AI 模型會越來越擅長任何能寫出「loss function」（損失函數）的事情。學校教的大部分就是這種東西：定義清楚的問題、對照標準答案打分數。所以接下來十年真正值錢的工作，是那些在模型訓練週期內無法被打分數的事。

Phil Chen 過去六年從自己創業開始，一路經歷 Helm AI（15 人成長到 50 人）、Scale AI（500 人成長到 1500 人）、OpenAI（1500 人成長到 3000 人）、Google（十萬人以上）。現在身為創辦人，他花很多時間思考什麼樣的人適合一間 agent 原生的公司。接下來要談的，是有哪些老道理依然成立，又有哪些因為 agentic coding 而變了。

1. 專注在真正稀缺的資源上

加入 Scale 之前，Phil 手上有薪水更高的量化交易錄取邀約，但他選了 Scale，因為他想要的是那個社群和接觸各種產品應用的機會。透過 Scale，他認識了 LLM 推論服務商的生態圈，這條線後來延伸出 DeepMind 和 OpenAI 的機會。他也認識了一群同樣野心勃勃的同事，這群人現在形成了一個 Scale 出身的創辦人社群。回頭看，這些獨特的人脈和學習機會對他人生的貢獻，遠超過當初選量化交易多拿的那些現金。

取得資本比以往容易得多。取得真實的時間、和其他人建立深厚關係，仍然稀缺。過去在相關領域有過可驗證的卓越表現，仍然是最強的信號。所以具體建議是：把時間花在做好的工作上，然後確保其他同樣做好工作、有聲譽的人知道這件事。無論是學校、專案還是實習，無情地優先排序時間，專注在自己覺得有意義的問題上。現在 vibe coding 讓賺快錢的機會很多，但當追求的是真正的價值時，獎賞通常大得多。

時間、關係、聲譽——這些才是真正稀缺的資源，注意力應該放在這裡。

Mogu 忍不住說：

這段的核心洞見是：AI 時代最反直覺的稀缺性翻轉。錢變得不稀缺了（創投多到找不到地方放），但「被信任的人認識」這件事反而更稀缺——因為當任何人都能用 agent 快速交付看起來不錯的東西，怎麼判斷誰是真的有料？答案是：靠過去一起共事過的人的背書。這讓早期職涯的策略從「最大化薪水」變成「最大化被好的人看到在做好的事」。

2. 學會找問題，不只是解問題

為了在一堆求職者中找到信號，Phil 的團隊深入思考過：在一間 agent 原生的公司裡，工程師需要什麼技能？當沒有人手寫任何一行 code 的時候，傳統的 Leetcode 風格面試、甚至系統設計題，都和實際工作表現沒什麼相關。最後他們設計出一系列面試，測量的是：候選人能多快理解被丟進去的環境、辨識出值得解決的問題、然後在既有環境的限制下執行解決方案。

最重要的技能會是和「選擇問題」與「分配資源」相關的那些。當 agent 越來越強大，能夠接下複雜但定義清楚的問題，最有影響力的人會是那些最擅長辨識重要問題、然後分配 token 和時間去解決這些問題的人。

Phil 觀察到很多學生因為 agent 能解完所有作業而感到沮喪。但在面試經驗裡，候選人的表現差異仍然很大——差別在於他們需要多少時間和 token 才能得到答案。優秀的候選人通常會帶著高層次的直覺和外部脈絡來和 agent 協作。

具體來說，表現好的候選人通常讓自己沉浸在問題解決的環境裡，不論是出於熱情的個人專案，還是在高成長公司裡——那種有意義的問題比人還多的地方。

Mogu OS：

「需要多少時間和 token 才能得到答案」這個指標很有意思。這基本上是在說：未來的工程師評估標準不是「能不能解」（agent 都能解），而是「解得多有效率」——包括怎麼拆問題、怎麼給脈絡、怎麼判斷哪條路走不通要換方向。這讓「和 agent 協作的品味」變成一種可測量的技能。

3. 挑問題最有野心的版本

過去十年，研究圈最有用的心智框架之一是「bitter lesson」：長期來看，規模化的通用方法最終會超越針對特定任務的優化。這個教訓也適用於選擇問題和公司。

公司和職涯的成果一直都是冪次分佈，但 AI 加速了往這些結果推進的速度。因為建造軟體現在變得更容易，任何人都能相對輕鬆地建出簡單的系統。真正持久的價值只能透過極度專注在真正有野心的問題上來建立。

選公司時，建議很簡單：評估這間公司是不是在做他們問題最有野心的版本，然後他們是否真的有機會解決它。選角色時，想想這個角色是否能讓人直接在公司正在解決的問題的前沿工作。

4. 最後一哩要用衝的

對新創來說，Alfred Lin 寫過一篇關於「最後 10% 既是 90% 的工作量，也是 90% 的回報」的文章。AI 讓結果更極端，因為中位數結果就是用一個隨便寫的 prompt 讓 agent 產出的東西。價值來自於對一小塊問題提供獨特觀點，或者對細節的重視。

學會在最後一哩執行得好，需要練習和專注。沒有東西第一次就完美，所以最後一哩通常是關於迭代。因為 coding agent 進步太快，常常最好的做法是把前幾輪迭代的學習帶著，然後用下一代的智能直接重來。這可以用自己的專案來練習：主動多花一點時間在打磨、乾淨的架構、可擴展性或創意上。Phil 確實在求職者之間看到了有做這件事和沒做的差異。

Mogu 忍不住說：

「把學習帶著，用下一代智能重來」這個建議很實際。與其在舊版 agent 上繼續修修補補，不如承認沉沒成本，帶著這輪學到的 spec 和邊界條件，用更強的模型重新生成。這很反直覺，因為傳統軟體開發的直覺是「累積」，但當 AI 進步夠快，「重來」反而更有效率。這一點 gu-log 自己天天在做：這篇 SP 就是被 pipeline 跑出來、丟給四法官評審團審過的產物，前幾輪的教訓不是原地修補，而是帶著學到的 spec 用下一輪重跑 ╰⁠(⁠°⁠▽⁠°⁠)⁠╯

5. 同時提升 xG 和轉換率

在足球裡，xG（預期進球數）是根據一支球隊的機會來預測他們在一場比賽中應該進幾球的指標，考慮了距離、角度、守門員位置等等。效率則是在這些機會上的相對轉換率。

xG 和效率這個類比對 Phil 自己的職涯相當準確。2023 年，他拒絕了 Anthropic（當時大約 50 人）和 Cursor（當時只有 2 位非創辦人正職）的錄取邀約，因為他想在 DeepMind 做前沿模型的推論和訓練。2024 年，他又拒絕了這兩家，去了 OpenAI。這些備選機會從職涯角度來看都是高 xG，但他最後選了更符合自己興趣、文化契合度和目標的公司。

職涯很長，機會來來去去。Phil 不相信 ASI（artificial superintelligence，超人工智慧）會取代所有知識工作者，因為人類在為 ASI 選擇有意義的問題、以及分配資本去解決這些問題上有差異化的能力。

不是每個機會都會變成進球，但先站到能看到機會的位置，是進球的第一步。這又回到聲譽和專業。Cursor 的機會來自於他在 Michael 和 Aman 的共同朋友圈裡有好的聲譽，Anthropic 的機會來自於他在專業和個人時間上都投入了那個團隊感興趣的問題。

到了某個點，人生是關於進球，不只是看到機會，所以門前的效率也重要。回頭看自己的決定，Phil 認為他做對了很多決定，但會希望當初多花一點時間收集資料來支持決策。

選早期公司的核心是關於團隊和市場。很多求職者今天會錨定在現有產品上，但如果團隊夠好，產品幾乎一定會演變成很不一樣的東西。Anthropic 最初拿出來的雛形，是一個在他看來還比 ChatGPT 差的 Slackbot。

Mogu 想補充：

2023 年拒絕 50 人的 Anthropic 和 2 位非創辦人正職的 Cursor，從後見之明來看是拒絕了兩張可能改變人生的彩票。但 Phil 的框架不是「這個選擇事後證明對不對」，而是「在當時的資訊下，這個選擇是否符合我的優先序」。這種思考方式比結果論健康得多——畢竟沒有人有水晶球，只能根據當下能收集到的資料做決定。

6. 現在就可以進入研究

Phil 常被問怎麼進入研究領域。他的前同事 Vlad 是 Gemini 團隊的負責人，寫過一篇關於這個主題的文章。

現代研究用更多算力會更容易做，但一個很好的起點是使用模型，然後把自己的直覺蒸餾成一套評測。他的前同事 @kellerjordan0 推廣的公開優化排行榜，也提供了在更結構化的環境裡探索想法的好場所。

很多算力供應商像 Modal 為學術界提供運算額度。用這些額度，現在就開始探索自己的想法。大部分想法最終在擴大規模時會失敗，理解這些失敗是建立對「什麼真正有效」的理解的第一步。

歸根結底，Phil 相信做研究者是一種心態，不是一種職業。在前沿實驗室裡，研究者的大部分工作是：對探索新想法保持足夠的好奇心、和基礎設施搏鬥來實現想法、極度詳細地理解整個系統來有效率地除錯、以及清楚表達結果的價值來爭取更多算力。這些事情不在前沿實驗室裡也能做。

結語

世界仍然充滿機會。解鎖機會的關鍵，就是專注在找到有趣的問題，然後交付超出預期的結果。如果這個方向讓人心動，Phil 說，歡迎直接找上門，他們很樂意一起共事。

延伸閱讀

Mogu 插嘴：

把 Phil 的六條建議濃縮成一句：當 agent 能解掉所有定義清楚的問題，人的價值就退回到「定義問題」本身——看到哪個問題值得解、判斷哪個更重要、決定用什麼資源去解、在最後一哩做到超出預期。這條路徑和傳統「學好技術、刷好題、拿到好工作」很不一樣：舊路徑假設技術能力稀缺，所以累積技術就累積價值；但當 agent 讓技術執行不再稀缺，稀缺性就往上游移動，移到「選對問題」和「找到對的人一起做」這些更難量化、也更難被損失函數取代的能力上。這篇文章本身就是 meta 示範：Phil 選擇把時間花在寫這篇長文上，而不是用 agent 快速生成幾篇職涯建議的清單文——他投入的時間讓這篇文章有了獨特的視角，而不是從其他文章萃取出來的通用建議。這本身就是在實踐他說的「最後一哩要用衝的」(⁠⌐⁠■⁠_⁠■⁠)