AI 時代的職涯建議：把力氣放在模型訓練不容易評分的地方
Phil Chen 的核心提醒是：AI 越擅長解明確、可評分、可被 loss function 包住的題目，人越要把職涯押在問題選擇、資源配置、聲譽、最後一哩執行與研究心態上。早期職涯的稀缺資源不只是現金，而是時間、關係與被可靠的人看見的好作品。
AI 會吃掉「定義清楚」的題目，所以人要往上游移動
文章開場的前提很直接：模型會越來越擅長任何可以被明確評分、被訓練目標描述的工作。學校與傳統面試常常正是這種題型，因此未來十年的可貴工作，會落在訓練資料與評分函數不容易覆蓋的區域。
這不代表基礎能力不重要，而是職涯槓桿改變了。當 agent 可以完成大量明確任務，真正拉開差距的是：你能否理解環境、挑出值得解的問題、決定該把人、時間、資金與 token 花在哪裡，最後把普通初稿磨成真正有價值的成果。
現金變得相對不稀缺
Chen 用自己的職涯選擇說明，高成長環境帶來的人、問題與學習機會，常比短期現金回報更能累積長期複利。
好作品要被好同行看見
可驗證的過往卓越仍然是強訊號；重點是持續做有意義的事，並讓可靠的人知道你能把事情做成。
不要被快錢任務吸走注意力
vibe coding 讓小機會變多，但如果只是快速變現，可能錯過真正有價值、有學習密度的問題。
從「解題速度」轉向「問題選擇與資源配置」
在 agent-native 公司裡，若沒有人手寫每一行程式，傳統 LeetCode 或標準系統設計題就不一定能反映真實工作表現。Chen 描述的面試方向，會更看重候選人是否能快速理解環境、找到值得處理的問題，並在現有約束下把它解掉。
這裡的關鍵不是「不用會寫程式」，而是寫程式不再是唯一瓶頸。強者通常會帶著高階直覺、外部脈絡與判斷力跟 agent 合作，因此能用更少時間與 token 到達更好的解法。
找到真正有價值的問題
不是看到題目就解，而是判斷哪個題目值得解、解到什麼深度、何時應該放棄。
把問題框成 agent 能處理的形狀
問題選得好，還要能拆出上下文、限制、成功標準與驗證方式，讓 agent 不是盲目產出。
決定 token、時間與人力怎麼花
未來高影響力的人，會擅長把有限注意力與計算資源投到最值得的地方。
在既有環境裡完成事
真實公司不是空白題本；你要能讀懂現有系統、團隊節奏、技術債與邊界，再把成果落地。
選公司與角色：看它是否在解最有野心的版本
文章借用研究圈常談的 bitter lesson：長期來看，能擴展的一般方法通常勝過手工設計的局部技巧。Chen 把這個思路延伸到職涯選擇：公司與個人的結果本來就是 power-law，AI 又加快了結果分化，因此耐久價值通常來自真正有野心的問題。
選公司時，不只看現在產品長什麼樣，而要看團隊、市場，以及它是否正在處理該問題最有野心的形態。選角色時，則要看自己能不能靠近問題前沿，而不是被安排在離核心價值很遠的位置。
高槓桿選擇
- 團隊在處理市場中最重要、最困難的版本
- 角色能直接接觸核心技術、產品或用戶問題
- 環境中好問題多於人手，讓你被迫快速成長
低槓桿警訊
- 只因眼前產品看起來漂亮，就忽略團隊與市場
- 角色離前沿太遠，只能維護低價值周邊工作
- 短期報酬很明確，但學習、關係與聲譽增量有限
AI 讓平均結果變便宜，最後一哩反而更值錢
Chen 引用創業圈對最後 10% 的觀察：最後一哩常常占掉大量工作，也拿走大量回報。當 agent 用粗略 prompt 就能產生中位數結果，真正稀缺的會是獨特視角、細節品味、可擴展架構、穩定性與創造性。
這需要練習。原文建議在自己的專案中主動多花一點時間做 polish、清理架構、考慮 scalability，並且接受重做。有時候，與其在舊迭代上修補，不如把前一次學到的東西帶到下一代模型與下一個版本中重建。
同時提高機會品質與轉換效率
文章用足球的 xG 類比職涯：站到好位置，才看得到高價值機會；但職涯不是只看機會，也要把機會轉成進球。Chen 回顧自己曾經多次面對 Anthropic、Cursor、DeepMind、OpenAI 等不同機會，最後選擇更符合興趣、文化與目標的位置。
這段最務實的 takeaway 是：不要把職涯決策簡化成「哪個 offer 看起來最熱」。早期公司會變，產品也會變；真正該看的常常是團隊與市場。另一方面，當機會來了，也要花足夠時間蒐集資料，提高自己的轉換效率。
想進研究，現在反而更能從外部開始
Chen 最後談到研究職涯：現代研究有更多 compute provider、公開 leaderboard 與可用模型，早期研究者可以先使用模型、建立自己的直覺，再把直覺變成評估與實驗。重點不是頭銜，而是研究心態。
他對研究者的描述很工程化：好奇到願意探索新想法，能跟基礎設施搏鬥把想法實作出來，能理解完整系統並快速 debug，最後還能說清楚結果的價值，爭取更多計算資源。這些能力不一定要在 frontier lab 裡才開始培養。
大量使用模型
先形成自己的直覺：哪些任務模型做得好、哪些失敗、失敗原因是否可被評估捕捉。
把直覺變成 eval
研究不只是靈感，而是能把觀察轉成可比較、可重跑、可說服人的實驗。
理解完整系統
前沿研究不是只想點子，也包括基礎設施、資料、訓練、推理與結果詮釋。
帶走三件事
- 01把早期職涯的注意力放在時間、關係與聲譽，而不是只比較短期現金。
- 02練習找問題、框問題、配置資源；這些會比單純解明確題目更難被 agent 商品化。
- 03AI 會把平均產物變便宜，所以真正的差距會出現在最後一哩與長期研究心態。