Карьерные советы для молодых людей в эпоху ИИ: что по-прежнему важно, когда агенты умеют программировать

Введение

В эпоху ИИ молодые люди сталкиваются с иным карьерным вопросом, чем предыдущие поколения: если модели могут решать многие хорошо определённые задачи, какие виды работы всё ещё будут ценными?

Эта статья основана на публикации, которой поделился бывший исследователь OpenAI, DeepMind и Scale AI Фил Чен. Его мысль проста: модели ИИ становятся исключительно хороши в задачах, которые можно чётко сформулировать, оценить и оптимизировать. Значительная часть школьного обучения выглядит именно так — заданная проблема, известный ответ и правило оценивания.

Поэтому ценная работа следующего десятилетия может оказаться не той, что больше всего похожа на домашнее задание. Зачастую это будет работа, которую трудно оценить внутри цикла обучения модели: выбор правильной проблемы, выстраивание отношений, развитие суждения, доведение дела до конца и умение превращать возможности в реальные результаты.

Ниже приведена переработанная английская версия, сохраняющая исходную структуру и основные идеи, но с более плавным языком, подходящим для публикации в блоге.

Примечание об источнике

• Оригинальный источник: статья BAAI Hub, где указано, что материал изначально был опубликован в WeChat.
• Статья была подготовлена 夏千斯.
• На исходной странице есть декоративный баннер «follow academic headlines» и заключительные изображения платформы/рекламного характера. Они не были включены, поскольку не нужны для понимания статьи.
• Одна финальная ссылка на изображение на странице-источнике не загрузилась во время проверки и, судя по всему, находится вне основного текста статьи, поэтому она не была вставлена.
• В исходной статье не было ни блоков кода, ни технических таблиц.

Основная статья

Модели ИИ продолжают становиться лучше во всём, что можно выразить через функцию потерь. Многие школьные задания по своей сути похожи на это: задача чётко определена, ответ известен, а результат можно оценить.

Именно поэтому наиболее ценная работа в следующем десятилетии, вероятно, будет той работой, которую нельзя легко оценить в рамках цикла обучения модели.

За последние шесть лет Фил Чен работал с людьми на самых разных стадиях развития компаний: в собственном стартапе, Helm AI, Scale AI, OpenAI и Google. Эти среды варьировались от небольших команд до крупных организаций с более чем 100 000 сотрудников.

Как основатель компании, изначально строящейся вокруг агентных систем, он много думал о том, какие люди нужны компании сейчас и какой талант потребуется ей в будущем. Компания, построенная вокруг агентов, нанимает не совсем так же, как компания, где большая часть результата всё ещё зависит от того, что люди вручную пишут всё сами.

Для амбициозных людей в начале карьеры это меняет практические советы. Некоторые классические идеи по-прежнему верны. Старая стартап-фраза «когда ты присоединяешься к ракете, не задавайся вопросом, какое место на ней займёшь» всё ещё остаётся хорошим советом.

фраза «не слишком переживать из-за точного места» по-прежнему содержит долю истины. Но с ростом агентного программирования детали изменились.

1. Сосредоточьтесь на ресурсах, которые действительно дефицитны

До прихода в Scale у Фила было предложение с более высокой денежной компенсацией на позиции в сфере количественного трейдинга. Он выбрал Scale, потому что его больше вдохновляли люди там, сообщество вокруг компании и возможность увидеть множество разных продуктов и реальных применений ИИ.

Этот выбор окупился так, как в тот момент было неочевидно. Благодаря Scale он познакомился с провайдерами инференса LLM, что позже помогло направить его к DeepMind и OpenAI. Он также встретил амбициозных коллег, которые впоследствии стали частью более широкой сети основателей, вышедшей из Scale.

Оглядываясь назад, можно сказать, что связи и возможности для обучения оказались ценнее, чем была бы дополнительная денежная компенсация.

Капитал сегодня доступнее, чем когда-либо. Но время, проведённое с выдающимися людьми, по-прежнему дефицитно. Так же дефицитны крепкие отношения, доверие и репутация.

Прошлые выдающиеся результаты в релевантной работе остаются одним из самых сильных сигналов. Практический совет прост: делайте хорошую работу и позаботьтесь о том, чтобы другие выдающиеся и заслуживающие доверия люди могли это увидеть.

Очень осознанно подходите к тому, как вы распределяете своё время. Учебные проекты, личные проекты, стажировки и первые места работы не должны быть просто пунктами в резюме. Они должны быть направлены на проблемы, которые действительно важны для вас.

С vibe coding и разработкой с помощью ИИ стало проще, чем когда-либо, быстро выпускать небольшие проекты и гоняться за краткосрочными возможностями. Некоторые из этих возможностей могут быстро приносить деньги. Но если цель — долговременная ценность, обычно лучше тратить время там, где накапливаются обучение, отношения и репутация.

Время, отношения и репутация — это по-настоящему дефицитные ресурсы. Относитесь к ним соответственно.

2. Учитесь находить проблемы, а не только решать их

Компания, которая изначально работает с агентами, должна заново переосмыслить, что на самом деле означает инженерная способность.

Когда код больше не пишется в основном вручную, строка за строкой, традиционные сигналы становятся слабее. Задачи в стиле LeetCode и даже многие стандартные вопросы по проектированию систем не всегда показывают, как человек будет работать в реальной среде.

Более важным становится вопрос: может ли этот человек быстро понять среду, определить, что действительно стоит исправить, и решить проблему в условиях реальных ограничений?

В будущем самые важные навыки будут связаны с выбором проблем и распределением ресурсов.

Агенты уже хорошо справляются со сложными проблемами, которые чётко определены. Наибольшее влияние будут оказывать те, кто способен выявлять важные проблемы, а затем направлять время, внимание, токены, вычислительные мощности и людей на их решение.

Многие студенты чувствуют разочарование, когда агент может решить их задания. Но сильные кандидаты всё равно очень заметно отличаются тем, насколько эффективно они приходят к хорошему решению. Лучшие люди обычно привносят в сотрудничество с агентом интуицию высокого уровня, предметную экспертизу и контекст.

На практике кандидаты с самым сильным сигналом часто глубоко погружены в реальные среды решения проблем. Иногда это приходит через серьёзные личные проекты. Иногда — через быстрорастущие компании, где there

существует гораздо больше важных проблем, чем людей, способных их решать.

3. Выбирайте проблемы, над которыми действительно стоит работать

Одна из самых полезных ментальных моделей в исследованиях ИИ — это «Горький урок» (The Bitter Lesson). Его основная идея в том, что в долгосрочной перспективе общие методы, масштабируемые за счёт вычислений, как правило, побеждают вручную разработанные, узкоспециализированные подходы.

Этот урок применим и к карьере, и к выбору компании.

Результаты компаний и карьерные результаты всегда подчинялись степенным законам. ИИ ускоряет проявление этих законов, потому что создавать программное обеспечение стало намного проще. Теперь многие могут быстро собирать простые системы. Это означает, что устойчивую ценность будет всё меньше давать сам факт того, что вы что-то создали, и всё больше — предельно сфокусированная работа над по-настоящему амбициозными проблемами.

Выбирая компанию, важно спрашивать не только о том, выглядит ли она сейчас перспективно. Спросите себя, работает ли она над достаточно крупной проблемой, чтобы это имело значение, и есть ли у неё реальный путь к её решению.

Выбирая роль, спросите, приближает ли она вас к переднему краю той проблемы, которую компания пытается решить.

Хорошая роль должна давать вам близость к важным решениям, компромиссам и ограничениям. Именно там обучение даёт накопительный эффект.

4. Рывком проходите последнюю милю

Для стартапов Альфред Лин писал о последних 10%: последние 10% могут составлять 90% всей работы, но также и 90% всей награды.

ИИ делает качество результатов более поляризованным. Посредственную работу становится всё легче производить, потому что агент вместе с грубым промптом уже может сгенерировать что-то пригодное к использованию. А значит, настоящее отличие создают уникальный вкус, глубокое понимание проблемы и серьёзное внимание к деталям.

Именно на последней миле эта разница становится заметной.

Чтобы довести финальные детали до нужного уровня, нужна практика. С первого раза ничего не бывает идеальным, поэтому последняя миля обычно означает итерации: шлифовать, тестировать, пересобирать, упрощать и улучшать.

Поскольку кодирующие агенты быстро совершенствуются, лучший путь — не всегда бесконечно латать одну и ту же версию. Иногда лучше извлечь уроки из одной итерации, а затем начать заново с более новой моделью или более чистой архитектурой.

Тренировать это можно на собственных проектах. Потратьте дополнительное время на улучшение архитектуры. Думайте о масштабируемости. Добавляйте креативность вместо того, чтобы останавливаться на уровне «оно работает». Небольшие проекты становятся гораздо ценнее, когда они демонстрируют не только скорость, но и зрелость суждений и доведённость до конца.

5. Улучшайте и xG, и эффективность реализации

В футболе xG означает ожидаемые голы. Этот показатель оценивает, сколько голов команда должна забивать, исходя из качества своих моментов, с учётом таких факторов, как дистанция, угол и позиция вратаря.

Это полезная аналогия для карьеры.

Некоторые карьерные шаги повышают ваш xG: они ставят вас в положение, в котором с большей вероятностью появляются отличные возможности. Но качество возможностей — это лишь половина уравнения. Вам также нужна эффективность реализации — способность превращать эти возможности в реальные результаты.

Фил рассказал, что в 2023 году отказался от предложений Anthropic и Cursor, выбрав вместо этого работу над инференсом и обучением передовых моделей в DeepMind. В 2024 году он снова отказался от этих двух возможностей и выбрал OpenAI, потому что это лучше соответствовало его интересам, культуре и

цели в то время.

С точки зрения карьеры те альтернативные возможности имели высокий xG. Но лучший выбор зависит от вашего личного направления, команды, рынка и того, чему вы пытаетесь научиться.

Карьера длинная. Возможности будут появляться и исчезать. Цель не в том, чтобы говорить «да» всему, что выглядит впечатляюще. Цель в том, чтобы находиться в таких местах, где значимые возможности могут до вас дойти, — а затем принимать более взвешенные решения, когда это происходит.

Репутация и экспертиза по-прежнему имеют значение. Некоторые возможности появляются потому, что люди уже доверяют вашей работе. Другие — потому, что вы действительно потратили много времени на проблемы, которые важны для определённых команд.

В какой-то момент жизнь состоит не только в том, чтобы замечать возможности. Речь идёт о том, чтобы реализовывать их. Это означает собирать достаточно информации, задавать лучшие вопросы и принимать решения с большим пониманием контекста.

Для компаний ранней стадии самыми важными факторами обычно являются команда и рынок. Многие кандидаты слишком сильно фокусируются на текущем продукте. Но если команда выдающаяся, продукт со временем часто меняется во что-то гораздо лучшее.

6. Вы уже сейчас можете начать заниматься исследованиями

Многие спрашивают, как войти в сферу исследований ИИ. Полезная отправная точка — не ждать разрешения.

Чтобы начать, вам не всегда нужны вычислительные ресурсы масштаба передовых лабораторий. Хороший старт — использовать существующие модели и превращать собственные интуитивные идеи в оценки. Если вы считаете, что модель ошибается в определённом типе рассуждений, рабочего процесса или задачи, придумайте простую оценку, которая это зафиксирует.

Публичные лидерборды по оптимизации и открытые исследовательские сообщества тоже могут сделать изучение более структурированным. Они дают людям способ проверять идеи, сравнивать подходы и учиться на неудачах.

Вычислительные ресурсы, конечно, помогают. Но исследование начинается ещё до масштабных вычислений. Оно начинается с любопытства, аккуратных экспериментов и привычки задаваться вопросом, почему что-то работает или не работает.

Многие идеи не выдержат масштабирования. Это нормально. Понимание того, почему они не срабатывают, — это и есть путь к развитию интуиции о том, что действительно работает.

В конечном счёте быть исследователем — это не только должность. Это образ мышления.

Внутри передовых лабораторий исследования часто объединяют несколько вещей:

1. Любопытство, достаточно сильное, чтобы исследовать новые идеи.
2. Готовность бороться с инфраструктурой, пока идея действительно не заработает.
3. Детальное понимание системы, чтобы проблемы можно было эффективно отлаживать.
4. Ясную коммуникацию о том, почему результат важен, чтобы команда могла обосновать выделение дополнительных вычислительных ресурсов и внимания.

Вы можете практиковать всё это, даже если не работаете в передовой лаборатории.

В мире всё ещё много открытых возможностей. Ключ в том, чтобы искать интересные проблемы, а затем выдавать работу, которая явно выше стандартного уровня.

FAQ

Каков главный карьерный совет для молодых людей в эпоху ИИ?

Главный совет — сосредоточиться на работе, которую ИИ-системам трудно напрямую оценивать или автоматизировать. Это включает выбор важных проблем, построение доверительных отношений, развитие способности к суждению и качественное выполнение финальных деталей.

Почему умение находить проблему становится важнее по мере того, как ИИ-агенты становятся лучше?

ИИ-агенты становятся очень сильными в решении чётко определённых задач. Поэтому способность определить правильную проблему становится ценнее. Лучшие люди будут понимать, что заслуживает

внимание, прежде чем они попросят агента решить её.

Полезно ли по-прежнему уметь программировать, если агентное программирование продолжает развиваться?

Да, но ценность смещается. Вместо того чтобы только писать код вручную, разработчикам нужно понимать системы, направлять агентов, отлаживать результаты, проектировать более удачные архитектуры и решать, что вообще следует создавать в первую очередь.

Что означает «дефицитные ресурсы» в контексте карьеры?

К дефицитным ресурсам относятся время, связи, репутация и доступ к выдающимся людям. Деньги и базовые инструменты могут стать более доступными, но доверенные сети контактов и подтверждённое мастерство всё равно накапливают ценность со временем.

Что такое «последняя миля» в работе в эпоху ИИ?

Последняя миля — это финальный этап, на котором средний результат превращается в отличный. Она включает тестирование, полировку, упрощение, улучшение архитектуры и добавление суждения, которого обычно не хватает грубому результату, сгенерированному ИИ.

Могут ли студенты начать заниматься исследованиями в области ИИ, не присоединяясь к передовой лаборатории?

Да. Студенты могут начать с использования существующих моделей, создания небольших оценок, проверки гипотез и участия в открытых бенчмарках или лидербордах. Исследование начинается с любопытства и аккуратных экспериментов, а не только с должности или масштаба вычислительных ресурсов.

Как выбрать AI-компанию на ранней стадии?

Смотрите на команду, рынок и амбициозность задачи. Текущий продукт важен, но сильные команды со временем часто меняют и улучшают продукты. Хорошая роль также должна приближать вас к самой важной проблеме компании.

Связанные инструменты

• OpenAI: Исследовательская и продуктовая компания в области ИИ, работающая над передовыми моделями и ИИ-системами.
• Google DeepMind: Исследовательская организация Google в области ИИ, сосредоточенная на продвинутом машинном интеллекте.
• Scale AI: Компания в сфере данных и инфраструктуры ИИ, связанная со многими рабочими процессами AI-продуктов и моделей.
• Anthropic: Компания в области безопасности ИИ и исследований, наиболее известная благодаря Claude.
• Cursor: Редактор кода на базе ИИ, который часто упоминается в контексте агентного программирования.
• Modal: Бессерверная вычислительная платформа для запуска ИИ-, дата- и GPU-нагрузок.
• GitHub: Платформа для публикации кода, исследовательских реализаций и open-source-бенчмарков.

Связанные ссылки

• Оригинальная статья BAAI Hub: Исходная китайская страница, использованная для этой переработанной статьи.
• Статья Фила Чена в X: Career Advice in the Age of AI: Оригинальная статья в X, на которую ссылается публикация BAAI.
• The Bitter Lesson: Влиятельное эссе Ричарда Саттона о масштабировании общих методов в ИИ.
• Alfred Lin: The Last 10%: Пост о том, почему финальный этап исполнения может создавать основную часть результата.
• Vlad Feinberg: How to Land a Frontier Lab Job: Карьерные советы для тех, кто стремится попасть в передовые AI-лаборатории.
• KellerJordan/modded-nanogpt: Публичная оптимизация и

Репозиторий спидрана NanoGPT, относящийся к практической исследовательской работе в области ИИ.

• Официальный сайт Modal: вычислительная платформа, упомянутая в контексте упрощения запуска экспериментов с ИИ.

Краткое содержание

В этой статье объясняется, почему карьерный рост в эпоху ИИ всё меньше связан с простым решением поставленных задач и всё больше — с умением находить важные проблемы, выбирать амбициозную среду и формировать такую репутацию, которая создаёт качественные возможности.

Также подчёркивается, что агентное программирование меняет ценность технической работы. Средний результат становится легче получить, поэтому всё важнее становятся суждение, вкус, понимание систем и доведение работы до конца.

Для молодых людей, входящих в сферу ИИ, практический путь ясен: проводить время среди выдающихся людей, работать над значимыми проблемами, оттачивать глубокое исполнение и начинать заниматься исследованиями через небольшие эксперименты и оценки.

В эпоху ИИ преимущество принадлежит тем, кто умеет выбирать правильные проблемы и выполнять работу лучше стандартного уровня.