揭秘OpenAI七年前面试：AI大牛的试炼与AGI之路 | AI资讯

type

status

date

slug

summary

OpenAI的“极限试炼”：学习与解决未知的能力

谢赛宁回忆中，最令人印象深刻的莫过于2018年在OpenAI的经历。这场面试的核心形式是：在一个小房间里，进行长达五个小时的会议，包括白板编程和研究报告。

这听起来就极具挑战性，而真正的考验在于面试内容。面试题并非来自题库，而是由OpenAI联合创始人、强化学习领域的大神John Schulman亲自手写的一份关于强化学习问题（交叉熵方法中的方差崩溃）的完整描述。

这其中的关键点在于，谢赛宁当时坦言自己“对强化学习几乎一无所知”。而这恰恰是OpenAI想要考察的核心： * 现场学习能力： 面对一个陌生的、前沿的领域，能否快速吸收信息、理解问题本质。 * 第一性原理思考： 在没有现成答案的情况下，能否回归基础，通过研究、推导，最终在白板上给出解决方案并清晰地演示出来。 * 研究潜力： 这场面试不像是在招聘工程师，更像是在寻找一位能够独立开辟新方向的研究伙伴。它考验的不是你已经掌握了什么，而是你探索未知的能力有多强。

这种方式筛选出的，是真正具备原始创新能力、能够从0到1解决问题的人才，而这些人正是后来构建起LLM（大模型）和ChatGPT等革命性技术的基石。

巨头们的“识人术”：风格迥异的面试哲学

除了OpenAI，谢赛宁还分享了在其他几家顶级AI实验室的面试经历，展现了它们截然不同的选人哲学。

* DeepMind（旧版）：残酷的知识马拉松 在与谷歌合并前，DeepMind的面试以“残酷”著称。候选人需要在两小时内，尝试解决超过100个涵盖数学、统计和机器学习的理论问题。这种方式旨在全面考察候选人理论基础的广度和深度，确保其拥有扎实的底层知识。

* Meta FAIR & Google Brain：学术界的“教职面试” 相比之下，FAIR和谷歌大脑的面试更像是顶尖大学的教职面试。面试过程更侧重于与顶级科学家的深度学术对话。谢赛宁提到，他曾与何恺明、Ross Girshick等大神探讨计算机视觉研究，还曾向Noam Shazeer（Transformer论文作者之一）解释如何将Transformer应用于视觉数据——一个在当时极为前沿、鲜有人关注的话题。这表明，这些实验室高度重视研究者的视野、品味和引领未来的潜力。

这些风格迥异的面试，共同勾勒出了一幅顶级AI人才的画像：他们不仅需要具备深厚的理论功底和出色的编程能力，更要有探索未知的勇气和定义未来的视野。

从面试看未来：七年间AI领域的巨变

回顾七年前的这些面试题，我们不难发现，它们正是今天人工智能技术浪潮的源头。当时讨论的强化学习难题、Transformer的跨领域应用，都已成为构建当今大模型的核心技术。

John Schulman后来评论说，谢赛宁是当时最早接受这种面试的两个人之一。这让我们不禁感叹，那些看似“刁钻”的面试题，其实就是这些机构的研究者们当时正在思考和攻克的真实世界问题。

谢赛宁的感叹“当时根本不知道未来七年世界会发生多大的变化”，也道出了所有人的心声。正是这些在小黑屋里用白板推演公式、在会议室里激烈讨论的先行者，通过一次次这样的“试炼”，最终为我们带来了ChatGPT、Claude等改变世界的产品。

顶尖AI人才的核心素养：我们能学到什么？

通过这些顶级大厂的面试故事，我们可以总结出未来AI人才所需具备的几项核心素养，这些素养远比单纯掌握某个Prompt（提示词）技巧或工具更为重要：

扎实的理论基础： 无论是DeepMind的百题测试，还是OpenAI的现场推导，都离不开坚实的数理和机器学习功底。

强大的自学和解决未知问题的能力： 这是OpenAI面试模式的核心，也是在技术飞速迭代的AI领域保持竞争力的关键。

前瞻性的研究视野： 能够洞察技术发展的趋势，在无人关注的领域进行开创性思考。

清晰的沟通与表达： 无论是白板编程演示，还是与顶尖科学家对话，都需要将复杂的思想清晰地传递出来。

对于有志于在AI领域深耕的人来说，与其焦虑于追赶层出不穷的新模型，不如静下心来，打磨这些更为本质的核心能力。

总而言之，谢赛宁等人的面试经历，不仅是一段段有趣的行业轶事，更是AI发展史的缩影。它告诉我们，每一次技术的巨大飞跃，都源于对最基本问题的深刻思考和对未知领域的不懈探索。想要持续关注AI领域的最新动态和深度分析，不错过任何一条重要的AI新闻，请锁定权威AI门户 https://www.aigc.bar，与时代前沿保持同步。