 2 名全职员工。

原因是，我当时想在 DeepMind 做前沿模型的推理和训练。2024 年，我又一次拒绝了这两家公司，选择去 OpenAI。站在职业角度看，这些备选机会的 xG 都很高，但我最终选择了更符合自己兴趣、文化匹配度和目标的公司，这里的「目标」，也算是一语双关。

职业生涯很长，机会来来去去。我不相信 ASI 会取代所有从事知识工作的人类，因为人在为 ASI 选择有意义的问题、并为这些问题配置资本时，仍然有差异化能力。

不是每个机会都会变成进球，但站到正确的位置、能看见机会，是进球的第一步。

这依然取决于声誉和专业能力。Cursor 的机会之所以出现，是因为我在 Michael 和 Aman 的共同联系人那里有不错的声誉；Anthropic 的机会之所以出现，是因为我在职业和个人时间里，都持续投入到他们团队感兴趣的问题上。

不过，人生到了某个阶段，关键就不只是看见机会，而是把球打进。

所以，门前效率也很重要。回头看自己的决定，我认为很多判断是对的，但我也希望自己当时能花更多时间收集信息，让决策依据更充分。

从根本上说，选择早期公司，主要看团队和市场。今天许多候选人会盯着公司现有产品不放，但如果团队足够好，产品几乎总会演化成完全不同的东西。Anthropic 最早的 demo，是一个 Slackbot；对我来说，它还不如 ChatGPT 好用。

06

现在你就可以进入研究

最近，我收到很多问题，都是问如何进入研究领域。我的前同事 Vlad 现在是 Gemini 团队的负责人之一，他在这里写过一篇非常好的文章，谈了他的看法。

现代研究如果有更多算力，当然会更容易做。但一个很好的起点，是先大量使用模型，然后把自己的直觉提炼成评测。我的前同事 @kellerjordan0 推出的公开优化排行榜，也为更有结构地探索想法提供了很好的场域。

许多算力服务商，比如 Modal，都会为学术人员提供额度。现在就去使用它们，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，正是建立判断力、弄清楚什么真正有效的第一步。

归根结底，我相信，研究者首先是一种心态，而不是一个职业头衔。

前沿实验室里的研究者，大部分工作其实是几件事的混合：足够好奇，愿意探索新想法；和基础设施搏斗，把想法真正实现；极其细致地理解整个系统，以便高效调试问题；并且能清楚表达结果的价值，从而争取到更多算力。

所有这些事，即使不在前沿实验室里，你也一样可以做。

07

结语

这个世界依然充满机会。

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。

[全文完]