Career advice in the age of AI

原始來源與檔名：2026-07-07T092712+0800-Career advice in the age of AI.md

SOURCE | 資訊源評估

• 準確性：高，作者具備深厚的 AI 產業背景（曾任職 Scale AI, OpenAI, DeepMind, Google，現為創辦人），其觀點基於真實的招募與職涯決策經驗。
• 易理解性：高，文章結構清晰，條理分明，將抽象的 AI 發展趨勢具體化為 6 點實用建議。
• 閱讀策略建議：適合所有處於或準備進入 AI 領域的工作者精讀。重點關注其對於「如何定義有價值的工作」以及「尋找問題而非僅解決問題」的洞察。

NAPKIN | 餐巾纸

• 一句話：AI 時代下，能被輕易評估與解決的問題將被機器取代，人類的價值在於尋找稀缺資源（時間、關係、聲譽）、定義問題、並在「最後一哩路」提供極致的品質。
• 餐巾纸公式：個人價值 = 稀缺資源網路 × (問題定義能力 + 資源分配直覺) × 最後一哩路的極致執行

ROUND 1: SKELETON | 骨架掃描

• 核心問題：在 AI（特別是 Agentic Coding）快速發展的下一個十年，什麼樣的技能與職涯策略才具有真實價值？
• 核心答案：專注於 AI 無法輕易訓練或評估的領域，包含稀缺的人際與聲譽資源、主動發現問題的能力、挑戰最宏大的目標、專注細節打磨，並持續提高尋找機會與把握機會的能力。
• 論證結構：
  1. 專注真正稀缺的資源（時間、關係、聲譽）。
  2. 學會「尋找」問題，而不僅是「解決」問題。
  3. 挑戰問題的最宏大（ambitious）型態。
  4. 在最後一哩路衝刺（細節與迭代決定價值差異）。
  5. 提升職涯的期望值（xG）與轉化效率。
  6. 現在是進入研究領域（Research）的最好時機。

ROUND 2: DISSECTION | 血肉解剖

• 核心論證鏈：AI 擅長處理有明確 Loss Function（損失函數）的任務（如學校考試、LeetCode），因此傳統的解題能力貶值。相對地，模糊環境中的問題定義、跨領域直覺的引入、以及對細節的死磕（最後一哩路），成為決定產出品質的關鍵差異化因素。
• 關鍵證據：
  • 作者面試經驗：能快速理解環境並定義問題的候選人，比單純刷題的候選人更適合 Agent-native 公司。
  • 苦澀的教訓（Bitter Lesson）：擴展通用方法勝過特定任務的最佳化，這同樣適用於選擇公司與挑戰。
  • 早期產品的演變：Anthropic 最初的 demo 只是一個普通的 Slackbot，但強大的團隊最終能將其轉化為頂尖產品。
• 隱形假設與邊界條件：
  • 假設 AI Agent 將持續承擔大部分的編程與執行工作。
  • 適用於具有野心、主動性強的知識工作者，特別是軟體工程與 AI 研究領域。

ROUND 3: SOUL | 靈魂提取

• 知識連結：Richard Sutton 的 “The Bitter Lesson”（苦澀的教訓）；足球數據分析中的 xG（Expected Goals）模型。
• 留白提問：對於非工程背景、或處於傳統產業的從業者，該如何將「發現問題」的能力變現？
• 跨域映射：產品經理（PM）的核心能力正在與軟體工程師融合——未來的工程師更像是帶領 AI Agent 團隊的 PM。
• 行動觸發：
  • 停止單純的刷題（LeetCode），開始參與開源專案或建構自己的 Passion Project。
  • 評估目前的工作：這是否是該問題「最具野心」的型態？我是否在邊界（Frontier）工作？

DEEP READ | 精讀指引

• 精讀段落：2. Learn to find problems in addition to solving them
• 推薦理由：這段徹底翻轉了傳統軟體工程師的招募標準。作者指出，既然 Agent 能寫出所有程式碼，傳統的 LeetCode 和系統設計面試將與工作表現脫鉤。理解這一點，能幫助開發者重新定位自己的技能樹，將重心從「手刻程式碼」轉移到「問題選擇與資源分配」。

Career advice in the age of AI (Architectural Deep Dive)

前言/背景

本文探討在 AI 與 Agentic Coding 崛起的時代，早期職業生涯的知識工作者應該如何調整職涯策略。作者以其在 DeepMind, OpenAI, Scale AI 等頂尖 AI 企業的經歷指出：AI 擅長解決具備明確「損失函數（Loss Function）」的問題，因此人類的價值必須轉移到 AI 無法輕易評估與訓練的領域，例如問題的定義、稀缺資源的積累，以及極致的細節執行。

章節詳細總結

1. 專注於真正受限的資源 (Focus on resources that are truly limited)

• 放棄短期高薪，追求高質量的網路：作者提到在加入 Scale 之前，曾放棄了提供更高保證現金的量化交易（Quant）工作。他選擇 Scale 是因為看重其社群以及接觸各種 LLM 應用的機會，這也成為他後來進入 DeepMind 與 OpenAI 的墊腳石。
• 真正的稀缺資源：時間、關係與聲譽：在資本獲取極其容易的今天，「即時且強大的人際關係」仍然稀缺。
• 架構師視角：這與系統架構中的「瓶頸突破」概念一致。資金與基礎的程式碼產出已不再是系統瓶頸（已商品化），真正的系統瓶頸在於「信任節點（聲譽）」與「高帶寬的溝通通道（高品質的關係）」。建議將時間無情地優先分配給有意義的問題，而非追求短期的利益（例如透過 vibe-coding 賺快錢）。

2. 學會「尋找」問題，而不僅是「解決」問題 (Learn to find problems in addition to solving them)

• 傳統面試標準的失效：在一個 Agent-native 的公司中，沒有人會手動編寫程式碼，因此傳統的 LeetCode 和系統設計面試與實際工作表現脫鉤。
• 新的評估標準：作者發展出了一套新的面試流程：

  measure how well someone can quickly understand the environment they’re placed into, identify problems worth solving, and then execute on solving those problems under the constraint of the existing environment. (衡量一個人在被放入一個環境後，能多快理解該環境，識別出值得解決的問題，然後在現有環境的限制下執行解決這些問題。)

• 核心技能轉移：最重要的技能變成「問題選擇（problem selection）」和「資源分配（resource allocation）」。優秀的候選人能將高階直覺和外部上下文帶入與 Agent 的協作中，有效分配 Token 與時間。

3. 解決最具野心型態的問題 (Work on the most ambitious form of a problem)

• The Bitter Lesson 的職涯應用：在 AI 研究中，「苦展通用方法最終勝過特定任務的優化」是一個被反覆驗證的教訓。這同樣適用於選擇公司與職涯。
• 軟體構建門檻降低的影響：因為建構軟體變得容易，任何人都可以輕鬆建立簡單的系統。真正持久的價值，必須透過極度專注於「真正宏大且具野心的問題」來建立。
• 架構師視角：在評估架構或選擇技術棧時，應思考該技術是否能解決核心業務最根本、最具擴展性的問題，而非僅是修補邊緣的痛點。選擇公司時，評估他們是否正在解決其問題的最宏大形式，並且是否真有機會解決它。

4. 衝刺最後一哩路 (Sprint the last mile)

• 最後 10% 決定 90% 的價值：引述 Alfred Lin 的觀點，最後 10% 既佔了 90% 的工作量，也帶來了 90% 的回報。
• 避免平庸的 Agent 產出：AI 導致了結果的兩極化，因為「中位數結果」就是 Agent 透過草率提示（sloppy prompt）所能產生的東西。
• 實踐建議：在自己的專案中練習。主動花更多時間在打磨（polish）、乾淨的架構（clean architecture）、可擴展性（scalability）或創造力上。當 Agent 進步迅速時，有時最好的策略是吸取前一次迭代的教訓，直接用新一代的智慧從頭開始重構。

5. 同時提升期望值 (xG) 與轉換效率 (Increase both xG and efficiency)

• xG (預期進球) 類比：借用足球的 xG 概念。作者曾拒絕 Anthropic 和 early-stage 的 Cursor，選擇加入 DeepMind 和 OpenAI。雖然前兩者都是高 xG 的機會，但他選擇了更符合自身興趣和目標的地方。
• 看到機會 vs. 把握機會：並非每個機會都會轉化為進球，但「處於能看到機會的正確位置」是第一步（依賴聲譽與專業）。而「在球門前的轉化效率」同樣重要。
• 團隊 > 初始產品：選擇早期公司時，團隊和市場比現有產品更重要。例如：

  Anthropic’s initial demo was a Slackbot that was worse than ChatGPT for me. (Anthropic 的初始展示對我來說只是一個比 ChatGPT 還糟的 Slackbot。)

6. 現在就可以踏入研究領域 (You can break into research now)

• 研究是一種心態，而非職業：

  Most work of a researcher in frontier labs is a mix of being curious enough to explore new ideas, fighting against infrastructure to implement the ideas, understanding the full system in extreme detail to debug issues efficiently, and articulating the value of the results to secure more compute. (前沿實驗室研究員的大部分工作，混合了對探索新想法的足夠好奇心、與基礎設施搏鬥以實現想法、在極度細節上理解整個系統以高效除錯，以及清晰表達結果的價值以獲取更多算力。)

• 實作路徑：利用 Modal 等算力提供商，將直覺轉化為具體的評估（evaluations），並參與公開的最佳化排行榜（Optimization leaderboards）來探索想法。

總結與結論

1. 從「程式碼生產者」轉型為「資源與問題分配者」：當編碼被高度自動化，技術人員的核心競爭力在於對系統環境的快速理解、問題邊界的定義，以及精準分配 AI Token 與計算資源。
2. 設計系統需專注於「最後一哩路」的架構潔癖：草率的提示詞只能產出平庸的中位數結果。優秀的架構師必須在乾淨的架構、極致的可擴展性與無縫的 UX 細節上投入心力，這是 AI 目前難以一次性做好的領域。
3. 擁抱重構的勇氣：面對 AI 模型的快速迭代，與其在舊有基礎上縫補，不如利用新一代模型從頭開始建構，保持系統的輕量與前瞻性。
4. 建立技術護城河（聲譽與關係）：在技術日益商品化的趨勢下，深度參與開源、公開分享高品質的研究（如 evaluations 框架），是積累聲譽資本與獲取高 xG 機會的最佳路徑。