Token导航 LogoToken导航

AI 资讯 · 虎嗅网

MIT年轻研究者求职AI实验室遇经验门槛

更新 2026-11-17虎嗅网正文 5349字阅读约 17分钟

从MIT年轻研究者求职经历看AI人才评价、机会分配与N1支持方式

本文来自微信公众号: 董科含 ,作者:董科含

这几天在波士顿,一位MIT的年轻研究者和我聊起了他的一个想法:视觉预训练学到的能力,能不能迁移到语言任务上?他已经参与过模型训练,也主导过一个从零开始的视觉生成项目。从数据处理、模型训练到计算优化和任务调度,他和合作者搭起了整套系统。现在,他希望进入一家有更大算力的AI实验室,继续验证自己的想法。但一些岗位要求候选人已经有过类似规模的训练经验,而这恰恰是他希望加入团队后获得的。

这次在波士顿,我和几位MIT的本科生研究者聊了很久。有一次在中餐馆吃饭,聊着聊着,我发现其中四位都获得过国际学科奥林匹克竞赛金牌,有的正在顶尖计算机实验室做研究,也有人在金融机构实习。我们聊了研究、AI和职业选择,也聊到找工作的困难。其中一位已经找了两个月工作,参加了不少面试,仍然没有确定的结果。

过去几年,我接触过很多年轻研究者,也帮助一些人联系过AI团队。我一直觉得,这个行业缺少优秀人才。数学基础好、学习快、能够独立做研究的年轻人,通常不难获得关注。但这次交流让我发现,事情没有那么简单。一个团队愿意和你聊,不代表愿意让你参与真正重要的研究。

一、第一段重要经历

学校、竞赛和论文能证明一个人的部分能力,但参与大规模模型训练,还需要另一组经验。团队招聘新人也有成本。除了工资,还要投入算力、导师时间,以及其他成员的精力。训练任务越紧,团队越希望新人能尽快承担工作,而不是花几个月学习。

几位年轻人谈到,他们接触的一些量化机构,会通过数学、概率、算法和编程测试评价候选人。即使没有相关工作经历,只要测试表现足够好,也可能获得机会,甚至让机构愿意为他专门设立岗位。相比之下,他们接触的一些AI团队更看重过去是否做过类似研究。这有点像招聘应届生,却希望他们已经有工作经验。

这也有原因。前沿AI研究需要的能力差别很大。一个人擅长模型架构,未必熟悉分布式训练;能把系统优化好,也未必擅长提出研究问题。怎样选择实验、理解结果、找到系统瓶颈,往往需要一起工作才能看清。过去的经历因此成了招聘时很方便的判断依据。它能降低风险,也可能让一些有能力、但还没有获得相应机会的人被忽略。

当然,求职还受到签证、毕业时间、岗位和招聘计划的影响。我不知道这些因素在每个人身上占了多大比重。几位学生的经历也不足以代表整个行业。但我觉得,简单地把人分成有经验和没经验,可能会错过很多东西。一个人究竟独立解决过什么问题?哪些能力能够用到下一项工作?如果没有相关履历,还有什么办法判断他能不能胜任?

一位年轻人在获得第一段重要的实习经历后,开始收到更多机构的主动联系。他可能在实习中提高了能力,但还有一个变化:别人更愿意相信他了。新的机会又让他积累更多经验。几年后,原本能力相近的人,也可能因为最初得到的机会不同而拉开差距。

我想到的是,那些没有得到第一次机会的人,后来会怎么样?他们可能同样聪明,同样努力,也曾经对某个问题充满好奇。但如果始终没有人愿意给他们一次尝试的机会,他们就很难积累下一次机会所需要的经历。时间久了,我们看到的是两份越来越不同的简历,却很难知道,这种差距究竟有多少来自能力,又有多少来自最初的那一次机会。

大规模模型训练只是一个例子。科研、工程和创业中都有类似的问题。过去的经历能帮助团队降低招聘风险,却不一定能准确判断一个人的潜力。对于还没有相关履历的年轻人,能不能通过代码、实际作品,或者一次真实的任务来判断他们的能力?总得有人愿意给他们第一次机会,也愿意承担一部分判断风险。

二、知识与实践

AI已经改变了年轻人学习技术的方式。一个有数学和编程基础的学生,可以通过公开论文、开源代码和AI助手,理解模型架构、优化器和训练流程,自己实现一个小型语言模型,再设计实验验证想法。过去需要花很长时间才能弄懂的知识,现在更容易学到,也更容易动手尝试。但把一个小模型训练好,和让一个大模型稳定训练,是两件事。通信、显存、数据吞吐、硬件故障和训练中断,都可能带来新问题。什么时候值得继续扩大规模,什么时候应该停下来重新检查,也需要经验。

学习越来越容易,人与人之间的差距却未必缩小。大家都能读同样的论文、使用同样的工具,但有人能参与重要项目,和有经验的研究者一起工作;有人却只能在有限的资源里反复尝试。对于需要大量资源的研究,实践机会可能比获取知识更难。当然,并非所有研究都需要昂贵的算力。开发应用、参与开源和许多小规模研究,反而因为AI变得更容易了。

那位研究视觉预训练的年轻人,就在有限的条件下做过不少工作。项目刚开始时,团队算力有限,没有内部数据,也缺少可以直接参考的实现。他和合作者先把训练流程搭起来。后来发现,资源经常不稳定,训练会中断,还会遇到硬件和环境故障。他便自己写了一套调度系统,处理任务排队、训练恢复和故障切换。

模型训练也不顺利。有段时间,训练指标一直在变化,但生成的图像质量很差。后来换了数据继续训练,指标反而更差了,图像却比以前好看。他没有急着认定模型变好了,而是回头检查数据和训练过程,试着理解为什么会出现这种情况。

项目发布时,他还整理了代码,补齐另一种常用框架的实现,方便别人使用。后来,有人提出问题、提交修改,也有人用这套流程,在自己的数据上复现出相近的效果。如果想了解他的能力,与其看简历,不如直接看这些工作,和他聊一个小时。为什么这样设计系统?遇到故障怎么处理?为什么选择那些数据?怎样理解指标和图像质量之间的差异?一个人亲手做过这些事情,和只知道这些概念,聊一会儿就能感觉到差别。

三、跟着导师学什么

他还和我聊了怎样向导师学习。他发现,导师过去做出的一些重要研究,方法看起来并不复杂,却能抓住关键问题。有一次,他直接问导师,为什么能够把问题想得这么简单。导师回答,不断尝试。我很喜欢这个回答。

论文通常只留下最后成功的路线。研究者试过多少想法,为什么放弃一些方向,又为什么继续另一些实验,论文里很难完整看到。和优秀研究者一起工作,可以近距离观察这些选择。我建议他,除了讨论当前项目,也可以多问导师一些过去的经历。为什么当时选择那个问题?有没有判断错的时候?后来怎么发现自己错了?这些判断是怎样形成的,可能是跟着好导师最值得学的东西之一。

他尊重导师,也有自己的想法。他很看重研究成果能否被别人使用,愿意花时间整理代码、补齐基础设施。有些工作未必带来新算法,却能让原来没有条件做实验的人开始尝试。他对视觉预训练的潜力也有自己的判断。这个方向能不能走通,现在还不知道。一个想法没有受到广泛关注,可能是别人忽略了什么,也可能是已有研究发现了困难。要分清这两种情况,还是得靠实验。

此前,一位同时获得几家顶级AI实验室机会的年轻人和我讨论去哪里。我们除了看机构的研究方向和资源,还讨论进去以后会发生什么。谁愿意直接指导他?他能负责什么工作?能不能从头到尾参与一个研究问题?有些大机构资源很多,新人未必能获得足够的关注。一个规模较小、优秀人才集中的团队,也可能让年轻人更早承担重要责任。对于刚开始研究生涯的人,这些差别可能比机构排名更重要。

四、从已有条件开始

能够经常向优秀研究者请教,本身就是一种机会。但大多数年轻人还没有这样的条件。另一位学生提醒我,N1可以考虑怎样给学生提供资源,可绝大多数人未必有机会得到N1的支持。那他们怎么办?对他们来说,更现实的问题是,凭现在拥有的条件,今天能先做什么?我以前想得更多的是怎样补上缺少的资源。他提醒我,已有的资源也值得认真利用。

前面那位年轻人的经历就是一个例子。他没有等到足够大的算力才开始研究,而是在自己能承担的规模上搭建系统、训练模型、处理故障,再把代码和经验公开。这些工作还不能回答他最终想研究的问题,但已经让别人有机会了解他的能力,也让下一步需要什么资源变得更清楚。当一个人已经做出一些东西,再去寻求帮助,交流会具体很多。他试过什么,结果怎样,下一步缺什么,为什么值得继续投入,都可以拿出来讨论。把这些写下来,对自己也有帮助。有些问题在脑子里觉得已经想明白了,真正写出来,才发现证据还不够。

主动寻找机会对不同的人来说,难度也不一样。一位年轻人谈到,来到美国一年后,他已经能够自然地与研究者讨论技术,但和美国同学建立深入的私人关系,仍然不容易。我们聊到,也许不必急着认识很多人。先慢慢建立一两个能够长期交流、彼此讲真话的友谊,可能更有价值。有些年轻人很早就知道怎样联系老师、介绍项目、让别人愿意回复邮件,有些人需要自己摸索。

语言、家庭背景和过去的经历,都会影响一个人寻找机会的方式。有时候,他们缺少的是让别人了解自己、逐渐建立信任的机会。我们不能把不擅长展示自己,直接等同于没有能力。

公开研究成果也能帮助年轻人获得机会。一个人不一定需要很多人认识自己。如果他能把做过的事情讲清楚,让真正懂这项工作的人看到,就可能获得新的交流机会。公开作品不保证一定有人回应,但至少别人能够看到他做过什么,而不必只通过学校和履历了解他。

五、学校能承担哪一段

这次交流让我重新考虑,N1和AI School应该把资源放在哪里。一个已经能够自学知识的年轻人,未必需要更多课程。他可能需要一次真正的实验机会、一位合作者,或者有人认真看过他的工作,告诉他问题出在哪里。不同学生需要的帮助也不一样。有人还在学习基本方法,有人已经做出不错的东西,却缺少进一步验证的条件。学校不能只用一套安排解决所有人的问题。

这次,我们帮助那位年轻人联系了一家前沿AI研究团队,也一起准备交流。我建议他先了解这个团队正在研究什么,准备好自己最重要的一项工作,讲清楚哪些部分是他独立完成的,遇到过什么失败,后来怎样调整。我还建议他把关于视觉预训练的想法整理成一页研究计划,说明想验证什么、怎样做实验、需要多少算力。没有大规模训练经验,就如实说明,但已经做过的工作要经得起追问。我还建议他主动提出,能否给自己一个真实的技术问题,用一两周做出可以验证的结果。与其只根据过去的履历判断一个年轻人,不如看看他能不能解决眼前的问题。当然,这需要团队愿意投入时间,也不一定适合所有岗位。目前还不知道这次交流会有什么结果。

不过,这次遇到的年轻人已经拥有很好的起点。他们进入了MIT,获得过国际竞赛金牌,也有机会与优秀研究者一起工作。即使如此,仍然会遇到一些难以跨过的门槛。

我也在想,还有多少年轻人没有这些经历。他们可能没有进入名校,没有遇到知名导师,也没有漂亮的简历,但已经在独立写代码、研究模型、制造机器人,或者尝试解决某个具体的问题。怎样更早找到这些人,是我一直关心的事情。

我有时会想,一个十五六岁的年轻人,可能已经在做一些很有意思的事情,却还不知道自己能走多远。他也许没有认识的研究者,没有人可以请教,甚至不知道世界上还有人在研究和他相似的问题。如果他一直没有遇到合适的人,几年后可能就去做别的事情了。

我们也许永远不会知道,他原本能够做出什么。

一个人没有得到机会,可能因为别人没有发现他的能力,也可能因为他还没有准备好。我们不能因为他缺少认可,就认定他一定被低估了。怎样区分这两种情况?如果他确实有潜力,怎样给他一次能够证明自己的机会?

我希望N1能逐渐找到更可靠的办法。现在还没有经过充分验证的方案。我们可以先从小规模尝试开始,看学生已有的代码和实验记录,给他们一些真实的研究问题,由有经验的研究者判断结果,再决定是否继续支持。这套办法也可能有问题。如果最后仍然只选中那些已经拥有很多机会、熟悉评价规则的人,我们就需要重新检查自己的判断。

六、如果没有N1

但我觉得还有一个更难回答的问题:如果没有N1,这些年轻人是否也会成长得同样快?

优秀的人本来就可能取得很好的成绩。把他们聚集起来,几年后看到他们发表论文、进入顶级实验室或者创办公司,并不能说明N1帮了多大的忙。我们需要持续看学生在这里究竟获得了什么。他学会了哪些原来不会的东西,独立做出了什么工作,又因为这些经历,获得了哪些原本很难得到的机会。有些成长来自学生自己,有些来自同伴和导师。N1提供的帮助究竟起了多大作用,现在还很难说清楚。我希望以后能有更可靠的证据。

那天吃饭快结束时,大家又提起一些正在做研究、寻找机会的朋友。我当场联系了几位认识的研究者和科研型创业者,希望促成一些交流。其中一位年轻人第二天就搭最早的航班飞往硅谷,行李都没来得及准备。抵达后,他借住在一位前辈家里。他先后与一家前沿AI研究团队的两位合伙人交流,等待结果期间一直没有离开。对方认可他的研究能力,但还需要内部讨论,目前仍没有确定的结果。

为了争取这次机会,他错过了MIT的期中考试和作业,一门课的最高分只剩63分,继续耽误就可能挂科。但他已经考虑好,如果得到全职研究的机会,就从MIT休学。我问他,觉得自己和身边那些同样聪明的年轻人有什么不同。他说,可能是更敢做决定。他也不知道自己最终擅长什么。但他不想一直等到确定了答案,才开始做选择。

这样的事情,我过去做过很多次,今后也会继续做。但我希望以后能有更好的办法,让那些还没有被充分了解、却已经开始独立做事的年轻人,也能得到一次尝试。

我很相信他。即使这次没有结果,我也相信他迟早会找到适合自己的机会。至于什么时候、在哪里,我不知道。

文章标签学术研究

资讯来源:由AI资讯编辑整理自互联网公开内容,版权归原作者所有,未经许可,不得转载。