⚽ 足球实时 (0)
| 主队 | 比分 | 客队 | 联赛 | 时间(北京) |
|---|---|---|---|---|
| 近期暂无比赛，请稍后再来查看。 | ||||
布朗大学的博士生 Yong Zheng-Xin 宣布，他将于下个月正式加入 OpenAI，担任 Astra Fellow，专注于人工智能安全研究。
Yong Zheng-Xin 的博士导师为 Stephen Bach，其研究领域涵盖提升模型的语言能力以及前沿的人工智能安全与对齐。他目前的核心关注点在于通用人工智能（AGI）和超级人工智能（ASI）的风险防范与准备。他深入探讨了可扩展监督、模型对齐的泛化能力，以及大型模型在处理多语言等复杂指令时的对抗鲁棒性和越狱漏洞。
此前，另一位即将毕业的博士生 Alisa Liu 因加入 OpenAI 的消息在 X（原 Twitter）上引发广泛关注，浏览量超过百万。
受到 Alisa Liu 面试经验分享的启发，Yong Zheng-Xin 也分享了他在寻找研究科学家职位过程中的一些经历。
与 Alisa Liu 分享的标准化面试准备经验不同，Yong Zheng-Xin 的博客文章《Surprising lessons from my research scientist job search》提供了一个独特的视角。
作为一名在博士最后一年从多语言大型模型领域跨越至人工智能安全领域的候选人，他总结了六个在求职过程中令他感到意外的洞察。
Yong Zheng-Xin 的博客链接为：https://yongzx.github.io/blog/2026/06/24/job-search/
他表示，计算机科学博士生 Alisa 和 Silvia 近期发布了两篇关于成功进入 OpenAI 和谷歌 DeepMind 等顶尖研究机构的文章，他强烈推荐阅读。在看到 X 平台上的热烈反响后，他希望从另一个角度分享其在寻找研究科学家职位过程中遇到的意外经历。
这篇文章主要面向两类读者：一是像他一样，花费五到六年时间撰写研究论文，并正在寻求行业机会的计算机科学博士毕业生；二是正在申请全职职位的 AI 安全研究员。
作者声明，在撰写本文过程中未使用任何大型语言模型。
个人经历
Yong Zheng-Xin 是一名在布朗大学攻读博士的五年级学生。他的求职经历颇具特色，因为他在博士的最后一年调整了研究方向。
在 2025 年秋季，他申请了多语言和人工智能安全相关职位，但收到的多数是多语言/后训练方向的研究科学家机会，这主要是因为他的研究组合中涉及核心 AI 安全课题的工作相对较少。
在本学期期间，他决定全身心投入 AI 安全研究，认为随着 AGI/ASI 的到来，AI 安全领域存在许多亟待解决的重要问题。因此，当他获得 Astra 奖学金后，他选择暂停求职数月，专注于奖学金项目，以更好地胜任 AI 安全领域更具影响力的职位。为此，他拒绝了一些现有的工作机会，并将毕业时间推迟至 2027 年。
在研究项目接近尾声时，他重新开始求职，但进展比最初设想的更为曲折。他原计划在六月完成研究项目，整理论文后开始面试，预计七月开始。然而，由于时间安排和对职位资源不足的担忧，他从五月中旬就开始了面试，并在六月中旬前收到了几份满意的 offer。他甚至退出了部分正在进行的面试，未能充分了解其他选项。
总而言之，他对最终顺利解决求职问题感到庆幸，不再需要为资金担忧，也暂时摆脱了持续求职的压力。他对此过程中支持他的人表达了深切的感谢。
意外之一：求职中，真正关键的只有一两篇论文
Yong Zheng-Xin 指出，根据 Alisa 的帖子和反响，很多人可能已经了解到，面试（如 LeetCode 题目）可能与实际研究工作关联不大。
他认为，在求职过程中，真正起决定性作用的可能只有一两篇论文，有时甚至一篇论文都不需要，完全取决于现场解决团队问题的能力。
根据他的经验，论文的作用主要体现在两个方面：
- 获得面试机会：当其研究项目符合目标团队的喜好，或论文展现了团队正在寻找的专业技能时，便能获得面试资格。
- 深度阐述：在研究报告或讨论中，详细阐述某项研究的动机和细节，有时仅需 20 分钟。
因此，他认为，除了建立学术信誉外，发表论文的数量本身并非决定性因素。尽管他的多语言研究论文数量远超 AI 安全方向的论文，但鉴于他已转向 AI 安全研究，这些论文，包括获得最佳论文奖的论文，与他的面试结果并无直接关联。
他认为这是一种解脱，意味着可以转型到有影响力的领域，只要展现出足够的专业技能并获得团队认可，便有机会获得理想工作。另一方面，这也要求持续学习和关注行业动态，因为过去的成就对新工作机会的影响有限。
意外之二：面试形式多样化
Yong Zheng-Xin 最初参加面试时，以为形式会类似于应届软件工程师的面试，即 LeetCode 风格的题目和行为面试，再加上一些关于 LLM/深度学习的技术问题。
他认为面试环节似乎存在某种标准化模式，Alisa 和 Silvia 的博客也给人这种印象。
然而，出乎意料的是，他在求职过程中被问及系统设计和并行编程（如使用 asyncio 实现并发操作）方面的问题。他还了解到，部分面试环节会考察使用 AI 智能体的能力。这表明应时刻准备应对各种意想不到的问题和面试形式。
意外之三：工作试用
对他而言，工作试用是全新的体验。他惊讶地发现，与 AI 安全岗位相比，AI 初创公司也越来越普遍地采用试用期。
工作试用与现场面试不同，无需前往公司进行多轮面试，而是与团队合作完成一项任务，有时任务是开放式的。
这些工作试用通常有报酬，但令他惊讶的是，有些现场工作试用可持续长达一周。
他认为，参与工作试用会影响其他公司的面试准备，因为需要全身心投入，没有精力准备其他面试。在安排面试时，尤其是在同时面试多家公司且时间紧迫的情况下，应考虑到这一点。
意外之四：时机的重要性
在当前的就业市场中，时机起着至关重要的作用。
例如，去年秋季，AI 安全相关的职位相对稀缺，而强化学习相关职位则较多。但目前，提供 AI 安全机会的初创公司（如 Lila 和 Mechanize）有所增加。
关于时机如何影响全职工作寻找，有几点值得探讨：
- 作品的突然走红：当作品迅速获得关注，多家机构表示兴趣并希望招募时，应抓住机会积极面试。
- 研究领域的升温：当研究领域变得热门时，相关机会也会随之增多。求职窗口可能很短，也可能持续数月。
- 职位需求：如果计划推迟面试或同时面试多家公司，应向招聘人员询问相关安排。
- 工作邀约叠加：当收到多个工作邀约时，可要求其他公司加快面试流程。连续参加多场面试且准备时间不足的情况并不少见。
他认为，要求推迟面试开始时间（一两个月）是合理的，但一旦开始面试，轮次之间的间隔通常很短。同时，需注意有些职位要求在未来一两个月内入职，但入职日期通常可以协商。
意外之五：留用通知少见
与软件工程职位（通常提供留用机会）相比，研究职位的留用情况则需具体分析。
例如，他 2024 年在 Meta 实习期间，全职转正机会较少，很大程度上取决于团队规模。许多朋友未能获得转正机会。至于他申请的 OpenAI Astra 奖学金，他仍需像其他申请者一样，通过所有面试环节才能最终加入。
他听说一些机构的面试流程较为快捷，例如，如果团队匹配成功，可能只需一两轮面试。
意外之六：许多面试与主题无关
这让他感到意外，因为他正从能力研究（多语言能力）转向安全研究，原以为面试中会包含大量安全相关内容。他在 Astra Fellowship 项目期间，Constellation 内部就 AI 安全问题进行了广泛讨论，这加深了他的这种预期。
然而，事实并非如此。
他遇到过许多与 AI 安全完全无关的面试，更不用说与他的研究方向相关了。他相信他的经历与 Alisa 和 Silvia 类似，尽管她们的研究领域与人工智能不同。
在少数情况下，他感觉面试官仍在评估他作为 AI 研究员的全面性。他认为这有其合理性，因为 AI 领域发展迅速，基础知识很重要。但他原本预期会遇到更多 AI 安全相关的问题，因为在他看来，这是一个亟待解决且相对小众的研究课题。他推测，对于高级职位，面试经历可能会有所不同。
对于安全研究人员，他推荐一篇 LessWrong 文章（https://www.lesswrong.com/posts/dvsFfGuXXyHYkyifp/tips-for-cracking-the-ai-safety-technical-interview-1），其中讨论了安全相关的面试环节，并预计问题会很多样。
更多阅读资源包括：
- Nathan Lambert——Thoughts on the job market in the age of LLMs：https://www.interconnects.ai/p/thoughts-on-the-hiring-market-in
- Alisa Liu——Notes on the Industry Job Search：https://alisawuffles.github.io/blog/job-search/
- Silvia Sapora——ML Job Interviews: The Ultimate Guide：https://silviasapora.github.io/blog/ml-interviews.html