硅谷的人工智能人才市场正经历着前所未有的复杂阶段，无论是招聘还是求职都变得比以往更加艰难。
对于雇主而言，最普遍的感受是难以找到理想人选，并且有时候甚至连对方愿不愿意交流都很难保证。而对于已经在大型企业或研究机构工作的求职者来说，他们面临的挑战则表现为机会成本：虽然当前的工作看起来很不错，项目和团队都非常优秀，生活条件也挺好，但想到外面那些诱人的薪资待遇，会觉得留在原地的机会成本太高了。
新入行的人才面对的则是不断攀升的要求，这让他们感到自己仿佛遇到了一道难以逾越的障碍。
一边是“找不到合适人选”，另一边则是求职者坐立不安。整个市场虽然看似活跃，但实际上却像是两种力量在相互拉扯。
艾伦人工智能研究所的研究科学家 Nathan Lambert 对此现象有着深刻见解，并撰写了一篇博客文章详细分析了这一问题及其解决方案。
他认为资深员工在未来会更加抢手
在他看来，当前招聘市场最具决定性的特征是语言模型的复杂性和发展速度。这两方面共同作用下，市场上出现了两种截然不同的需求趋势：对高级人才的需求增加，而对初级职位的要求变得更加严苛。
他认为资深员工在当今时代更有价值，因为他们积累了丰富的经验，能够从长远角度处理和引导复杂的系统。例如，在团队使用AI代理时可以取得显著进展，但这时需要有人明确“正确的方向”。
Nathan 预测，随着 AI 工具的不断进步，资深人员的影响将会以更快的速度增长，并且这种影响甚至可能比单纯增加初级员工更为有效。
他总结道：AI代理将促使人类往组织结构中更高级别的职位发展。工程师需要学会进行系统设计，而研究人员则需像管理实验室那样工作。
对于初级工程师来说，证明自己的独特价值变得至关重要
初级员工必须通过不同的方式来证明自己的重要性。
Nathan 强调，在筛选初级工程师时最为看重的是对进展的热切追求：既包括个人理解上的进步，也涵盖模型性能或系统效果的提升。他认为唯一能真正了解一个系统或方向的方法就是亲自去实践它；而且要想赶上最前沿的技术，就必须在一个特定领域付出大量努力。
他指出，动机强烈的初级员工可以迅速成长并产生影响；但缺乏这种动力的人在未来可能会发现自己的工作变得越来越容易被替代。
寻找这样的人才尤其困难。 Nathan 认为，目前最好的建议就是依靠直觉或整体感觉来判断是否合适。
他举了一个例子：曾邀请 Florian Brand 参与一项开源模型追踪的工作时，第一次谈话对方就表示自己完全沉迷于大型语言模型的研究中，这种自然流露的热情令人印象深刻。
对于初级研究员而言，环境较为宽松，但需要坚持证据导向
Nathan 认为，在教育机构工作的年轻研究人员面临的压力相对较小，因为他们暂时还不必直接面对技术经济体系的压力。
他认为，判断一名年轻研究者能否取得成就的关键在于其对“证据”的执着追求：任何主张都必须基于明确的依据。这种习惯能够促进更快的迭代速度和持续改进。
同时他也批评了一些常见的误区，比如许多早期研究人员过早地寻求广度而非深度的研究成果。
有人会问博士是否值得读完？还是直接去工作？
经常被问到的一个问题是：如果不想成为教授的话，博士还值不值得一读？
Nathan 的回答很直截了当：如果你得到了像 Gemini、Anthropic 或 OpenAI 这类前沿实验室的工作机会，那基本没有理由继续攻读博士学位。
但是，继续读书的理由往往在于个人层面的成就感，比如完成一项艰难任务后的自豪感。对此他表示尊重。
不过他也承认，在直接的职业建议与重视“人”的重要性之间存在一定的矛盾：选择工作时应该考虑团队成员对你的影响，因为这比具体的工作内容更为关键。
在前沿实验室工作的风险
Nathan 认为，进入前沿实验室担任产品开发职位可能带来一种被企业机器吸收的风险，从而难以在职业生涯中脱颖而出。
他解释说，自己及其团队之所以能在职业发展上取得优势，是因为具备了责任、公众可见度和执行力的组合因素。
其中“公开工作”尤为重要。在行业越来越封闭的情况下，向外界展示研究成果能带来额外的职业收益。他认为这可能与长期积累的好感有关。
但如果你进入一个完全封闭的研究环境，则几乎不可能获得这样的可见度，因此你只能依赖责任感和执行力。然而即使执行得很好，但如果产品或模型没有人使用或接触，那么这种努力也不会产生外部价值。在这种情况下，“核心圈子”的重要性就凸显出来。
求职者需要注意负面信号
Nathan 认为市场中存在许多不完美的信号系统，既有正面也有负面的。在激烈的竞争环境中，求职者必须特别注意避免负面信号。
他指出一个明显的负面信号：初级研究员经常作为论文的中间作者出现。他的建议是学会说“不”，这对个人有利。
正面信号则更为复杂但仍然可以操作。例如通过一条推文就能看出一个人是否具有独特见解，这通常被认为是一个有效的判断标准。
构建人工智能职业路径：开源贡献与开放研究组织
当别人咨询如何塑造自己的 AI 职业道路时，Nathan 通常建议两条途径：参与开源代码的贡献或加入开放研究组织（如 EleutherAI）。
他见过更多成功的案例来自前者，也就是开源代码贡献。但是，由于硬件条件限制和持久力问题，这种机会仍然非常罕见。
Nathan 认为 AI 助手的应用可能会让开源工作变得更简单一些，因为很多库都有待实现的任务列表。然而，这也会带来更多的挑战：PR 和 issue 将会被大量自动化的垃圾信息淹没，因此脱颖而出变得更加困难。他强调，品味、创造力和耐心是关键。
招聘的关键在于适配性
在文章的最后，Nathan 认为招聘的核心问题不仅是寻找最佳候选人，更重要的是确保他们能在合适的环境中茁壮成长。
他认为不同的组织有着各自的文化约束，在小团队中尤其如此。第二个问题是决定候选人在该环境中的发展潜力，这是文化塑造的关键因素之一。
在创业公司里，如果增长速度过快，则可能会导致文化的失控。这意味着公司在形成某种文化的同时丧失了对其的控制权。因此，不应忽视组织文化的重要性。
他也强调寻找合适人选往往依赖正确的途径。很多优秀候选人并不是通过常规招聘渠道获得职位，而是通过高质量博客、公开声誉或一封写得非常到位的邮件推荐进来。在他看来，有效的沟通策略是关键。
来自社区的争议
Nathan 的这篇博客提供了详细的建议，但也引发了争议
例如，从创业公司回归谷歌的 AI 研究科学家 Yi Tay 对其中一些观点提出了质疑。
首先，他不同意将“资深”与“初级”的严格区分，认为在当今大型语言模型时代，这种层级标签已经失去意义。个人贡献的价值取决于其天赋和执行力，而不是职级高低。
但 Nathan 立即反驳说，他的观点中的“资深 vs. 初级”并不是指职级，而是能力水平。
对于批评闭源实验室缺乏外部可见性的说法，Yi Tay 认为这误解了重点：真正的前沿价值在于参与最接近 AGI 的探索而非追求个人知名度。
他还反对将“多次担任论文中间作者”视为负面信号的观点。在他看来，在强调大规模协作的现代 AI 研究中，能低姿态、高贡献地参与到多个项目中才是宝贵的技能。过分重视第一作者身份反而可能阻碍有意义的合作。
对于这些争议你怎么看？这反映了当前人工智能研究领域内对于不同观点和实践方法之间存在的广泛讨论与辩论。