Hiện nay, có một thách thức phổ biến và mang tính hai chiều trong thị trường việc làm dành cho những người đang (hoặc muốn) làm việc ở tuyến đầu của AI.
Ở phía tuyển dụng, cảm giác thường là: gần như không thể chốt được ứng viên mong muốn, thậm chí khó thu hút được sự quan tâm của họ.
Ở phía cá nhân, rất nhiều người cảm thấy chi phí cơ hội của công việc hiện tại là cực kỳ cao — dù trên giấy tờ, công việc và cuộc sống họ đang có là rất tốt — bởi những con số lương thưởng “điên rồ” ngoài kia.
Với những người đã có vị trí trong ngành công nghệ, quy trình tuyển dụng trong AI giống như một màn sương mù liên tục. Với người mới vào nghề, nó giống như một bức tường.
Trong vai trò kết hợp giữa trưởng nhóm nghiên cứu, người trực tiếp đóng góp và mentor, tôi dành rất nhiều thời gian nghĩ về cách tìm đúng người để làm việc cùng và giúp mentee của mình tìm đúng công việc.
Lời khuyên dưới đây được định hình bởi tính cấp bách của thời điểm hiện tại trong LLM. Đây là các chiến lược tuyển dụng tối ưu cho một giai đoạn công nghệ có thể phải đánh giá lại mỗi 1–2 năm khi nền tảng thay đổi — điều này có thể không tốt cho đầu tư dài hạn vào con người, ngành công nghiệp hay chính bạn. Tôi từng viết riêng về chi phí của tốc độ này, và cũng không có ý định duy trì nhịp độ như vậy mãi mãi.
Đặc điểm nổi bật nhất của tuyển dụng thời LLM
Yếu tố định hình nhất trong tuyển dụng hiện nay là mức độ phức tạp và tốc độ phát triển của các mô hình ngôn ngữ.
Điều này tạo ra hai nhóm rõ rệt.
1. Nhân sự senior ngày càng có giá trị
Senior được săn đón hơn vì họ có bối cảnh và kinh nghiệm để vận hành và định hướng những hệ thống phức tạp theo thời gian.
Khi AI agent giúp team có thể tạo ra vô số cải tiến nhỏ cực nhanh, cần rất nhiều tầm nhìn để hiểu hướng đi đúng cho một thư viện hoặc hệ thống. Không có tầm nhìn, repository sẽ bị khóa cứng bởi quá nhiều bổ sung nhỏ lẻ.
Với công cụ AI mạnh mẽ, tôi tin tác động của senior sẽ tăng nhanh hơn nhiều so với việc bổ sung thêm junior vào team.
Quan điểm này là một sự thay đổi gần đây của tôi, dựa trên kinh nghiệm với AI agent hiện tại và kỳ vọng về tương lai:
Mọi engineer cần học cách thiết kế hệ thống.
Mọi researcher cần học cách vận hành một lab.
Agent đang đẩy con người lên cao hơn trong sơ đồ tổ chức.
2. Junior phải chứng minh bản thân theo cách khác
Với junior engineer, phẩm chất quan trọng nhất tôi tìm kiếm là một sự ám ảnh gần như cuồng nhiệt với tiến bộ — cả trong hiểu biết cá nhân lẫn hiệu năng mô hình.
Cách duy nhất để hiểu cách “xúc xích được làm ra” là tự làm nó. Để bắt kịp, bạn phải lao động cực kỳ chăm chỉ trong một phạm vi hẹp để xây dựng quyền sở hữu thực sự.
Nếu đủ động lực, junior có thể tăng tốc rất nhanh. Nếu không, họ gần như có thể bị thay thế bởi coding agent (hoặc sớm thôi sẽ vậy).
Việc này cực kỳ khó — cả về thực tế lẫn tuyển dụng. Lời khuyên tốt nhất tôi có về cách tìm những người như vậy là… “vibe”. Tôi cũng đang tìm lời khuyên về cách tìm họ.
Ví dụ, khi tôi đưa Florian Brand vào theo dõi open models cho Interconnects, anh ấy nói ngay từ lần đầu trò chuyện:
“Từ khi ChatGPT ra mắt, tôi đã hoàn toàn ám ảnh với LLM.”
Bạn không cần phải phát minh điều gì quá phức tạp. Nếu sự đam mê là thật, người khác sẽ nhận ra.
Junior researcher: nhiều “khoan dung” hơn, nhưng…
Trong môi trường học thuật, junior researcher được “khoan dung” hơn vì họ làm việc trong môi trường giáo dục trước tiên, thay vì nền kinh tế công nghệ khắc nghiệt.
Phẩm chất tạo nên thành công ở đây là sự ám ảnh với việc chứng minh luận điểm.
Ý tưởng mới cải thiện mô hình? Vì sao?
Điểm đánh giá cao hơn? Thể hiện trong harness như thế nào?
Tốc độ lặp lại đến từ việc thực hành điều này.
Quá nhiều researcher trẻ cố xây dựng “bề rộng” (tham gia nhiều dự án) trước khi chứng minh được “chiều sâu”.
Những researcher xuất sắc nhất có cả hai: rõ ràng về kết quả và tốc độ thử nghiệm ý tưởng mới.
Có nên bỏ PhD để đi làm?
Tôi thường được hỏi điều này.
Tiêu chí của tôi khá đơn giản:
Nếu bạn không định trở thành giáo sư và có offer làm nghiên cứu mô hình tại một frontier lab (Gemini, Anthropic, OpenAI), thì không có nhiều lý do để ở lại hoàn thành PhD.
Lý do khiến nhiều người ở lại thường là tự trọng cá nhân khi hoàn thành một việc khó — điều tôi tôn trọng.
Nhưng điều này mâu thuẫn với lời khuyên khác của tôi: chọn công việc dựa trên con người bạn sẽ làm cùng, vì bạn sẽ dành rất nhiều thời gian với họ.
Chọn theo con người là cách chọn theo “vibe”.
Làm ở frontier lab có phải luôn tốt?
Làm ở frontier lab trong product thay vì làm PhD có thể khiến bạn bị hòa tan vào cỗ máy doanh nghiệp và leo theo ladder chuẩn.
Điều tôi thấy hiệu quả ở Ai2 là sự kết hợp của:
-
Trách nhiệm
-
Tính công khai
-
Khả năng thực thi
Làm việc công khai có tác động đặc biệt đến sự nghiệp, nhất là trong ngành khép kín như AI. Người khác thường đánh giá cao hơn năng lực của bạn khi họ thấy bạn đóng góp công khai — có thể đây là “lãi suất” của open-source.
Nếu bạn vào lab đóng kín, gần như không có visibility. Bạn chỉ còn trách nhiệm và thực thi. Nhưng thực thi tốt không có nghĩa lý gì nếu bạn làm sản phẩm mà chẳng ai chạm tới.
Việc ở trong “nhóm lõi” rất quan trọng.
Tín hiệu tích cực và tiêu cực trong hồ sơ
Trong thị trường cạnh tranh cao, tránh tín hiệu tiêu cực là bắt buộc.
Một ví dụ nhỏ nhưng rõ ràng: junior researcher là middle author trong quá nhiều paper. Hãy biết nói không.
Tín hiệu tích cực phức tạp hơn, nhưng vẫn làm được.
Bạn có thể nhận ra một thiên tài chỉ qua một tweet — tôi đồng ý điều đó.
Chữ viết vẫn là phương tiện giao tiếp cực kỳ mạnh và chưa được tận dụng đúng mức. Một bài blog xuất sắc có thể cho thấy hiểu biết hiếm có.
Ngược lại, một bài blog “AI rác” có thể giết chết hồ sơ của bạn.
Open-source và nhóm nghiên cứu mở
Tôi thường khuyên những người muốn vào ngành AI:
-
Đóng góp open-source
-
Tham gia nhóm nghiên cứu mở như EleutherAI
Tôi thấy nhiều câu chuyện thành công hơn ở open-source code.
Nhưng nó rất hiếm vì:
A) Không phải ai cũng có phần cứng đủ mạnh
B) Không phải ai cũng kiên trì đủ lâu
Thời đại coding agent có thể giúp việc này dễ hơn — vì bottleneck hiện tại là bandwidth để implement feature — nhưng nổi bật giữa biển PR và issue “AI rác” sẽ rất khó.
Bạn cần đẳng cấp, sáng tạo, tính người và kiên nhẫn.
Một chiếc DGX Spark 4000 đô có thể là khoản đầu tư để chạy model nhỏ và đóng góp meaningful code.
Mảnh ghép cuối: sự phù hợp
Câu hỏi đầu tiên khi tuyển dụng:
“Người này có giỏi không?”
Câu hỏi thứ hai:
“Người này có phát triển tốt ở đây không?”
Ở team nhỏ, câu hỏi thứ hai quyết định văn hóa.
Nếu startup tăng trưởng quá nhanh, bạn mất kiểm soát văn hóa. Văn hóa là hệ quả của cách các cá nhân tương tác.
Bạn không muốn đánh cược ở đây.
Về Ai2 và cách tôi tuyển dụng
Hiện tôi đang xây dựng thêm một vài vị trí cho team phương pháp post-training tại Ai2.
Post-training recipe ngày càng phức tạp. Chúng tôi đang cố làm nó dễ chạy hơn, đồng thời nghiên cứu các nền tảng như data mixing và scaling laws.
Tôi muốn tuyển:
-
1 engineer senior
-
1 researcher senior
Junior engineer có kinh nghiệm và sự ám ảnh kể trên cũng có thể phù hợp.
Tôi cố tình để mọi người tự lọc mình.
Tôi cũng cố tình để ứng viên phải tự tìm email của tôi.
Nghệ thuật cold email là kỹ năng quan trọng.
Rất nhiều người bạn ngưỡng mộ thực sự đọc email của họ. Nếu bạn không được phản hồi, thường là vì bạn format email chưa đúng.
Cold email tốt nhất là email khiến người nhận học được điều gì đó hoặc rõ ràng hưởng lợi từ nó.
Kết luận
Tôi rất giằng xé về thị trường việc làm AI hiện tại.
Nó khắc nghiệt với junior.
Nó ngắn hạn.
Nó có chi phí cơ hội lớn.
Nhưng đồng thời, thật đặc ân khi được đóng góp vào một công nghệ vừa có ý nghĩa vừa thú vị như vậy.
Cuối cùng, tôi vẫn dựa vào bản năng và tính người trong tuyển dụng, thay vì để mình bị cuốn theo tiếng ồn.
Như hầu hết mọi thứ trong đời,
nó cần thời gian và nỗ lực.