桃花社区优质黄推👉@Xiaoxiaofoer @Xiaoxiaoggii @Xiaoxiaoyyii 6.13日榜—1️⃣ 图一@lilaoshiainio 图二@Alano77lover 图三@Alpha_L_Lucky 图四@qiqi_520203 原创投稿请私信 @Xiaoxiaofoer 验证

年纪越大，学东西就越慢吗？ 神经学家Lila Landowski说，她有6个简单的小绝招，能让所有人都更快速的学习任何知识。 第一，先要改善注意力 学习时，只有信息被大脑充分捕捉，才有机会进入长期记忆。 如果一边学习，一边频繁刷手机，看社交媒体，接收各种不相关的信息，大脑就会不断切换任务，注意力被持续切碎，后面再想记住内容就会变得更难。 想长期改善，可以通过专注力冥想来训练，如果想短期快速见效，只需要做20分钟中等强度运动，比如慢跑，开合跳，或者平衡训练，就能在接下来的两个小时里明显提高专注力。 运动还能促进大脑细胞生成，并扩大与学习记忆相关的脑区体积。

桃花社区优质黄推👉@Xiaoxiaofoer @Xiaoxiaoggii @Xiaoxiaoyyii 5.10日榜—1️⃣ 图一@lilaoshiainio 图二@Aczizo82My 图三@jeromecoll11627 图四@kezhensama2 原创投稿请私信 @Xiaoxiaofoer 验证

顶级 AI 公司背后，都有一个"超级 2 号位" 这是 AI 行业一个有趣的规律：技术天才负责模型，另一位"超级 2 号位"承包模型之外的一切：融资、招聘、法务、政策、商业化、销售和组织管理。 Anthropic 有 Daniela Amodei（联合创始人/总裁），她曾是 Stripe 创始招聘官，后担任 OpenAI 安全与政策 VP，负责财务、法务、招聘、传播、政策、GTM、企业销售和安全组织。她的哥哥 Dario Amodei 是 CEO，专注技术方向。 OpenAI 有 Fidji Simo（AGI Deployment CEO，2026 年 7 月上任），负责产品、商业、运营，COO、CFO、CPO 均向她汇报。她来自 Meta（Facebook 负责人），后任 Instacart CEO。Sam Altman 则聚焦技术和战略。 SpaceX/xAI 有 Gwynne Shotwell（总裁兼 COO），负责商业销售、政府关系、Starlink 运营、法务和 HR。她是 SpaceX 早期员工，2008 年起任总裁，2026 年 2 月兼任 xAI 总裁。Elon Musk 担任 CEO 兼 CTO。 DeepMind 曾由 Lila Ibrahim 担任 COO（后转任首席 AI 就绪官），负责运营、治理与伦理、政策、传播和 People & Culture。她来自 Intel，后任 Kleiner Perkins COO，2026 年转向政策方向。 这些"超级 2 号位"往往有成熟公司运营经验，能把复杂组织真正运转起来。 技术创始人专注突破，运营操盘手承接落地，这或许是顶级 AI 公司的成功公式。

推掉 offer、延毕转AI safety，他一个月重新拿到 offer 刚看完一篇研究员求职复盘，作者 Yong Zheng-Xin，布朗大学五年级 PhD。 他的经历有点特别：读到最后一年，从多语言 / post-training 直接 pivot 到 AI safety，拿了 Astra Fellowship（在 OpenAI 做），为此把毕业推到 2027，还推掉了手上已有的 offer。 后来重启求职，本来计划 7 月才开始面，结果担心 headcount，5 月中就上了，6 月中就拿到满意的 offer，甚至撤掉了一些还在进行的面试。 他写了 6 个让他意外的点，我觉得对正在找 research 岗的人挺有用，整理一下👇 1/ 真正起作用的，可能只有一两篇 paper，甚至一篇都不靠 他多语言方向的 paper 数量远超 safety，还拿过 best paper。但 pivot 之后，这些一篇都没影响到面试结果。 paper 的作用其实就两个：① 敲门，你做过 team 感兴趣的东西，于是被放进 pipeline；② deep dive，research presentation 时聊一篇的动机和细节，有时短到只有 20 分钟。 所以发表数量除了证明 credibility，没那么重要。你随时可以转去一个你觉得更重要的方向，只要在新领域证明够强、team 想要你。 2/ 面试轮次的花样，超出预期 他本来以为就是 fresh-grad SWE 那套：LeetCode + behavioral + 一些 LLM / 深度学习。结果遇到了 system design、并行编程（用 asyncio 手写并发），甚至还有专门评估你“用 AI agent 用得好不”的轮次。 结论很简单：永远预期 wildcard。 3/ Work trial（试岗）越来越常见 他原以为 work trial 只在 AI safety 岗比较常见，结果发现 AI startup 也越来越多。 试岗和 onsite 完全是两回事：不是飞过去面几轮，而是真的跟团队一起做一个任务，有时还是开放式的。通常带薪，但有的线下试岗能持续整整一周。 副作用是：试岗期间你几乎没法准备别家面试，因为得全力扑在当前任务上。同时面多家、又赶时间的话，这点排期要特别小心。 4/ 时机的权重，比你想的大 去年秋天，AI safety 岗极难找，远不如 RL 相关的多；但现在一堆 startup 开始招 safety（比如 Lila、Mechanize）。 几个现实： 你的工作 viral 了，会有一波机构同时来找你，别被打懵，接住这个时机。 你的方向变热，机会整体变多，但窗口可能不到一个月，也可能拖上几个月。 headcount 一定要问 recruiter，尤其你打算推迟、或想同时面多家时。 面试可以试着往后推一两个月，但一旦开面，各轮之间的间隔通常很短。有些岗位还希望你下个月、下下个月就入职（这点能谈）。 5/ Return offer 很稀少 SWE 那边 return offer 基本是常态，research 岗就完全 case-by-case。 他 2024 在 Meta 实习，return 全职 offer 很少，高度依赖 headcount 和 team，身边不少人没拿到。他在 OpenAI 做 Astra fellowship，最后也还是和所有应聘者一样走完了全部面试轮。听说有的机构更快，如果 team match 成了，再补一两轮就行。 6/ 很多面试，跟你的方向根本没关系 他从能力研究（多语言）转到 safety，本以为 safety 相关的面试会占大头。 结果并不是。他遇到很多轮跟 safety 毫无关系，甚至跟他研究兴趣都不沾边。有些地方还是在考你“作为一个 AI researcher 够不够全面”。 他觉得这有道理（领域跑得快，基本功值得查），但预期还是落空了。也许 senior 岗会不一样。 前两天刚写完 Silvia Sapora 那篇顶级 ML Research Scientist 面试指南，这篇刚好补充了另外一个视角。