编者按：本文来自微信公众号 机器之心（ID：almosthuman2014），编辑：张倩，创业邦经授权转载。
硅谷 AI 人才市场，正在经历前所未有的复杂周期：无论是招人还是找工作，想要双向匹配都比以前困难。
站在招聘方这边，最常见的体验是：你想要的人根本招不到，甚至连对方愿不愿意聊一聊都很难说。站在求职者这边，尤其是已经在大厂或研究机构工作的人，痛苦体现在机会成本：你现在的工作明明看起来很好，项目不错、团队不错、生活也不差，但一想到外面那些夸张的薪酬数字，就会觉得自己留在原地的机会成本高得离谱，像是在每天「亏钱」。
而对于新人来说，体验又不一样，越来越高的要求让他们感觉自己面临一堵难以逾越的墙。
于是，一边是「招不到」，一边是「坐立难安」。市场看似热闹，实际却像两股力量互相拉扯。
在艾伦人工智能研究所（AI2）研究科学家、后训练领域大牛 Nathan Lambert 看来，这是一种互相折磨的结构性困境。针对这一困境，他专门写了一篇博客，系统阐述了自己对这一现象的分析和建议。
资深员工可能越来越抢手
在 Nathan 看来，当前招聘环境最决定性的特征，是语言模型的复杂度和进展速度。这两点共同作用，导致市场上出现了非常鲜明的两类人才逻辑：对资深人才的需求上升，对初级人才的要求变得更苛刻。
他认为资深员工在这个时代更「抢手」，因为他们拥有更长的上下文，理解如何在长期维度里处理并引导复杂系统。比如，一个团队借助 AI agent 可以在增量功能上做出巨大进展，但这时更需要有人知道「正确方向是什么」。如果缺乏这种视角，代码库和项目很容易被大量零碎的小改动锁死，变成维护困难、方向模糊的状态。
Nathan 预期，随着 AI 工具越来越强，资深员工的影响力会以更快的速度增长，甚至增长得比单纯增加初级成员更有效。
他也把这种变化总结成一句话：AI agent 会把人类往组织结构更上层推。工程师需要学会做系统设计，研究员需要学会像运营实验室那样工作。
初级工程师：必须证明「不可替代」
另一边，初级员工需要用不同方式证明自己。
Nathan 说，他在筛选初级工程师时最看重的一点，是一种近乎狂热的「进展导向」：既包括个人理解上的进展，也包括模型性能或系统效果上的进展。他认为，理解一个系统或一个方向「到底怎么做出来」的唯一方式，就是亲手去做；而如果你要追赶最前沿，就必须在一个相对狭窄的领域里付出大量艰苦的努力，才能真正形成 ownership。
他承认：如果动机足够强，初级员工可以很快成长并产生影响；但如果没有这种动机，这类岗位在未来会越来越接近「可替代」，甚至会被 coding agent 替代。
而这恰恰是最难招聘的部分：如何找到这种人？Nathan 说他目前能给出的最好建议几乎只有「vibes」，也就是一种整体感觉。他甚至说自己也在寻求更好的办法。
他举了一个例子：他曾邀请 Florian Brand 一起做 Interconnects 的开源模型跟踪工作，第一次聊天时对方就说「自从 ChatGPT 出来以后，我完全沉迷在 LLM 里」。Nathan 的意思是，这种表达并不需要刻意设计，如果是真实的，别人会感受到。
初级研究员：环境更宽容，但要执着于「证据」
对于初级研究员，Nathan 认为环境相对更宽容，因为他们首先是在教育机构里工作，而不是直接处于技术经济体系的压力之下。
他认为，决定一个年轻研究员能不能做出成绩的关键，是一种「证据洁癖」：任何 claim 都要能被证据支撑：你说这个想法能提升模型，为什么？你说分数变高了，评测 harness 里具体体现在哪？这种习惯会带来更快的迭代速度，因为你始终在验证和收敛。
他也批评了一个常见误区：很多早期研究者过早追求「广度」，在很多项目里刷存在感，堆一些零散贡献，却没有在任何一个方向上证明过深度。真正优秀的人往往相反：先把深度做出来，再扩展广度，而且能同时保持结果清晰与尝试速度。
要不要退学去大厂或前沿实验室？
Nathan 经常被问一个问题：博士要不要读完？还是直接去工作？
他的判断标准非常直白：如果你不打算当教授，同时你拿到了去 Gemini、Anthropic、OpenAI 这种前沿实验室做建模研究的 offer，那基本没有理由继续读完 PhD。
继续读下去的理由往往不是职业收益，而是个人层面的自我实现，比如对「完成一件很难的事」的自豪感。这点他表示尊重。
但他也承认，这种非常直接的职业建议，和他另一条重要建议之间存在矛盾：选择工作时应该非常重视「人」，因为你会和这些人共度大量时间，甚至比你具体做什么更重要。而选择「人」，某种意义上也是在选择所谓的「vibes」。
在前沿实验室工作：可能被公司机器吸收
Nathan 认为，在前沿实验室做产品工作，作为 PhD 的替代路径，可能带来一种风险：你会被吸进企业机器里，变成标准化职业阶梯的一部分，从而不容易脱颖而出。
他接着解释，自己以及 AI2 一些人之所以能在职业发展上获得优势，是因为具备三个要素的组合：责任、公众可见度、执行力。
其中「公开工作」尤其关键。在行业越来越封闭的背景下，公开输出会带来额外的职业收益。他猜测这可能与开源贡献长期积累的 goodwill 有关。
但如果你进入封闭实验室，可见度往往几乎不可能获得，于是你只能依赖责任与执行力。而这又带来另一个问题：如果你执行得再好，但你做的产品或模型没有人使用、没有人触达，那执行力并不会带来外部价值。在这种环境里，「在核心圈子」就变得非常重要。
求职信号：竞争激烈时，负面信号要尽量避免
Nathan 认为市场里存在很多不完美的信号系统，有正面也有负面。对个人来说，建立作品集时必须特别注意避免负面信号，因为竞争实在太激烈。
他举了一个「很小但很明确」的负面信号：初级研究员在太多论文里当中间作者。他的建议很干脆：学会拒绝，这对你有好处。
正面信号则更复杂一些，但仍然可操作。他提到一句常见说法：只要看一个人的一条推文就能判断他是不是天才，他对此表示同意。因为文字仍然是一种极其有效、但被低估的沟通方式。一篇优秀的博客文章足以证明真实而稀缺的理解力。反过来，一篇「AI 水文」会毁掉你的申请。
建立 AI 职业路径：开源贡献与开放研究组织
当别人向他咨询如何塑造自己的 AI 职业路径时，Nathan 常建议两条路径：参与开源代码贡献，或加入开放研究组织（例如 EleutherAI）。
他见过更多成功案例来自前者，也就是开源代码贡献。但这仍然非常罕见，原因有两个：第一，大多数人没有硬件条件去对热门 LLM 库做出真正有意义的贡献；第二，大多数人坚持不了那么久。
他认为 coding agent 的出现可能会让开源贡献变得更容易一些，因为当下很多限制其实来自实现带宽，很多库都有长长的 todo list。但与此同时，PR 与 issue 也会被大量 AI 泔水淹没，想在其中脱颖而出会更难，这需要品味、创造力、人性与耐心。他提到，能在几千美元级别的设备上跑一些小模型是一种投资，至少能让人对 HuggingFace 等生态做更有意义的迭代。
招聘最后的关键：能力之外，还有适配
在文章的最后，Nathan 把问题落到「适配」上。
他认为招聘有两个核心问题：第一，这个人是否足够好；第二，这个人是否会在这里茁壮成长。不同组织的约束不同，但在小团队里，第二个问题几乎定义了文化。
在创业公司里，如果增长太快，文化一定会失控。这并不是说公司就不会形成某种文化，而是你无法再去引导它。组织文化本质上是所有个体互动的副产品，在这件事上你不应该掷骰子。
他也强调，找到合适人选往往依赖正确的管道。很多优秀候选人不是从求职页面的大量投递里筛出来的，而是通过「侧门」进入视野，例如高质量博客、公开声誉，或一封写得非常到位的邮件。在他看来，邮件不是恭维，而是要让收件人感到「这封邮件对我有用」，从而自然促成下一步沟通。
来自社区的争议
Nathan 的这篇博客给出了非常详细、具体的建议，但也引发了一些争议。比如从创业公司回到谷歌的 AI 研究科学家 Yi Tay 就对其中一些建议提出了质疑。
首先，他完全不认同博客中对「资深」与「初级」的严格区分，认为在当前的 LLM 时代，层级标签已经失灵。个人贡献者的价值取决于其天赋与执行力，而非职级高低，L4 并不比 L6 更不可能取得突破。
但 Nathan 随即反驳说，他所说的「资深 vs. 初级」并不是指职级，而是能力。
其次，对于博客批评闭源实验室「缺乏外部可见性」，Yi Tay 认为这搞错了重点：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。
此外，他也反对博客中将「多次担任论文中间作者」视为对初级研究员的负面信号。在他看来，这正是陈旧学术思维的体现；在强调大规模协作的现代 AI 研究中，能低姿态、高贡献地参与多个项目，恰恰是珍贵的能力，执着于「第一作者」反而可能阻碍真正有意义的合作。
对于这些争论，你怎么看？
本文为专栏作者授权创业邦发表，版权归原作者所有。文章系作者个人观点，不代表创业邦立场，转载请联系原作者。如有任何疑问，请联系editor@cyzone.cn。
