在人工智能（AI）重塑职场的值得细看当下，年轻人该如何定位自己的时代职业路径？

近日，前 OpenAI、年的职DeepMind 及 Scale AI 研究员 Phil Chen 在 X 平台发布了一篇深度长文。轻人前结合其在多家顶级科技公司的研业建议实战经验，他为身处 AI 浪潮中的值得细看年轻人提供了极具前瞻性的职业建议。

他指出，时代AI 正迅速接管那些标准化、年的职可量化的轻人前任务，而传统教育体系恰恰侧重于这类“定义清晰、研业建议答案已知、值得细看可被评分”的时代问题。因此，年的职未来十年，轻人前真正具备高价值的研业建议工作，往往是那些无法在模型训练中被简单量化的领域。

他的核心建议直指痛点：年轻人应聚焦于稀缺资源，培养发现问题的能力，选择更具野心的方向，并死磕结果的最后一公里；同时，提升识别与把握机会的能力，尽早投身研究实践。

以下是文章的核心内容梳理：

1. 关注真正稀缺的资源

AI 模型会在任何可以定义“损失函数”的领域变得更强。学校里的许多训练本质上就是这种模式：题目明确、答案固定、结果可评分。

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

过去六年，我有幸在规模各异的优秀团队中工作：从自己的初创公司，到 Helm AI（15→50人）、Scale AI（500→1500人）、OpenAI（1500→3000人），再到 Google（10万+人）。作为一家以 Agent 为原生工作方式的公司的负责人，我深刻意识到，我们对人才的需求与过去截然不同。

对于有动力、有野心、处于职业早期的人来说，我对未来十年最有价值的技能有了更清晰的判断。虽然“加入火箭船时，不要问自己坐哪个座位”这句格言依然成立，但随着 Agentic Coding（代理式编程）的兴起，许多规则正在改变。

• 人脉与学习机会胜过短期现金：在加入 Scale 之前，我曾收到现金收入更高的量化交易岗位 Offer，但我选择了 Scale。因为那里有令我兴奋的社区，以及接触各类产品和应用的机会。正是通过 Scale，我接触到了 LLM 推理服务商，进而获得了进入 DeepMind 和 OpenAI 的机会，并结识了许多如今已组建创业者社区的同事。回头看，Scale 带来的人脉和学习机会，远比量化岗位多出的现金重要得多。
• 资本易得，关系稀缺：现在获得资本比以往更容易，但能与优秀的人共事、交流并建立强关系的时间，依然稀缺。
• 卓越表现是最强信号：过去被证明过的卓越表现，依然是最强的职业信号。
• 具体建议：
• 花时间做出好工作：确保这些工作被其他同样优秀、值得信任的人看到。
• 认真分配时间：无论是学校任务、项目还是实习，聚焦于你认为有意义的问题。
• 警惕“Vibe Coding”陷阱：借助 AI 快速搭建项目容易找到快速赚钱的机会，但若追求真正价值，回报通常更大。
• 核心资源：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，还要学会发现问题

为了在海量候选人中筛选出信号，我们深入思考：在以 Agent 为原生工作方式的公司里，工程师今天真正重要的技能是什么？

在 Agent 原生公司，代码不再主要依赖人工逐行手写。因此，传统的 LeetCode 刷题甚至系统设计题，已难以反映真实工作表现。我们最终设计了一套面试流程，重点衡量候选人能否：
1. 快速理解所处环境；
2. 识别值得解决的问题；
3. 在既有环境约束下解决这些问题。

未来最重要的技能，将取决于问题选择与资源分配。

能力日益强大的 Agent 能够处理复杂但定义清晰的问题。因此，最有影响力的人，将是那些最擅长识别重要问题，并合理分配 Token 和时间去解决它们的人。

• 现状与趋势：许多学生因 Agent 能解完习题而感到沮丧。但根据我的面试经验，候选人在“需要多少时间和 Token 才能抵达解决方案”上差异巨大。
• 优秀候选人的特征：通常具备高层直觉和外部背景知识，能与 Agent 高效协作。
• 高分案例：评分极高的候选人，通常深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，要么来自那些高速增长、重要问题远多于人手的公司。

3. 选择最值得做的问题

过去十年，研究中最有用的心智框架之一是“苦涩的教训”：长期来看，通用方法的规模化最终会胜过特定任务的优化。

这一教训同样适用于选择问题和公司。

公司和职业一直遵循幂律分布，但 AI 加速了这一过程。因为构建软件变得极易，任何人都能轻松搭建简单系统。真正持久的价值，只会来自对真正有野心问题的极度专注。

• 选公司标准：它是否在解决一个足够有野心的问题？它是否真的有机会解决这个问题？
• 选角色标准：这个角色是否能让你直接站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 曾有一篇好文章指出：最后 10% 既是 90% 的工作，也是 90% 的回报。

AI 让产出水平迅速两极分化，因为普通水准的结果，往往只需一个 Agent 加上草率的 Prompt 即可生成。因此，真正的价值来自你对某一类问题的独特视角，或对细节的高度关注。

• 最后一公里需要练习：学会在最后一公里执行到位，需要专注与迭代。没有东西第一次就完美，最后一公里往往意味着不断打磨。
• 利用模型迭代：由于 Coding Agent 进步飞快，更好的做法往往是吸收上一轮迭代的经验，然后用下一代模型重新开始。
• 实践建议：在自己的项目中，主动多花一点时间打磨、优化架构、考虑可扩展性，或加入创造性。我在候选人身上看到了这种练习带来的显著影响。

5. 同时提高 xG（预期进球）和效率

在足球中，xG（Expected Goals，预期进球）衡量一支球队基于机会质量预计能进多少球，考虑距离、角度、门将位置等因素；效率则是这些机会转化为进球的比例。

用 xG 和效率类比我的职业经历，非常准确。

• 2023年：我拒绝了 Anthropic（当时约50人）和 Cursor（除创始人外仅2人）的 Offer。我想在 DeepMind 做前沿模型推理和训练。
• 2024年：我再次拒绝了这两个机会，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。

• 关于 AI 取代人类：我不相信超级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超级智能去解决，以及如何分配资本解决这些问题上，仍然拥有差异化能力。
• 机会与声誉：不是每一个机会都会转化成进球，但站在正确位置看到机会，是进球的第一步。这依然取决于声誉和专业能力。
• 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感兴趣的问题。
• 效率的重要性：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，所以门前效率也很重要。回顾我的决定，我认为自己做出了许多正确选择，但也希望当时能花更多时间收集信息以辅助决策。
• 早期公司选择逻辑：根本上看团队和市场。今天很多候选人盯着现有产品，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 最初的 Demo 是一个 Slackbot，在我看来甚至不如 ChatGPT。

6. 现在，你也可以做研究了

最近，很多人问我如何进入研究领域。我的前同事、Gemini 团队负责人之一 Vlad 写过一篇很好的文章分享了他的看法。

现代研究拥有更多算力，当然更容易开展，但一个很好的起点是：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 推动的一些公开优化排行榜，也为更结构化地探索想法提供了很好的场所。

• 利用资源：许多算力提供商（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。
• 理解失败：大多数想法最终会在规模化时失败，而理解这些失败，是建立“什么真正有效”直觉的第一步。

最终，我相信，研究者首先是一种心态，而不是一种职业。

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

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。打开这些机会的关键，是专注于寻找有趣的问题，并交付非凡的结果。

整理：夏千斯
如需转载或投稿，请直接在本文章评论区内留言