━━━━━━━━━━━━━━━━━━━━
◆ 上游那半边讲过了，这次讲下游
━━━━━━━━━━━━━━━━━━━━
每天刷视频，总能刷到"学大模型，市场极度稀缺，毕业拿高薪"的 AI 培训班广告。广告看多了我反而好奇一件事：真正在大模型公司里干活的人，每天到底在做什么？培训班不会告诉你；招聘 JD 能看出公司缺什么，却很难看出这份活做起来是什么滋味。于是我在网上爬了一圈，专门找这些人自己写的东西。
205 期（ 【AI架构原理】预训练工程师在干什么——从 Karpathy 加入 Anthropic 说起 ）写过预训练工程师的五关：数据配比决定模型吃什么，Scaling Law 决定钱怎么分，分布式训练让几千张卡像一张卡干活，训练稳定性保住几百万美元一次的实验，算力优化在 MFU 上抠百分点。那是工厂上游——预训练工程师站在这个行业的塔尖：模型的底子是他们打的，几百上千万美元一次的训练是他们按的按钮，全世界能干这活的人凑不满一个礼堂。
塔尖往下的第二层是后训练工程师，265 期（ 【后训练】从三行配方到一座工厂——后训练管线的四年演化史 ）刚写过他们手里那条流水线的四年演化史：三行配方长成一座工厂，出题权交给知识图谱，判卷权交给验证器，五千万个沙箱同时开工。
不过那两篇讲的都是活儿本身。一座工厂不只有流水线，还有站在流水线各处的人。这篇把剩下的岗位接着往下走——不是按工资排座次，而是按工作里的自主权和可替代性，从决定"做什么"，一直走到把同一套规格执行成千上万遍的人：每一层干什么、一天什么样、最痛的是什么。岗位日常尽量取自从业者自述和访谈原文；招聘数据只用来补一张组织横截面。
先看一眼这张横截面。Epoch AI 在 2026 年 3 月统计 OpenAI、Anthropic、xAI 和 Google DeepMind 的公开职位，发现 OpenAI 和 Anthropic 招得最多的类别已经不是研究，而是销售及相关的 go-to-market：分别占公开职位的 28% 和 31%；研究岗只占 7% 和 12%。增长最快的又不是纯销售，而是 AI Success Engineer、Solutions Architect、Forward Deployed Engineer 这类半工程、半落地的岗位——负责把模型真正塞进客户公司的流程里。
这组数字不能当员工构成表：招聘页只说明公司此刻想补什么，一个 JD 最后可能招一人、十人，也可能谁都没招到。但它至少戳破了一个培训班幻觉：大模型公司不是一屋子科学家。至少在这两家公司当前公开要补的人里，围绕部署、交付和卖出去的岗位，已经比继续发明模型的研究岗多。
中国又是另一张图。Epoch AI 在 2026 年 6 月抓取 DeepSeek、Moonshot、MiniMax、智谱、字节和阿里六家的 1604 条招聘信息：有地点的职位中，93% 落在北京、杭州、上海三地；技术岗要求的最低工作年限，按其统计口径平均为 1.6 年，而美国前沿实验室为 5.5 年；中国公司的公开工程岗里，校招接近 20%。美国实验室更像在全球市场上抢已经打过仗的老兵，中国公司则仍在从学校门口成批吸人。下面这些个人故事，讲的是进门之后。
━━━━━━━━━━━━━━━━━━━━
◆ 1. 科学家的一天：在多巴胺和困惑之间
━━━━━━━━━━━━━━━━━━━━
先说这里的"科学家"指什么：职位名叫 research scientist（研究科学家）。它通常是 IC（个人贡献者）岗位，核心不是带团队，而是提出假设、设计实验、写代码、分析结果——琢磨怎么让模型推理更强、学得更好。论文是可见产出，真正留在公司里的产出还包括数据配方、训练方法和一批没有成功、也不会发表的实验。
这个岗位最有名的样本是 Jason Wei：在谷歌写了思维链论文，2023 到 2025 年在 OpenAI 参与 o1 推理模型和 Deep Research。他在个人博客 jasonwei.net 上写过一篇《Dopamine cycles in AI research》（AI 研究中的多巴胺循环），把这个岗位的工作日直接写成了一个循环。
原话直译："每天你醒来，想今天该跑什么实验。你觉得 X 这个东西重要，于是决定改进它或者做消融。然后你写代码，花一笔算力，去把答案换回来。"（"Every day you wake up and you think about what experiment to run. You think thing X matters so you decide to improve it or ablate it. Then you write the code and pay some compute to find out the answer."）
接下来那句是关键："然后你会得到多巴胺，或者困惑——取决于结果和预期对不对得上。"
这句话透露了一件事：科学家的工作单位不是天，是实验。 一天可能跑三个实验，也可能一个实验跑三周。中间那段时间里，你既不知道自己是对的，也不知道自己是错的。
押大注的时候，这段空白会被拉得很长。他的原话："有时候你押一个不那么显然、甚至有争议的大注，接下来是一段辛苦、多巴胺饥饿、充满不确定的日子。成了是巨大的高潮，砸了就很自然地被无力感吞掉。"
"多巴胺饥饿"（dopamine starvation）这个词值得留着。它说的不是累，是长时间拿不到任何反馈信号——你在实验室里干着活，但没有任何东西告诉你你在往前走。
驱动力从哪儿来，他自己也没美化："有一种底层冲动：要证明自己的能力，或者证明在这个飞速变化的行业里你还没被甩下。"以及："科学本该是客观的，但现实是它有巨大的社会性成分，同行的尊重是一种很值钱的奖励信号。"
他自己给这个循环下的结论是："每天都是往人类知识的丛林里再走一小段。不算差的人生——我愿意干很久。"
━━━━━━━━━━━━━━━━━━━━
◆ 2. 可解释性研究员：拿到一个坏模型，三天内找出它哪儿坏
━━━━━━━━━━━━━━━━━━━━
先说"可解释性"（interpretability）是干什么的。一个大模型训完，就是几千亿个浮点数——没有人写过其中任何一行逻辑，它为什么这么答，造它的人也说不清。可解释性研究就是给这个黑箱做逆向工程：打开权重和激活值，找出哪些内部结构对应哪些概念、哪条回路负责哪种行为——模型撒谎的时候内部什么样，它答题的时候哪些"特征"在亮。用程序员的话说：有人扔给你一个没有源码的二进制，你拿调试器把它的逻辑逆向出来——只不过这个二进制有几千亿个参数，而且逻辑不是人写的，是训练自己长出来的。
Trenton Bricken 和 Sholto Douglas 都在 Anthropic，一个做机制可解释性，一个做 RL 扩展。2025 年 5 月两人一起上了 Dwarkesh 播客，那期标题叫《Claude 4 是怎么思考的》，文字稿全文公开——本节、第 4 节 Sholto 那段观察、还有第 7 节的引文，都出自这份文字稿。可解释性这个方向的第一个问题不是难，是人不够。
Trenton 的原话："低垂的果实太多了，人根本不够，什么都做不完……我们有 Anthropic Fellows 项目，我带一个课题，但我手上想让人做的有五个。太多显而易见该做的事了，而且团队规模已经是我刚加入时的 6 倍，探索的产能永远不够。"
这活具体长什么样，播客里给了一个非常清楚的场景，叫审计游戏：公司里另一个团队（Model Organisms team）造了一个"坏模型"，不告诉任何人它哪儿有问题，然后把它交给几个团队去查，任务是找出这个坏行为到底是什么。两个可解释性团队参加，最终都成功了——"其中一队 90 分钟就破了。我们本来有三天时间。"
工具是他们自己搭的。Trenton 做了一个带可解释性工具的 Claude 版本，会去调用"取最活跃特征"这类工具，一次给出一百个最活跃的特征。
这个岗位的工作对象不是数据，也不是产品，是模型本身的内部结构。 而它的产能瓶颈，播客里说得很直白：不是想法不够，是人不够。
━━━━━━━━━━━━━━━━━━━━
◆ 3. 产品工程师的一天：7 周从第一行代码到上线
━━━━━━━━━━━━━━━━━━━━
这个岗位干的是：把研究成果变成用户手里能点的产品。科学家训出一个会改代码的模型，离你在网页上点一下"让它修 bug"之间，隔着一整层工程——模型跑在哪个容器里、代码仓库怎么下载进去、git 操作谁来做、几百万人同时用怎么扛住。不同公司的职称并不统一，可能叫 product engineer，也可能笼统地叫 member of technical staff；共同点是给模型盖房子、修路、接水电。这里讲的是 Calvin 在 Codex 团队做的那一类产品工程，而不是给整个职称下定义。
Calvin French-Owen 是 Segment 的联合创始人，2024 年 5 月到 2025 年 6 月在 OpenAI，在 Codex 核心团队。离职三周后（2025 年 7 月）在个人博客 calv.info 上写了一篇《Reflections on OpenAI》（OpenAI 亲历记）。
他具体干的活是这些：造 container runtime、优化 repo 下载、参与微调一个专门改代码的模型、处理各种 git 操作、做 GPU 容量测算。这里研究和工程其实已经搅在了一起，但目标很明确：不是发一篇论文，而是把研究成果变成能用的东西。
Codex 冲刺那段是全文最重的一笔："这大概是我近十年最拼的一段。多数晚上熬到 11 点或半夜，早上 5:30 被新生儿吵醒，7 点又去办公室，周末基本都在干。"
上线前夜："我们五个人熬到凌晨 4 点部署主单体服务——这是个好几个小时的活儿——然后回办公室赶 8 点的发布直播。"
编制和周期是这样的：整个产品"从写下第一行代码到完成，整个产品只用了 7 周"；团队是"约 8 个资深工程师、约 4 个研究员、2 个设计、2 个 GTM 和 1 个 PM"。上线之后，Codex 在 53 天里生成了 63 万个 PR。
────────────────────
? 一家一年从一千人涨到三千人的公司，日常是什么样
他入职时公司一千出头，一年后超过三千，"我的司龄已经排进前 30%"。
这种增速会改变很多默认设置。没有邮件："一切都跑在 Slack 上，没有邮件。我在那一年总共大概只收到 10 封邮件。"没有路线图："我刚来时问下季度路线图，得到的回答是：不存在这种东西。"
代价是代码库："OpenAI 用一个巨大的、基本是 Python 的 monorepo"，"你会同时看到 10 年 Google 老兵写的可扩展库，和刚毕业博士随手扔的 Jupyter notebook"；CI 在 master 上崩得比你想象的频繁，测试用例在 GPU 上要跑约 30 分钟。
好处是弹性。为赶上线需要 ChatGPT 团队帮忙，"第二天就有两个厉害的人来帮我们了。不存在'等季度规划'这回事"。
还有一条成本观，值得所有做产品的人抄下来："跟 GPU 成本比，几乎一切都是舍入误差。Codex 里一个小众功能的 GPU 开销，就等于我们整个 Segment 的基础设施。"
────────────────────
离开这一节之前，还有两句话值得记下来。一句是 Codex 负责人对他说的："你应该把研究员看成一个个'迷你高管'。" 另一句是 Calvin 自己顺着这个说法给出的推论："大部分研究是靠把研究员'狙'进某个具体问题完成的。如果一件事被认为无聊、或者已经解决了，那大概就没人做。"
后半句先记着，第 7 节会回来算这笔账。
━━━━━━━━━━━━━━━━━━━━
◆ 4. RL 环境工程师：一个刚长出来的工种
━━━━━━━━━━━━━━━━━━━━
先说什么是"RL 环境"。265 期讲过，现在的后训练靠海量任务喂强化学习——模型在任务里反复试错，做对了得奖励。一个"环境"就是一道题的全套考场：题面（prompt）、一个能让模型真动手的隔离世界（代码仓库、mock 网站、虚拟机）、加一个自动判分的程序（grader）。模型要练几百万道题，这些考场就得有人一间一间造出来——造考场的人，就是 RL 环境工程师。
Epoch AI 访谈了 18 位 RL 环境从业者——来自环境创业公司、neolab 和前沿实验室——整理成一份 FAQ，2026 年 1 月发在它的 Gradient Updates 专栏。大规模给语言模型造可验证环境，是 o1 之后迅速扩张的新市场；现在它已经有了行规、价目表和公认的头号瓶颈。
这活的日常：写任务（一个 prompt 加一个 grader 判分器）、反复迭代 grader 防作弊、校准难度、管理一大批外包 task builder 并做质检。
防作弊是这活的日常。一位 neolab 研究员的原话："奖励作弊是个大问题。模型可能直接去搜答案；如果你的仓库脚本写得不小心，它会去 checkout 未来的 commit。它必须够健壮，这是最低要求。"一位环境公司创始人的另一句更实在："防作弊要经过非常非常多轮迭代。"
Anthropic 的 Sholto Douglas 在 Dwarkesh 播客里给过一手观察，可以和上面互文："就算有单元测试，模型也能绕过去——如果它能搞清楚测试到底在干什么，它会硬编码测试用到的值。如果它能翻到缓存的 Python 文件、找出真正的测试内容，它就会试着从那儿绕过去。"
难度校准已经有行规。通过率不能是 0，否则你无法区分"题很难"和"这题根本做不了"；受访者要求最低通过率 2% 到 3%，或者 64 到 128 次采样里至少成功一次。到了 70% 通过率就丢掉，换更难的。
但访谈里最狠的一条不是技术："在扩规模的同时保住质量，是大家看到的头号瓶颈。找专家不难，难的是管理他们、做质检。"
管外包的部分被受访者直接叫做脏活："你得给外包激励。当然你付钱了。但你怎么保证他们不是拿 LLM 糊弄你？你怎么保证他们真的验证过？激励外包和做质检，就是这活儿里的脏活。"
质检松了会怎样，有人给了具体的画面："用网站克隆有很多好理由，但大家实际干的是 vibe code 出一个满是 bug、根本没用的网站。所以外面有大量没用的烂环境。"
谁适合干这个，答案有点反直觉："做任务时，领域知识和专家级的提示词能力，比 ML 技能更重要。""你不一定得是 AI 研究员，一个重度 Claude Code 用户、像 Riley Goodside 那样的提示词高手，可能比 AI 研究员更清楚前沿在哪。"
价钱：受访者给出的单个 task 报价是 200 到 2000 美元；复刻一个 Slack 这类复杂产品的环境约 30 万美元；Mechanize 估算，RL 训练中每个 task 对应的算力支出约 2400 美元。按这些受访者和公司的粗估，造题的钱和用题的钱，已经到了可以放在同一张账单上看的量级。
━━━━━━━━━━━━━━━━━━━━
◆ 5. 评测工程师：站在流沙上量身高
━━━━━━━━━━━━━━━━━━━━
这个岗位管的是尺子。模型训完了，好没好、比上一版强在哪、比对手差在哪——全靠评测（evaluation）说话：选哪些题当考卷、用什么工具跑分、保证考题没混进训练数据、保证不同模型比的是同一场考试。公司里每个烧钱的训练决策，最后都落在这把尺子的读数上——所以量尺这活本身成了一个专门岗位。
Nathan Lambert 写《Building on evaluation quicksand》（在评测的流沙上盖楼）这篇文章时是 Ai2 的后训练负责人，2024 年 10 月发在他自己的通讯 Interconnects 上——如今他已离开 Ai2 自己创业，但文章里的坑一个都没过时。标题里的 quicksand（流沙）就是这一节的全部。
他的定性是："今天评估前沿语言模型，是科学，同样也是手艺。"以及："评测很贵，极其需要动手，而且越来越是一个模型一套。"
工具这一层已经碎掉了。新人因为需要完全的控制权而自己造工具，结果社区更碎——Inspect AI、LightEval、Eleuther harness、OLMES、HELM 一长串并存。后果之一是不公平："开源模型通常会吃一个性能折扣，因为用的评测配方和它训练时的方式对不上。"
有多细的坑？两个流行的开源数学数据集 Numina 和 MetaMathQA，只因答案格式的细微差别，一起训反而比只用一个更差。
────────────────────
? 一条数据污染线索，最后追到了合成数据身上
他去追一个奖励模型排行榜上的数据污染报告，一路查下去，污染源既不是抄袭也不是疏忽，是合成数据——"一个语言模型重新生成出了和评测集里 prompt 长达 13 个词完全一致的内容"。没有人复制粘贴，模型自己重新长出了一模一样的题面。
另一个例子更典型：OpenAI 的过程奖励数据集 PRM800k 里含有 MATH 评测的题目，原因是他们自己没打算拿 MATH 来评测。"于是很多用这个数据集的人，无意中在 MATH 上作弊了。"
他自己也踩过：RewardBench 复用了别的评测的 prompt，而那个评测的题面取自 Alpaca 这类流行指令数据集，于是任何 Alpaca 的衍生数据集都带一点污染。
三个例子的共同点是：污染不是有人作弊，是数据在管线里流动的必然副产品——而它每流一次，尺子就短一点。
────────────────────
他给这个方向的结论是一句生意话："当做出一个好评测的价格逼近数百万美元时，一个新行业就要诞生了。"
━━━━━━━━━━━━━━━━━━━━
◆ 6. 标注员：计时器一响，心跳就上来了
━━━━━━━━━━━━━━━━━━━━
标注员是给训练数据当"人"的那一环：早年是拉框、听录音、打标签，喂监督学习；到了大模型时代，活变成了给模型写示范回答、给几个回答排序打分——RLHF 里那个 H（human，人类），指的就是他们。模型的"人类偏好"，是这群人一道题一道题标出来的。
这一节用两份自述对照着看，中外各一份。
（A）Johanna Knox，新西兰。
她在某大型标注公司做外包 tasker，从 2024 年初干到 2025 年 9 月，共 18 个月。自述 2025 年 10 月发在新西兰媒体 The Spinoff，标题就叫《我花 18 个月训练生成式 AI，学到了这些》。
她的一个 task 是这样构成的：先在全网找公版图片，再想出需要模型看图推理的 prompt（比如从图表里抽数字做对比、拿一棵族谱问成员关系），最后自己写一版"理想回答"。这一整套算一个 task。
招募的话术很眼熟：LinkedIn 群发"想要一份高薪灵活的工作吗？"，然后是"恭喜，你被选入我们的高级通才计划！"
身份是含糊的："我们被叫做 tasker、贡献者、或者自由职业者。第三个标签很滑头：很多方面我们的行为和待遇都像雇员，但我们没有雇员的保护。"
最好的一个细节是计时器："只要我们在公司平台上开始任何一个任务，计时器就开始跑。""有时候我在离超时不到一分钟的时候点提交，出汗，心跳狂飙。"
计时器还带着一笔白干的账：超时未提交（有时纯粹是平台故障）会丢掉几个小时的工作且不给钱；找图那一步不计时也不计钱，于是"我们有些人开始先无偿地去找图"。
考核标准荒诞得像段子："我的任务质量很高，但速度被差评。我不该把给我的时间用完。至于时间指标到底怎么算、我该往哪个方向努力，我始终没搞明白。"
时薪的滑坡有完整的数字链：入职培训七八小时拿 350 美元；"有一天，我们的时薪突然从每小时 40 美元降到 35 美元"；之后每次降 5 美元，降到某个时段 25 美元，再往后约 14 美元。同时，"新项目的培训越来越多是不给钱的——有时候要好几个小时"。
她是这样结束这 18 个月的："某个深夜，我又在做一个无偿培训，突然间我做不下去了。我的大脑和身体连读说明的力气都不给我了。所以我停了——这是不是每个人都有的奢侈。"
（B）36氪《数据标注员，困在大模型里》，2023 年 9 月，中国某标注基地。
小河是名校外语系的实习生，一天要听 200 条带浓重口音的录音，每条两分钟。规则是：听到一般疑问句打 1 分、特殊疑问句打 2 分、都没有是 0 分。为防泄密只能用办公室的有线耳机，"听得耳朵酸胀，不由自主的烦躁"。她自己的比喻是"感觉像爬一座山"。
指纹项目要沿着模糊的指纹边缘一点点拉框，"那天回家后，闭眼都是指纹"。上班要交手机，放在墙上的挂袋里。"像个机器一样"——几乎每个标注员都这么形容自己。
到了大模型时代，活变成了 RLHF 打分。小王是本科应届，培训材料 30 万字，要考试才能上岗；新人一天 40 道题，熟练工 70 到 80 道；5 分满分 1 分最低，3 分以下还要划分错误类型；碰到敏感问题不打分、判为"其他"。
用户真实提问的画风是这样的："这三款手机哪个更好？鸡蛋好吃还是扭蛋好吃？成功人士的标准是什么？林黛玉为什么要打白骨精？"
事实核查的成本很具体：一道"宝马 3 系和奔驰 C 系哪个好"的题，模型列了两款车 40 个参数，每个都要查验，那道题他花了整整半小时。
收入：底薪 1800、全勤 200、房补 200，算上绩效一个月约 4000。同期培训的 20 多个大学生"没两天就跑得差不多，只剩两三人"。单价也在往下走：自动驾驶 2D 拉框大公司派单一毛一个，接活团队 8 分，"现在降到 5、6 分"。
但这篇文章里最有杀伤力的不是钱，是隔绝感。
小颜的工位就挨着产品经理和程序员，但每天早会没人喊标注员，她只能偷偷在门外看。有一回推来一车团队正在做的 AI 产品样机，程序员们围上去很兴奋地把玩，标注员们坐在工位忙自己的事、毫无波澜——他们不知道那个产品，就是靠标注的数据做出来的。
算法工程师小段那边看到的是另一面："有时，标注员们花四五天做完的数据，算法一小时就能跑完。"
小颜自己的总结是："标注员是一个随时可以被切掉的尾巴。唯一的悬念是，这一刀何时彻底落下。"
上海大学的贾文娟给这件事下过一个定性：数据标注是认知劳动，"人出售的是自己的认知"。记者接的那句是："我们想让机器变得更像人，同时却把人变得像机器。"
━━━━━━━━━━━━━━━━━━━━
◆ 7. 谁决定做什么：实验室的优先级是怎么来的
━━━━━━━━━━━━━━━━━━━━
前六节讲的是各个岗位在做什么。这一节讲一个更上游的问题：这些事是谁决定要做的。
先给一层现实底色，Sholto Douglas 的话："这些实验室里的每一件事、模型生成流水线的每一个环节，都是在巨大的时间压力和约束下拼出来的尽力而为——公司在飞速扩张，拼命想招到并带出足够的人来做那些必须做的事。"
然后是这一节的核心。为什么模型先学会了数学和竞赛编程，而不是别的？他的答案不讲市场，讲人：
"说来好笑，实验室里的研究员喜欢做那些自己内心认同的智能标尺。所以数学和竞赛编程最先被攻克。因为对实验室里的每个人来说，那就是他们心中的智能标尺。他们想'什么叫聪明'的时候，会想'哦，如果它能在 AIME 上赢我，那就是聪明'。而不是它会不会做一个 Excel 模型。它 Excel 建模比我强，谁在乎啊；但它要能在 AIME 上赢我，我就服它。"
把这段话和第 3 节末尾那句接起来看就完整了："大部分研究是靠把研究员'狙'进某个具体问题完成的。如果一件事被认为无聊、或者已经解决了，那大概就没人做。" 一边是研究员各自认领问题，一边是研究员的品味决定哪些问题值得认领——路线图不是不存在，它只是长在人的偏好里。
播客里还有一段小对话，画面感很强。主持人追问某个明显该修的问题为什么没修，Sholto 说："这种事你只要给它一个人月的投入就能解决。"主持人反问："那你们整天到底在干什么？"Sholto 答："太多事了。"
顺带补一句机制，解释算力为什么不早点砸下去："你想先确认算法上你拿到了对的东西，然后再去下注、把大规模算力花在这次训练上，那才真的划算。"
━━━━━━━━━━━━━━━━━━━━
◆ 收尾——这座工厂的金字塔
━━━━━━━━━━━━━━━━━━━━
六类岗位，加上实验室决定优先级的那套机制，摆在一起，形状其实很清楚。
沿着自主权这条轴往一端走，人越少、工作内容越接近"想清楚该做什么"：科学家决定今天跑哪个实验，可解释性研究员手上五个课题只能挑一个做，优先级会被个人品味影响。往另一端走，工作越被规格和计时器切碎，越接近"把想清楚的事做一万遍"：一天 200 条录音，一天 40 道题，一个 task 一个计时器。
中间那层是工程师和环境工程师，他们干的是把上面的想法变成下面能执行的规格——写 grader，造沙箱，7 周把一个产品推上线。
但最扎的一点不是这个金字塔本身，而是它的方向。
越靠近重复执行的那部分劳动，越正在被自己生产的数据和工具自动化。 265 期讲过，后训练已经开始把出题和判卷的一部分交给 agent：知识图谱扩展题库，验证器自动判分，大规模沙箱并发运行。而这套系统能跑起来，正是靠标注员和环境工程师一轮轮喂出来的。
36氪那篇文章的结尾，把这件事写完了。
一个升了质检员的女孩说，公司的标注工具里多了个对话机器人，之前拉框，一天最多做完五六百个，现在能做七百多。
"多亏了那个机器人。"她说。
还没人告诉她，那叫 ChatGPT。
━━━━━━━━━━━━━━━━━━━━
◆ 技术名词速查
━━━━━━━━━━━━━━━━━━━━
━━━━━━━━━━━━━━━━━━━━
◆ 参考资料
━━━━━━━━━━━━━━━━━━━━
Jason Wei（OpenAI 研究科学家 2023 至 2025，思维链论文作者），Dopamine cycles in AI research，个人博客 jasonwei.net Calvin French-Owen（Segment 联合创始人，OpenAI 工程师 2024-05 至 2025-06，Codex 核心团队），Reflections on OpenAI，个人博客 calv.info，2025-07 Epoch AI，An FAQ on Reinforcement Learning Environments（访谈 18 位从业者），Gradient Updates 专栏，2026-01 Nathan Lambert（时任 Ai2 后训练负责人），Building on evaluation quicksand，Interconnects，2024-10 Johanna Knox（新西兰，某大型标注公司外包 tasker，2024 初至 2025-09），I spent 18 months training generative AI – here's what I learned，The Spinoff，2025-10 36氪·深氪Lite，林炜鑫，《数据标注员，困在大模型里》，2023-09（含标注员小河、小王、小颜，算法工程师小段，上海大学贾文娟） Trenton Bricken & Sholto Douglas（Anthropic），How Does Claude 4 Think?，Dwarkesh Podcast，2025-05（第 2、4、7 节引文均出自该期文字稿） Jean-Stanislas Denain & Campbell Hutcheson，What do frontier AI companies' job postings reveal about their plans?，Epoch AI，2026-03（美国前沿实验室公开招聘结构） Cheryl Wu、Jean-Stanislas Denain & Anson Ho，What we learned from 1,604 Chinese AI job postings，Epoch AI，2026-06（六家中国 AI 公司招聘数据）
━━━━━━━━━━━━━━━━━━━━
科学家的工作单位不是天，是实验——一天可能跑三个，也可能一个跑三周。
评测这把尺子是站在流沙上的：污染不是有人作弊，是数据在管线里流动的必然副产品。
沿着自主权这条轴，一端是"想清楚该做什么"，另一端是"把想清楚的事做一万遍"——而最靠近重复执行的劳动，正在把自己自动化掉。
━━━━━━━━━━━━━━━━━━━━
// 靳岩岩的 AI 学习笔记 × Claude 的严谨 × Gemini 的浪漫
// 2026-07-31
