如何成为大模型实验室的研究工程师：18 个月的战略性求职
文章摘要
作者 Max Mynter 是一位自学出身、非 CS 背景（物理 + 社会学）的机器学习工程师。这篇近 8000 词的长文记录了他如何用 18 个月，把自己从「第一份 ML 岗位干了一年」推到与 Mistral 签下研究工程师的 offer。他一开头就声明：样本量 n=1，不敢称原创，请各取所需。
核心框架是「战术 vs 战略」。 战术是低投入、在你当前具体处境下回报高的动作：读一读你要面试那家公司的近况、刷几道 LeetCode 找回肌肉记忆、做模拟面试、打磨简历。战略是高投入高回报、当下甚至显得徒劳、但会复利叠加的动作：把一门新技术学到能做出实质性作品集项目、在有声望的组织里积累任期、建立并维护人脉、通过公开谈论自己的工作建立个人品牌。他的判断是：长期看，决定职业生涯的是战略；但在每一个具体时刻，战术都有巨大价值——准备充分会留下好印象，而仅仅因为觉得 LeetCode 烦人就错过职业转折性机会，是短视的。
他的真实时间线远不像事后叙述那么整齐。 2024 年 4 月，他先和直属经理谈职业发展，确认在现岗位既无短期也无中期成长空间；随后开始动用人脉，找在大厂、初创、scale-up、FAANG、大实验室工作的朋友聊天，问的问题始终类似：你喜欢现在的岗位吗？学到很多吗？成长路径是什么？工作量多大？要拿到类似岗位需要什么技能、什么样的作品集项目？这催生了第一轮战略性技能建设——大量 LeetCode 准备，以及买书补 CS 基础（尤其是分布式系统、数据结构与算法）。2024 年 8 月投出第一份申请，表现不错，但在 11 月走完六轮后被拒，「相当受打击」。他原本计划继续多投，但一边全职工作一边刷 ML 基础、备编程面试、做 takehome，把他占满到根本投不动。于是他辞职，2025 年 1 月起全职投递——结果很惨淡：很多他兴奋的岗位连面试都没给，少数拿到的面试也因为紧张和一些本可避免的低级错误挂掉。他开始怀疑第一次走到那么远只是运气。
于是他再次转向战略：加入 Recurse Center（一个基于同期学员、但自主导向的编程静修营），搬到纽约待到 2025 年 5 月中。他强调选择 RC 的三个理由——它给了他专注升级技能的自由，给了他一群在做同样事情的人，给了他一段可以写进简历、把所有项目挂上去的经历；而最重要的是它有三个月的固定时长，「这不是一个我在没有任何结构的情况下、因为怕被看成混日子而敢于投入的时间跨度」。这三个月里他学了 Rust、给 ruff 和 uv 这两个被高度审视的开源代码库贡献了 15 个 PR，并和四年前的硕士导师（在德国航空航天中心的 AI 安全研究所）合写了一篇论文。2025 年 6 月回国后转入战术阶段全力投递：与 40 家公司发生约 60 次接触，8 月中拿到 Mistral 的口头 offer（同时还有几个别的），9 月初签约。
目标定义。 他认为换工作是一个「个人项目」，缺乏结构既带来了极大的自主空间，也让整个过程难以导航；而知道自己要去哪能让导航容易得多。他自己的目标写成一段：找一个能建立稀有且有价值的技术技能（软件与 ML 工程）、做自己喜欢的工作、有主导权和影响力、同时有资深同事支持以便成长为技术领导、但在可见的将来保持 IC 身份、并且住在离在乎的人合理距离内的宜居之地的、职业转折性的岗位。这个写法满足两个约束：够宽泛，有相当数量的岗位可能匹配，射门机会多；又够具体，能让他排除掉妥协过多的机会。他明确指出「在有十亿美元以上融资的前沿模型实验室工作」这个目标实际上把搜索范围限制到大约 10 家公司，而且家家极难进——而「找一份薪水高的工作」则太宽泛，他甚至可以转去咨询或 VC 还照样达标。他也说明了这些标准如何反推出理想岗位画像：早期就有主导权和影响力、有成长空间、被迫留在 IC 轨道，这些在初创常见；而接触资深同事、知名品牌的「简历颜值特权」、以及训练小众工程技能的需求与资源，则更多在成熟公司——scale-up 是一个勾中很多项的中间点。这些标准还给了他拒绝的底气：比如会成为庞大官僚机器里的小齿轮，或者初创早到只能不断产出 MVP 验证产品假设、而不是构建高性能底层系统。
申请打法（playbook）。 这套方法是一位在硅谷大公司的朋友在他旅程一开始就告诉他的，而他随后有近一年没照做。真正执行是从 2025 年 5 月起：用预设目标列出一份长长的岗位与公司清单；对最想去的几家，设法联系到内部的人（或跟进探索期认识的人），目标是拿到关于面试流程的内部信息，有时甚至是内推——这在人脉圈里效果最好，但在 Twitter/LinkedIn 上冷启动也偶有斩获（他的冷启动话术大意是：我是 Max，我对 xyz 非常感兴趣，正认真考虑申请 abc 岗位，有什么你可以分享的、能帮我做出最好的申请吗）。关键动作是分批投递：每一批里放一家（有内推的）首选公司，加上若干他没那么兴奋但仍愿意去的公司；并行推进多个流程让协调更容易，更重要的是他可以把低风险的面试排在首选之前——「这样你能获得一些惯性，并且在损失可控的场合把所有第一次的蠢错误都犯掉」。他不投他确定不想去的公司，因为流程需要有真实的利害关系，也不想浪费对方时间；而有些第二志愿在流程中反倒变成了第一志愿。每一批的目标是同时走到多家的 offer 阶段：具体 offer 给了他大量信号（哪个感觉更好、为什么），多个 offer 也提供谈判杠杆（团队分配、签字费、远程办公——他知道某个诉求是合理的，因为另一家已经给了）。每批只放一个首选的理由是他对内推人有责任感：如果走到 offer 且条件有竞争力，他就该接受。三条要点：分批投递、把低风险的当训练场；用人脉拿内推和流程情报；珍惜内推人的时间。
人脉与「弱连接的力量」。 他强调网络的主要力量不在「高位的朋友」，而在弱连接——人的熟人总多于密友，且熟人认识的人远在自己社交圈之外。他说自己仍把这些「熟人」叫朋友，因为对他来说就是如此；任何「networking」在他被当成「认识有趣的人、乐于助人、交朋友」而不是「为自己利益建立连接」时都更有效，「也没那么尴尬」。LinkedIn 用来搞清楚谁认识谁很有用，但比在线扒人更有力的是跟朋友讲清楚你的目标——朋友通常愿意帮忙，但要帮上忙他们得知道你想达成什么。线上他选择了 Twitter/X，因为那是唯一一个他能靠共同兴趣和评论区玩笑真正建立新关系的社媒；线下则是去同好聚集的地方，而同期制的项目（训练营、学校）尤其有效，因为参加者更投入，且通常正处在对新友谊格外开放的人生阶段。他的交友公式是三步：做有趣的事（建项目、去活动、听讲座、学习、打磨手艺——「有趣」几乎会自己长出来）、讲出来（发你的项目、跟朋友聊、去本地创客空间做个分享，别人只有知道什么让你有趣才会觉得你有趣）、保持开放（有人找上门就聊、能帮就帮，信任和友谊在重复互动中形成）。他自己的执行是在 Twitter 上（有时每天）更新学 ML、Haskell、Kubernetes、Rust、写编译器、写论文的挣扎，这既是公开的自我督促机制，也是别人路过他主页时的「工作证明」。他推荐 Austin Kleon 的《Show Your Work》。
建立职业动能与「职业资本」。 他的私人观点是：组织招聘时想押注赢家，而赢家可以是全明星，也可以是崭露头角的黑马；无论哪种，都必须证明这份工作是一条向上轨迹的合理下一步。他希望面试官心里想的是：这位申请者有 ABC 学位带来的严谨定量基础，如今对 DEF 领域感兴趣到在业余时间做出了高度相关的作品集项目/开源贡献。这就是 Cal Newport 在《So Good They Can’t Ignore You》里说的职业资本——稀有且有价值的技能，加上向外部验证这些成就的方式（项目、职位、证书、就读机构）。他给出了三个用项目补短板的具体案例：
- 缺少 LLM 经验：读《Natural Language Processing with Transformers》建立理论，做了一个受 TinyStories 数据集启发的、关于小语言模型「特异风格迁移」的项目；为了逼自己完成并让它在谈话中更有分量，他报名在一场 AI Tinkerers 活动上做分享——这既给了他一个可放进作品集的仓库，也给了他一个可量化的成功指标「向 100+ 听众演讲过」。
- 缺少 CS 背景：他觉得别人在怀疑他的理论与实践基础，尤其是性能工程，于是决定学 Rust 这门面向性能的系统级语言，并把它练到能自如地为生产代码库贡献；可量化的证据是在 Ruff 和 uv 合并的 15+ 个 PR，而 Recurse Center 的三个月既给了全职投入的自由，也给了简历上一条完整的条目。
- 缺少发表：ML 研究岗常把发表列为加分项，他一篇也没有。于是他联系四年前的硕士导师，把论文改写成准备投稿同行评审期刊的稿件；截至写作时尚未发表，他以「进行中」列在简历上（与 Recurse 条目时间重叠）。他的判断是：虽然职位描述常特别看重 NeurIPS 或 ICML，但任何同行评审研究都能带你走完 80% 的路；而选择延伸自己在信息论与复杂系统交叉领域的硕士研究，是一个极佳的投入-信号性价比选择，因为那是他已经做过的工作，只需推进到能给简历读者信号的程度。附带好处是导师作为推荐人有大量可讲的内容。
他坦承每一项都是相当大的工作量：「归根结底，建立稀有且有价值的技能没有捷径，否则它们就不稀有了。」在时间有限时，明智的做法是选择一举勾中多个格子的项目；而长期看，少而高质量、需要相当努力才能完成的项目，几乎总是优于许多浅层项目——「建立职业动能不是在钻系统的空子，而是真的去做那件事、学那些技能」。
面试环节逐项拆解。 每次面试前他固定做几件事：如果知道面试官是谁，就看他的 LinkedIn、GitHub、Twitter、博客（用来设定准备重点，也用来在正题前后的闲聊里提问）；读公司/团队近期的发布和产品；大致知道公司价值观、以及为什么想为这家而不是别家工作；清楚这个具体岗位、自己想从中得到什么、以及为何过往经历让自己合适；准备好几个可以在结尾提问的问题（面试官几乎总会给这个空间）。他所有面试都是远程视频，因此没有 onsite 经验可分享。
- 简历：他认为简历不必是完整的雇佣史，而应突出与目标岗位相关的部分。排版上用不同字体、字号和颜色让它易读，其余一切尽量保守：单栏、除蓝色链接外无花哨设计元素。他的心理画面是招聘经理在去茶水间的路上、半心半意地和同事聊天时用手机看他的简历，只有几眼时间抓住要点。因此压到单页单栏是最高优先级（如果他们不滚动，第二页的一切都白费；单栏是为了让 ATS 更好解析）。四个部分：工作经历、作品集、教育、技能——刚毕业的人可以把教育往前放。每条含一小段任务描述、成功结果和所用技术，字号更小。尽量加量化指标增加可信度；唯一的例外是顶部的总结，要保持简洁，也因此总结里的每一个主张都必须被其他条目支撑。他还加了指向 GitHub 代码或公开资产的超链接：蓝色让他可以「高亮」他真正希望被看到的东西，因为快速扫读时眼睛很可能会注册到链接文字。每条经历末尾列出所用工具，加上末尾的技能部分，既给信号，也确保自动扫描或建索引时这些词存在。
- 初筛：通常第一次面对面接触，与招聘官或招聘经理。「请带我过一遍你的简历」这个问题他不按时间顺序讲，而是用来给过往经历一个针对该岗位的独特角度；但对方并不总读过简历，所以他养成了隐性确认的习惯，得知对方没读过时就多花点时间先按时间顺序过一遍主要站点，再加上那个独特角度。这段自我介绍每场面试都会以更短的形式重复，他事先准备并练习过——因为不想麻烦朋友，他是跟语音 LLM 做了几轮练习的。他的介绍大意是：我是 Max，机器学习工程师；你大概读过我的简历，所以我只简要说明是什么让我特别适合这个岗位——我的背景横跨物理、社会学和系统级软件工程，因此我能处理规模化的定量数据、有处理杂乱的人类产生数据的经验，并能围绕它构建训练和服务大模型的软件系统。视公司与面试官的氛围，他还会加一点个人色彩（和面试官练同一项运动很容易加同情分）。
- Takehome：异步编程挑战，通常给几天到一周。他遇到或听朋友说过的形式包括：给定规格、提交代码跑测试套件；给一个小 ticket 加代码库权限去解决问题（这一轮有约 500 美元报酬）；给一段 LLM 训练代码、模型输出全是乱码，要求找出 10 个 bug。这些通常有预期耗时，而他总是花得远超预期，因为这些岗位对他很重要。他第一次收到 takehome 时还在职，叠加工作上的冲刺，那一周极其难熬——这正是他决定辞职、全职找工作的主要驱动之一：「我看不出一个人怎么可能在保有工作的同时，同时以足够质量完成多家公司的多个挑战。」
- 线上测评：与 takehome 类似但限时以小时计，有时是有监考的（要录像和共享屏幕）。
- 编程面试：他遇到的每个流程都有。共同目标是评估你如何思考、如何拆解问题、如何考虑边界情况。因此出声思考是必须的——读题后安静想一分钟没问题，之后就要把思路说出来，让面试官能超越「通过/失败」的二元判断来评估你。面试官有时会给提示或帮你避开死胡同：不用提示通过当然更好，但在帮助下把代码跑通，远好过跑不通；卡住时他会试着解释卡在哪、为什么，这有时足以让他自己想出解法，也给了面试官一个把他往正确方向推的机会。子类型包括：
- LeetCode 型：他总共做了约 300 道 LeetCode/NeetCode 题，其中约一半用于建立肌肉记忆，另外在编程面试前几天做 20–30 道快问快答。面试通常两到三题，前一两题相当于 easy 作为热身，然后多为 medium，也遇到过 hard。他推荐 NeetCode 150 路线图（按由浅入深的顺序引入新概念，比 LeetCode 的任意顺序有用得多），并因为相信更严谨的自我教育而读了 Skiena 的《Algorithm Design Manual》（对临阵磨枪偏理论，但作为程序员生涯的基础很好），以及更贴近面试的《Coding Interview Patterns》。语言他一律选 Python——熟悉，且不想在算法面试里处理内存问题。
- API/系统设计型编程面试：要写代码但不同于白板系统设计，不关心可扩展的容错分布式系统。例如设计一个 BankingSystem 类的方法接口，或者设计一个把远大于内存的文本文件排序多次的程序。这类没有测试，部分接受伪代码，他常常不需要完整实现，而是要和面试官讲清楚理由。
- 真实世界挑战型：模拟工作中会遇到的问题，比如清洗杂乱的真实数据集，或实现一个调用 LLM API 抓取网页信息并存库的 Lambda 函数。他坦白其中一场允许使用 LLM 辅助、且基本按完成速度评分，而他表现很差——因为当时他为了练 Rust 语法的肌肉记忆而在刻意回避 AI 辅助编程，用起 LLM 又慢又笨拙。
- 系统设计面试：开放式，与面试官讨论中迭代出设计，同样必须全程沟通以便对方理解你如何权衡、也便于在你做出无根据假设时纠正你。资源方面他强推 Kleppmann 的《Designing Data-Intensive Applications》——从单机存储、空间高效的数据传输，到优雅处理网络分区的分布式共识算法；他把书放在床头花了约六个月读完，认为这超出单次面试所需，但对软件/ML 工程生涯回报巨大，且读完 DDIA 你就有理论基础在设计决策上深入。更偏面试的是 Alex Xu 的《System Design Interview》（覆盖若干参考设计、面试战术和示例架构，比 DDIA 短得多也轻松），以及 GitHub 上的 System Design Primer 仓库。YouTube 频道他偏爱 System Design Fight Club、ByteByteGo、TRYEXCEPT 和 Jordan has no life。他提到的一个学习技巧是买 YouTube Premium，因为它支持下载和后台播放，这样他可以在散步时听这些视频——配合更严谨的 DDIA，能巩固概念、看到在纸面上钻技术细节时容易丢失的大图景。面试特定公司时，他会翻对方的技术博客和新闻稿收集近期项目信息，再去 YouTube 上找同领域或相邻领域的系统设计示例——命中率约 50%，即他前几天恰好准备过一个类似的题；但也遇到过完全不同的题，比如设计一个 Snapchat 克隆。模拟面试他和朋友用 excalidraw；他试过用语音 AI 准备，但发现它太谄媚，除了练习出声说话之外没什么用。
- 文化契合：通常在几轮之后，分两类问题——通用行为问题（冲突情境、事情搞砸时你怎么做）和公司文化特定问题（去官网 About 页学）。为了不在面试中脑子一片空白，他事先把这些故事写下来，以免完美的轶事总在第二天洗澡时才想起来。他用 STAR 框架：Situation（在哪工作、团队构成、当时目标）、Task（你的具体任务、为什么难）、Action（你做了什么来完成任务、克服困难、贡献团队目标）、Result（最终结果）。写下来时用 STAR 并映射到公司的各项价值观，讲的时候也按 STAR 走以确保叙事连贯不遗漏。
- 知识/测验面试：用来测绘并找到你在相关领域专业知识的边界，比系统设计或 LeetCode 更难针对性准备，因为不那么套路化，考的是整个职业生涯积累的知识与经验，临时抱佛脚没用。他会根据职位描述战略性地刷新自认相关的内容（翻书或讲义、听播客和视频）。面试官通常预备了几个问题，有时想要全部答案，有时只是起点，用来展开一场不知会走向何方的有趣技术讨论。他举的（虚构）例子有：你会如何在自己 fork 的 Python 解释器实现里实现一个 set，哈希函数的作用是什么？如何为某个特定 checkpoint 的 LLM 输出拿到误差棒，误差棒的大小怎么解读？什么是过拟合、什么是双降（double descent）、现代深度学习模型是否过参数化？他认为最好的准备就是吃透简历上的内容，并对职位描述里列出的每一项都有足够知识说出几句聪明话。既然面试官就是要找你知识的边界，说「我不知道」通常是可以的；不完全确定时他会先加一句限定，比如「我此前没有分布式训练的实操经验，所以我的知识是理论性的。不过有数据并行、模型并行和张量并行……」。
- 招聘经理/CTO 面试：如果初筛时没见过，通常在流程最后单独安排。公司愿意投入资深人员的时间，说明他们在认真考虑录用你；此时他们对你的技术能力和文化契合已有判断，所以这轮严格程度低得多，本质上是一场愉快的交谈，对方在推销这个岗位。这也是问团队如何协作、第一个项目可能是什么、要达到什么才算成功入职的空间。虽然看起来风险较低，但资深人员如果觉得气场不对，完全可以否掉你。他的做法是友善、表现出兴奋，并准备好关于公司、岗位以及未来上司个人动机的问题；他也用这轮打探公司战略、以及一年后自己的角色和职责可能如何演变。
- 背景调查：通常是签合同前的最后一步，但也有公司在早期就要。目的是交叉核对简历主张，并检验你是否有能力在学校或前公司建立并维持关系、让人愿意为你背书。通常要提供两位前同事的姓名、联系方式、关系和职位。他强调事先征得推荐人同意——出于礼貌，也是为了避免前经理正在亚马逊雨林里徒步、没有信号、无法回复任何询问。他认为最好放和自己密切共事、了解你工作风格和产出质量的人；是经理或更资深的人有加分，但关系密切显然比资历重要。
心理战。 一方面换工作很棒：这是一段充满可能性和杠杆的时期，比在职时有更强的谈判力和抽身能力，这也是他在艰难时提醒自己的话。另一方面它确实很难熬：大量拒绝、不确定性、因为连自己会落脚在哪个国家都不知道而无法做长期规划，以及靠积蓄和失业保险生活。最糟的部分是他逐渐意识到「失业」本身带有污名，随着时间推移，越来越难抵抗「干脆接受一个妥协过大的岗位」的冲动；再加上无尽地等结果、等回电、等拒信，令人心力交瘁而又完全无法加速。他还需要大量意志力和主动性，去处理相互竞争的责任之间的持续摩擦：是该往漏斗里再灌几份申请、准备下一轮面试，还是花时间在一个战略性作品集项目上学新技术？他给出的时间参考很实在：初创跑得快，但成熟公司或 scale-up 的竞争性岗位耗时可观，对他约 2–3 个月；然后合同谈判来回约两周，再几周完成交接。所以即便一切顺利（而这是你不能指望的），一次全职求职至少是四个月的过渡状态。
结论。 战术归结为两件事：设法获得信息优势；据此行动，在关键时刻做好准备。战术之外是战略——那些需要时间、无法伪装的东西：学习稀有而有价值的技能、打磨手艺、别忘了收集能力的证明点（技术产出、业务结果、职位头衔、组织身份），以便别人能轻易判断你的水平；理想情况下选一件你享受的事，因为享受才更容易在变强上投入不合理的时间。再加上建立一个认识你、愿为你背书、会把机会推给你的同侪与朋友的网络。
HN 评论精华
这条帖子拿到 55 分，讨论稀少，且整体基调偏负面，如实记录如下。
最尖锐的两条几乎没有论证。 bluecheese452 说：「这篇文章甚至比标题还要令人无法忍受。」indoorfish 的嘲讽是：「『Claude，给我做个博客模板，要能显示出我有多极简。』」
关于「这算不算指南」的方法论批评。 ktallett 说他对「指南」这个词有点怀疑：「基本上你说的是——想成为一个可能有用的机器学习研究者，就去学机器学习；因为机器学习发生在计算机上，所以了解计算机怎么工作也有用。这相当于我说：想加入我研究量子计算，你得先学量子，然后学计算。先广后专。有点……嗯，那不是显然的吗。」georgemcbay 的总结是全帖最短的：「太长不看——科技行业的招聘流程一年比一年没完没了。」vjvjvjvjghv 接：「我非常庆幸自己快退休了，如今的招聘流程太糟了。」
最有信息量的一条来自 angarg12，是一份对照性的亲身数据。 他两年前的求职：一边在大厂全职工作一边磨了 9 个月，有 15 年以上经验，走完约 30 家公司的流程，最后拿到约 6 个 offer。这些 offer 差异巨大——有的把他降级到中级，有的把他升级；最低和最高的薪酬包相差约 3 倍。而且他找不出流程和结果之间的规律：没名气的公司连电话筛都不给就拒了他，层级较低的公司给他更低的级别，而以难进著称的公司反而给了更高的级别；面试难度也没什么相关性。他因此彻底相信就业市场是一场数字游戏，其中包含高度的随机性和运气；纪律和努力有帮助，但结果远非保证——上一次他差点没换工作，因为大多数 offer 都不如当时的岗位，直到最后拿到两个高质量 offer。他对本文的评价很克制但意味深长：「我只是粗略读了一遍，但作者在没有正规背景的情况下拿到研究工程师岗位，我很佩服，因为我有 PhD 加多年相关经验都被拒之门外。我不想贬低这份成就，但我会对轶事和成功公式非常警惕。作者辞掉工作、100% 专注于求职，这个赌注得到了回报。我知道更多类似的故事没有成功，人们不得不匆忙接受质量更差的工作，最糟的情况下陷入了长期失业。」wordpad 追问他的面试是否仍以 DSA 和系统设计为主，他答：主要是，但也有 takehome、文化契合轮，以及很多 ML 轮（因为他申的是 ML 岗）。throwaway219450 补充：「两年前肯定是。我经历的每场编程面试都是从 LeetCode 里抽的题。说句公道话，题库这么大，现在也确实很难不这样。」
conceptme 提出了本帖最实际的风险提示： 「18 个月的求职相当残酷，我理解他确实很想要这个，但对大多数在工作之外有『正常』生活的人来说，这会是一个非常冒险的举动。」
对「lab」这个词的质疑意外地引出一段小辩论。 throw0101a 说他不明白作者为什么用这个词：他是在为一家营利公司工作，不是在什么「实验室」；并引用维基百科指出 Mistral AI SAS 就是一家总部在巴黎的法国人工智能公司。「我不明白为什么这个领域的所有公司都被叫作『lab』。这是想把它们的逐利动机扫到地毯底下，还是别的什么？」bootwoot 回应：「我不认为『lab』这个词本身就暗示了任何关于逐利与否的事，它只是指向前沿研究的聚焦。」
唯一实用的一条技术建议来自 homarp，针对文中「买 YouTube Premium 以便下载和后台播放、在散步时听系统设计视频」那段：「你也可以研究一下 youtube-dl/yt-dlp（配合广告拦截器）。」
还有一支完全跑题、但占了不小篇幅的争论。 dosisking 说：「这篇文章正是我认为 LLM 是死路一条、不是真正 AI 的原因。LLM 对语言相关的事有点用，是个不错的搜索引擎，但 LLM 不是 AI。」vjvjvjvjghv 反问他如何定义 AI，并说 Claude Code 写代码比很多人类程序员都好。dosisking 澄清他的意思是 AI 涵盖的东西远不止 LLM，而 LLM 整体是一条死路——人们以为 LLM 会持续变好，他怀疑不会，它们可能已经见顶了；他甚至认为神经网络整体都是死路。他随后加了一句相当刻薄的推论：「他们把写这篇文章的人招进去了，这向我确认了 LLM 技术背后没有实质内容。」vjvjvjvjghv 给了一个更温和的框架：「也许 LLM 之于 AI，就像拨号上网之于互联网。它是一个开端，让事情动起来，并为更好的东西吸引投资。」wilbur_whateley 给出了本串最有分量的一条：对他而言 AI 关乎解决新问题的能力；认为监督学习能做到这一点的人，通常相信新知识来自（1）旧想法的组合和（2)试错，而他不认为这是真的——如果你思考所有可能想法构成的状态空间，人类能探索的显然只是极小的子集，而监督学习只是在模仿人类（只不过速度快、记性好）；RL 也不管用，但它至少试图独立于人类知识去学习。vjvjvjvjghv 反驳说这把智能的门槛设得太高了，按这个标准恐怕没多少人类算得上有智能；wilbur_whateley 答：他认为人类和其他生命形式在足够长的时间尺度上、通过演化，是具备这种能力的。最后 throw1234567891 插了一句纯语法的吐槽：「它们确实不是 AI。但 LLM 的复数是 LLMs，不是 LLM’s，除非你是荷兰人。」