布朗大学的博士生 Yong Zheng-Xin 今天自宣了下个月将正式加入 OpenAI,作为 Astra Fellow 专注于 AI 的安全研究(AI Safety Research)。
Yong Zheng-Xin 在布朗大学攻读博士时的导师为 Stephen Bach,研究方向包含提升模型多语言能力及前沿 AI 安全与对齐。他目前重点关注的领域是 AGI/ASI(通用 / 超级人工智能)的风险防范与准备工作。他深入研究了可扩展监督(Scalable Oversight)、模型对齐的泛化能力,以及大模型在面对多语言等复杂提示时的对抗鲁棒性和越狱漏洞。
上个星期,同是即将毕业的博士,华盛顿大学的 Alisa Liu 在加入 OpenAI 的消息上了 X 热搜,浏览量超过了百万(参见:《从 57 场面试到 OpenAI offer:一位 NLP 博士的顶级 AI 公司求职复盘火了》)。
Yong Zheng-Xin 在看到 Alisa Liu 的面试分享之后获得启发,也介绍了自己在求职研究科学家时的一些经历。
相比于 Alisa 分享的如何准备面试等更为标准化的经验,Zheng-Xin Yong 的这篇博客《Surprising lessons from my research scientist job search》 提供了一个不同的视角。
作为一个在博士最后一年从多语言大模型跨界转向 AI 安全领域的候选人,他总结了 6 个让他在求职过程中感到非常意外(Surprise)的有趣洞察,非常值得一看:
链接:https://yongzx.github.io/blog/2026/06/24/job-search/
最近,计算机科学博士生 Alisa 和 Silvia 分别发表了两篇博文,讲述了她们如何准备并成功进入 OpenAI 和谷歌 DeepMind 等前沿实验室。我强烈推荐这两篇文章。在看到推特上的反响后,我想从另一个角度分享一下:我在自己寻找科研人员工作的过程中,有哪些意想不到的经历让我感到惊讶。
这篇文章主要面向两个读者群体:
- 计算机科学(CS)博士毕业生,可能和我一样,花了 5-6 年时间撰写多篇研究论文,现在正努力寻找行业机会。
- 正在申请全职职位的 AI 安全研究员。
免责声明:本文写作过程中未使用任何大语言模型。
个人经历
我是布朗大学的五年级博士生。我的求职经历有点特殊,因为我在博士最后一年改变了研究方向。
2025 年秋季,我申请了多语言和人工智能安全方面的职位,但收到的大多是多语言 / 后训练的研究科学家机会。这是因为我的研究组合中涉及核心 AI 安全课题的工作较少。
在学期中,我决定全身心投入 AI 安全研究,因为我认为随着通用人工智能(AGI)/ 超级人工智能(ASI)的到来,AI 安全领域有很多重要方面亟需关注。因此,当我获得 Astra 奖学金时,我决定暂停求职几个月,专注于做好奖学金项目,以便更胜任 AI 安全领域更具影响力的职位。为此,我拒绝了一些现有的工作机会,并将毕业时间推迟到 2027 年。
临近研究项目结束,我重新开始找工作,但事情进展得比我最初设想的要混乱一些。我原本计划在六月结束研究项目,将研究成果整理成论文,然后开始面试(这意味着我应该在七月才开始面试)。然而由于时间安排的原因(以及)对职位资源不足的担忧,我大约在五月中旬就开始了面试,并在六月中旬之前就收到了几份令我非常满意的 offer。事实上,我甚至退出了一些正在进行的面试,都没有机会充分了解其他选择。
总而言之,我很庆幸事情最终顺利解决,我不用再为资金问题烦恼(因为我推迟了毕业),也不用再承受持续找工作的焦虑(至少短期内应该如此)。我无法用语言表达我对所有在此过程中支持我的人的感激之情。
意外之一:求职过程中,真正重要的只有一两篇论文
根据 Alisa 的帖子和反应,或许很多人已经知道,面试(例如 LeetCode)可能与你所做的研究工作无关。
我甚至可以说在求职过程中,真正重要的可能只有一两篇论文。有时候,甚至一篇论文都不需要,我的评价完全取决于我当场解决团队问题的能力。
根据我的经验,你的论文作用主要有两个:
获得面试机会。我做过一些目标团队喜欢的项目,或者我的论文展现了团队正在寻找的某种专业技能,所以我现在进入了面试流程。也就是说,我刚刚通过了资格线,现在正式成为他们的候选人。
深度解析。这通常发生在研究报告或研究讨论期间,我会详细阐述某项研究的动机和细节。有时,这样的报告可能只有短短的 20 分钟。
因此在某种程度上,除了建立信誉之外,发表论文的数量本身并不重要。就我而言,我的多语种研究论文数量远远超过我的 AI 安全方向的论文 —— 但鉴于我已经转向 AI 安全研究,这些论文,包括我获得最佳论文奖的论文,都与我的面试结果无关。(注:Yong Zheng-Xin 的工作曾获得 NeurIPS 2023 SoLaR 最佳论文)
这其实是一种解放,因为这意味着你可以随时转型到你认为有影响力的新领域,只要你在该领域展现出足够的专业技能,并且团队也需要你,你仍然可以获得梦寐以求的工作机会。另一方面,这也意味着你需要不断学习和掌握行业动态,因为过去的成功对你是否能获得新的工作机会的影响较小。
意外之二:面试环节非常多样化
我最初参加面试时,以为面试形式会和应届软件工程师的面试类似(例如,Leetcode 风格的问题和行为面试),再加上一些关于 LLM / 深度学习的技术面试。
面试环节似乎有某种标准化的模式 —— 我认为 Alisa 和 Silvia 的博客就给人留下了这样的印象。
出乎意料的是,我在求职过程中竟然被问到了系统设计以及并行编程(例如如何使用 asyncio 并行计算来实现并发操作)方面的问题。我还了解到,有些面试环节会考察你使用 AI 智能体的能力。总而言之,这说明你应该时刻准备好应对各种意想不到的问题和面试环节。
意外之三:工作试用
这对我来说完全是全新的体验。看到 Alisa 的帖子时我也很惊讶,因为我一直以为试用期只在 AI 安全岗位上比较常见。看来,在 AI 初创公司里,试用期也越来越普遍了。
工作试用与现场面试完全不同 —— 你无需飞往公司进行多轮现场面试;相反,你将与团队合作解决一项任务。有时,这项任务可能是开放式的。
这些工作试用通常都有报酬,但令我惊讶的是,有些现场工作试用可以持续长达一周。
对我来说,参加工作试用会让我很难准备其他公司的面试,因为我必须全力以赴完成当前的工作任务,根本没有精力准备其他公司的面试。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,你应该考虑到这一点。
意外之四:时机非常重要
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,与强化学习相关的职位相比,AI 安全方面的职位非常难找。但现在,有更多初创公司提供与 AI 安全相关的机会(例如 Lila 和 Mechanize)。
关于时机如何影响你寻找全职工作,有几点值得探讨:
你的作品迅速走红,很多机构都对你的作品很感兴趣,想要招募你。你可能会对这个时机感到措手不及,而你现在最好的做法就是抓住这个机会,积极参加面试。
你的研究领域越来越热门。这与我上面提到的 AI 安全案例有关。你可以推断,相关的机会也越来越多。求职申请窗口可能短至不到一个月,也可能长达数月,因为公司都在努力扩张。
职位需求。如果你计划推迟面试或进行一些关于如何同时面试多家公司的计划,那么你应该向招聘人员询问这个问题。
工作邀约纷至沓来。如果你遇到这种情况,可以要求其他公司加快面试流程。如果一天之内要连续参加三场面试,而你只有不到一天的准备时间,也不要感到惊讶。
要求推迟面试开始时间(比如推迟一两个月)是合理的,但通常一旦开始面试,每轮面试之间的间隔时间都很短。另外需要注意的是,有些职位希望你在接下来的一两个月内入职,不过入职日期是可以协商的。
意外之五:留用通知很少见
与软件工程职位(通常会提供留用机会,Return offer)相比,研究职位则需要具体情况具体分析。
例如,2024 年我在 Meta 实习期间,全职转正的机会很少,而且很大程度上取决于团队规模。我的很多朋友都没能获得转正机会。至于我申请的 OpenAI Astra 奖学金,我仍然需要像其他申请者一样,经历所有面试环节才能最终加入 OpenAI。
我听说有些机构的面试流程比较快捷;例如,如果团队匹配成功,你只需要再经历一两轮面试。
意外之六:很多面试与你的主题无关
这让我感到意外,因为我当时正从能力研究(多语言能力)转向安全研究,我以为安全相关的面试会在整个面试流程中占据很大比例。我在 Astra Fellowship 项目期间,Constellation 内部就 AI 安全问题展开了大量讨论,这更加深了我的这种印象。
那不是事实。
事实上,我遇到过很多与 AI 安全完全无关的案例,更不用说与我的研究方向相关了。我相信我的经历与 Alisa 和 Silvia 的类似(尽管她们的研究领域与人工智能不同)。
在少数几个地方,我感觉面试官仍然在评估我作为 AI 研究员的全面性。我认为这有其合理之处(例如,AI 领域发展迅速,所以夯实基础很重要等等),但我原本预期会遇到更多与 AI 安全相关的问题,因为在我看来,这是一个亟待解决的研究课题,而且它仍然是一个相对小众的领域。或许,对于高级职位,我的面试经历会有所不同。
对于安全研究人员:如果这对你有帮助,我与他人合写了一篇 LessWrong 文章(https://www.lesswrong.com/posts/dvsFfGuXXyHYkyifp/tips-for-cracking-the-ai-safety-technical-interview-1),内容是关于安全相关的轮次,但预计提出的问题会有很多多样性。
以下是更多阅读资源:
1、Nathan Lambert——Thoughts on the job market in the age of LLMs:https://www.interconnects.ai/p/thoughts-on-the-hiring-market-in
2、Alisa Liu——Notes on the Industry Job Search:https://alisawuffles.github.io/blog/job-search/
3、Silvia Sapora——ML Job Interviews: The Ultimate Guide:https://silviasapora.github.io/blog/ml-interviews.html
本文来自微信公众号“机器之心”
