alisa liu 下周即将正式加入 openai。
在此之前，她刚刚走完一段极为密集的求职旅程：参与了 11 家公司的 57 场正式面试，还经历了额外的 46 次招聘沟通，以及拿到 offer 后的 16 轮后续交流。她将这段高强度经历整理成一篇详实的求职复盘，迅速在 AI 领域引发广泛讨论。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
Alisa 在华盛顿大学耗时六年完成自然语言处理方向的博士学业，求职目标聚焦于研究科学家与技术团队核心成员等岗位。按常理推断，这样扎实的学术背景应聘顶尖 AI 企业，面试重点理应落在论文质量、研究深度、模型原理掌握及前沿趋势判断上。但她的复盘却揭示了一个现实：一旦进入正式面试环节，真正被高频考察、反复验证的，仍是编程底层能力。
能否动手写代码？能否独立实现模型结构？能否在类似 LeetCode 的算法题中迅速识别适用的数据结构与解法？这些看似“基础”的能力，依然是绕不开的硬门槛。
评论区中，不少一线 AI 研究者也纷纷分享了相似体验。
Meta 的研究科学家 Mimansa Jaiswal 提到，自己首次全流程面试是在 Anthropic，共经历 9 轮考核，其中两轮 Colab 编程环节表现不佳。她事后才深刻意识到：编程面试绝非临场发挥，必须系统性地提前训练。
另一位来自 Meta 与纽约大学的 AI 研究员 Ravid Shwartz Ziv 也回忆道，多年前他第一次参加公司面试时，面试官布置了几道编程任务；30 分钟后返回，他大脑一片空白，连一行有效代码都没写出来。面试官只留下一句“谢谢，或许下次有机会”，便起身离开。
顶级 AI 公司真正看重的，仍是技术基本功
Alisa 在复盘中披露，她共向 11 家公司投递简历，完成了 57 场正式面试。这还不包括另外 46 次初步沟通、16 次 offer 后的深入交流，以及大量非正式人脉对接。
通过这段经历，她对当前顶级 AI 公司的面试逻辑有了更清晰的认知：“整体而言，技术能力与技术知识的权重远高于研究履历——尽管后者往往是获得面试入场券的关键。”
她将面试大致划分为七类：机器学习编程、通用编程、技术讨论、研究讨论、行为面试、数学面试和工作报告。
频率最高的是机器学习编程面试。这类面试强调即时编码能力。题目可能涵盖：从零实现某类模型架构、设计特定解码策略、复现经典机器学习算法，甚至提出更具开放性的工程任务。熟练使用 PyTorch 是基本要求；极少数情况下，面试官会限定仅用 NumPy（例如手写反向传播），但并不要求熟记全部 API 细节，重在逻辑与流程理解。
其次为通用编程面试。本质就是 LeetCode 风格的算法题，偶有变体。
打好基础至关重要，因为许多数据结构与算法概念（如动态规划、图论、哈希表、树、堆、双指针、二分查找）也会渗透进机器学习编程题中。换言之，即便应聘的是 AI 岗位，这些传统 CS 核心能力依然直接影响最终结果。
第三类是技术讨论。无需写代码，但技术密度极高。有时整场面试围绕单一主题展开，例如：如何设计实验验证某个假设？怎样构建系统达成特定技术目标？面试官会持续追问你的设计依据，并让你解读模拟实验结果，进而推导下一步方案。另一些则以快问快答形式进行，比如：“位置编码有哪些主流实现？”“什么是 5D 并行？”“PPO 和 GRPO 的关键差异在哪？”前者检验思维路径，后者考查知识广度与领域熟悉度。
第四类是研究讨论。这是博士生最熟悉的场景。面试官通常先请候选人介绍一项代表性项目，再据此层层深入；也可能延伸至简历中其他论文。准备时需跳出细节，反思：当初为何选择该问题？过程中形成了哪些关键认知？未来哪些方向最具潜力？
她还会依据岗位特性调整研究陈述侧重点——毕竟面试官同样疲惫，若能快速命中岗位关键词，对方更容易判断匹配度。
第五类是行为面试。形式接近标准行为面，但偶有涉及 AI 安全或社会影响的议题。
她的经验教训是：切勿因过往表现良好而轻视此类面试。她首场行为面即告失利——面对常规问题时大脑突然宕机，难以一边回忆博士经历，一边将其组织成符合 STAR 结构的故事。她建议提前梳理博士期间的关键事件，并对应常见行为题型建立素材库，以便临场快速调取。
第六类是数学面试。内容跨度较大，既有趣味逻辑题，也有需纸笔推演的严谨数学证明。她建议重点复习概率论、线性代数与微积分。
最后一类是工作报告（job talk）。相比学术界，工业界 job talk 更精炼、更聚焦。她的汇报主线围绕 tokenizer 展开：主体部分详解一篇一作工作，辅以几项二作及在研项目作为延展，恰好构成一条逻辑自洽的研究脉络。
Transformer 必须练到肌肉记忆，写代码时务必关闭 AI 工具
Alisa 在复盘中强调：面试准备，是最值得倾注时间的投资。
对她而言，这段准备期宛如重返本科：做笔记、画示意图、刷题、泡咖啡馆……只为把机器学习的基础概念真正吃透。技术面试难度极高，且所需能力无法自然从科研经历中衍生，必须在研究之外专门投入精力专项训练。
她说，对她本人及多数同行而言，“找工作本身就是一份全职工作”。
她的备战起点，是斯坦福大学的《Language Modeling from Scratch》课程。
她完整观看所有 lecture 视频，借此厘清自身知识盲区，并将散落脑中的概念重新整合为一张关于语言模型的系统图谱。夯实基础后，她再逐个深挖重点模块：阅读权威博客与论文、与 ChatGPT/Claude 多轮对话探讨、反复练习从零实现各类组件。
她尤其单拎出该课程的 Homework 1。她认为这项作业“不可或缺”，因为 Transformer 实现与调试在面试中出现频率极高；将其练至肌肉记忆，回报巨大，绝不容在此类基础环节失分。
这份 Homework 1 来自斯坦福 CS336 课程，主题正是从零构建一个 Transformer 语言模型——不是调参微调，而是亲手搭建整个链路。
作业要求学生逐层实现所有核心模块。配套仓库 cs336_basics/* 明确声明：“无现成代码可抄，你可完全自主设计实现方式。”
首先需实现 byte-level BPE tokenizer，理解编码原理与子词切分机制，并写出支持训练、编码与解码的完整版本；还需分别在 TinyStories 和 OpenWebText 数据集上训练 tokenizer，对比不同语料带来的压缩效率与词表差异。
接着是从零构建 decoder-only Transformer 模型，涵盖 embedding 层、Transformer block、causal self-attention、RoPE 旋转位置编码、前馈网络及输出头，重点在于张量维度对齐与 attention mask 正确处理。
最后还需实现交叉熵损失函数、AdamW 优化器、完整训练循环，并支持模型与优化器状态的保存与加载，形成最小可行的语言模型训练闭环：原始文本输入 → tokenizer 编码为 token ID → Transformer 训练 → 生成样本 → 用 perplexity 评估效果。
更关键的是，作业对“从零实现”有严格界定：除 torch.nn.Parameter、torch.nn 中的容器类（如 ModuleList）、以及 torch.optim.Optimizer 基类外，禁止直接调用 torch.nn、torch.nn.functional 或 torch.optim 中的高级封装模块。这意味着线性层、归一化、attention、loss、optimizer 等核心组件，都必须亲手编写，不得依赖官方封装“取巧”。
此外，作业虽允许使用 AI 工具辅助理解高层概念或查询函数签名/API 文档，但严禁其参与任何代码编写过程——包括 Cursor Agents、Codex、Claude Code 等编码代理，同时必须关闭 Cursor Tab、GitHub Copilot 等自动补全功能。此前学生反馈表明，关闭 AI 补全有助于更深入掌握底层原理。
这也与 Alisa 的面试建议高度一致。她特别提醒：“练习编码时务必关闭所有 AI 辅助工具，以真实模拟面试环境；否则极易低估自身对 AI 的依赖程度！”
她形容这种备考状态如同一场高强度突击：“每次面试都像一门全新课程——你从未修过，却只有约三天时间准备期中考试。”
参考链接：https://www.php.cn/link/a26d87d40de6192bcf1909654b74c9eb
本文来自微信公众号 “InfoQ”（ID：infoqchina），作者：Tina，36氪经授权发布。
