前OpenAI研究员分享AI时代职业建议：找问题比解题更稀缺

前 OpenAI、Deepmind、ScaleAI、Stanford 研究员 Phil Chen 分享：AI 时代的职业建议

他认为：AI 时代，真正稀缺的不是解题能力，而是找问题的能力、资源分配能力和判断力。

1. 真正有限的资源：时间、关系、声誉 以前人们看重金钱、学历、职位，但作者认为这些正在变得充裕。资本比以前更容易获得。真正稀缺的是： · 时间：能否把时间花在真正有意义的问题上 · 关系：与优秀的人建立真实、深度的连接 · 声誉：过去在相关领域做出的好成绩被同行认可

他举了自己放弃量化高薪选择 Scale 的例子，多年后 Scale 带来的网络、机会和认知远超现金差异。这个选择反映了一个原则：不要只看短期确定性回报，要看稀缺资源积累。

2. 学会发现问题，而不只是解决问题 Phil 现在是 fully agent-native 公司的创始人，因此他 hiring 的视角很有参考价值。传统技术面试（LeetCode、系统设计）与实际工作表现的关联正在下降，他们更关注候选人： · 能否快速理解新环境 · 能否识别出值得解决的问题 · 能否在现有约束下执行

未来人才的核心价值是：问题选择 + 资源分配——也就是把时间和 token（算力/智能）投入到最值得的问题上。

他还提到，很多学生因为 AI 能做题而沮丧。但即使在 agent 辅助下，人与人的差距依然巨大，体现在直觉、外部知识、与模型协作的效率。

3. 做问题最雄心勃勃的形式 借用 Sutton 的 "bitter lesson"：通用方法 + 规模扩展最终击败手工优化。这个原则也适用于职业选择： · 选择在做最雄心勃勃版本问题的公司 · 选择能让你站在问题前沿的岗位

AI 降低了普通软件的门槛，随便谁都能搭出一个简单系统。真正的、持久的价值只可能来自对真正困难、真正大问题上的极端专注。

4. 冲刺最后一公里 引用 Alfred Lin 的观点：最后 10% 的工作创造 90% 的价值。在 AI 时代， median output（平均产出）很容易得到—— sloppy prompt 就够了。真正差异化的价值来自： · 独特视角 · 对细节的关注 · 迭代能力 · 干净架构、可扩展性、创造力、polish

由于 AI 模型迭代快，Phil 建议：当学到足够多后，不如直接用下一代模型重新从零做，而不是在原系统上打补丁。

5. 同时提升 xG 和效率 用足球 "expected goals" 比喻职业生涯： · xG：创造机会的能力——你身处什么位置、能看到什么机会 · efficiency：把握机会的能力——能否把机会转化为进球

Phil 回顾自己 2023 年拒绝 Anthropic 和 Cursor、2024 年再次拒绝它们而选择 DeepMind/OpenAI 的经历。这些机会本身都是高 xG，但他更看重个人兴趣、文化契合和目标。他认为自己做对了很多，但后悔没有花更多时间收集信息来支持决策。

核心建议：长期来看，xG 和效率都重要。xG 来自声誉和专长；效率来自判断力和数据。选择早期公司，关键看团队和市场，而不是现有产品——好产品往往来自好团队。

6. 研究门槛正在降低 对于想进入研究的人，现在比以前更容易： · 计算资源更多 · 公开模型和优化榜单提供了实验平台 · Modal 等计算平台给学生提供免费额度

研究本质上是一种心态，不是职位。它需要： · 好奇心 · 与基础设施对抗的执行力 · 对系统的极端细节理解 · 能把结果讲清楚、争取更多资源 · 你可以不在顶级实验室就做研究。