AI モデルは、損失関数を書けるあらゆるタスクで向上します。そして学校で学ぶことのほとんどは損失関数です。つまり、正解が既知の明確に定義された問題を採点されるものです。したがって、今後 10 年の価値ある仕事は、モデルのトレーニング期間内では評価できないものすべてになります。
これまでの 6 年間の仕事の中で、私は自身のスタートアップから、Helm AI（従業員 15→50 人）、Scale AI（500→1500 人）、OpenAI（1500→3000 人）、Google（100,000 人以上）に至るまで、さまざまな規模の企業の素晴らしい人々と協力する機会に恵まれました。創業者として、私は現在と将来の会社にとって適切な人材を採用することについて多くの時間を費やしています。私たちは完全にエージェントネイティブであるため、これまで私が働いてきたどの企業ともニーズが大きく異なります。
やる気と野心にあふれた初期キャリアの個人向けに、今後 10 年間でどのようなスキルが価値を持つのか、今ではより明確な見解を持っています。私は多くのキャリアアドバイスを提供し、また受け取ってきました。数多くの有名な格言（ロケット船に乗るなら座席を問うな、的なもの）は依然として真実ですが、エージェンティックコーディングの台頭により多くのことが変わりました。以下に、変わらず真実であることと、新たに加わったことを示します。
1. 真に限られたリソースに集中する
Scale に入社する前、私ははるかに高い保証報酬を提示するクオンツ（定量系）のオファーを受けていましたが、Scale を選びました。コミュニティと、Scale の多様な製品やアプリケーションに触れられることに魅力を感じたからです。Scale を通じて、LLM 推論プロバイダーに触れる機会を得て、それが DeepMind や OpenAI の機会につながりました。また、今では Scale 出身の創業者コミュニティを形成している、多くの野心的な同僚にも出会いました。今日では、Scale がもたらした独自のネットワークと学習の機会は、クオンツで得ていたであろう追加の報酬よりも私の人生に大きく貢献しています。
資本へのアクセスはかつてないほど容易になっています。しかし、リアルな時間と他者との強固な人間関係へのアクセスは依然として稀です。過去の関連する取り組みにおける優れた実績は最も強いシグナルであり続けているため、私の具体的なアドバイスは、良い仕事に時間を費やし、そのことが、自らも良い仕事をしている他の評判の高い人々に知られるようにすることです。自分の時間を執拗に優先順位付けし、学校、プロジェクト、インターンシップのいずれに取り組む場合でも、自分にとって意味があると感じる問題に集中してください。バイブコーディング（vibe-coding）を使えば、手っ取り早く儲かる機会を見つけるのは簡単ですが、真の価値を追求すれば、通常ははるかに大きな報酬が得られます。
時間、人間関係、評判──これらこそが、注意を集中すべき真に限られたリソースです。
2. 問題を解決することに加えて、問題を見つけることを学ぶ
候補者の海からシグナルを見つけるために、私たちはエージェントネイティブな企業で働くエンジニアにとって、今日どのようなスキルが重要かを深く考えました。誰も手動でコードを一行も書かないことを考えると、従来の Leetcode 形式の問題や、さらにはシステムデザインの問題でさえ、実際の仕事のパフォーマンスと相関していないように感じられます。最終的に私たちは、候補者が自分が置かれた環境をどれだけ素早く理解し、解決する価値のある問題を特定し、既存の環境の制約下でそれらの問題を解決できるかを測定する一連の面接にたどり着きました。
最も重要なスキルは、問題の選択とリソース配分に関連するものになるでしょう。ますます強力になるエージェントは、複雑で明確に定義された問題を処理できるため、最も影響力のある人々は、重要な問題を特定し、トークンと時間をその解決に配分することに優れた人々です。
エージェントが問題集をすべて解いてしまうという事実に、学生たちが落胆している傾向を目にします。しかし、私が面接を行った経験では、候補者が解決策にたどり着くために必要な時間とトークンには依然として大きなばらつきがあります。優れた候補者は通常、高レベルの直感や外部の文脈をエージェントとの協業に持ち込みます。
具体的には、私たちが高く評価した候補者は、自身の情熱プロジェクトを通じて、あるいは意味のある問題が人々の数を上回る高成長企業に所属することで、問題解決環境に没頭していました。
3. 問題の最も野心的な形に取り組む
過去 10 年にわたり、研究において最も有用な精神的枠組みの 1 つは「苦い教訓（bitter lesson）」でした。つまり、汎用的な手法をスケールさせることが、タスク固有の最適化を最終的には凌駕するというものです。この教訓は、問題や企業を選択する際にも当てはまります。
企業とキャリアは常にべき乗則（パワーロー）の結果をもたらしてきましたが、AI はこれらの結果に向けた進歩の速度を加速させています。ソフトウェアの構築がはるかに身近になった今、誰でも比較的簡単にシンプルなシステムを構築できます。真に持続可能な価値は、本当に野心的な問題に極度に集中することによってのみ生まれます。
企業を選ぶ際のアドバイスはシンプルです。その企業が問題の最も野心的な形に取り組んでいるかどうか、そして実際にそれを解決する可能性があるかどうかを評価することです。役割を選ぶ際には、その役割が、企業が解決しようとしている問題の最前線で直接働くことを可能にするかどうかを考えてください。
4. ラストマイルを全力で駆け抜ける
スタートアップに関して、Alfred Lin は素晴らしい記事で、最後の 10% が仕事の 90% であり、報酬の 90% でもあると述べています。AI は結果を二極化させています。というのも、中央値の結果は、エージェントがいい加減なプロンプトで生成できるものだからです。したがって、価値は、問題の一部に独自の視点を提供すること、または細部への注意力から生まれます。
ラストマイルをうまく実行することを学ぶには、練習と集中力の両方が必要です。初回の試行で完璧なものはないため、ラストマイルはしばしば反復作業です。コーディングエージェントの進歩は非常に急速であるため、以前の反復から学びを得て、次世代のインテリジェンスでゼロから始める方が良い場合が多いです。これを自分のプロジェクトで実践してください。完成度、クリーンなアーキテクチャ、スケーラビリティ、創造性にほんの少しだけ時間をかける率先力を発揮してください。そうしてきた候補者の間では、明らかにインパクトの違いが見られました。
5. xG と効率の両方を高める
サッカーにおいて、xG（期待ゴール）は、チームが試合で得点すると期待されるゴール数を、距離、角度、ゴールキーパーの位置などを考慮したチャンスに基づいて示す指標です。効率は、これらのチャンスに対する相対的な決定率です。
私自身のキャリアに対する xG と効率のたとえは、かなり正確でした。2023 年、私は Anthropic からのオファー（当時約 50 人の従業員）と Cursor（当時 2 人の非創業者従業員）を断りました。DeepMind でフロンティアモデルの推論とトレーニングに取り組みたかったからです。2024 年には、OpenAI で働くために再び両方を断りました。これらの代替機会はどれもキャリアの観点からは高い xG でしたが、最終的には自分の興味、文化適合、そして目標（意図的にダブルミーニング）により沿った企業を選びました。
キャリアは長く、機会は行き来します。私は、ASI が知識労働の仕事においてすべての人間を置き換えるとは考えていません。なぜなら、人間には、ASI が解決すべき意味のある問題を選択し、それらの問題を解決するための資本を配分するという差別化された能力があるからです。
すべての機会がゴールとして結実するわけではありませんが、機会を見極める正しい位置にいることが、ゴールを決める第一歩です。これは再び評判と専門知識に行き着きます。Cursor の機会が訪れたのは、Michael と Aman との共通の知人間で良い評判があったからであり、Anthropic の機会が訪れたのは、私がプロフェッショナルおよび個人的な時間を、そのチームにとって興味深い問題に投資していたからです。
人生はある時点で、機会を見るだけでなくゴールを決めることです。そのため、ゴール前での効率も重要です。自分の決断を振り返ると、多くの正しい選択をしたと思いますが、決断の参考にするためにもっと多くのデータ収集に時間を費やせばよかったとも思います。
本質的に、アーリーステージの企業を選ぶことは、主にチームと市場に関するものです。今日の多くの候補者は既存の製品に固執しますが、チームが優秀であれば、それはほとんどの場合、まったく異なるものに進化します。Anthropic の最初のデモは、私にとって ChatGPT よりも劣る Slackbot でした。
6. 今すぐ研究に飛び込める
最近、研究への参入方法について多くの質問を受けています。元同僚の Vlad は Gemini チームのリードであり、この点に関する優れた解説記事を執筆しています。
現代の研究は、より多くの計算資源があれば容易になりますが、最初に取り組むのに最適な場所は、モデルを使用し、自身の直感を評価に昇華することです。元同僚の @kellerjordan0 が公開している公開最適化リーダーボードは、より構造化された環境でアイデアを探求するための優れたフォーラムも提供しています。
Modal のような多くの計算プロバイダーは、アカデミック向けにクレジットを提供しています。それらを活用して、今すぐあなたのアイデアを探求してください。ほとんどのアイデアはスケールする際に最終的には失敗しますが、これらの失敗を理解することが、実際に機能するものへの理解を構築する第一歩です。
最終的に、研究者であることは職業ではなく、マインドセットであると私は信じています。フロンティアラボの研究者の仕事のほとんどは、新しいアイデアを探求するのに十分な好奇心を持つこと、アイデアを実装するためにインフラと格闘すること、問題を効率的にデバッグするためにシステム全体を極限まで詳細に理解すること、そしてより多くの計算資源を確保するために結果の価値を明確に伝えることの組み合わせです。フロンティアラボに所属していなくても、これらすべてを行うことができます。
おわりに
世界は依然としてチャンスに満ちています。それらを解き放つ鍵は、興味深い問題を見つけ、並外れた結果を生み出すことに集中することです。もしこれがあなたに響くなら、ぜひご連絡ください。私たちはあなたと一緒に働けることを楽しみにしています。
