想彻底搞懂 ChatGPT 是怎么炼出来的？这个 Deep Dive 别错过。 一条清晰的路径，从数据一路讲到落地： 数据 → tokenizer → 预训练 → 微调 → 推理 → 能力边界 → 产品工程。 训练流程、系统组件、工程取舍，一条线连起来看。 想从原理走到落地的，收藏👇

推荐一波我常看的英文 AI 号，我现在获取一手 AI 信息的主力还是英文 X 推特账号。中文圈的解读通常会慢一点，并且经过一道理解之后可能和原意产生偏差。 1️⃣ Alex Albert @alexalbert__ Anthropic 一线的工程师，Claude 模型的新能力具体有什么变化，他给到的的是第一手口径。我很多用法都是先在他那看到，自己上手试完再决定要不要进工作流。 2️⃣ Boris Cherny @bcherny Claude Code 的创造者本人，经常会发一些Claude产品的新特性，以及工具为什么形态是这样、某个设计背后砍掉了什么。 3️⃣ Thariq @trq212 也在 Anthropic 做 Claude Code 这块，偏工程视角，经常会写一些长篇硬核文章，最近几个月已经产出了多篇流量1M+的长文，每篇都能学到很多。 4️⃣ ClaudeDevs @ClaudeDevs Anthropic 官方的开发者号，新产品、API 发布、产品决策背后的 deep dive 都会在这里发布。星耀跟踪Anthropic产品的新动态，直接给它添加小铃铛是最方便的。 5️⃣ Peter Steinberger @steipete 卖掉 PSPDFKit 之后又回来折腾 AI 的老工程师，Openclaw小龙虾的创造者，网络弄潮儿，AI新词发明家。 6️⃣ Zara Zhang @zarazhangrui 全程 build in public 的实战 builder，在 X 上展示她真实的构建过程，她的长文我经常会看，并且她不是纯AI账号，更偏向一个IP，还会分享一些自媒体运营、学习心得等内容。 7️⃣ Jason Liu @jxnlco Instructor 的作者，RAG、结构化输出、AI 工程落地这些他是实战派，讲的都是真在项目里踩过的东西。 8️⃣ roon @tszzl OpenAI 成员，发的东西一半是 AGI 的哲学一半是冷幽默。他很少讲实操，多数是这个行业的另一层叙事，能让你换个角度想问题。 9️⃣ Tibo @thsottiaux OpenAI Codex 的工程负责人，后来升上去管 ChatGPT 加 Codex 一整摊核心产品，最近因为 Codex 频繁重置这小哥也火了。想知道 OpenAI 的 agent coding 进度和发展，他就是最可靠的官方信息源。 🔟 Aaron Levie @levie Box 的 CEO，讲的是企业级 AI 到底怎么落地、商业上怎么算账，偏AI乐观派，会带上很多真实的 to B 判断，补充技术之外的商业视角。

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。