入职 OpenAI 研究岗后，最意外的 6 件事

这篇文章非常适合正在攻读 CS 博士学位、准备进入前沿实验室（Frontier Lab）、或从 AI 安全研究员项目（AI Safety Fellowship）转型全职研究岗位的读者阅读。

它的核心价值在于：作者并未撰写「如何刷题、如何准备机器学习面试」的标准攻略，而是坦诚地分享了研究科学家求职过程中那些真正令人意外的地方。

最关键的结论是：研究岗位的求职并非简单地将过去 5-6 年的论文履历摊开让公司打分。

真正起决定作用的，往往是少数一两篇相关代表作、团队当前面临的难题、面试题型、工作试炼（Work Trial）、编制名额（Headcount）、时机窗口，以及你能否在一个新方向上快速证明自己的实力。

— 研究科学家求职如同一张不断移动的机会桌面

01 这篇文章写给谁

作者提到，近期有两篇来自 CS 博士生的求职文章备受关注：Alisa 撰文分享了自己如何准备并成功进入 OpenAI，Silvia 则总结了机器学习面试的准备经验。

作者认同这两篇文章的价值，但希望补充另一个视角：研究科学家在求职过程中，哪些地方与自己的预期截然不同。

他主要面向两类人群：

• 已经投入 5-6 年完成多篇研究论文、正在寻找业界机会的 CS 博士毕业生。

• 正在申请全职岗位的 AI 安全研究员（AI Safety Fellow）。

02 作者自己的背景

作者是布朗大学（Brown University）五年级的博士生。他的求职经历颇具特殊性，因为在博士最后一年他进行了研究方向切换。

2025 年秋季，他主要申请多语言（Multilingual）和 AI 安全（AI Safety）相关岗位。但实际获得的更多是多语言/后训练（Post-Training）方向的研究科学家机会。

原因也很直接：他的研究作品集中，核心 AI 安全主题的工作相对较少。

随后，他决定更彻底地转向 AI 安全。他的判断是，随着 AGI/ASI 日益临近，AI 安全领域存在大量亟待解决的重要问题。

因此，在获得 Astra Fellowship 后，他暂停了数月求职，将精力集中在研究员项目上，希望让自己更有资格进入影响力更高的 AI 安全岗位。

为此，他推掉了已有的 offer，并将毕业时间推迟至 2027 年。

临近研究员项目结束时，他重新启动求职。原计划是 6 月完成项目，将工作整理成论文，7 月再开始面试。

但由于对时机和名额的担忧，他提前至 5 月中旬左右开始面试。最终在 6 月中旬之前拿到了自己非常满意的 offer。

这也带来一个结果：他中途撤回了一些仍在进行的面试，甚至没有完整探索所有选项。

03 意外一：真正起作用的论文，可能只有一两篇

很多人已经知道，研究岗位面试中的题目，可能与你过去做的研究没有直接关联。例如，面试中仍然可能出现 LeetCode 题目。

作者的观察更进一步：在自己的求职过程中，真正发挥作用的论文可能只有一两篇。

有时候甚至没有任何一篇论文直接奏效。公司更看重的是：你能否现场解决团队正在面临的问题。

在作者的经验中，论文主要承担两个作用。

第一，帮你进入面试流程。

如果你做过团队感兴趣的方向，或者论文证明你具备他们正在寻找的某种能力，那么你就能跨过初筛门槛，正式进入候选人池。

第二，用于深度探讨。

这通常发生在研究展示（Research Presentation）或研究讨论（Research Discussion）环节。你需要解释某项工作的动机、细节和技术判断。

但这种展示有时只有 20 分钟。

因此，论文数量本身的边际作用有限。它能建立可信度，却未必决定最终结果。

作者自己的例子很典型：他的多语言论文数量远多于 AI 安全论文，其中还包括获奖论文。但当他转向 AI 安全求职时，这些多语言工作对面试结果几乎没有实质性影响。

这件事反而让人感到轻松。

如果你能在新领域证明足够的专业能力，而团队也确实需要你，你仍然有机会获得理想 offer。

反过来，它也提醒研究者：过去的成功只能打开一部分门。如果你想进入新机会，仍然需要持续跟上领域变化。

04 意外二：面试轮次非常多样

作者原本以为，研究科学家（Research Scientist）的面试会像应届软件工程师面试那样： LeetCode、行为面试（Behavioral Round），再加一些 LLM/深度学习技术题。

他也以为面试流程会有一套相对标准的结构。Alisa 和 Silvia 的文章容易给人这种印象。

但实际情况更分散。

他遇到过系统设计（System Design）题，也遇到过并行编程（Parallel Programming）题。例如，用 asyncio 实现并发操作。

他还了解到，有些面试会评估候选人使用 AI 智能体（AI Agents）的能力。

所以这里的建议很实际：

不要只按一种固定题型准备。你应该预期会遇到「通配符」问题（Wildcard Questions），也就是一些完全出乎意料的题目。

05 意外三：工作试炼（Work Trial）会显著改变节奏

工作试炼对作者来说是全新的体验。

他原本以为这种形式主要出现在 AI 安全岗位中。后来他发现，AI 初创公司（AI Startup）里也越来越常见。

工作试炼和现场面试（Onsite）很不一样。它更像短期加入团队，在真实任务中展示研究和执行能力。

你更像是短期加入团队，和他们一起解决一个任务。有些任务还是开放式的。

这些工作试炼通常会付费。但让作者意外的是，有些线下工作试炼可以持续一整周。

这会显著改变求职排期。

当你投入一个工作试炼时，需要把大量精力放在当前任务上。这会挤压其它公司面试准备的时间。

所以，如果你同时面试多家公司，而且周转时间（Turnaround Time）很紧，就要谨慎安排。

工作试炼更接近一段短期项目，它可能会吃掉一整段准备窗口。

06 意外四：时机非常重要

在当前市场里，时机（Timing）对全职研究职位（Full-Time Research Position）的影响很大。

作者举了一个例子：2025 年秋季，AI 安全岗位比强化学习（RL）相关岗位难找很多。但现在，提供 AI 安全机会的初创公司变多了，例如 Lila 和 Mechanize。

时机至少会从几个方向影响求职。

第一，你的工作突然火了。

如果某个项目被广泛关注，很多组织会突然对你产生兴趣，甚至主动联系你。这种时机可能来得很突然。

最好的做法通常是抓住窗口，尽快进入面试流程。

第二，你的研究方向变热了。

当某个方向变得重要，公司会更愿意开放岗位。有些申请窗口可能短到不到一个月，有些则会持续几个月，因为公司正在扩张。

第三，名额（Headcount）决定很多事。

如果你考虑推迟面试，或者想设计多家公司并行面试的节奏，一定要向招聘人员（Recruiter）询问当前名额情况。

第四，快速过期 offer（Exploding Offer）会压缩所有节奏。

如果你手上有快过期 offer，可以请求其它公司加速面试。

这种情况下，不要惊讶于一天里连续三场面试，且准备时间不到一天。

作者也提醒：推迟开始面试通常是合理的，比如推后一两个月。但一旦面试正式启动，每一轮之间的间隔通常会很短。

有些岗位还希望你在接下来一两个月内入职。当然，入职日期（Start Date）往往可以协商。

07 意外五：录用后回聘（Return Offer）并不常见

在软件工程岗位中，实习后的录用后回聘通常比较常见。但研究岗位（Research Role）更偏个案处理（Case-by-Case）。

作者举了两个自己的经历。

2024 年他在 Meta 实习时，全职录用后回聘很少，而且高度依赖名额和团队。很多朋友都没有拿到。

后来他参加 OpenAI 的 Astra Fellowship。即便如此，想进入 OpenAI 仍然需要和其它申请者一样走完整面试流程。

当然，也有一些组织流程会更快。如果团队匹配（Team Match）顺利，可能只需要再过一两轮。

但总体来说，不要默认研究岗位的实习或研究员项目会自然转成全职 offer。

08 意外六：很多面试和你的研究主题无关

作者从能力研究（Capability Research，即多语言）转向安全（Safety）。因此他原以为与安全相关的面试会占据很大比例。

这种印象在 Astra Fellowship 期间被进一步放大。因为在 Constellation 中，大家经常讨论 AI 安全。

但真实面试并非如此。

他遇到过很多和 AI 安全完全无关的轮次，更谈不上和自己的具体研究兴趣有关。

这和 Alisa、Silvia 分享的经验类似。即使她们做的是其它 AI 方向，也会遇到类似情况。

在不少地方，面试仍然是在评估你是否是一个足够全面的 AI 研究员。

作者认可这种评估方式有一定道理。领域变化很快，所以基础能力确实重要。

但他原本预期 AI 安全岗位会有更高比例的与安全相关的问题（Safety-Specific Questions）。毕竟在他看来，AI 安全是紧迫的研究主题，也仍然是一个相对小众的领域。

也许高级职位（Senior Position）的面试体验会不同。

对于安全研究员，作者还补充：他合写过一篇 LessWrong 文章，专门讲 AI 安全技术面试准备。但即便如此，也要预期题目会非常多样。

09 作者推荐的求职准备资料

作者推荐了三份 2026 年仍值得参考的资料：

• Nathan Lambert：Thoughts on the job market in the age of LLMs

• Alisa Liu：Notes on the Industry Job Search

• Silvia Sapora：ML Job Interviews: The Ultimate Guide

10 我的理解

这篇文章对 AI 研究岗位候选人的提醒很清楚：不要把求职理解成一个线性的「论文越多越强」的评分系统。

真实流程更像一个动态窗口：

你需要有能过门槛的代表作。你需要能在团队问题上即时展示能力。你需要准备多样化面试题。你需要给工作试炼留出整块时间。你还需要判断名额、方向热度和 offer 截止日期。

对正在做研究方向切换的人，这篇文章尤其有启发。

过去方向的成功会给你可信度，但不会自动替你完成新方向的证明。如果你想转向 AI 安全、后训练、智能体研究或其它快速变化的方向，最重要的是尽快构建能被团队识别的相关证据。

一两篇真正相关、能被深挖的作品，可能比一长串不相关论文更重要。

同时，也不要把面试准备做得太窄。研究科学家面试可能考编程、系统设计、并行编程、AI 智能体使用、研究讨论，也可能考你对整个 AI 领域的基础判断。

换句话说，今天的 AI 研究科学家求职，更像是在证明三件事：

1. 你曾经做成过研究。

2. 你能迅速切到团队当前需要的问题上。

3. 你能在不确定、快速变化的流程里保持判断和执行。

这比「论文列表是否漂亮」更接近真实筛选逻辑。

参考资料：

[1] Thoughts on the job market in the age of LLMs: https://www.interconnects.ai/p/thoughts-on-the-hiring-market-in

[2] Notes on the Industry Job Search: https://alisawuffles.github.io/blog/job-search/

[3] ML Job Interviews: The Ultimate Guide: https://silviasapora.github.io/blog/ml-interviews.html

资料来源：公开资料。