读博最后一年转方向，拿到OpenAI offer：我的面试之路充满「意外」

先看个有意思的动态：布朗大学博士生 Yong Zheng-Xin 刚刚自宣，下个月将正式加入 OpenAI，以 Astra Fellow 的身份主攻 AI 安全研究。

这位同学的博士导师是 Stephen Bach，研究方向涵盖提升模型多语言能力和前沿 AI 安全与对齐。目前他的核心关注点集中在 AGI/ASI 的风险防范与准备工作上，具体来说，他深入研究了可扩展监督、模型对齐的泛化能力，以及大模型在处理多语言等复杂提示时的对抗鲁棒性和越狱漏洞。

就在上个星期，华盛顿大学即将毕业的博士生 Alisa Liu 同样因为加入 OpenAI 的消息登上 X 热搜，浏览量超百万。Yong Zheng-Xin 看到 Alisa 的面试分享后深受启发，于是也把自己在求职研究科学家岗位时的一些经历和盘托出。

与 Alisa 分享的如何准备面试等标准化经验有所不同，Zheng-Xin Yong 这篇名为《Surprising lessons from my research scientist job search》的博客，提供了一个截然不同的视角。作为一个在博士最后一年从多语言大模型跨界转向 AI 安全领域的候选人，他总结了 6 个在求职过程中让他感到非常意外的有趣洞察，很值得一读。

最近，计算机科学博士生 Alisa 和 Silvia 各自发表了一篇博文，讲述她们如何成功进入 OpenAI 和谷歌 DeepMind 等前沿实验室。这两篇文章非常值得推荐。在看到推上的反响后，这里想分享另一个视角：自己在寻找科研人员工作的过程中，那些意想不到的经历。

这篇文章主要面向两个读者群体：计算机科学博士毕业生，可能花了 5-6 年时间发表了多篇论文，现在正努力寻找行业机会；以及正在申请全职职位的 AI 安全研究员。

免责声明：本文写作过程中未使用任何大语言模型。

个人经历

作者本人是布朗大学的五年级博士生。求职经历有点特殊，因为他在博士最后一年改变了研究方向。2025 年秋季，他申请了多语言和 AI 安全方面的职位，但收到的多数是多语言或后训练方向的研究科学家机会，原因在于他的研究组合中涉及核心 AI 安全课题的工作比较少。

学期中，他决定全身心投入 AI 安全研究，因为随着 AGI/ASI 的到来，这个领域有很多重要方面亟待关注。因此，当他获得 Astra 奖学金时，他决定暂停求职几个月，专注做好奖学金项目，以便更胜任 AI 安全领域更具影响力的职位。为此，他甚至拒绝了一些现有的工作机会，并将毕业时间推迟到 2027 年。

临近研究项目结束时，他重新开始找工作，但事情进展得比最初设想的要混乱一些。原本计划在六月结束研究项目、整理成论文后开始面试（这意味着七月才开始），但由于时间安排和对职位资源不足的担忧，大约五月中旬就开始了面试，并在六月中旬之前就收到了几份非常满意的 offer。事实上，他甚至退出了一些正在进行的面试，都没有机会充分了解其他选择。

总体而言，他很庆幸事情最终顺利解决，不用再为资金问题烦恼（因为推迟了毕业），也不用再承受持续找工作的焦虑。他无法用语言表达对在所有过程中支持他的人们的感激之情。

意外之一：求职过程中，真正重要的只有一两篇论文

根据 Alisa 的帖子和反应，或许很多人已经知道，面试（例如 LeetCode）可能与你所做的研究工作无关。

甚至可以这样说：在求职过程中，真正重要的可能只有一两篇论文。有时候，甚至一篇论文都不需要——评价完全取决于当场解决团队问题的能力。

根据经验，论文的作用主要有两个：第一，获得面试机会。做过一些目标团队喜欢的项目，或论文展现了团队正在寻找的某种专业技能，这样就能进入面试流程。也就是说，刚刚通过了资格线，正式成为他们的候选人。第二，深度解析。这通常发生在研究报告或研究讨论期间，详细阐述某项研究的动机和细节。有时，这样的报告可能只有短短的 20 分钟。

因此，在某种程度上，除了建立信誉之外，发表论文的数量本身并不重要。就作者而言，他的多语言研究论文数量远超 AI 安全方向的论文——但鉴于已经转向 AI 安全研究，这些论文，包括他获得最佳论文奖的论文（注：Yong Zheng-Xin 的工作曾获得 NeurIPS 2023 SoLaR 最佳论文），都与面试结果无关。

这其实是一种解放。这意味着你可以随时转型到你认为有影响力的新领域，只要你在那个领域展现出足够的专业技能，并且团队也需要你，就仍然可以获得梦寐以求的工作机会。另一方面，这也意味着你需要不断学习和掌握行业动态，因为过去的成功对你是否能获得新的工作机会影响较小。

意外之二：面试环节非常多样化

最初参加面试时，以为面试形式会和应届软件工程师的面试类似（例如，Leetcode 风格的问题和行为面试），再加上一些关于 LLM/深度学习的技术面试。面试环节似乎有某种标准化的模式——Alisa 和 Silvia 的博客就给人留下了这样的印象。

出乎意料的是，求职过程中竟然被问到了系统设计以及并行编程（例如如何使用 asyncio 并行计算实现并发操作）方面的问题。甚至还了解到，有些面试环节会考察你使用 AI 智能体的能力。总而言之，这说明你应该时刻准备好应对各种意想不到的问题和面试环节。

意外之三：工作试用

这对我来说完全是全新的体验。看到 Alisa 的帖子时也很惊讶，因为一直以为试用期只在 AI 安全岗位上比较常见。看来，在 AI 初创公司里，试用期也越来越普遍了。

工作试用与现场面试完全不同——无需飞往公司进行多轮现场面试；相反，将与团队合作解决一项任务。有时，这项任务可能是开放式的。这些工作试用通常都有报酬，但令人惊讶的是，有些现场工作试用可以持续长达一周。

参加工作时，会很难准备其他公司的面试，因为必须全力以赴完成当前的工作任务，根本没有精力准备其他公司的面试。安排面试时，尤其是在同时面试多家公司且时间紧迫的情况下，应该考虑到这一点。

意外之四：时机非常重要

在当前的就业市场中，时机起着至关重要的作用。例如，去年秋季，与强化学习相关的职位相比，AI 安全方面的职位非常难找。但现在，有更多初创公司提供与 AI 安全相关的机会。

关于时机如何影响寻找全职工作，有几点值得探讨：你的作品迅速走红，很多机构都对你的作品很感兴趣，想要招募你。你可能会对这个时机感到措手不及，而现在最好的做法就是抓住这个机会，积极参加面试。你的研究领域越来越热门，可以推断相关的机会也越来越多。求职申请窗口可能短至不到一个月，也可能长达数月，因为公司都在努力扩张。职位需求也很关键——如果计划推迟面试或进行一些关于如何同时面试多家公司的计划，那么应该向招聘人员询问这个问题。工作邀约纷至沓来时，可以要求其他公司加快面试流程。如果一天之内要连续参加三场面试，而准备时间不到一天，也不要感到惊讶。

要求推迟面试开始时间（比如推迟一两个月）是合理的，但通常一旦开始面试，每轮面试之间的间隔时间都很短。另外需要注意的是，有些职位希望你在接下来的一两个月内入职，不过入职日期是可以协商的。

意外之五：留用通知很少见

与软件工程职位（通常会提供留用机会，Return offer）相比，研究职位则需要具体情况具体分析。例如，2024 年在 Meta 实习期间，全职转正的机会很少，而且很大程度上取决于团队规模。很多朋友都没能获得转正机会。至于申请的 OpenAI Astra 奖学金，仍然需要像其他申请者一样，经历所有面试环节才能最终加入 OpenAI。

听说有些机构的面试流程比较快捷；例如，如果团队匹配成功，只需要再经历一两轮面试。

意外之六：很多面试与你的主题无关

这让人感到意外，因为当时正从能力研究（多语言能力）转向安全研究，以为安全相关的面试会在整个面试流程中占据很大比例。在 Astra Fellowship 项目期间，Constellation 内部就 AI 安全问题展开了大量讨论，这更加深了这种印象。

事实并非如此。实际上，遇到过很多与 AI 安全完全无关的案例，更不用说与研究方向相关了。相信经历与 Alisa 和 Silvia 的类似（尽管她们的研究领域与人工智能不同）。在少数几个地方，感觉面试官仍然在评估作为 AI 研究员的全面性。这有其合理之处（例如，AI 领域发展迅速，所以夯实基础很重要等等），但原本预期会遇到更多与 AI 安全相关的问题，因为这是一个亟待解决的研究课题，而且它仍然是一个相对小众的领域。或许，对于高级职位，面试经历会有所不同。

以下是一些额外的阅读资源：Nathan Lambert 的《Thoughts on the job market in the age of LLMs》、Alisa Liu 的《Notes on the Industry Job Search》、Silvia Sapora 的《ML Job Interviews: The Ultimate Guide》。