โมเดล AI จะเก่งขึ้นในทุกสิ่งที่คุณสามารถเขียน loss function ได้ และโรงเรียนส่วนใหญ่ก็คือ loss function: ปัญหาที่ถูกกำหนดไว้ชัดเจนและถูกวัดผลด้วยคำตอบที่รู้อยู่แล้ว ดังนั้น งานที่มีคุณค่าในทศวรรษหน้าคือทุกสิ่งที่ประเมินผลไม่ได้ภายในช่วงเวลาของการฝึกโมเดล
ในช่วง 6 ปีที่ทำงาน ฉันโชคดีที่ได้ร่วมงานกับคนที่ยอดเยี่ยมจากบริษัททุกขนาด ตั้งแต่สตาร์ทอัพของตัวเอง, Helm AI (15→50 คน), Scale AI (500→1500 คน), OpenAI (1500→3000 คน), และ Google (100,000+ คน) ในฐานะผู้ก่อตั้ง ฉันใช้เวลาคิดมากเกี่ยวกับการจ้างคนที่เหมาะสมสำหรับปัจจุบันและอนาคตของบริษัท เนื่องจากเราเป็น agent-native อย่างเต็มรูปแบบ ความต้องการของเราจึงแตกต่างจากบริษัทอื่นๆ ที่ฉันเคยทำงานมาก่อน
สำหรับคนที่อยู่ในช่วงต้นของอาชีพที่มีแรงบันดาลใจและทะเยอทะยาน ตอนนี้ฉันมีมุมมองที่ชัดเจนขึ้นว่าทักษะใดมีค่าในทศวรรษหน้า ฉันเคยให้และได้รับคำแนะนำด้านอาชีพมากมาย และแม้ว่าคำพูดติดปากที่มีชื่อเสียงหลายคำยังคงเป็นจริง (อะไรประมาณว่า จรวดเหาะ อย่าถามว่าจะนั่งตรงไหน) แต่หลายอย่างก็เปลี่ยนไปเนื่องจากการเพิ่มขึ้นของ agentic coding นี่คือสิ่งที่ยังคงเป็นจริง และสิ่งใหม่ๆ ที่เกิดขึ้น
1. มุ่งเน้นไปที่ทรัพยากรที่มีจำกัดอย่างแท้จริง
ก่อนที่จะเข้าร่วม Scale ฉันมีข้อเสนอจากสาย quant ที่มีเงินเดือนรับประกันสูงกว่ามาก แต่ฉันตัดสินใจเข้าร่วม Scale เพราะฉันตื่นเต้นกับชุมชนและการได้สัมผัสกับผลิตภัณฑ์และแอปพลิเคชันต่างๆ ของ Scale ผ่าน Scale ฉันได้รู้จักกับผู้ให้บริการ LLM inference ซึ่งนำไปสู่โอกาสที่ DeepMind และ OpenAI ฉันยังได้พบเพื่อนร่วมงานที่ทะเยอทะยานอีกมากมาย ซึ่งปัจจุบันกลายเป็นชุมชนของผู้ก่อตั้งจาก Scale ทุกวันนี้ เครือข่ายและโอกาสในการเรียนรู้ที่ไม่เหมือนใครจาก Scale มีส่วนช่วยในชีวิตของฉันมากกว่าเงินพิเศษที่ฉันจะได้รับจากสาย quant
การเข้าถึงทุนตอนนี้ง่ายกว่าที่เคยเป็นมาก่อน การเข้าถึงเวลาจริงและความสัมพันธ์ที่แน่นแฟ้นกับมนุษย์คนอื่นๆ ยังคงหายาก ความเป็นเลิศที่พิสูจน์แล้วในอดีตในสิ่งที่เกี่ยวข้องยังคงเป็นสัญญาณที่มีค่าที่สุด ดังนั้นคำแนะนำที่เป็นรูปธรรมของฉันคือ ใช้เวลาทำงานที่ดีและทำให้แน่ใจว่าคนอื่นที่มีชื่อเสียงและทำงานดีๆ รู้ถึงผลงานนั้น จัดลำดับความสำคัญของเวลาอย่างไม่ลดละ เพื่อว่าไม่ว่าคุณจะทำงานอะไร ไม่ว่าจะเป็นโรงเรียน โครงการ หรือการฝึกงาน คุณจะมุ่งเน้นไปที่ปัญหาที่คุณเห็นว่ามีความหมาย ด้วย vibe-coding มันง่ายที่จะหาโอกาสที่สร้างเงินเร็ว แต่รางวัลมักจะใหญ่กว่ามากเมื่อคุณค้นหาคุณค่าที่แท้จริง
เวลา ความสัมพันธ์ และชื่อเสียง: เหล่านี้คือทรัพยากรที่มีจำกัดอย่างแท้จริงที่ควรให้ความสนใจ
2. เรียนรู้ที่จะค้นหาปัญหา นอกเหนือจากการแก้ปัญหา
เพื่อค้นหาสัญญาณในทะเลของผู้สมัคร เราคิดอย่างลึกซึ้งว่าทักษะใดที่สำคัญในปัจจุบันสำหรับวิศวกรที่ทำงานในบริษัท agent-native เนื่องจากไม่มีใครเขียนโค้ดด้วยมืออีกต่อไป คำถามสไตล์ Leetcode แบบดั้งเดิมและแม้แต่คำถามเกี่ยวกับการออกแบบระบบก็ดูไม่สัมพันธ์กับประสิทธิภาพการทำงานจริง ในที่สุด เราก็ได้มาถึง ชุดสัมภาษณ์ ที่วัดว่าคนๆ หนึ่งสามารถเข้าใจสภาพแวดล้อมที่พวกเขาถูกวางไว้ได้เร็วแค่ไหน ระบุปัญหาที่คุ้มค่าแก่การแก้ไข และดำเนินการแก้ไขปัญหาภายใต้ข้อจำกัดของสภาพแวดล้อมที่มีอยู่
ทักษะที่สำคัญที่สุดจะเป็นทักษะที่เกี่ยวข้องกับการเลือกปัญหาและการจัดสรรทรัพยากร เอเจนต์ที่ทรงพลังมากขึ้นเรื่อยๆ สามารถจัดการกับปัญหาที่ซับซ้อนและกำหนดไว้ชัดเจนได้ ดังนั้นคนที่ทรงอิทธิพลที่สุดจะเป็นคนที่เก่งที่สุดในการระบุปัญหาสำคัญและจัดสรรโทเค็นและเวลาเพื่อแก้ปัญหาเหล่านั้น
ฉันเห็นแนวโน้มที่นักเรียนรู้สึกท้อแท้กับความจริงที่ว่าเอเจนต์สามารถแก้ปัญหาชุดโจทย์ทั้งหมดของพวกเขาได้ แต่จากประสบการณ์ของฉันในการสัมภาษณ์ ผู้สมัครยังคงมีประสิทธิภาพที่แตกต่างกันอย่างมากในแง่ของเวลาที่ใช้และโทเค็นที่ต้องใช้เพื่อหาคำตอบ ผู้สมัครที่ยอดเยี่ยมมักจะนำสัญชาตญาณระดับสูงและบริบทภายนอกมาสู่การทำงานร่วมกับเอเจนต์
โดยสรุป ผู้สมัครที่เราให้คะแนนสูงได้ดำดิ่งสู่สภาพแวดล้อมการแก้ปัญหา ไม่ว่าจะจากโปรเจกต์ที่หลงใหลของตัวเอง หรือจากการอยู่ในบริษัทที่เติบโตสูงซึ่งปัญหาที่มีความหมายมีมากกว่าจำนวนคน
3. ทำงานกับปัญหาที่มีความทะเยอทะยานที่สุด
ในทศวรรษที่ผ่านมา กรอบความคิดที่มีประโยชน์ที่สุดอย่างหนึ่งในการวิจัยคือ "bitter lesson": การปรับขนาดวิธีการทั่วไปจะเหนือกว่าการปรับให้เหมาะสมเฉพาะงานในที่สุด บทเรียนนี้ใช้กับการเลือกปัญหาและบริษัทเช่นกัน
บริษัทและอาชีพมีผลลัพธ์แบบ power-law มาโดยตลอด แต่ AI ได้เร่งอัตราความก้าวหน้าไปสู่ผลลัพธ์เหล่านี้ เนื่องจากการสร้างซอฟต์แวร์ตอนนี้เข้าถึงได้ง่ายขึ้นมาก ใครๆ ก็สามารถสร้างระบบง่ายๆ ได้ด้วยความสะดวก คุณค่าที่แท้จริงและยั่งยืนจะถูกสร้างขึ้นด้วยการมุ่งเน้นอย่างสุดขั้วไปที่ปัญหาที่ทะเยอทะยานอย่างแท้จริงเท่านั้น
ในการเลือกบริษัท คำแนะนำง่ายๆ คือ: ประเมินว่าบริษัทกำลังทำงานกับปัญหาที่มีความทะเยอทะยานที่สุดหรือไม่ และจากนั้นพวกเขามีโอกาสที่จะแก้ปัญหานั้นได้จริงหรือไม่ ในการเลือกบทบาท ให้คิดว่าบทบาทนั้นจะช่วยให้คุณทำงานโดยตรงในแนวหน้าของปัญหาที่บริษัทกำลังแก้ไขหรือไม่
4. วิ่งในระยะสุดท้าย
สำหรับสตาร์ทอัพ Alfred Lin มี บทความที่ยอดเยี่ยม เกี่ยวกับว่า 10% สุดท้ายนั้นทั้งเป็น 90% ของงานและ 90% ของรางวัล AI ทำให้ผลลัพธ์มีขั้วมากขึ้น เพราะผลลัพธ์โดยเฉลี่ยคือสิ่งที่เอเจนต์สามารถสร้างได้ด้วย prompt ที่เลอะเทอะ คุณค่าจึงมาจากการให้มุมมองที่ไม่เหมือนใครในปัญหาบางส่วนหรือความใส่ใจในรายละเอียด
การเรียนรู้ที่จะดำเนินการให้ดีในระยะสุดท้ายต้องอาศัยทั้งการฝึกฝนและการมุ่งเน้น ไม่มีอะไรที่สมบูรณ์แบบในครั้งแรก ดังนั้นระยะสุดท้ายมักจะเกี่ยวกับการทำซ้ำ เนื่องจากความก้าวหน้าของ coding agents รวดเร็วมาก จึงมักจะดีกว่าที่จะนำบทเรียนจากการทำซ้ำครั้งก่อนๆ และเริ่มต้นใหม่ทั้งหมดด้วยปัญญารุ่นต่อไป ฝึกฝนสิ่งนี้กับโปรเจกต์ของคุณเอง ริเริ่มที่จะใช้เวลาเพิ่มอีกเล็กน้อยกับการขัดเกลา สถาปัตยกรรมที่สะอาด ความสามารถในการปรับขนาด หรือความคิดสร้างสรรค์ ฉันเห็นผลกระทบอย่างชัดเจนในหมู่ผู้สมัครที่ทำสิ่งนี้
5. เพิ่มทั้ง xG และประสิทธิภาพ
ในฟุตบอล xG (expected goals) เป็นเมตริกสำหรับจำนวนประตูที่ทีมคาดว่าจะทำได้ในแมตช์หนึ่งๆ โดยพิจารณาจากโอกาสของพวกเขา โดยคำนึงถึงระยะทาง มุม ตำแหน่งผู้รักษาประตู ฯลฯ ประสิทธิภาพคืออัตราการเปลี่ยนโอกาสเหล่านี้เป็นประตูที่สัมพันธ์กัน
การเปรียบเทียบ xG และประสิทธิภาพกับอาชีพของฉันเองนั้นค่อนข้างแม่นยำ ในปี 2023 ฉันปฏิเสธ ข้อเสนอจาก Anthropic (~50 คนในขณะนั้น) และ Cursor (พนักงาน 2 คนที่ไม่ใช่ผู้ก่อตั้งในขณะนั้น) เพราะฉันต้องการทำงานเกี่ยวกับ frontier model inference และ training ที่ DeepMind ในปี 2024 ฉันปฏิเสธทั้งสองอีกครั้งเพื่อทำงานที่ OpenAI แต่ละโอกาสทางเลือกเหล่านี้คงจะมี xG สูงจากมุมมองของอาชีพ แต่ฉันลงเอยด้วยการเลือกบริษัทที่สอดคล้องกับความสนใจ ความเหมาะสมทางวัฒนธรรม และเป้าหมายของฉันมากกว่า (ตั้งใจเล่นคำ)
อาชีพนั้นยาวนาน และโอกาสก็มาแล้วก็ไป ฉันไม่เชื่อว่า ASI จะเข้ามาแทนที่มนุษย์ทุกคน ในงานที่ใช้ความรู้ เพราะมนุษย์มีความสามารถที่แตกต่างกันในการเลือกปัญหาที่มีความหมายให้ ASI แก้ไข และในการจัดสรรเงินทุนเพื่อแก้ปัญหาเหล่านี้
ไม่ใช่ทุกโอกาสที่จะกลายเป็นประตูได้ แต่การอยู่ในตำแหน่งที่เหมาะสมเพื่อมองเห็นโอกาสนั้นเป็นก้าวแรกสู่การทำประตู สิ่งนี้กลับมาที่ชื่อเสียงและความเชี่ยวชาญอีกครั้ง โอกาสจาก Cursor เกิดขึ้นเพราะฉันมีชื่อเสียงที่ดีในหมู่คนที่รู้จักกับ Michael และ Aman และโอกาสจาก Anthropic เกิดขึ้นเพราะฉันได้ทุ่มเททั้งเวลาทางอาชีพและส่วนตัวให้กับปัญหาที่น่าสนใจสำหรับทีมที่นั่น
ในที่สุดแล้ว ชีวิตคือการทำประตู ไม่ใช่แค่การมองเห็นโอกาส ดังนั้นประสิทธิภาพต่อหน้าประตูก็มีความสำคัญเช่นกัน เมื่อมองย้อนกลับไปที่การตัดสินใจของฉัน ฉันคิดว่าฉันได้ตัดสินใจหลายอย่างที่ถูกต้อง แต่คงจะดีกว่าถ้าใช้เวลามากขึ้นในการรวบรวมข้อมูลเพื่อประกอบการตัดสินใจ
โดยแก่นแท้แล้ว การเลือกบริษัทในระยะเริ่มต้นนั้นเกี่ยวกับทีมและตลาดเป็นหลัก ผู้สมัครจำนวนมากในปัจจุบันยึดติดกับผลิตภัณฑ์ที่มีอยู่ แต่สิ่งนั้นมักจะพัฒนาไปเป็นสิ่งที่แตกต่างออกไปมากหากทีมดี ตัวอย่างเริ่มต้นของ Anthropic คือ Slackbot ที่แย่กว่า ChatGPT สำหรับฉัน
6. คุณสามารถเริ่มต้นทำงานวิจัยได้แล้วตอนนี้
เมื่อเร็วๆ นี้ ฉันได้รับคำถามมากมายจากผู้คนเกี่ยวกับวิธีการเริ่มต้นทำงานวิจัย Vlad อดีตเพื่อนร่วมงานของฉันเป็นหัวหน้าทีม Gemini และมี บทความที่ยอดเยี่ยม เกี่ยวกับมุมมองของเขาในเรื่องนี้
การวิจัยสมัยใหม่ทำได้ง่ายขึ้นด้วยพลังประมวลผลที่มากขึ้น แต่จุดเริ่มต้นที่ดีคือการใช้โมเดลและกลั่นกรองสัญชาตญาณของคุณเองให้เป็นการประเมิน ลีดเดอร์บอร์ดการเพิ่มประสิทธิภาพสาธารณะที่เผยแพร่โดยอดีตเพื่อนร่วมงานของฉัน @kellerjordan0 ยังเป็นเวทีที่ยอดเยี่ยมสำหรับการสำรวจแนวคิดในสภาพแวดล้อมที่มีโครงสร้างมากขึ้น
ผู้ให้บริการพลังประมวลผลหลายราย เช่น Modal ให้เครดิตสำหรับนักวิชาการ ใช้มันและสำรวจแนวคิดของคุณตอนนี้ แนวคิดส่วนใหญ่จะล้มเหลวในที่สุดเมื่อขยายขนาด และการทำความเข้าใจความล้มเหลวเหล่านี้เป็นก้าวแรกสู่การสร้างความเข้าใจในสิ่งที่ใช้ได้ผลจริง
ท้ายที่สุด ฉันเชื่อว่าการเป็นนักวิจัยคือความคิด ไม่ใช่อาชีพ งานส่วนใหญ่ของนักวิจัยในห้องปฏิบัติการแนวหน้าคือการผสมผสานระหว่างความอยากรู้อยากเห็นพอที่จะสำรวจแนวคิดใหม่ๆ การต่อสู้กับโครงสร้างพื้นฐานเพื่อนำแนวคิดไปใช้ การทำความเข้าใจระบบทั้งหมดอย่างละเอียดถี่ถ้วนเพื่อแก้ไขข้อบกพร่องอย่างมีประสิทธิภาพ และการอธิบายคุณค่าของผลลัพธ์เพื่อให้ได้พลังประมวลผลเพิ่มขึ้น คุณสามารถทำทั้งหมดนี้ได้โดยไม่ต้องอยู่ในห้องปฏิบัติการแนวหน้า
ปิดท้าย
โลกยังคงเต็มไปด้วยโอกาส กุญแจสำคัญในการปลดล็อกคือการมุ่งเน้นไปที่การค้นหาปัญหาที่น่าสนใจและส่งมอบผลลัพธ์ที่ยอดเยี่ยม หากสิ่งนี้ดึงดูดคุณ ติดต่อมาได้เลย เรายินดีที่จะทำงานร่วมกับคุณ
