布朗大学博士生 Yong Zheng-Xin 日前宣布，他将于下个月正式加入 OpenAI，担任 Astra Fellow，专注于人工智能安全研究。

Yong Zheng-Xin 的博士导师是 Stephen Bach，其研究领域包括提升模型的跨语言能力以及前沿的 AI 安全与对齐技术。他当前的研究重点是通用人工智能（AGI）/ 超级人工智能（ASI）的风险防范与准备工作。他深入探讨了可扩展监督、模型对齐的泛化能力，以及大型模型在处理多语言等复杂指令时的对抗鲁棒性和越狱漏洞。

上周，另一位即将毕业的博士生 Alisa Liu 因加入 OpenAI 的消息而在 X（原 Twitter）上引起广泛关注，相关帖子浏览量超过百万。

受到 Alisa Liu 面试分享的启发，Yong Zheng-Xin 也分享了他在申请研究科学家职位时的一些经验。他的博客文章《Surprising lessons from my research scientist job search》（我进行研究科学家求职过程中的意外收获）提供了一个不同于 Alisa 的视角。

作为一名在博士最后一年从多语言大型模型跨界转向 AI 安全领域的候选人，他总结了六个在求职过程中让他感到十分意外的洞察。

Yong Zheng-Xin 在其博客中写道，他强烈推荐 Alisa 和 Silvia（另一位博士生）关于如何准备并成功加入 OpenAI 和谷歌 DeepMind 等顶尖研究机构的文章。他希望从另一个角度分享他在寻找研究人员工作过程中的意想不到的经历。

这篇文章主要面向两类读者：一是像他一样，花费五到六年时间撰写多篇研究论文，并寻求行业机会的计算机科学（CS）博士毕业生；二是正在申请全职职位的 AI 安全研究员。

他声明，在撰写本文过程中未使用任何大型语言模型。

个人经历

Yong Zheng-Xin 是布朗大学五年级的博士生，他的求职经历因在博士最后一年改变研究方向而显得有些特别。

2025 年秋季，他申请的是多语言和人工智能安全方面的职位，但收到的多是多语言/后训练方向的研究科学家机会，原因是他的研究组合中涉及核心 AI 安全课题的工作较少。

在本学期中，他决定全身心投入 AI 安全研究，认为随着 AGI/ASI 的到来，AI 安全领域存在许多亟待解决的重要问题。因此，当他获得 Astra 奖学金时，他选择暂停求职数月，专注于奖学金项目，以更好地胜任 AI 安全领域更具影响力的职位。为此，他拒绝了一些现有工作机会，并将毕业时间推迟至 2027 年。

在研究项目接近尾声时，他重新开始找工作，但进展比预期的要混乱。他原计划在六月结束研究项目，整理论文后开始面试，即七月才开始。然而，由于时间安排和对职位资源不足的担忧，他从五月中旬就开始了面试，并在六月中旬前收到了几份令他满意的 offer，甚至退出了部分正在进行的面试，未能充分了解其他选择。

他表示，庆幸最终事情得以顺利解决，他不再为资金问题烦恼（因推迟毕业），也暂时摆脱了持续找工作的焦虑。他对在此过程中支持他的人表示非常感激。

意外之一：求职中，真正关键的仅一两篇论文

Yong Zheng-Xin 认为，正如 Alisa 的帖子所暗示的，面试（如 LeetCode 题目）可能与实际研究工作关联不大。他认为，在求职过程中，真正起作用的可能只有一两篇论文，有时甚至不需要论文，而是取决于现场解决问题的能力。

他总结了论文在求职中的两个主要作用：一是获得面试机会，通过与目标团队的项目或展现的专业技能相符来进入面试流程；二是作为深度解析的依据，在研究报告或讨论中详细阐述研究的动机和细节，即便报告时间很短。

因此，除了建立信誉，论文数量本身并不那么重要。他提到，尽管他的多语种研究论文数量远超 AI 安全方向的论文，包括一篇获得最佳论文奖的论文（NeurIPS 2023 SoLaR 最佳论文），这些都与他的面试结果没有直接关联。

他认为这是一种解放，意味着可以转型到有影响力的领域，只要展现出专业技能且团队需要。但另一方面，这也要求持续学习和掌握行业动态，因为过去的成功对新机会的影响有限。

意外之二：面试形式多样化

Yong Zheng-Xin 最初以为面试会像应届软件工程师的面试一样，包含 LeetCode 风格和行为面试，再加上 LLM/深度学习技术问题，并认为 Alisa 和 Silvia 的博客也给人留下了这种标准化的印象。

然而，令他意外的是，面试中出现了系统设计和并行编程（如使用 asyncio 实现并发操作）的问题。他还了解到，有些面试会考察使用 AI 智能体的能力，这表明需要为各种意想不到的问题和面试环节做好准备。

意外之三：工作试用

这对他来说是全新的体验。他惊讶地发现，工作试用在 AI 初创公司中也越来越普遍，他原以为这只在 AI 安全岗位上常见。

工作试用与现场面试不同，它通常涉及与团队合作完成一项任务，有时是开放式的。这些试用通常有报酬，但令他吃惊的是，有些现场工作试用可以持续长达一周。

他表示，参加工作试用会影响他准备其他公司的面试，因为需要全身心投入。在安排面试时，尤其是在同时面试多家公司且时间紧迫的情况下，应考虑这一点。

意外之四：时机至关重要

Yong Zheng-Xin 指出，在当前的就业市场中，时机扮演着关键角色。例如，去年秋季 AI 安全职位相对较少，而现在初创公司提供了更多相关机会。

他列举了时机如何影响求职的几点：

• 作品迅速走红，吸引机构兴趣，应抓住机会积极面试。
• 研究领域日益热门，相关机会增多，求职窗口可能较短。
• 职位需求，若计划推迟面试，需询问招聘人员。
• 工作邀约集中，可要求加快面试流程，即便一天内连续面试多场。

他认为，要求推迟面试开始时间（一两个月）是合理的，但一旦开始，面试间隔通常很短。同时，一些职位期望在短时间内入职，但入职日期可协商。

意外之五：留用通知较少见

与软件工程职位（通常提供留用机会）相比，研究职位的留用情况需具体分析。他以 2024 年在 Meta 的实习经历为例，指出全职转正机会较少，且很大程度上取决于团队规模。他申请的 OpenAI Astra 奖学金，也需要像其他申请者一样经历所有面试环节。

他听说有些机构面试流程较快，若团队匹配成功，可能只需一两轮面试。

意外之六：许多面试与研究主题无关

这让他感到意外，因为他正从能力研究转向安全研究，原以为面试会侧重安全领域。他在 Astra Fellowship 项目期间，在 Constellation 内部进行了大量 AI 安全问题讨论，这加深了他的这种预期。

然而，事实并非如此。他遇到的许多面试与 AI 安全完全无关，更不用说与他的研究方向相关了。他相信自己的经历与 Alisa 和 Silvia 类似（尽管她们的研究领域不同）。

在少数情况下，他感觉面试官在评估他作为 AI 研究员的全面性，他认为这是合理的，因为 AI 领域发展迅速，基础扎实很重要。但他原本预期会遇到更多 AI 安全相关的问题，因为这在他看来是一个亟待解决且相对小众的研究课题。他推测，对于高级职位，面试经历可能会有所不同。

对于安全研究人员，他推荐了一篇关于安全相关面试轮次的文章，并预计问题会很多样化。

文章还提供了其他阅读资源，包括 Nathan Lambert、Alisa Liu 和 Silvia Sapora 的相关博文。