# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
最近，X上被一篇UW博士的博客刷屏了。
这篇博客在海外技术圈出了圈，甚至漂洋过海刷屏了国内各大程序员群。
主角是一位华盛顿大学的华裔女博士，主攻NLP。
为了拿到OpenAI的入场券，她整整经历了 57 轮面试！
这五个月的求职季，被她活生生走成了一部「西天取经」史。
电话打到爆，coding轮番轰炸，数学推导推到天昏地暗。在拒绝了其他4家大厂的Offer后，她终于杀出重围，拿到了那个无数人挤破头的名额。
但真正让全网兴奋的，是她事后做的一个大方举动——她把自己压箱底的面试准备笔记，全部！免费！公开了！
https://alisawuffles.github.io/blog/job-sear
这份笔记被大家称为「LLMs面试圣经」。从Transformer的底层逻辑、推理加速技巧，到数理统计的推导，薄薄几十页，全是浓缩的精华。
有网友直言：有了这份神级笔记，我也可以去自学了
这位面霸小姐姐，到底在57轮面试里经历了怎样的炼狱考验？她那本被疯传的「黄金笔记」里，究竟藏着什么通关密码？今天，让我们来深扒一下。
华盛顿大学（UW）的准博士、曾获OpenAI「超级对齐」项目资助的Alisa Liu，在入职OpenAI之前，刚刚完成了一场堪称「地狱级」的奥德赛。
11家顶级实验室的贴身肉搏，46场招聘者通话，57场正式面试，16场拿到Offer后的极限博弈。
在过去读博的大部分时间里，她设想的顶级名校的AI博士求职，就像是哈利·波特世界里的「分院帽」仪式。
你只需要在实验室里潜心钻研，发表几篇轰动自然语言处理界的顶会论文，然后像候鸟一样在某个春天消失。
几个月后，你再次出现，命运已经由某种神秘的逻辑注定：要么是Google Brain，要么是DeepMind，或者Meta AI。
但真轮到求职时，她才发现这个过程比想象中的要困难得多。
她说得很直白：找工作，本身就是一份全职工作。
发完论文就能躺进大厂的时代，结束了。
当Scaling Law（尺度定律）开始野蛮生长，顶级实验室筛选人才的标准，也正在经历一场极其残酷的Scaling。
下图展示了她的求职时间线：
灰色图标代表面试，彩色圆圈代表结果。
这里说明一下，ghosted指的是招聘人员后来再也没有告知结果或下一步安排；withdrawn指的是在收到offer后，她婉拒了offer。
据她介绍，求职堪比正式工作：
面了11家公司，一共参加了57场面试，还有额外46次和招聘人员的电话沟通、16次拿到offer之后的沟通，以及求职前期大量非正式的人脉交流。
面试类型也五花八门：
面试先练手吗？
关于这一点，常见的经验说法是：先拿几家公司练手，然后把其他公司的流程尽量安排到同一时间段。
这样所有offer大致能同时到手，方便后续谈判。
这个建议的大方向基本没错，但她补充了几点。
模拟面试很有帮助，但也要知道你的精力是有限的——小心别在面到你真正在意的公司之前就把自己耗干了。
时间节点上也有一些外部因素值得考虑，比如公司有没有招聘名额、哪些团队在招人，这些因素有时候比你准备得好不好更重要。你可以通过朋友和招聘者了解一些内幕消息。
截止日期其实有很大的灵活性，所以offer的时间并不需要卡得很死。
没有什么比花时间刷题备考更值的了。
就像回到了本科时代，她会做笔记，画图，做练习题，整天泡在咖啡店里，确保自己对机器学习的核心概念烂熟于心。
技术面试很难，考察的技能需要你专门花功夫去培养，光靠做研究是不够的。找工作本身就是一份全职工作。
一开始，她先从头到尾刷完了斯坦福的《从零开始学语言建模》课程。
25年春季学期：https://cs336.stanford.edu/spring2025/
最新学期：https://cs336.stanford.edu/
打好基础之后，剩下的时间她就逐个深挖概念：读相关的博客和论文，频繁地和ChatGPT、Claude聊天讨论，还练习从零实现一些东西。
其中「手写Transformer」特别关键：
实现和调试Transformer在面试中出现的频率太高了，把它练成肌肉记忆绝对划得来，丢分真的不值。
这不仅仅是考代码，而是在考「肌肉记忆」 。
在AI工业化时代，如果一个研究员不能在代码层面与模型共振，那么他的研究就是空中楼阁。
每场面试都要准备
她发现每场面试都不一样，通常需要专门准备。
她给出的最好的形容方式就是：
每场面试都像是一门略有不同的数学或CS课，你从来没去上过课，现在你大概有3天时间突击期中考。
面试题目的跨度之大，足以让任何只关心学术论文的博士窒息：
Tokenization（分词）： 这不再是数据预处理的小事，而是关乎推理效率和Scaling上限的基础命题（这也是Alisa的杀手锏）。
5D并行与算力拓扑： 你必须理解模型是如何在成千上万块显卡间流动的。
PPO vs GRPO： 强化学习的细微差别，决定了模型是否具备真正的「人类对齐」能力。
Alisa的求职实录揭示了一个令人战栗的趋势：顶级实验室正在寻找「基础设施级」的通才。
你不能只懂算法，你必须懂工程；你不能只懂模型，你必须懂效率。
Alisa提到，为了应付这些，她必须在3天内疯狂「填鸭」一门从未上过的分布式计算课。
这种「即插即用」的学习能力，才是OpenAI这类公司最看重的底层基因
面试前一晚睡个好觉更重要了。面试完后，记得随手记点笔记，对之后的复习和反思会有帮助。
权力的游戏：科学家也要学会谈钱
在学术圈，谈论薪资往往被视为一种「不体面」。
但在Alisa的复盘中，她用极其冷静的笔触拆解了谈判的艺术。
「初次报价（Initial offer）永远留有余地，这是招聘者设计的游戏。」
事实是，谈判很难。
这部分导师不教，而且刷题备考也搞不定。
与招聘人员相比，你在市场知识和谈判技巧上都处于劣势，而且你与之交谈的每个人都对你有不同的期望。
她直言不讳地指出，在Offer后的博弈中投入几周精力，其收益可能等同于未来几年的辛勤工作。
这听起来很功利，实则极其深刻。
当一个顶尖人才意识到自己的价值可以被量化、被博弈、被捍卫时，她才真正完成了从「学生」到「行业领袖」的蜕变。
她拒绝了所谓的「爆掉的Offer（Exploding Offers，指有极短有效期、逼人尽快决定的报价）」，通过构建信息对称，在11家巨头之间游刃有余。
这不仅是财商的体现，更是心理素质的极限测试。
薪资谈判不是贪婪，它是你对自己市场价值的最后一次严密论证。
如果你问，入职OpenAI的代价是什么？
答案不是那57场面试，也不是那些熬夜的咖啡。
而是你必须彻底粉碎旧的自我，在工业界的熔炉里，把自己重塑成一种更高效、更全能、更适应算法进化的新物种。
正如Alisa所说，她最强大的时刻，是当她通过复习掌握了整个领域的全貌，发现自己能提出以前从未想过的技术设想时。
她是华盛顿大学计算机科学专业的博士最后一年学生。
她研究兴趣在为语言模型构建更好的算法，包括分词、数据创建和推理时适配等方面，目前谷歌学术引用7000多。
她获得了美国国家科学基金会（NSF）研究生研究奖学金和OpenAI超级对齐奖学金的支持。
她本科就读于西北大学（Northwestern University），双主修计算机和数学，GPA拿了满分4.0，毕业时获得了最高荣誉summa cum laude。
她有3段大厂实习经历。
参考资料：
https://alisawuffles.github.io/blog/job-search/
文章来自于"新智元"，作者 "大卫"。
