
AI求职者的漫长求职路
Alisa Liu下周将加入OpenAI,此前她经历了漫长求职:参与11家公司的57场面试、46次招聘沟通及16次offer后的沟通。她把经历写成求职复盘在AI圈传开。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。很多人以为面试顶级AI公司关键考察论文、研究方向等,但她的复盘显示,正式面试中反复检验的是编程基本功,如写代码、实现模型、解算法题等。
多位AI研究人员的类似经历
评论区许多AI研究人员提到类似经历。Meta的研究科学家Mimansa Jaiswal称,她在Anthropic的9轮面试中有2轮Colab编程发挥不佳,后来意识到编程面试要提前练。另一位来自Meta和纽约大学的AI研究人员Ravid Shwartz Ziv回忆,多年前第一次公司面试时,面对编程任务30分钟没写出一行代码,面试官让他“也许下次”。
顶级AI公司面试考察内容
Alisa在复盘中表示,她面试11家公司,经历57场正式面试,还有大量招聘沟通等。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,尽管研究经验是获面试机会的关键。她把面试大致分为几类:
机器学习编程面试:最频繁,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,少数情况只能用NumPy。
通用编程面试:基本是LeetCode,有变化。打好基础重要,数据结构和算法概念也会用于机器学习编程面试。
技术讨论面试:不写代码但技术含量高,围绕主题展开,如设计实验、解读结果等,或快速问答考察知识面。
研究讨论面试:博士期间常训练,面试官让介绍项目并追问,准备时要想清选择问题的原因、形成的洞察及未来前景,还需根据岗位调整介绍。
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。
数学面试:有些公司安排,内容从逻辑谜题到数学推导都有,建议复习概率、线性代数和微积分。
工作报告(job talk):工业界的job talk比学术界更短、更聚焦,Alisa的job talk围绕tokenizer展开。
面试准备建议
Alisa认为准备面试值得投入时间,像回到本科阶段,要理解机器学习基础概念。技术面试能力需专门训练,“找工作本身就是一份全职工作”。她从Stanford的Language Modeling from Scratch课程开始准备,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Stanford课程的Homework 1,认为Transformer的实现和调试在面试中频繁出现,练成肌肉记忆回报大。该作业要求从零构建Transformer语言模型,实现byte - level BPE tokenizer并在不同语料上训练,实现decoder - only Transformer语言模型及相关组件,实现交叉熵损失、AdamW优化器和训练循环。作业对“从零实现”要求严格,除特定组件外,不能直接使用现成高级组件,且不允许用AI工具实现作业代码,要关闭AI自动补全功能。Alisa提醒练习编码时关闭AI辅助功能,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,每次面试像准备不同课程的期中考试。
2949



被折叠的 条评论
为什么被折叠?



