布朗大学博士生 Yong Zheng-Xin 即将加入 OpenAI，担任 Astra Fellow，专注于人工智能安全研究。

Yong Zheng-Xin 的博士导师是 Stephen Bach，其研究领域涵盖提升模型的多语言能力以及前沿的 AI 安全与对齐研究。他目前的研究重点在于通用人工智能（AGI）/ 超级人工智能（ASI）的风险防范与准备工作，并深入探讨了可扩展监督、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。

不久前，即将毕业的华盛顿大学博士生 Alisa Liu 加入 OpenAI 的消息在 X（原 Twitter）上引起广泛关注，浏览量超过百万。

受到 Alisa Liu 面试经验分享的启发，Yong Zheng-Xin 也分享了他在申请研究科学家职位时的一些经历。他的博客文章《Surprising lessons from my research scientist job search》提供了一个独特的视角，与 Alisa 分享的标准化面试准备经验有所不同。

作为一位在博士生涯的最后一年，从多语言大模型领域跨界转向 AI 安全研究的候选人，Yong Zheng-Xin 总结了六个在求职过程中令他感到意外的洞察。

Yong Zheng-Xin 的博客链接为：https://yongzx.github.io/blog/2026/06/24/job-search/

他写道，最近计算机科学博士生 Alisa 和 Silvia 分别发布了关于如何成功进入 OpenAI 和谷歌 DeepMind 等顶尖研究机构的博文，他强烈推荐阅读。在看到社交媒体上的热烈反响后，他希望从另一个角度分享他在寻找研究员工作过程中遇到的意想不到的经历。

这篇文章主要面向两类读者：一是花费五到六年时间撰写多篇研究论文，并寻求行业机会的计算机科学（CS）博士毕业生；二是正在申请全职职位的 AI 安全研究员。

作者声明，在撰写本文过程中未使用任何大型语言模型。

个人经历

Yong Zheng-Xin 是布朗大学五年级博士生，他的求职经历因在博士最后一年调整研究方向而显得有些特别。

他在 2025 年秋季申请了多语言和人工智能安全相关的职位，但收到的多为多语言/后训练方向的研究科学家机会，这主要是因为他的研究组合中包含的核心 AI 安全课题工作相对较少。

在学期中，他决定全身心投入 AI 安全研究，认为随着 AGI/ASI 的发展，AI 安全领域存在许多亟待解决的重要问题。因此，当他获得 Astra Fellowship 时，他选择暂停求职数月，专注于奖学金项目，以期能胜任更具影响力的 AI 安全职位。为此，他推迟了毕业时间至 2027 年，并拒绝了一些现有工作机会。

在研究项目接近尾声时，他重新开始找工作，但过程比预想的更为曲折。他原计划在六月结束研究项目，整理论文后开始面试，但由于时间安排和对职位资源不足的担忧，他于五月中旬便开始了面试，并在六月中旬前收到了几份满意的 offer，甚至退出了部分正在进行的面试。

总而言之，他庆幸最终顺利解决了资金问题，并暂时摆脱了持续找工作的焦虑。他对所有在此过程中支持他的人表示深深的感谢。

意外之一：求职中，真正关键的可能只有一两篇论文

Yong Zheng-Xin 提到，根据 Alisa 的帖子和反响，许多人可能已经意识到，面试（如 LeetCode）可能与实际研究工作关联不大。他认为，在求职过程中，真正起作用的可能只有一两篇论文，甚至有时一篇都无需，评价完全取决于现场解决问题的能力。

根据他的经验，论文主要有两个作用：

1. 获得面试机会：当研究项目符合目标团队的偏好，或论文展示了团队所需的专业技能时，便能进入面试流程。
2. 深度解析：在研究报告或讨论环节，详细阐述研究的动机和细节，有时仅需 20 分钟。

因此，他指出，除了建立信誉，论文数量本身并不那么重要。尽管他的多语种研究论文数量远超 AI 安全方向的论文，包括一篇获得最佳论文奖的作品（注：Yong Zheng-Xin 的工作曾获 NeurIPS 2023 SoLaR 最佳论文），这些都与他的面试结果没有直接关联。

他认为这是一种解放，意味着可以转向有影响力的新领域，只要展现出专业技能并获得团队认可，就有机会获得理想的工作。同时，这也要求不断学习和掌握行业动态，因为过去的成就对新机会的影响相对较小。

意外之二：面试形式出乎意料地多样

Yong Zheng-Xin 最初预期的面试形式是类似应届软件工程师的 LeetCode 风格问题、行为面试，再加上一些关于 LLM/深度学习的技术面试。他认为 Alisa 和 Silvia 的博客也给人留下了这种标准化的印象。

然而，令他意外的是，面试中出现了系统设计和并行编程（如使用 asyncio 实现并发操作）方面的问题。他还了解到，有些面试环节会考察使用 AI 智能体的能力。这说明需要时刻准备应对各种意想不到的问题和面试环节。

意外之三：工作试用普遍化

这对他而言是全新的体验。他看到 Alisa 的帖子时也感到惊讶，因为他一直认为工作试用只在 AI 安全岗位上较为常见。他发现，在 AI 初创公司，工作试用正变得越来越普遍。

工作试用与现场面试不同，通常是与团队合作完成一项任务，有时甚至是开放式任务。这些试用通常有报酬，但令他惊讶的是，有些现场工作试用可能长达一周。

他认为，参加工作试用会影响其他公司的面试准备，因为需要全身心投入当前任务。在同时面试多家公司且时间紧迫的情况下，安排面试时应将这一点考虑在内。

意外之四：时机的重要性

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，AI 安全相关的职位远少于强化学习相关的职位，但现在，提供 AI 安全机会的初创公司（如 Lila 和 Mechanize）增多了。

关于时机如何影响全职工作寻找，他提出几点：

• 作品迅速走红：当作品受到广泛关注，求职机会涌现时，应抓住机会积极面试。
• 研究领域升温：当某个研究领域（如 AI 安全）变得热门时，相关机会也会随之增多，求职窗口可能很短。
• 职位需求：在计划推迟面试或安排面试时，应向招聘人员咨询。
• 工作邀约集中：若一天内接到多场面试，准备时间可能非常有限。

他认为，要求推迟面试开始时间（一两个月）是合理的，但一旦开始，面试间隔通常很短。此外，部分职位可能要求在短期内入职，但入职日期通常可以协商。

意外之五：留用通知（Return Offer）不常见

与通常提供留用机会的软件工程职位相比，研究职位的留用情况需要具体分析。

他举例，2024 年在 Meta 实习期间，全职转正机会较少，且很大程度上取决于团队规模。他申请的 OpenAI Astra Fellowship，他仍需像其他申请者一样，经历所有面试环节才能最终加入 OpenAI。

他听说一些机构的面试流程较快，若团队匹配成功，可能只需一两轮面试。

意外之六：许多面试与研究主题无关

这让他感到意外，因为他正从能力研究（多语言）转向安全研究，原以为面试会侧重安全领域。他在 Astra Fellowship 项目期间，Constellation 内部关于 AI 安全的深入讨论，更强化了他的这一预期。

然而，事实并非如此。他遇到许多与 AI 安全完全无关的面试，更不用说与他的研究方向相关了。他相信自己的经历与 Alisa 和 Silvia 类似（尽管她们的研究领域不同）。

在少数情况下，他感觉面试官在评估他作为 AI 研究员的全面性。他认为这有其合理性（如 AI 领域发展迅速，基础扎实很重要），但他原本预期会遇到更多 AI 安全相关的问题，因为在他看来，这是一个亟待解决且相对小众的研究课题。他推测，对于高级职位，面试经历可能会有所不同。

对于安全研究人员，他分享了一篇 LessWrong 文章（https://www.lesswrong.com/posts/dvsFfGuXXyHYkyifp/tips-for-cracking-the-ai-safety-technical-interview-1），其中讨论了安全相关的面试环节，并预计问题会很多样。

其他推荐阅读资源包括：

1. Nathan Lambert——Thoughts on the job market in the age of LLMs：https://www.interconnects.ai/p/thoughts-on-the-hiring-market-in
2. Alisa Liu——Notes on the Industry Job Search：https://alisawuffles.github.io/blog/job-search/
3. Silvia Sapora——ML Job Interviews: The Ultimate Guide：https://silviasapora.github.io/blog/ml-interviews.html

本文由“机器之心”微信公众号发布，36氪经授权转载。