布朗大学博士生Yong Zheng-Xin近日在社交平台上宣布，下月起他将正式加入OpenAI，担任Astra Fellow，全力投身人工智能安全研究（AI Safety Research）领域。

Yong Zheng-Xin在布朗大学攻读博士期间师从Stephen Bach，研究方向涵盖多语言模型能力提升以及前沿AI安全与对齐技术。他当前重点关注AGI/ASI（通用人工智能/超级人工智能）的风险防范与应对准备，具体课题包括可扩展监督（Scalable Oversight）、模型对齐的泛化能力，以及大语言模型在多语言等复杂提示场景下的对抗鲁棒性与越狱漏洞。

就在上周，同样即将毕业的华盛顿大学博士生Alisa Liu加入OpenAI的消息一举登上X平台热搜，浏览量突破百万（相关报道见《从57场面试到OpenAI offer：一位NLP博士的顶级AI公司求职复盘火了》）。Yong Zheng-Xin看到Alisa的分享后深受启发，决定也梳理自己在研究科学家求职过程中的独特经历。

相较于Alisa更偏标准化的面试准备思路，Zheng-Xin Yong这篇题为《Surprising lessons from my research scientist job search》的博客提供了截然不同的视角。

作为一名博士最后一年从多语言大模型研究跨界转向AI安全的候选人，他在博文中总结了6个令自己倍感意外（Surprise）的有趣洞察。这些内容颇具参考价值。

博客原文链接：https://yongzx.github.io/blog/2026/06/24/job-search/

近期，计算机科学博士生Alisa和Silvia先后发表两篇博文，讲述她们如何准备并成功进入OpenAI、谷歌DeepMind等前沿实验室，强烈推荐阅读。看到推特上的热烈反响后，他希望从另一角度分享：自己在寻找科研岗位过程中，有哪些意想不到的体验令人惊讶。

这篇文章主要面向两类读者：

• 计算机科学（CS）博士毕业生，可能与他类似，花费5-6年时间发表多篇论文，如今正努力寻找行业机会。
• 正在申请全职职位的人工智能安全研究员。

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

他是布朗大学五年级博士生。求职经历比较特殊，因为他在博士最后一年转换了研究方向。

2025年秋季，他申请了多语言和AI安全方向的职位，但最终收到的机会大多集中在多语言/后训练相关的研究科学家岗位。原因很简单：他的研究成果中，核心AI安全课题的工作相对较少。

学期中，他决定全身心投入AI安全研究。在他看来，随着通用人工智能（AGI）/超级人工智能（ASI）的到来，AI安全领域有太多重要方面亟待关注。因此，拿到Astra奖学金后，他暂时暂停求职，专心推进奖学金项目，为提升自身在AI安全领域的竞争力，他拒绝了一些已到手的offer，并将毕业时间推迟到2027年。

临近研究项目结束，他重新启动求职，但过程比预想中更为混乱。原计划六月完成研究项目、整理成论文，然后开始面试（即七月才开始面试）。但由于时间紧张以及对职位资源不足的担忧，他大约在五月中旬就启动了面试，六月中旬前已收到几份非常满意的offer。事实上，他甚至退出了几个正在进行中的面试，以至于没能充分了解其他选择。

总而言之，事情最终顺利解决，不再为资金问题发愁（因推迟毕业），也暂时摆脱了持续找工作的焦虑。他无法用言语表达对所有在此过程中支持过他的人们的感激。

意外之一：求职过程中，真正重要的只有一两篇论文

根据Alisa的帖子和反响，或许很多人已经意识到，面试（例如LeetCode）可能与你的研究工作无关。

甚至可以这样说：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，你的评价完全来自你当场解决团队问题的能力。

根据他的经验，论文的作用主要有两点：

• 获得面试机会。做过一些目标团队感兴趣的项目，或者论文展现了团队正在寻找的某种专业技能，因此进入面试流程。也就是说，刚刚通过了资格线，正式成为候选人。
• 深度解析。这通常发生在研究报告或研究讨论环节，详细阐述某项研究的动机和细节。有时这样的报告可能仅有短短20分钟。

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。他本人的情况是：多语言研究论文数量远多于AI安全方向的论文——但由于已转向AI安全研究，这些论文（包括获得最佳论文奖的那篇）都与他的面试结果无关。（注：Yong Zheng-Xin的工作曾获NeurIPS 2024 SoLaR最佳论文）

这其实是一种解放。意味着你可以随时转型到你认为有影响力的新领域，只要你在该领域展现出足够的专业技能，同时团队也需要你，你仍然能获得梦寐以求的机会。另一方面，这也说明你需要不断学习并紧跟行业动态，因为过去的成功对你获得新机会的影响相对有限。

意外之二：面试环节非常多样化

最初参加面试时，他以为面试形式会与应届软件工程师类似（比如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。

面试环节似乎存在某种标准化模式——Alisa和Silvia的博客可能给人留下过这样的印象。

出乎意料的是，他的求职过程中竟然被问到了系统设计和并行编程（例如如何使用asyncio并行计算实现并发操作）方面的问题。此外，有些面试环节会考察你使用AI智能体的能力。因此，时刻准备好应对各种意想不到的问题和面试环节才是明智之举。

意外之三：工作试用

这对他来说完全是全新的体验。看到Alisa的帖子时，他也很惊讶，因为他一直以为试用期只在AI安全岗位比较常见。现在看来，在AI初创公司中，试用期也变得越来越普遍。

工作试用与现场面试完全不同——你不需要飞往公司进行多轮面谈；相反，你会和团队合作解决一个任务。有时，这个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。

对他来说，参加工作试用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。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，这一点值得重点考量。

意外之四：时机非常重要

在当前的就业市场中，时机的关键程度超乎想象。

例如，去年秋季，与强化学习相关的职位相比，AI安全方面的岗位非常难找。而现在，更多初创公司提供了与AI安全相关的机会（例如Lila和Mechanize）。

关于时机如何影响全职工作寻找，有几个关键点值得一提：

• 作品迅速走红。很多机构会对你的作品感兴趣，想要招募你。你可能对时机措手不及，最好的做法就是抓住这个机会，积极参加面试。
• 研究领域越来越热门。这与上面提到的AI安全案例有关。你可以推断，相关的机会也会越来越多。
• 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。如果你计划推迟面试或同时面试多家公司，务必向招聘人员问清楚这点。
• 工作邀约纷至沓来。如果遇到这种情况，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，而你只有不到一天的准备时间，也不要过于惊讶。

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，每轮之间的间隔都很短。另外需要注意的是，有些职位希望你在接下来一两个月内入职，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，研究岗位则需要具体情况具体分析。

例如，2024年他在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。他的很多朋友都没能拿到转正机会。至于申请的OpenAI Astra奖学金，他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。

也听说过有些机构的面试流程较为快捷，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

这让他感到意外，因为当时正从能力研究（多语言能力）转向安全研究，他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，这更加深了他的印象。

但事实并非如此。

实际上，他遇到过很多与AI安全完全无关的案例，更不用说与他的研究方向相关了。相信他的经历与Alisa和Silvia类似（尽管她们的研究领域与人工智能不同）。

在少数地方，感觉面试官仍然在评估他作为AI研究员的全面性。这有其合理之处（例如，AI领域发展迅速，夯实基础很重要等等），但他原本预期会遇到更多与AI安全相关的问题，因为在他看来，这是一个亟待解决的研究课题，且仍然是一个相对小众的领域。或许，对于高级职位，他的面试经历又会不同。

对于安全研究人员：如果对你有帮助，他还与人合写了一篇LessWrong文章（https://www.lesswrong.com/posts/dvsFfGuXXyHYkyifp/tips-for-cracking-the-ai-safety-technical-interview-1），内容涉及安全相关的轮次，但预计提出的问题会有很多多样性。

以下是更多阅读资源：

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