AI 时代的职业选择：能被打分的工作正在贬值

封面：AI 时代的职业选择

Phil Chen 写了一篇 AI 时代的职业建议，7 月初发出来滚到了 310 万曝光。他的经历比较特别，6 年里从自己创业，到 Helm AI（15 人涨到 50 人）、Scale AI（500 涨到 1500）、OpenAI（1500 涨到 3000）、Google（10 万人以上），把公司的各个量级都待了一遍，现在自己在做一家完全 agent-native 的公司，坐在面试官那一侧。

这篇里最有价值的两块是：他把工程师的面试题从 Leetcode 和 system design 换成了什么，以及他 2023 年拒掉 Anthropic 和 Cursor、2024 年又拒了一次之后，怎么复盘这两个决定。我按原文全文译写，正文如下，文末是我自己的判断。

原文出处：Phil Chen（@philhchen）《Career advice in the age of AI》，https://x.com/philhchen/status/2072793818945167475

能写出 loss function 的事，模型都会学完

AI 模型在任何你能为它写出 loss function（损失函数）的事情上都会持续变强，而学校教的基本上全是 loss function：定义清晰的问题，对着已知答案打分。所以未来十年真正有价值的工作，是那些在一个模型训练周期之内没办法被打分的事。

作为创始人，Phil Chen 花很多时间想清楚公司现在和未来该招什么人。因为这家公司是完全 agent-native 的，招人需求跟他之前待过的任何一家都不一样。他现在能更清楚地告诉那些有动力、有野心的早期职业阶段的人，未来十年什么能力值钱。很多老话仍然成立（比如上了火箭就别问自己坐哪个位置），但 agentic coding 起来之后确实有很多东西变了。

真正稀缺的资源是时间、关系和声誉

去 Scale 之前他手上有 quant 的 offer，保底现金高得多，但他选了 Scale，因为看重那里的社区氛围和能接触到 Scale 各条产品线与各种应用场景的机会。通过 Scale 他接触到了 LLM inference 的供应商，这条线直接带来了后来 DeepMind 和 OpenAI 的机会；同一批有野心的同事，今天形成了一个 Scale 系创始人的圈子。他的结论是，Scale 给他的网络和学习机会，对他人生的贡献远远超过 quant 那边多出来的那部分现金。

**今天拿到资本比历史上任何时候都容易，而拿到真实的时间、和人建立强关系，仍然是稀缺的。**过去在相关领域做出过的成绩仍然是信号最强的东西，所以他的具体建议是：花时间把事情做好，并且确保这件事被那些自己也在做好事、本身有声誉的人知道。不管做的是课业、项目还是实习，都要极度苛刻地排优先级，只做自己真觉得有意义的问题。vibe coding 让赚快钱的机会变得很好找，但去找真实价值的那条路，回报通常大得多。

时间、关系、声誉，这三样是真正有限的资源，注意力该放在这里。

从解决问题转向发现问题

为了在一堆候选人里找到信号，他们仔细想过在一家 agent-native 公司里，工程师今天到底需要什么能力。因为没有人手写任何一行代码，传统 Leetcode 式的题、甚至 system design 的题，跟实际工作表现的相关性都很低。他们最后设计出来的面试，考的是候选人能多快理解自己被放进去的这个环境、识别出哪些问题值得解决、然后在现有环境的约束下把这些问题解掉。

**最重要的能力会集中在问题选择和资源分配上。**Agent 越来越强，复杂但定义清晰的问题它都能接下来，所以影响力最大的那批人，会是最擅长识别重要问题、并且最会把 token 和时间分配到这些问题上的人。

Phil Chen 看到一个趋势是学生因为 Agent 能做完他们所有的 problem set 而感到气馁。但他做面试的体感是，候选人在需要多少时间、烧掉多少 token 才能到达答案这件事上差异非常大。评价高的候选人通常会带着高层次的直觉和外部上下文来跟 Agent 协作。

具体说，他们打高分的候选人都是把自己泡在问题环境里的人，要么来自自己真在做的 passion project，要么来自那种有意义的问题比人还多的高增长公司。

选公司看它做的是不是这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 bitter lesson（苦涩的教训）：可规模化的通用方法最终会打败针对特定任务做的优化。他认为这条同样适用于选问题和选公司。

公司和职业生涯的结果一直是幂律分布的，AI 只是加快了走向这些结果的速度。因为造软件的门槛降低了，任何人都能相对轻松地搭出简单系统。真正持久的价值，只有在极度专注于足够有野心的问题时才造得出来。

选公司的判断很简单：先看这家公司做的是不是它那个问题的最有野心的形态，再看它有没有真的机会解决。选岗位则看这个岗位能不能让你直接在公司要解决的那个问题的最前沿上工作。

最后一公里要冲刺

关于创业，Alfred Lin 写过一篇很好的文章，讲最后 10% 既是 90% 的工作量、也是 90% 的回报。AI 把结果两极化了，因为今天的中位数结果，就是一个 Agent 用潦草 prompt 能产出的东西。所以价值会落在两个地方：在一小块问题上给出独特视角，或者把细节处理到位。

把最后一公里跑好，既需要练习也需要专注。第一次做不可能完美，所以最后一公里往往是关于迭代的。因为 coding agent 的进步太快了，通常更好的做法是把前几轮迭代里的 learnings 拿出来，直接用下一代智能从零重写一遍。**他建议在自己的项目里练这件事：主动多花一点时间在打磨、干净的架构、可扩展性或者创造性上。**他说在候选人身上确实能看出做过这件事的人的差别。

xG 和转化率要一起提

足球里 xG（expected goals，预期进球）是一个衡量球队根据自己创造的机会该进多少球的指标，会把射门距离、角度、门将站位这些因素算进去；转化率则是这些机会真正被打进的比例。

Phil Chen 觉得 xG 和转化率这个类比套在自己的职业生涯上相当准确。2023 年他拒掉了 Anthropic（当时约 50 人）和 Cursor（当时只有 2 个非创始员工）的 offer，因为他想在 DeepMind 做前沿模型的推理和训练；2024 年他又把这两家拒了一次，去了 OpenAI。从职业角度看，每一个被他拒掉的机会都是高 xG 的，但他最后选的是跟自己兴趣、文化契合度和目标更一致的公司。

职业生涯很长，机会来来去去。他不认为 ASI 会取代所有的知识工作，因为人类在两件事上有差异化能力：选出值得让 ASI 去解的问题，以及分配用来解这些问题的资本。

不是每个机会都会变成进球，但站在能看见机会的位置是进球的第一步，而这又回到声誉和专长上。Cursor 的机会来自他在跟 Michael、Aman 的共同好友里有不错的声誉；Anthropic 的机会来自他一直把职业时间和个人时间都投在那个团队感兴趣的问题上。回头看，他觉得自己做对了很多决定，但更希望当时能花更多时间收集数据来支撑这些决策。

选早期公司本质上主要看团队和市场。今天很多候选人锚定在现有产品上，但只要团队足够好，产品几乎总会长成另一个东西。Anthropic 最初的 demo 是一个 Slackbot，在他看来还不如当时的 ChatGPT。

现在就可以开始做研究

最近很多人问他怎么进研究岗。他的前同事 Vlad 现在是 Gemini 团队的 lead，写过一篇很好的文章讲这件事。

现代研究在算力更充足的情况下更容易做，但一个很好的起点是先去用模型，再把自己的直觉蒸馏成 evaluation。他的另一位前同事 Keller Jordan 推动的公开优化 leaderboard，也提供了一个更结构化的探索场地。Modal 这类算力提供方会给学术界发 credits，他建议现在就拿来跑自己的想法。大多数想法最终都会在 scale 上失败，而理解这些失败是搞清楚什么才真正有效的第一步。

他认为做研究是一种心态，不是一种职业。前沿实验室里研究员的大部分工作是下面这四件事的混合：

好奇心：好奇到愿意主动去探索新想法。
跟基础设施搏斗：把想法真正实现出来，这一步的工作量远大于想出想法。
极度细致地理解整个系统：目的是出问题时能高效 debug。
把结果的价值讲清楚：讲清楚才能换来更多算力，算力是研究里最硬的约束。

这四件事不待在前沿实验室也能做。

他的收尾是：世界仍然充满机会，打开它们的钥匙是专注去找有趣的问题，并交付非凡的结果。

我的判断

先给这篇打个折。他这篇里几乎每一条都指向同一个结论，会找问题、会分配 token 的人最值钱，而他正在为一家完全 agent-native 的公司招这种人，文章最后一句就是欢迎联系。凡是能顺便帮讲述者招到人的结论，都得先打个折再看。

抛开这层，有三条我自己有体感。

面试考什么这条我完全同意：从 Leetcode 换成理解环境、找到值得解决的问题、在约束下执行，这个方向和我的日常一致。我现在一天在 Agent 上烧掉的 token 在 10 亿这个量级，手写代码的时间已经很少，绝大部分时间花在拆需求、定验收标准、review 产出和给 Agent 划权限边界上。我卡住的原因基本都在最前面那一步，问题找错了，或者验收标准定得太松，代码本身很少是瓶颈。
从零重写这条我不完全同意：他说因为 coding agent 进步快，不如把 learnings 拿出来用下一代智能从零重写。这个判断在个人项目上成立，在有真实用户的生产系统上不成立。线上跑的东西带着数据库 schema、灰度开关、上下游服务的契约，重写真正花时间的地方是把这些契约重新对齐一遍，而对齐过程里出的错是要用户来承担的。我的做法是把不变的那部分沉淀成契约文档和测试用例，让下一代模型接手时省掉理解成本。我给自己定了一条相关的纪律：改动对外接口时，文档、测试、接口平台三处必须在同一个改动里一起动。
稀缺资源那条我算过账：今年从大厂跳进 startup 的时候，账面上确实是亏的，短期现金和平台背书都在往下走。换来的是能直接碰到 Agent 在生产环境里的真实边界，这个东西在大厂里买不到，只能自己站到位置上才拿得到。他讲的 Scale 换 quant 是同一笔账，只是量级不同。

最后补一条他没写的。他讲找问题的能力时，隐含前提是你身处一个有真问题的环境，而这个前提对大部分人不成立，很多人的日常里没有值得解决的问题，只有需要被交付的任务。他给候选人的那条标准，有意义的问题比人还多，其实同时在筛环境。所以这条能力的第一步通常是换环境，环境里没有真问题的时候，练是练不出来的。