
1. 求职经历
Alisa Liu 下周将加入 OpenAI。此前,她经历了漫长求职,参与 11 家公司 57 场面试、46 次招聘沟通及 16 次 offer 后沟通。她把经历写成求职复盘在 AI 圈传开。
2. 背景与面试关键
Alisa 在华盛顿大学完成六年自然语言处理博士学位,求职方向为研究科学家和技术团队成员岗位。很多人认为面试顶级 AI 公司关键考察论文、研究方向等,但她复盘显示,正式面试中编程基本功才是反复检验的内容,如写代码、实现模型、解算法题等。评论区许多 AI 研究人员也有类似经历,如 Meta 的 Mimansa Jaiswal、来自 Meta 和纽约大学的 Ravid Shwartz Ziv。
3. 顶级AI公司面试考察内容
Alisa 面试 11 家公司,经历 57 场正式面试及其他沟通。她观察到顶级 AI 公司面试中,技术能力和知识比研究经验更受重视,虽研究经验是获面试机会关键。她将面试大致分为几类:
(1)机器学习编程面试:要求现场动手实现,如实现模型架构、解码策略等,熟练使用 PyTorch 必备,少数情况用 NumPy。
(2)通用编程面试:类似 LeetCode,有时有变化,基础很重要,相关数据结构和算法概念会影响机器学习编程面试结果。
(3)技术讨论:无需写代码,但技术含量高。有的围绕主题展开,考察思考方式;有的是快速问答,考察知识面广度。
(4)研究讨论:博士期间常训练,面试官会让介绍项目并追问,准备时要想清选择问题原因、形成的洞察判断及未来前景,还需根据岗位调整介绍。
(5)行为面试:基本是标准行为面试,偶尔有 AI 安全或社会影响问题,不能轻视,建议提前列出经历对应常见问题。
(6)数学面试:内容包括逻辑谜题和数学推导,建议复习概率、线性代数和微积分。
(7)工作报告(job talk):工业界 job talk 更短、更聚焦,Alisa 的围绕 tokenizer 展开。
4. 面试准备建议
Alisa 认为准备面试值得投入时间,过程像回本科阶段。她从 Stanford 的 Language Modeling from Scratch 课程开始,看完 lecture 补齐知识、组织概念。之后深挖概念,练习从零实现功能。她特别重视该课程的 Homework 1,因为 Transformer 实现和调试面试常考,练成肌肉记忆回报大。
这份作业要求从零构建 Transformer 语言模型,包括实现 tokenizer、训练、实现模型各层、损失函数、优化器和训练循环等,且对“从零实现”要求严格,不能用 torch 高级组件,也不能用 AI 工具实现代码,要关闭自动补全功能。Alisa 提醒练习编码时关闭 AI 辅助,模拟真实面试,避免低估对 AI 的依赖。她还说面试准备像高强度临时备考。
5. 思考问题
在顶级 AI 公司面试中,如何更好地平衡技术能力、研究经验和编程基本功的准备呢?
3523



被折叠的 条评论
为什么被折叠?



