Карьерные советы в эпоху AI

Оригинал опубликован Phil Chen в X.

AI-модели становятся лучше во всём, для чего можно написать loss function. А школа в основном и состоит из таких loss functions: чётко определённые задачи, которые оцениваются по известным ответам. Поэтому ценная работа следующего десятилетия — это всё, что нельзя оценить в пределах цикла обучения модели.

За шесть лет работы мне повезло сотрудничать с замечательными людьми в компаниях разного масштаба: от собственного стартапа до Helm AI (15→50 FTE), Scale AI (500→1500 FTE), OpenAI (1500→3000 FTE) и Google (100 000+ FTE). Как основатель, я много думаю о том, какие люди нужны нашей компании сейчас и в будущем. Поскольку мы полностью agent-native, наши потребности сильно отличаются от компаний, где я работал раньше.

Для мотивированных и амбициозных людей в начале карьеры у меня теперь более ясный взгляд на то, какие навыки будут ценны в ближайшее десятилетие. Я давал и получал много карьерных советов, и хотя многие известные максимы остаются верны — условно, «если садишься на ракету, не спрашивай, какое место» — многое изменилось из-за роста agentic coding. Вот что осталось актуальным и что стало новым.

1. Фокусируйтесь на ресурсах, которые действительно ограничены

Перед тем как присоединиться к Scale, у меня были quant-офферы с куда более высоким гарантированным кэшем, но я выбрал Scale, потому что меня привлекали сообщество и доступ ко множеству продуктов и применений Scale. Через Scale я получил контакт с провайдерами LLM-инференса, что затем привело к возможностям в DeepMind и OpenAI. Я также познакомился со многими амбициозными коллегами, которые теперь образуют сообщество основателей из Scale. Сегодня уникальная сеть контактов и возможности обучения, полученные в Scale, дали моей жизни гораздо больше, чем дополнительный кэш, который я мог бы получить в quant.

Доступ к капиталу сейчас проще, чем когда-либо. Доступ к настоящему времени и сильным отношениям с другими людьми всё ещё редок. Доказанное превосходство в прошлых смежных задачах остаётся одним из самых сильных сигналов, поэтому мой конкретный совет: тратьте время на хорошую работу и заботьтесь о том, чтобы о ней знали авторитетные люди, которые сами делают хорошую работу. Безжалостно приоритизируйте своё время: школа, проекты, стажировки — что бы вы ни делали, фокусируйтесь на задачах, которые считаете значимыми. С vibe-coding легко найти возможности быстро заработать, но настоящая награда обычно намного больше, когда вы ищете реальную ценность.

Время, отношения и репутация — вот настоящие ограниченные ресурсы, на которых стоит сосредоточиться.

2. Учитесь находить проблемы, а не только решать их

Чтобы находить сигнал в море кандидатов, мы глубоко думали о том, какие навыки сегодня важны для инженеров в agent-native компании. Поскольку никто не пишет строки кода вручную, традиционные Leetcode-задачи и даже вопросы по system design кажутся слабо связанными с реальной результативностью. В итоге мы пришли к серии интервью, которые измеряют, насколько быстро человек понимает среду, в которую попал, выявляет проблемы, достойные решения, и затем решает их с учётом ограничений этой среды.

Самыми важными станут навыки, связанные с выбором проблем и распределением ресурсов. Всё более мощные агенты могут брать на себя сложные, хорошо определённые задачи, поэтому самыми влиятельными будут люди, которые лучше всех умеют определять важные проблемы и распределять токены и время на их решение.

Я вижу тренд, когда студенты расстраиваются из-за того, что агенты могут решить все их наборы задач. Но по моему опыту интервью, кандидаты всё ещё сильно различаются по тому, сколько времени и токенов им нужно, чтобы прийти к решению. Сильные кандидаты обычно привносят в сотрудничество с агентами высокоуровневую интуицию и внешний контекст.

На практике кандидаты, которых мы высоко оценивали, погружались в среды решения проблем — через собственные passion projects или через работу в быстрорастущих компаниях, где значимых задач больше, чем людей.

3. Работайте над самой амбициозной формой проблемы

В последнее десятилетие одной из самых полезных ментальных моделей в исследованиях был «bitter lesson»: масштабирование общих методов в конечном счёте выигрывает у task-specific оптимизаций. Этот урок применим и к выбору проблем и компаний.

У компаний и карьер всегда были power-law outcomes, но AI ускорил движение к таким исходам. Поскольку создавать software теперь намного проще, почти любой может относительно легко построить простые системы. Настоящая и долговечная ценность создаётся только через предельную концентрацию на действительно амбициозных проблемах.

Совет по выбору компании прост: оцените, работает ли компания над самой амбициозной формой своей проблемы, а затем — есть ли у неё реальный шанс её решить. При выборе роли подумайте, позволит ли она работать прямо на фронтире той проблемы, которую решает компания.

4. Делайте спринт на последней миле

Для стартапов у Alfred Lin есть отличная статья о том, что последние 10% — это одновременно 90% работы и 90% награды. AI поляризовал результаты, потому что медианный результат — это то, что агент может выдать по небрежному промпту. Поэтому ценность возникает из уникальной перспективы на часть проблем или из внимания к деталям.

Чтобы научиться хорошо проходить последнюю милю, нужны практика и фокус. Ничто не идеально с первой попытки, поэтому последняя миля часто состоит из итераций. Поскольку прогресс coding agents идёт очень быстро, иногда лучше взять уроки из прошлых итераций и начать заново уже со следующим поколением интеллекта. Практикуйте это на собственных проектах. Проявляйте инициативу и тратьте чуть больше времени на полировку, чистую архитектуру, масштабируемость или креативность. Я точно видел эффект у кандидатов, которые так делали.

5. Увеличивайте и xG, и эффективность

В футболе xG — expected goals — это метрика того, сколько голов команда должна была забить в матче на основе своих возможностей: с учётом расстояния, углов, позиции вратаря и так далее. Эффективность — это относительная конверсия этих возможностей.

Аналогия xG и эффективности довольно точно описывает мою карьеру. В 2023 году я отказался от офферов Anthropic — тогда около 50 FTE — и Cursor — тогда 2 non-founder FTE — потому что хотел работать над frontier model inference и training в DeepMind. В 2024 году я снова отказался от обоих, чтобы работать в OpenAI. Каждая из этих альтернатив была бы high xG с карьерной точки зрения, но я выбрал компании, которые больше соответствовали моим интересам, культурному fit и целям.

Карьера длинная, а возможности приходят и уходят. Я не верю, что ASI заменит всех людей в knowledge work, потому что у людей есть дифференцированные способности выбирать значимые проблемы для ASI и распределять капитал на их решение.

Не каждая возможность превращается в гол, но оказаться в правильной позиции, чтобы увидеть возможности, — первый шаг к тому, чтобы забивать. Это снова сводится к репутации и экспертизе. Возможность Cursor появилась благодаря хорошей репутации среди общих знакомых с Michael и Aman, а возможность Anthropic — потому что я инвестировал и профессиональное, и личное время в проблемы, интересные их команде.

В какой-то момент жизнь — это не только видеть возможности, но и забивать голы, поэтому эффективность перед воротами тоже важна. Оглядываясь назад, я думаю, что принял много правильных решений, но предпочёл бы потратить больше времени на сбор данных для их обоснования.

В основе выбора early-stage компаний лежат команда и рынок. Многие кандидаты сегодня цепляются за текущий продукт, но если команда сильная, продукт почти всегда превращается во что-то совсем другое. Первое демо Anthropic было Slackbot, который для меня был хуже ChatGPT.

6. Сейчас можно попасть в research

В последнее время я часто получаю вопросы о том, как попасть в research. Мой бывший коллега Vlad, лид в команде Gemini, написал отличный разбор своих взглядов на это.

Современные исследования проще делать с большим compute, но хорошее место для старта — использовать модели и превращать собственные интуиции в evaluations. Публичные optimization leaderboards, популяризированные моим бывшим коллегой @kellerjordan0, тоже дают отличные площадки для более структурированного исследования идей.

Многие compute-провайдеры вроде Modal дают кредиты академическим пользователям. Используйте их и исследуйте свои идеи уже сейчас. Большинство идей в итоге провалится при масштабировании, и понимание этих провалов — первый шаг к пониманию того, что действительно работает.

В конечном счёте я считаю, что быть исследователем — это mentality, а не должность. Большая часть работы исследователя во frontier labs — это смесь любопытства к новым идеям, борьбы с инфраструктурой ради их реализации, глубокого понимания всей системы для эффективного debug и умения объяснить ценность результатов, чтобы получить больше compute. Всё это можно делать и вне frontier lab.

Заключение

Мир всё ещё полон возможностей. Ключ к ним — фокус на поиске интересных проблем и выдаче выдающихся результатов. Если вам это близко, напишите — мы будем рады работать с вами.