华盛顿大学 NLP 博士 Alisa Liu 在她的个人博客上上线了一篇题为《Notes on the Industry Job Search》的文章。这篇约八千字的求职回顾在 24 小时内传遍了 AI 研究者的社交媒体圈。它的作者并非享有公众知名度的 AI 创业者或明星工程师，而是一位刚刚完成六年博士学业、以 tokenization 研究在 NeurIPS 上发表过论文的应届毕业生。文章之所以引发共鸣，是因为它以罕见的坦诚和细致还原了 AI 博士进入工业界求职的全过程——11 家公司、57 场面试、46 次招聘人员电话、16 次 offer 后沟通，以及不计其数的非正式社交对话。
Liu 在开头写道，她在 2024 年底开始求职时，对这个过程将会有多复杂和消耗心志"毫无概念"，整个过程是在"一边玩游戏一边学习游戏规则"。这种信息不对称恰好是许多 AI 博士的共同经历——他们被训练如何做研究，却很少有人教他们如何找工作。
Liu对面试类型的系统归纳是全文最实用的部分。她将 AI 研究科学家的面试分为七类：ML 编程（最常见，要求 PyTorch 达到肌肉记忆级别）、通用编程（LeetCode 风格）、工艺讨论（从位置编码方法的快速问答到 5D 并行策略的深入对话）、研究讨论（针对职位的 pitch 比复述论文更核心）、行为面试（她自称"搞砸了第一场"，因为想当然觉得自己不需要准备小事例）、数学（从逻辑谜题到形式化推导）、以及工作演讲（比学术报告更短、更聚焦单一方向）。这些分类之所以有价值，不是因为它们新奇——任何经历过谷歌或 Meta 面试的人都能列举出来——而是因为 Liu 捕捉到了 AI 实验室面试与通用软件工程师面试之间的关键差异：前者对 ML 基础知识的广度要求远高于后者，同时对"研究品位"的评估取代了系统设计面试的位置。
Liu 在准备过程中将学习视为一份全职工作。她的起点是斯坦福大学的 CS336（Language Modeling from Scratch）课程，然后借助博客文章、论文和 LLM 聊天机器人深入钻研各个概念。她特别强调了一条建议：做编程练习时必须完全关闭 AI 辅助——"作业中实现和调试 transformer 应该变成肌肉记忆"。这条建议指向了当前 AI 教育的一个悖论：AI 编程助手让入门变得前所未有地容易，但也可能导致学习者对底层细节的理解停留在"能问出问题"而非"能独立完成"的层面。在面试的高压环境中，AI 助手不可用，那些依赖自动补全和 AI 调试的候选人会在基础编码环节暴露短板。Liu 还叙述了一个反面案例：她在某场面试前夜熬夜补习大型语言模型推理细节，只睡了两个小时，结果面试中这些内容完全没有涉及，反而在一个数组越界错误上卡了十分钟——"因为我的齿轮几乎转不动了"。
文章中关于薪资谈判的部分可能是对整个 AI 行业最具信息量的贡献。Liu 坦陈，在收到多份 offer 后她才发现"工作远未完成"，谈判在情绪和逻辑上都是全新的挑战。候选人在谈判桌上处于结构性劣势——"无论在领域知识还是谈判技巧上都处于下风"。招聘人员明确期待谈判行为（一位招聘人员对她说："我不指望你接受我们的第一份报价"），而谈判的结果"确实可以相当于初始报价数年的积累"。Liu 依赖朋友提供行业信息点来校准自己的要价，在每一次电话前准备好三件事：要分享什么、要隐瞒什么、以及逐字逐句的表达措辞。这些细节暴露了当前 AI 人才市场中一个关键的信息不对称：实验室和公司的人事部门掌握着全行业范围的薪资数据，而应届博士候选人对于"市场价应该是什么"几乎只能依赖零散的口口相传。
Liu 还分享了一条关键的策略性建议：时间线管理。她推荐用少数几家公司作为"练习"，然后将真正想去的公司的流程安排在相近的时间窗口内，使多份 offer 几乎同时到达——这是最大化谈判筹码的唯一方式。但她同时警告："在到达你真正在乎的公司之前，要小心不要耗尽精力。"她指出，岗位名额的可用性有时比准备时间更核心——一家公司可能在你准备最充分的时候没有名额，而在你状态一般的时候正好开放了一个匹配的职位。关于首轮面试机会的获取，Liu 坦率地承认依赖内部推荐——通过会议社交、广泛携手和社交活动建立的人际网络在这里发挥了不成比例的作用。她也意识到这对不擅长社交的研究者不公平，但"这就是游戏规则"。
将 Liu 的个人经历放在 2026 年 AI 人才行业的宏观图景中，可以读出更深层的行业信号。根据斯坦福 HAI 公布的 2026 AI Index 报告，约 70% 的 AI 博士现在进入工业界，而 2004 年这一比例仅为 21%。前沿实验室对研究科学家的竞争达到历史级强度——OpenAI 研究科学家的年薪中位信息报道已在 77 万至 147 万美元之间，Anthropic 同类岗位中位薪酬约 75 万美元。与此同时，顶级实验室的研究科学家岗位录用率低于 0.5%，是全科技行业竞争最激烈的招聘通道。这种"极高天花板、极低通过率"的格局制造了一个诡异的心理空间：候选人在多轮面试中被反复评估，却很少能得到关于市场标准和谈判策略的可靠信息。
此外，AI 研究岗位在过去三年间经历了显著的角色分化——Research Scientist（研究科学家）侧重论文产出和架构革新，Research Engineer（研究工程师）侧重训练基础设施和大规模系统，ML Engineer（自动学习工程师）侧重生产部署。不同类型公司对这三类角色的权重不同：前沿实验室看重发表记录和研究品位，大型科技公司的应用 AI 团队更注重工程能力，而初创公司可能需要一个能同时覆盖研究和工程的"通才"。
Liu 的文章对于正在考虑走同样道路的博士生还有一条更本质的提醒：这个过程对情绪和身体的消耗远超预期。她写道，在求职的数月间自己"压力显著、痛苦、几乎无法正常运转"。社交比较和来自各方的建议增加了额外的心理负担。她在文末的反思中提醒自己和读者：博士阶段是一段"特殊的时光"，她最好的研究成果产生于"玩得开心、追逐那些我的大脑无法放下的问题"的时候——而非在改进简历或模拟面试的状态下。这个洞察或许比任何面试技巧都更值得被未来的 AI 博士们记住：工业界最终想要的是一个有真正研究驱动力的科学家，而不只是一个善于通过面试的人。
Alisa Liu 博客原文：Notes on the Industry Job SearchStanford HAI AI Index Report 2026Sundeep Teki: AI Career Advice for 2025-2026Interview Kickstart: AI Researcher Salary 2026
