86. “冷门”专业就业寒冬 -- 非LLM PhD求职复盘

Watch it on Youtube. Or listen on your favortie podcast app.

Show note

本期节目，我们邀请到了两位刚刚在2025年毕业并成功找到工作的CS博士——Tracy和Siqi，和我们分享她们在当前严峻环境下找工作的真实经历和心得。

她们的专业方向（HCI人机交互、计算机图形学）在今年“LLM”热潮下被认为是“冷门”专业。从尝试创业、海投200多份简历到心态崩溃又重建，再到最终拿下TikTok和GE HealthCare的Research岗，她们的故事和经验对于正在求职或即将求职的PhD同学有着极大的参考价值。

如果你也在为求职感到焦虑，或者好奇非大模型方向的博士出路何在，那这期节目不容错过！

本期嘉宾：

Tracy Yuexi Chen：马里兰大学HCI方向博士，现就职于GE HealthCare，担任人工智能科学家。 https://www.linkedin.com/in/yuexi-tracy-chen-9186631a9/

Siqi Wang：纽约大学计算机图形学方向博士，即将入职TikTok，担任Research Engineer。 https://www.linkedin.com/in/siqi-wang-5a23a9146/

时间轴与内容摘要：

• 00:00 嘉宾自我介绍：Tracy即将入职GE HealthCare，分享参与节目的初衷。 Siqi即将入职TikTok。
• 03:23 什么是“冷门专业”？一个有趣的测试：你的专业能通过亚马逊Applied Scientist的简历关吗？
• 05:01 市场现状：除了大模型（LLM）方向，其他都算冷门吗？
• 07:59 找工作时间线：Tracy为何先尝试创业，后来才开始找工作？
• 10:51 Siqi的求职时间线与策略。
• 11:55 投递策略对比：海投200+ vs 精投三四十个，背后的原因和心态变化。
• 16:48 如何平衡毕业论文和高强度的面试准备？“精神高度紧张，甚至失眠”。
• 19:30 On-site数据：投200+份简历，能拿到多少个面试和On-site？转化率究竟多高？
• 20:18 时代的变化：如今的面试都是Virtual On-site，与过去的Physical On-site有何不同？
• 25:31 PhD也要刷题吗？是的，几乎所有公司都要考LeetCode，甚至有更考察综合能力的变体。
• 29:53 预期与现实的差距：找全职比找实习难太多，实习经历正在“快速贬值”。
• 33:51 “内推”到底有多大用？盲投几乎没回复，精准内推是关键。
• 39:01 Startup vs 大厂：哪个offer更好拿？Startup的面试要求和时间线可能与PhD毕业生不匹配。
• 43:03 如果能重来，我们会做什么不一样的决定？（学习与AI更相关的项目，或者更早思考创业）
• 48:09 深度思考：AI工具的崛起，对HCI等领域研究者的核心竞争力发出了挑战。
• 53:12 回望读博路：花费5-6年读一个PhD，在今天的市场环境下还值得吗？
• 58:58 新的起点：入职一年后，什么样的状态会让我们感到成功和满意？
• 01:00:57 最后的分享：欢迎大家通过LinkedIn交流，以及给PhD同学们的寄语——“不忘初心，忠于自己内心的选择”。

关注我们： https://lidingzeyu.com/podcast/subscribe

如果你喜欢本期节目，请不要忘记点赞、订阅并分享给你的朋友！也欢迎在评论区留下你的想法和问题。

李丁的联系方式：

1. Signal (+1) 206-745-2849
2. 邮件 podcast@dingzeyu.li
3. Whatsapp (+1) 206-745-2849
4. Youtube 留言：https://youtu.be/JzASHmY0oww
5. 微信 ID 是 "李丁泽宇" 的拼音

联系李丁来聊聊天啊！

制作团队

• 李丁泽宇 https://dingzeyu.li

Full transcript text

(AI 生成的文字稿，可能有错误，请自行分辨)

• 00:00 欢迎大家来到新的一期李丁聊天室
• 00:01 今天我们请到了两位嘉宾
• 00:04 Siqi和Tracy来聊一聊
• 00:06 他们在2025年找工作的一些经历和心得
• 00:10 哈喽
• 00:11 哈喽
• 00:12 你好
• 00:13 那你们跟听众们简单自我介绍一下吧
• 00:17 Tracy先来不如
• 00:19 OK 哈喽大家好
• 00:20 我是Tracy陈玥西
• 00:21 我目前刚刚入职了一家医疗公司
• 00:25 叫GE HealthCare
• 00:26 我的职位是人工智能科学家
• 00:29 然后在此之前
• 00:31 我一直在马里兰大学读计算机博士
• 00:34 研究方向是HCI
• 00:36 然后今天的话也是非常高兴
• 00:38 然后跟大家分享一下找工作的经历
• 00:41 因为李丁聊天室的很多节目
• 00:43 我之前都看过
• 00:44 比如说之前选offer的时候
• 00:46 我导师就把张明瑞换组的视频分享给我
• 00:50 说你好好研究一下这两个视频
• 00:52 然后最开始我导师也上过这个节目
• 00:55 还有很多的老朋友们都来过
• 00:57 所以觉得这个节目
• 00:58 它积累了很多CS PhD的经验
• 01:02 这些经验比较小众
• 01:03 然后我也希望我自己的经历
• 01:05 能够帮助到之后的PhD
• 01:07 好 谢谢Tracy
• 01:10 Siqi 大家好 我叫Siqi
• 01:14 我全名叫Siqi Wang
• 01:16 然后我现在是最近拿到了TikTok的offer
• 01:22 然后我将要在下个月
• 01:24 入职TikTok的一个岗位
• 01:26 叫Research Engineer
• 01:28 然后
• 01:29 more specifically是Computer Graphics
• 01:32 Physics and Animation
• 01:34 然后在
• 01:36 在此之前我
• 01:37 这个月刚刚结束PhD的答辩
• 01:40 然后在此之前我一直是
• 01:42 在纽约大学的
• 01:45 Geometric Computing Lab
• 01:48 然后做读PhD
• 01:50 然后做计算机图形学方面的
• 01:52 研究 然后更详细的
• 01:54 就是关于geometric computing
• 01:56 和physical simulations方向
• 01:58 我
• 02:01 就是在更早之前
• 02:03 我是在国内的
• 02:05 就是上海交大读的本科
• 02:07 然后我
• 02:09 我也是非常荣幸今天能够
• 02:12 接受邀请来参加
• 02:14 这个podcast
• 02:15 我之前有看过
• 02:18 李丁聊天室这个channel的
• 02:20 一个视频
• 02:22 但不是特别多
• 02:24 我最初了解到这个聊天室
• 02:27 是有看到就是高老师
• 02:29 因为他之前是我们组的postdoc
• 02:32 所以还比较熟悉
• 02:34 就是看到高老师
• 02:35 就是去Tencent那个视频
• 02:37 然后最近也有看到江玥的一些分享
• 02:40 我觉得是对CG这个
• 02:42 就是比较小的领域的同学
• 02:44 都是非常有帮助的经验
• 02:48 然后我之前有在
• 02:50 就是Adobe Research实习的时候
• 02:53 也和李丁有过coffee chat
• 02:57 所以我对你这方面
• 03:00 就是这个聊天室
• 03:02 为大家进行一些无私的分享
• 03:04 还是非常感谢的
• 03:05 对谢谢二位来上节目
• 03:07 也恭喜你们都最近拿到了这个offer
• 03:10 然后也确定了 在今年这个经济政治环境里面
• 03:13 还是非常很好的一件事情
• 03:15 然后之前在我们就是群聊的时候
• 03:19 你们两个说
• 03:20 你们专业是比较偏冷门的专业
• 03:23 然后我感觉我们首先可以说一下
• 03:25 你们口中的冷门专业是什么意思吗
• 03:28 那我先说吧
• 03:31 其实我之前一直都不觉得
• 03:33 HCI是一个冷门专业
• 03:34 因为我在PhD期间实习了三次
• 03:37 就也在Adobe实习过
• 03:39 也在博世实习
• 03:40 然后我发现实习还是很好找的
• 03:43 所以我一直以为自己读的是一个热门专业
• 03:45 然后直到我去找全职的时候发现
• 03:47 其实很少有全职的HCI岗
• 03:50 所以我就意识到
• 03:52 我这个专业可能比较冷门
• 03:54 然后我自己come up with a test
• 03:57 就是大家怎么验证
• 03:59 自己的PhD方向是不是冷门呢
• 04:01 就可以去看亚马逊的
• 04:03 Applied Scientist的招聘
• 04:04 因为亚马逊的产品线特别的广
• 04:06 他招Applied Scientist会招很多方向
• 04:08 如果你发现你的简历
• 04:10 不能够通过他们的简历关
• 04:12 也拿不到Applied Scientist的面试
• 04:14 那就可以判断
• 04:15 这是一个冷门专业了
• 04:17 你这个有点意思
• 04:20 因为我在刚毕业
• 04:23 的时候 我记得我也投过Amazon
• 04:25 然后也是忘了投什么岗了
• 04:27 要么就是research scientist
• 04:28 要么就是什么research engineer
• 04:29 或者applied scientist
• 04:30 但反正我记得应该也是没有拿到
• 04:32 就是连recruiter call都没有拿到的
• 04:34 然后就OA都没有
• 04:36 然后所以 所以说不定这是一个有益
• 04:38 所以我当年的也是一个冷门专业
• 04:40 你这个挑战的话
• 04:41 我也是差不多的情况
• 04:44 然后我也没有就是拿到
• 04:46 Amazon的面试
• 04:48 然后我有浏览过
• 04:49 Applied Research Scientist的相关的岗位
• 04:53 我也没找到和我特别合适的
• 04:56 确实是这样
• 04:57 对
• 04:58 我倒是你们在提纲里面写的一点
• 05:01 我倒非常同意 就是除了LLM今年的方向之外
• 05:03 其他都算是冷门方向
• 05:05 因为在我了解
• 05:06 好像只有在跟这种大模型
• 05:09 就Foundation Model相关的组
• 05:11 不一定是Large Language Model
• 05:12 就各种其他的Foundation Model
• 05:13 什么Text to Image
• 05:14 Text to Video这些东西
• 05:15 还在招人
• 05:16 但其他很多传统AI
• 05:18 或者说像更像HCI这种
• 05:20 不太偏AI的这种方向
• 05:22 就非常的难以
• 05:23 难以找到合适的岗位在今年
• 05:25 你们也是这样子的体验吗
• 05:27 对我甚至听有做
• 05:30 reinforcement learning的同学抱怨说
• 05:32 他们好像都很难找
• 05:33 因为他们做的可能是
• 05:34 比较传统的robotics
• 05:35 虽然现在看上去
• 05:37 什么embodied AI比较火
• 05:38 但如果你做的
• 05:39 不是工业界最需要的
• 05:41 那你的简历就会有一些尴尬
• 05:42 是的
• 05:46 因为我觉得CG
• 05:49 就是general speaking
• 05:51 我觉得如果是比较偏AI加CG的
• 05:56 可能还好 但是因为我们组
• 05:57 我们组比较做的比较传统
• 06:01 可能是比较传统的computer graphics
• 06:03 就是主要是processing这方面
• 06:05 所以说我能找到和我匹配的
• 06:09 就是这种position非常非常非常少
• 06:13 我还有一个挺好奇的点
• 06:16 当时你们两个是一起来联系我的
• 06:17 你们两个在找工作当中
• 06:19 有互相有这个一起准备
• 06:21 还是为什么会想到一起来
• 06:23 上这样的节目呢
• 06:25 我们应该是之前没有一起准备
• 06:31 但是我有看到就是其他
• 06:34 有其他的教授有转发
• 06:36 Tracy写的一个blog
• 06:39 然后在linkedin上面有转发
• 06:41 然后我就点进去看了一下
• 06:43 觉得就是深有共鸣
• 06:46 然后我就加了Tracy的LinkedIn
• 06:51 然后问她就最后选择去哪里了
• 06:54 然后我们就就此展开了一些沟通
• 06:58 对因为我当时找完工作之后
• 07:01 很多人就来问我
• 07:02 说希望得到一些经验分享
• 07:04 我就用英语写了一个比较简单的blog
• 07:07 其实里面的信息全部都是quantitative的
• 07:11 就比如说我花了多少小时
• 07:12 看哪些书
• 07:13 做哪些题
• 07:14 然后没想到
• 07:15 这个比较简单的blog
• 07:17 发出去之后
• 07:18 还是会有不少人
• 07:19 来reach out to me 像Siqi这样
• 07:20 其实我觉得我之前
• 07:22 可能就知道Siqi
• 07:23 因为我们都在
• 07:24 Adobe做过intern
• 07:25 然后Adobe
• 07:26 它有很多的intern talk
• 07:27 然后我也参加过很多
• 07:28 所以就知道有这么个人
• 07:30 但是没有聊过
• 07:31 直到之后Siqi来加我
• 07:34 让我们聊了一会儿
• 07:35 觉得还挺有意思的
• 07:37 等于我这很好奇
• 07:38 因为你们是第一个
• 07:39 这种自主组团
• 07:40 很多是之前如果多个嘉宾
• 07:42 都是我去 想尽办法去去
• 07:43 就是凑出来的一个
• 07:44 一个多人聊天的一个
• 07:46 但你们是自己组团来的
• 07:47 就干我让我感觉有点意思
• 07:49 对然后下一个我想聊一聊
• 07:53 就是你们也也提到说
• 07:55 你们感觉冷门专业
• 07:56 冷门专业今年很难找这个工作
• 07:59 但你们是什么时候决定要找工作
• 08:02 然后和和整个大概的时间线
• 08:04 可以分享一下吗
• 08:06 那我先说吧
• 08:08 其实我之前是不打算找工作的
• 08:11 我大概在23年底的时候
• 08:13 就觉得自己要做startup
• 08:14 因为那个时候
• 08:16 我现在要提到一个Adobe的project
• 08:20 叫project blink
• 08:21 我觉得李丁应该很熟
• 08:23 因为你也参加过这个项目
• 08:25 我进行一些背景介绍
• 08:26 就Adobe有一段时间
• 08:28 在做一个很大的项目
• 08:29 叫project blink
• 08:30 它相当于是一个内部孵化的创业项目
• 08:33 它要做一个新的形态
• 08:35 就一个新的video editor的形态
• 08:36 就我们现在看到的Adobe的产品
• 08:39 你如果要编辑视频的话
• 08:40 都是在时间线上进行操作
• 08:42 但是Project Blink的话
• 08:44 是在transcript上进行操作
• 08:46 比如说像podcast这样
• 08:47 如果你要剪辑视频的话
• 08:49 如果你能够直接剪辑transcript
• 08:51 就会很简单
• 08:52 然后当时是Project Blink的beta版本
• 08:55 我当时尝试了这个软件
• 08:56 我觉得非常的好用
• 08:58 但是这个软件后来没有下文了
• 09:01 它retire了
• 09:02 然后我就去找Adobe的人聊
• 09:04 我说你们这个产品挺好的
• 09:05 为什么不变成一个产品呢
• 09:07 然后他们说
• 09:08 就因为种种原因
• 09:10 不能够变成一个产品
• 09:11 你如果想用这个同款产品
• 09:13 你就去找一个startup的产品
• 09:15 他们叫DeScript
• 09:16 他们做产品跟我们很像
• 09:18 然后我就意识到
• 09:19 原来startup是一个
• 09:21 更有效的做产品的方式
• 09:23 所以我当时就想
• 09:24 我要加入startup
• 09:25 然后后来又去湾区实习
• 09:28 然后认识了很多startup founder
• 09:30 我发现他们的精神面貌
• 09:32 要比打工人要好很多
• 09:34 就都很energetic
• 09:35 然后我说OK
• 09:36 那我要当founder
• 09:37 然后我就去当了founder
• 09:39 找co-founder
• 09:40 做MVP
• 09:41 见投资人
• 09:42 就做这些事情
• 09:43 就一直折腾到去年年底
• 09:44 但是并没有work out
• 09:46 然后我想起来
• 09:47 自己还没有毕业呢
• 09:48 就还有几个月
• 09:49 就应该要毕业了
• 09:50 我就开始找工作
• 09:51 于是就开始找
• 09:53 可能是去年感恩节之后
• 09:55 一直到今年四月份
• 09:56 我是五月份毕业的
• 09:57 所以一直面试到毕业前一个月
• 09:59 就是我的时间线
• 10:01 OK对
• 10:03 对补充一下
• 10:04 你刚说到project blink
• 10:05 对这个这个现在是可以公开讲的
• 10:07 因为它已经是在2022年的年底
• 10:09 就就就我们就public了
• 10:11 在之前我们内部是有很多年的一个孵化项目
• 10:15 对它也不是完全突然就没了
• 10:18 是我们把里面的技术放到
• 10:20 比如premiere pro和其他一些
• 10:21 就是其他的一些产品里面去了
• 10:24 所以说你现在用premiere
• 10:26 也可以用编辑文字来来去编辑视频
• 10:29 只不过可能毕竟是一个更大的一个
• 10:32 已经的一个已经存在了
• 10:34 什么十几二十年的一个
• 10:35 Desktop App了
• 10:36 所以它肯定不如一个网页版
• 10:38 那么的Accessible
• 10:39 这个我也非常同意
• 10:41 就是我们也希望能有更加
• 10:42 让用户用的更简单的一些软件出现
• 10:45 希望在未来能够有这种软件出来
• 10:47 对那那那那那Siqi
• 10:51 你是什么时候开始找的呢
• 10:52 我其实是从去年年底
• 10:55 今年年初开始找工作
• 10:57 因为
• 10:58 因为我
• 11:00 我是计划在今年夏天毕业
• 11:03 但是也没有确定说是五月份还是八月份
• 11:06 所以我可能开始的比较晚
• 11:09 不是比较晚
• 11:11 因为我想就是如果说
• 11:13 如果说实在找不到的话
• 11:15 我还可以再推迟
• 11:16 再推迟一段时间毕业这样子
• 11:19 我是从今年年初开始找工作
• 11:22 然后陆陆续续有投了一些
• 11:26 就是一开始投了
• 11:29 投了一波
• 11:30 然后可能回复的比较少
• 11:33 或者有那么几个面试
• 11:34 或者已经被拒了之后
• 11:36 发现已经没有其他机会了
• 11:37 就又投了一波
• 11:38 就是一波一波这样投的
• 11:41 然后最后我没有成功的在五月份毕业
• 11:48 所以我就是最终是在八月份这个窗口毕业的
• 11:51 然后我收到offer大概是六月份的时候
• 11:55 对我看好像你跟Tracy有点不同
• 11:59 是你说你没有投很多很多的公司
• 12:01 我看Tracy
• 12:02 他说他投了200多个公司
• 12:04 然后呢
• 12:05 你的话你
• 12:06 我不知道你没有说具体的数字
• 12:07 但是好像你投的比较少
• 12:08 那你做这个决定背后的
• 12:11 你的这个原因是什么呢
• 12:12 因为之前比如说跟江玥聊
• 12:13 他好像投了比如说100多个院系
• 12:16 然后我当年
• 12:18 我忘了投了多少个了
• 12:19 但反正肯定也是往多的方面想的
• 12:22 我就很好奇
• 12:23 比如说你投比较少的一个
• 12:24 这个决定是怎么做出来的呢
• 12:26 是这样
• 12:29 去年年底的时候
• 12:31 有一家药厂就是联系我
• 12:33 因为他们需要
• 12:35 这个Geometry方面的software engineer
• 12:38 然后我就参加了他们的on-site
• 12:43 然后后面也收到了offer
• 12:44 但是后面还是决定
• 12:47 我觉得这个跟我专业相差比较远
• 12:49 然后从那个时候开始
• 12:51 我才开始说正式地开始找工作
• 12:54 然后一开始也有一些startup联系我
• 12:59 就是可能我觉得
• 13:00 可能某一个startup还是
• 13:04 我觉得还是还是可以去试一下的
• 13:07 所以我当时就就觉得
• 13:09 这个算是也是不错的选择
• 13:13 所以我就是在这个选择更好的
• 13:17 这些大厂当中可能会投一下
• 13:20 这样子
• 13:21 就像你有几个这种所谓的保底的offer
• 13:24 所以你就没有那么想要去投更大的网了
• 13:27 也不算是保底
• 13:29 因为我当时就收到offer
• 13:31 然后也不是就可能没有那么心仪
• 13:34 后面就相当于就拒掉了
• 13:37 这样也不是说有保底的这种情况
• 13:39 但是我大概能够了解到
• 13:41 就是还是有一些startup
• 13:44 会需要我这个方向的这个background
• 13:46 OK
• 13:48 那我觉得这个跟我太不一样了
• 13:52 其实我最开始也只投了十来个公司
• 13:54 就我知道的那些
• 13:55 就最有名的或者是最热门的startup
• 13:57 然后收到了一些面试
• 13:59 然后全部都挂掉了
• 14:00 然后这个时候我就开始慌了
• 14:02 我就意识到原来不是那么容易的
• 14:03 所以就开始越投越多
• 14:05 最后投了200多个
• 14:06 然后你200多个
• 14:09 sorry你继续
• 14:11 我觉得我回忆一下
• 14:12 我觉得我总共可能有三四十个这样
• 14:16 对
• 14:19 那所以你投200多个的
• 14:21 这个叫你说的嘛
• 14:22 也是越投越多
• 14:23 越投越多
• 14:24 那这个当中你的心态
• 14:25 是怎么一个变化的呢
• 14:27 我最开始是觉得
• 14:28 我要去最热门的startup
• 14:30 就我虽然没有成为
• 14:31 一个成功的founder
• 14:32 就没有融到钱
• 14:33 但是我应该可以加入
• 14:34 一个热门的startup
• 14:36 然后没有成功
• 14:38 然后我说OK
• 14:39 那我要去一个比较有名的厂
• 14:41 然后大厂的面试也挂了
• 14:43 然后我想OK
• 14:44 那我能找到一个公司就不错了
• 14:46 然后就开始海投了
• 14:47 我也是这样
• 14:49 最后的要求就是能
• 14:51 找到公司就不错了
• 14:53 这样 对
• 14:55 那比如说Siqi
• 14:56 那你说一开始你其实有
• 14:57 你刚才说有个药厂的offer
• 14:59 还有两个这种startup的offer
• 15:00 那你最后选了这个tiktok的offer
• 15:02 那你会觉得说
• 15:03 你前面三个offer会比tiktok的更好
• 15:05 还是更坏
• 15:06 还是一样呢
• 15:07 首先我是
• 15:10 就是其他的startup可能也有
• 15:13 也有和医疗相关的
• 15:15 然后就那个医疗相关的
• 15:17 可能要做的事情和药厂是差不多的
• 15:20 我也很惊讶
• 15:21 我这个
• 15:22 就是就很多医疗相关公司会需要这个geometry方面的这个software engineer的这种能力,我个人是觉得我最终选择来TikTok肯定是觉得这个岗位和我是最合适的,
• 15:42 因为这个岗位相当于就是负责TikTok的graphics engine这方面的中端的开发,
• 15:49 然后也是会涉及
• 15:51 可能有大概50%会涉及一些research的
• 15:55 我觉得这个和我当时找工作的初衷
• 15:58 就基本是吻合了
• 15:59 就是希望能够有一些做research的机会
• 16:03 然后也希望是CG相关的工作
• 16:06 我觉得这个是我很满意的
• 16:09 那你会担心说TikTok现在处于会被ban
• 16:12 或者不被ban
• 16:13 对于你这工作的一些可能的影响吗
• 16:15 我认为我其实没有太担心这方面
• 16:20 因为我觉得因为不管被不被ban吧
• 16:24 我觉得这边的这个北美的这个分公司
• 16:29 就是北美的这边的这个部门
• 16:32 如果存在的话 我觉得我们组应该是比较
• 16:35 是非常重要的
• 16:37 所以就即使说北美这边的办公室
• 16:40 就彻底没掉了
• 16:41 我也觉得我还是可以再找到其他工作
• 16:45 可以
• 16:46 对
• 16:48 然后听起来
• 16:49 你们两个人的找工作的历程
• 16:51 都是在你们PhD毕业之前
• 16:53 相当于是有很多时间在投简历
• 16:55 你们觉得去平衡准备面试
• 16:59 刷题 包括各种
• 17:00 不仅仅是刷题
• 17:01 各种准备面试的这些东西
• 17:03 和去平衡你们毕业
• 17:04 要写Dissertation这些东西
• 17:07 这个平衡起来很难吗
• 17:09 还是说比较容易
• 17:10 我觉得非常的难
• 17:12 就除了那几个和HCI紧密相关的岗位
• 17:15 你只需要准备slides
• 17:17 像讲一个research talk那样
• 17:19 其他的全部都要刷算法题
• 17:21 然后机器学习
• 17:23 然后机器学习系统的设计
• 17:25 甚至还有比较general的system design
• 17:28 然后你可能还会去读一些
• 17:30 现在比较热门的大模型的paper
• 17:31 因为他可能会问你一些基础知识
• 17:34 我最后在我的blog里面写
• 17:36 我可能花了四五百个小时准备面试
• 17:38 就我最后一年
• 17:40 其实是有一个research plan的
• 17:41 是要做两个research project
• 17:43 然后最后
• 17:44 因为我总是在准备面试
• 17:46 就经常通知我的导师说
• 17:48 我不能够参加
• 17:49 我们的weekly meeting了
• 17:51 就连续好几周都取消
• 17:53 最后一年
• 17:54 我可能做了半个research project
• 17:55 所以大家要量力而行
• 17:57 你导师也是ok的
• 18:00 对我导师人很好
• 18:01 我都不用跟他商量
• 18:02 我就跟他说
• 18:03 我们把这个会取消吧
• 18:04 他说好
• 18:05 我这边是
• 18:10 我在投简历的同时
• 18:13 还有同时在做两个project
• 18:16 就是每周可能都需要
• 18:18 有weekly meeting这样
• 18:20 然后每周至少有一个面试
• 18:22 所以我在
• 18:24 就从今年开始
• 18:26 到最终
• 18:28 PhD defense完
• 18:30 我觉得我一直处在一个
• 18:31 精神高度紧张的状态中
• 18:34 然后甚至有一段时间
• 18:35 就是失眠
• 18:38 就可能连续失眠几天
• 18:41 反正对自己身体
• 18:42 非常不好可能是
• 18:44 所以我在找工作的期间
• 18:48 可能大部分的时间
• 18:50 90%以上吧
• 18:51 还是在坚持
• 18:53 那两个project也在推进
• 18:56 所以说还是非常忙的
• 18:59 然后我找的每一个工作
• 19:02 应该都需要
• 19:03 就是写代码这样子
• 19:06 然后我可能就是比方说
• 19:08 一月份集中的刷了半个月之后
• 19:12 可能下一次面试
• 19:14 可能又过了一个月两个月这样
• 19:16 就有点遗忘了
• 19:17 所以每次面试之前都要花一两天
• 19:20 就是再重温一下
• 19:21 所以就是整个整个这个准备过程
• 19:27 确实非常非常累
• 19:29 对
• 19:30 你们最终有多少个on site呢
• 19:33 有多少个或者是virtual
• 19:34 多少个virtual on site呢
• 19:36 我当时是投了200多个
• 19:39 可能收到大概20个follow up
• 19:41 然后onsite可能三分之一
• 19:43 应该是6到7个onsite
• 19:45 我之前听说onsite到offer的概率是比较高的
• 19:49 但根据我的经历其实不是
• 19:51 就不到一半会是offer
• 19:53 所以我觉得这个转化率还是有点低
• 19:55 那也可以的
• 19:56 一半这也挺好的
• 19:57 不到一半
• 19:59 可能百分之三四十的样子
• 20:00 OK 那Siqi你呢
• 20:03 我我觉得我大概总共
• 20:05 onsite
• 20:06 到onsite之后
• 20:07 可能有十个左右
• 20:10 这样
• 20:11 对
• 20:12 而你们今年的onsite
• 20:13 是都是
• 20:14 就是physical onsite
• 20:15 还是virtual onsite呢
• 20:16 virtual
• 20:17 virtual onsite
• 20:18 对 都是virtual
• 20:19 对
• 20:20 这个是很大的一个不同
• 20:21 对 我当年记得是
• 20:22 全都是physical的
• 20:24 当然我那时已经多少年了
• 20:25 18年的话是
• 20:26 七年前了
• 20:28 对 哇
• 20:30 那你 对
• 20:31 那你physical的话
• 20:33 你一周能面几个onsite呢
• 20:35 我最intense的是两周
• 20:38 当时我是住在纽约嘛
• 20:39 所以但是当时我的面试都在基本在西岸
• 20:42 所以说我当时是把我最心仪的公司都在最后一批面
• 20:46 然后这一批好像可能是
• 20:48 我是两周十个workday
• 20:50 可能group了八个公司吧
• 20:52 就是对
• 20:53 那是最intense的
• 20:54 之前可能有些零零散散的一两个onsite
• 20:56 但是最后呢是八个是在那两周
• 20:58 我刚好那两周就没有回纽约
• 20:59 就一直在西岸
• 21:00 就在西雅图
• 21:01 LA湾区
• 21:02 就是三个地儿一个三角航线
• 21:04 像飞来飞去的
• 21:05 那你当时就是
• 21:10 比如像super day那种
• 21:12 就是从早面试到晚
• 21:14 然后第二天又去下一家
• 21:15 这种强度吗
• 21:17 是基本是基本是
• 21:19 嗯
• 21:20 很中间有一天是没有的
• 21:22 因为有一个公司是面了两天
• 21:23 然后其他都是一天
• 21:25 所以其实就是九天
• 21:26 然后就是工作日有九天的面试
• 21:28 呃
• 21:29 其实面试本身倒还好
• 21:31 因为面到后来
• 21:32 反正你就麻木了
• 21:33 我不知道你们面的后来
• 21:34 是不是麻木的 因为我当时是有
• 21:35 可能有几个phase是面试的
• 21:37 第一个phase可能是
• 21:38 比如说在纽约当地练手
• 21:41 就是不用飞
• 21:42 当地的安赛比较简单一点点
• 21:44 然后第二个阶段可能是
• 21:47 就是只要是
• 21:49 就是叫什么startup什么的
• 21:52 我都会去面一圈
• 21:53 这有的可能是在
• 21:54 不在纽约了
• 21:55 我才飞一点的 然后第三批是那种
• 21:56 给了offer我都愿意去的公司
• 21:58 然后可能就是前面的
• 22:00 可能稍微的会会就是紧张一点点
• 22:03 因为还在polish自己
• 22:04 无论是给research talk
• 22:06 还是刷LeetCode的这种准备程度
• 22:08 等到我第三个
• 22:09 最批我心仪的公司的时候
• 22:11 基本上就已经麻木了
• 22:12 就是就早上进公司
• 22:15 然后到到四五点五六点
• 22:17 被人escort出来的时候
• 22:18 已经就是都已经忘记很多东西了
• 22:20 已经对
• 22:21 那我觉得你这个策略真的非常好
• 22:24 我的策略我属于overconfident
• 22:26 因为之前找实习比较容易
• 22:27 就面个几个公司就能拿到offer
• 22:30 所以我就最开始投最想去的公司
• 22:32 然后把他们全部面挂了
• 22:34 然后你后来就会越来越慌
• 22:35 对我当时
• 22:38 反正我当时也是读了别人的一些blog
• 22:40 就是他别人会建议说
• 22:41 把心仪公司放在中期或者后期
• 22:43 我可能我认识的也不是完全正确
• 22:45 因为放到后期
• 22:46 像我刚才说的已经麻木了
• 22:47 其实已经并不是一个最
• 22:48 最exciting的状态
• 22:50 可能用中期的时候
• 22:51 我的状态是最好的
• 22:52 但虽然我不够熟练
• 22:54 但是但是别人可以看到我的一些
• 22:56 这种这种这种激情一点的
• 22:58 但我当时放到最后
• 22:59 就很冷静
• 23:02 这点是好的 但就可能少了一点激情
• 23:04 对然后这个Virtual
• 23:08 我觉得感觉也挺不一样的
• 23:09 因为我当时Physical的
• 23:11 我觉得不同的人不一样
• 23:13 可能对于I人来说的话
• 23:15 可能Virtual会比较好一点
• 23:16 因为你可以有一个
• 23:17 熟悉的自己的一个环境
• 23:18 按自己的节奏来
• 23:19 然后你一旦面试结束了
• 23:22 你也可以就关了Zoom之后
• 23:23 你就是自己一个人
• 23:25 在办公室里面
• 23:26 但是如果对于那种
• 23:29 比如说自己比较喜欢
• 23:31 in person interaction的人的话
• 23:33 那可能
• 23:34 可能physical onsite
• 23:35 会有一些优势
• 23:36 对
• 23:37 但是好像现在大厂
• 23:38 都没有physical了
• 23:40 都是virtual 可以省钱
• 23:41 省钱省时间
• 23:42 对
• 23:44 其实我觉得virtual onsite
• 23:45 可能会有一些distraction
• 23:46 我记得有一次
• 23:47 我面一个virtual onsite的时候
• 23:49 我的房东
• 23:50 忽然间就来到我的房子里
• 23:51 他要测试那个alarm
• 23:53 然后就会发生
• 23:54 那种火警的报警声
• 23:55 我当时就想
• 23:56 这个房子是不是着火了
• 23:57 我要不要跑出去
• 23:58 可是我现在在面试
• 24:00 然后我就一直待到面试结束
• 24:01 我再出去检查
• 24:02 然后反正确实没有着火
• 24:04 只是一个测试
• 24:05 但这种就非常的distracting
• 24:07 所以还是要选一个安静的环境
• 24:08 是
• 24:09 对
• 24:10 Physical On-Site还有两个
• 24:11 可能这些
• 24:12 我说的这种tips
• 24:13 已经对未来的人
• 24:14 已经没有什么意义了
• 24:15 因为可能未来没有Physical On-Site
• 24:16 就我当时有两个
• 24:17 一个是酒店
• 24:18 我会尽量让
• 24:19 首先如果有很多back to back的meeting的话
• 24:22 你还得跟公司去商量
• 24:24 哪个公司给哪几个晚上的酒店
• 24:25 因为基本上有的公司
• 24:27 要不然会有很多overlap的
• 24:28 然后这个商量完之后
• 24:30 我也会让他们订尽量一个hotel chain
• 24:33 这样子的话 我会非常熟悉整个酒店的layout
• 24:35 整个酒店的这种服务
• 24:36 我都是consistent的
• 24:38 我不想今天住
• 24:39 这个intercontinental
• 24:41 明天住hilton 然后那体验不太一样
• 24:42 所以我就会基本都住一个hotel chain
• 24:45 然后第二个也是早餐
• 24:47 我会就是就吃starbucks固定的一个套餐
• 24:50 这样子我知道 我吃完这个套餐之后
• 24:52 我的心情会非常好 我非常喜欢这个早餐
• 24:53 就开始我美好的一天
• 24:55 然后这个routine
• 24:56 就从晚上的休息
• 24:57 到早上一天的开始
• 24:58 是我当时给自己的一个这种
• 25:00 这种
• 25:01 想给自己的一个这种
• 25:02 prep talk的感觉
• 25:03 就是我吃完这个早餐
• 25:04 我的美好一天就要开始了
• 25:07 对
• 25:08 在家里面可能就一样
• 25:10 对
• 25:11 我其实有经历过
• 25:13 就是最开始那个药厂是
• 25:15 onsite
• 25:16 是要飞过去的
• 25:17 后面的都是virtual
• 25:19 对
• 25:20 可能偏传统一样厂可能还会有
• 25:21 但是主要tech公司的话
• 25:23 应该都比较这种virtual多一点
• 25:26 对
• 25:27 对
• 25:29 然后我看看下一个
• 25:30 我们可以聊一聊
• 25:31 对你们提到刷题
• 25:33 这个也是可能很多PhD学生
• 25:36 就是会感觉比较惊讶
• 25:38 他们可能认为说读完PhD
• 25:40 是不是找工作 都像找教职一样
• 25:41 只用给talk
• 25:42 然后聊完就可以了
• 25:44 在我的了解里面
• 25:45 好像Adobe
• 25:46 就当是我面那么多公司里面
• 25:48 Adobe是唯一一个
• 25:49 面试没有考LeetCode的
• 25:51 就是面research的岗
• 25:52 research Scientist的岗
• 25:53 然后其他我面的所有的职位
• 25:56 无论是大厂还是小厂
• 25:57 还是Startup
• 25:58 都是Coding为主的
• 25:59 你们也是这样子的体验是吗
• 26:02 对
• 26:03 我的感觉是像一些比较大的厂
• 26:05 像Meta或者是Google这种
• 26:07 那你肯定要刷非常多的LeetCode
• 26:09 我当时可能就刷个前50道题
• 26:11 然后遇到一道
• 26:12 没有见过的做不来的题
• 26:14 我回去看 发现它其实也在top100
• 26:16 但是不在top50
• 26:17 所以大家刷这个
• 26:18 准备full time的时候
• 26:20 要多刷一点题
• 26:21 然后我另外也意识到
• 26:23 好像现在有一些公司
• 26:24 他们在做改革
• 26:25 就他们不太想考这种LeetCode
• 26:27 他们想考一些
• 26:28 更realistic的programming problems
• 26:31 比如说他会给你一个
• 26:32 很长的文件
• 26:33 然后里面他已经写好了一些代码
• 26:36 他希望你去填空
• 26:37 或者说让你在里面找一个bug
• 26:40 其实这种的话就更难准备一些
• 26:42 但是可能从公司的角度来讲
• 26:44 他更考验一个人的水平
• 26:45 我面试的
• 26:51 我面试的公司
• 26:53 基本都是要
• 26:54 都是要求有LeetCode这样的
• 26:57 就即使是startup
• 26:59 也是要考LeetCode
• 27:01 然后我没有
• 27:03 我没有见过像Tracy刚才提到的
• 27:06 就这种进化版的
• 27:07 这种coding面试
• 27:09 我见到的还是都是比较传统的
• 27:13 然后我大概是
• 27:15 今年一月份的时候有刷了
• 27:18 就是有做大概
• 27:19 200道吧 然后在
• 27:21 收到就是不同的
• 27:23 大厂他们的面试之后
• 27:26 又专门的做了
• 27:27 面经的50道到100道
• 27:31 对我记得好像
• 27:32 有些公司会有一个比较明显的
• 27:33 题库然后呢面试官会
• 27:35 会被要求从题库里面选题
• 27:37 然后有一般是越大的公司他这种
• 27:39 规定会越明确
• 27:41 然后越小的公司就越随意 可能每个面试官
• 27:44 他会有自己的preference会给出一些
• 27:46 可能常见可能比较
• 27:47 冷门的题这个是
• 27:49 对
• 27:50 然后现在你们都已经找到工作了
• 27:54 其实那你们现在的心
• 27:55 悬着的心放下来了吗 还是你们有别的事情
• 27:57 还在担心呢
• 27:58 我已经放下来了
• 28:01 我是
• 28:03 大概找到工作了之后
• 28:06 才开始准备
• 28:07 这个dissertation和defense
• 28:09 这些的
• 28:11 就这些毕业相关的事
• 28:13 然后defense结束之后
• 28:15 可能还有一些
• 28:17 paper要润色一下
• 28:20 从来就没有
• 28:21 其他担心的事情
• 28:23 对
• 28:25 我当时是拿到第二个offer的时候
• 28:28 我就再也不想面试了
• 28:29 因为我意识到我有两个offer
• 28:31 他们就可以互相compete了
• 28:32 然后我就取消了之后的面试
• 28:34 记得我刚搬到西雅图的时候
• 28:37 我当时刚刚搬进一个公寓
• 28:38 然后把家具组装好
• 28:40 而又有一个大厂的HR来reach out
• 28:42 说我们在湾区有一个岗位
• 28:44 你要不要来面
• 28:45 我当时其实我很想去湾区的
• 28:47 但是我想我这些家具
• 28:49 我的公寓怎么办呢
• 28:50 然后我就也打算不面了
• 28:52 决定先工作一段时间再说吧
• 28:54 对刚才两点
• 28:56 你说你拿了第二个offer就再也不想面了
• 28:58 和你也不想 就你也在考虑说搬去湾区
• 29:00 就为什么你不面第三四五个这种机会了呢
• 29:04 主要还是太累了
• 29:07 觉得自己需要放松一段时间
• 29:10 然后其实我想去湾区的话
• 29:12 是去年刚开始面试的时候
• 29:14 因为我对startup感兴趣
• 29:16 然后那边的startup是最多的
• 29:18 然后现在我想既然已经来了西雅图
• 29:21 也可以先熟悉一下这边的环境
• 29:23 我现在觉得西雅图还挺好的
• 29:25 对现在夏天的天气
• 29:27 你来的时间特别好
• 29:28 然后可能过了一年之后
• 29:29 你就可以有一个这种全貌
• 29:31 然后看看你对这边的感觉怎么样
• 29:33 对 嗯
• 29:35 行 对
• 29:36 然后那下一个大的一个方向
• 29:38 我们可以聊一聊 就是你们聊的其实很多
• 29:40 这种非常细节的一些准备的东西
• 29:43 然后呢 如果我们take a step back的话
• 29:45 那跟你们一开始
• 29:46 找工作之前的这种预期
• 29:49 有什么不同呢
• 29:50 呃
• 29:52 我觉得 就是之前找实习太容易了
• 29:55 呃 我实习了三次
• 29:56 然后都是在还不错的地方
• 29:58 就会导致自己overconfident
• 30:00 就以为自己有很多实习经历
• 30:02 找全职会很容易
• 30:03 但其实我发现
• 30:05 现在这个市场上
• 30:06 这个实习生的数量和全职的数量
• 30:08 简直肯定是实习生多太多了
• 30:11 我不知道为什么这些大厂要这么做
• 30:13 这样导致的结果
• 30:14 就是你的实习经历
• 30:16 其实在快速贬值
• 30:17 就你实习了三段
• 30:18 也不代表你就能够有return
• 30:20 这是我的一个感觉
• 30:25 对我这可以说给我的
• 30:26 我从作为full time的角度
• 30:28 来说因为实习生首先对于公司来说是一个类似于contract的职位
• 30:34 所以他招很多实习生并没有长期的这种financial burden
• 30:41 因为它只是一个one time cost
• 30:43 明年如果他budget没有不招实习就好了 不像full-time招进来相当于是一个permanent position就得一直算到他的财务报表里面去了 所以实习生一般都会比full-time要多
• 30:54 然后另外一个像你说的
• 30:58 有很多实习生
• 31:00 很多经历不能够帮助
• 31:02 我感觉可能
• 31:03 如果每个实习经历都在完全不同的组
• 31:05 或者不同的公司的话
• 31:06 可能的确会帮助会少一点点
• 31:07 因为现在这种opening不多
• 31:09 但如果三个实习都在非常focus的一个组
• 31:14 或者一个方向的话
• 31:15 可能会好一点点
• 31:17 但是今年可能如果那三个
• 31:19 都在LLM的话可能可以
• 31:21 但如果都不在LLM
• 31:22 他估计也都没有什么帮助
• 31:24 今年的环境就是比较难一点点
• 31:26 我的感受也是
• 31:29 就是找全职比实习
• 31:31 岗位要少很多
• 31:33 然后实习可能
• 31:35 最后一年的实习
• 31:37 可能有这个return的概率
• 31:39 像PhD前几年的实习
• 31:41 可能就很难了
• 31:43 然后所以我觉得最后一年的
• 31:46 就是实习会比较重要一点
• 31:48 然后我觉得就普遍意义上来说
• 31:51 如果做engineering相关的实习
• 31:53 可能会比做research相关的
• 31:55 要更好return
• 31:56 我知道的大部分的公司
• 31:59 就是做research intern
• 32:01 都是没有return的机会
• 32:03 对我现在有一点后悔
• 32:06 就我最后一个实习
• 32:07 有一个machine learning engineering的offer
• 32:09 就machine learning engineer
• 32:10 但我当时就想我要多做一些research
• 32:12 因为我是一个PhD
• 32:14 但是对
• 32:15 我其实应该选那个有return的
• 32:16 这样我后来就没有那么慌张
• 32:18 可以做很多别的尝试
• 32:20 是
• 32:21 我感觉你们想
• 32:22 一开始也是我
• 32:23 我有时候会跟intern说的
• 32:24 就是如果你最后毕业前那个实习
• 32:26 首先去
• 32:27 去优先选择那些有return
• 32:30 这个policy的厂子
• 32:32 不论大厂还是小厂
• 32:33 像比如我们公司好像
• 32:34 据我了解
• 32:35 没有很明确的一个return的一个process
• 32:38 所以哪怕你最后一年来我们这里实习
• 32:40 我们也 然后你也非常的align
• 32:42 然后什么 但是你还是得有一个面试的过程
• 32:44 不像有的公司是是做得好
• 32:46 在internship结束的时候
• 32:47 马上就给你发一个offer
• 32:49 然后你就可以决定来或者不来什么的
• 32:51 所以你先优先那种公司
• 32:52 然后其次是越偏engineering的
• 32:54 一般一般的话
• 32:55 headcount就会比较稳定一点
• 32:58 因为好像逻辑不太一样
• 32:59 因为research intern
• 33:00 好像是说是更像是
• 33:03 PhD学校那种感觉
• 33:05 就是一个full time
• 33:06 再带一些advisee
• 33:08 这种mentee的感觉
• 33:09 然后呢
• 33:10 engineering team
• 33:12 好像更多的是 一个更
• 33:13 更长期的
• 33:14 一个面试的感觉
• 33:15 就是三个月
• 33:16 带薪的时间来面试一下
• 33:17 如果他干了
• 33:18 这个小project靠谱的话
• 33:19 那我们把它招进来
• 33:20 接着做大的project
• 33:21 如果他带了这种mindset
• 33:22 去开一个intern headcount的话
• 33:24 他就有更强的可能性
• 33:26 把它变成一个full time
• 33:27 然后这种
• 33:28 这种思维一般在
• 33:29 research intern比较少
• 33:31 我很少是说
• 33:32 就是对啊
• 33:33 你intern就结束
• 33:34 给你conversion 至少在我
• 33:36 至少在我接触的里面 可能稍微少一点点
• 33:37 对
• 33:41 然后我看你们也提到了
• 33:43 内推 而且你们俩好像有不太一样的看法
• 33:46 你们可以各自说一下自己的体验吗
• 33:48 对
• 33:49 因为我和AI相关的岗位的话
• 33:52 经常过不了简历关
• 33:53 然后我就会找一些同学内推
• 33:55 但我的内推成功率也不是很高
• 33:57 可能就50%
• 33:58 所以我觉得好像没有那么重要
• 34:01 你怎么定义成功
• 34:02 就是你能够拿到面试
• 34:04 就比如说简历递过去
• 34:06 人家都不给你面试
• 34:07 那我就这就算内推失败了
• 34:09 OK
• 34:10 那比如说你跟你盲投的那个比例
• 34:13 比是高还是低呢 高太多了
• 34:15 我盲投的比例可能就6%
• 34:16 7%会给我follow up
• 34:18 但内推能有50%的follow up
• 34:19 所以已经接近是八倍到快十倍这种感觉的
• 34:22 对 OK
• 34:24 我的感受是我盲投的没有
• 34:28 没有reply
• 34:29 一个reply都没有吗
• 34:32 基本上这样
• 34:33 除非你投的是比方说
• 34:35 就是比如Google的这种software engineer
• 34:38 PhD level
• 34:39 这种是有reply
• 34:41 对其他的如果是一个specific岗位的话
• 34:44 就根本不会有reply
• 34:45 这样
• 34:46 然后我认为就是
• 34:50 我是感觉到内推还是比较重要的
• 34:55 就是尤其是
• 34:56 如果你这个内推的人
• 34:58 就是你要去工作的这个组里面的人
• 35:01 那基本上就是可以直通到面试这样子
• 35:04 我可能恰好是
• 35:06 恰好有认识有几个公司
• 35:09 就是我就想去他们组
• 35:11 就想投这个岗位
• 35:13 然后基本上是可以到面试的
• 35:15 但是后面过不过就不一定
• 35:17 对
• 35:18 我其实感觉我同意
• 35:20 我感觉你们两个说的点
• 35:22 其实是 因为我刚才看你们提纲里面写的
• 35:24 感觉好像你们的意见不一样
• 35:25 但你们说出来之后
• 35:26 我感觉其实是一样的
• 35:27 就是内推如果方向对的话
• 35:29 还是能有很大的帮助的
• 35:31 但如果说内推是一个那种
• 35:33 本来那个职位就不太match
• 35:35 或者这个内部的这个朋友
• 35:36 他也对这个岗位不太了解的话
• 35:38 那其实可能效果就非常的有限
• 35:40 这跟有时候比如说我的朋友啊
• 35:43 或者我之前的学生来找我去内推
• 35:45 也是一样
• 35:46 就是他因为有的时候job listing
• 35:48 他看起来比较generic
• 35:49 然后但是像我知道这个岗位
• 35:51 他其实只找某个方向的人的话
• 35:52 其实跟他说你就别
• 35:54 我也不用帮你推了
• 35:55 因为推了他也不是个match的
• 35:57 对但是可能
• 35:59 对可能很多有的时候
• 36:00 他你的朋友帮你推
• 36:01 他也没有办法看到这么多内部的信息
• 36:03 然后他所以他能帮到他能帮到最多的
• 36:07 我发现了一个点就是很多公司
• 36:10 很多公司他们的就是job description都非常的笼统
• 36:16 或者说很多岗位看上去都是很相似的
• 36:19 然后这个时候你就不知道你该投哪个
• 36:21 或者这些岗位具体是做什么的也不太知道
• 36:24 所以我觉得很重要的是你在就是这个公司里面
• 36:28 要认识一个比方说researcher
• 36:31 就认识一个这样的人
• 36:32 然后他能帮你找到哪个岗位
• 36:34 是和你是最最合适的
• 36:37 我觉得这个是在找工作当中最重要的
• 36:39 是的
• 36:40 而且有的岗其实你都看不出来
• 36:43 他到底想不想要PhD
• 36:44 我一般会投那种
• 36:45 他明确写了master or phd preferred的
• 36:48 这样的公司
• 36:49 然后有的公司会要求太高了
• 36:52 他会把他需要的顶会论文
• 36:53 也给你列出来
• 36:54 说我们希望那种
• 36:55 有什么ICML啊
• 36:57 ICLR啊这种
• 36:58 我一般就不投了
• 37:00 这样
• 37:01 我一般就只投那种
• 37:03 prefer有SIGGRAPH publication这样
• 37:06 对一般写出SIGGRAPH就非常specific
• 37:09 那估计跟你的背景是很match的
• 37:10 因为一般现在会议
• 37:11 他写CVPR
• 37:13 ICML我并不惊讶
• 37:14 但如果一般会写SIGGRAPH
• 37:16 证明他真的知道什么是SIGGRAPH了
• 37:18 是的
• 37:19 如果是只要CVPR
• 37:22 或者是机器学习三大顶会的这种
• 37:25 我一般就不会投
• 37:26 我觉得投了也没有
• 37:27 没有戏
• 37:28 对我其实特别想投那种要求CHI的
• 37:31 或者是UIST的
• 37:32 这样的岗位
• 37:33 我可能见过两个吧
• 37:34 我都投了
• 37:35 对对
• 37:37 对然后其实还有一点
• 37:40 我感觉也是
• 37:41 就是我之前
• 37:42 感觉有两种类型的公司
• 37:45 一种类型的公司会说
• 37:46 因为公司从那个招人角度可以看
• 37:49 有的公司可以看到
• 37:50 你作为一个applicant
• 37:51 投了多少个岗位吗
• 37:52 然后呢
• 37:53 他有的公司会说
• 37:54 因为投了超过N个岗位
• 37:56 那可能我们也不想面试
• 37:57 这个candidate了 因为这个candidate
• 37:58 他并不知道自己想要什么
• 37:59 他只是在广投而已
• 38:00 而有的公司呢
• 38:02 他那个招人系统是分开的
• 38:03 就每个组只能看到自己的这个
• 38:05 这个job listing
• 38:06 有多少人投了
• 38:07 他就不知道你投了别的什么岗位的
• 38:08 然后
• 38:09 所以我知道当时有一种策略是
• 38:12 就是你看到三个类似的岗位
• 38:15 你全投掉
• 38:16 然后呢 如果他是我刚才说的第一种情况
• 38:18 可能你就根本拿不到面试
• 38:19 因为他系统会认为
• 38:21 你是一个不知道自己想要什么的人
• 38:22 然后呢
• 38:23 如果是第二种情况就很好
• 38:25 因为每个组的hiring manager
• 38:26 都会看到你
• 38:27 然后都可能认为你是个好的match
• 38:28 或者不是好的match
• 38:29 就你的机会乘以了三
• 38:30 然后第一种类型的公司
• 38:32 我其实忘记是什么类型
• 38:33 但第二种公司就是
• 38:34 比如好像Amazon Apple
• 38:36 就Apple明显是这种类型的
• 38:37 因为他
• 38:38 组与组之间的那个secrecy是非常高的
• 38:40 所以他根本不知道别的组在怎么样的
• 38:42 对
• 38:44 这个是当时我的一个
• 38:46 的一个tips
• 38:47 对
• 38:48 对
• 38:51 然后你们也都投了一些startup
• 38:54 然后你们会觉得startup的offer好拿呢
• 38:56 还是一个中厂或者大厂的offer好拿呢
• 39:00 从我的角度讲
• 39:02 我觉得startup offer很难拿
• 39:03 我应该没有得到过正式的startup offer
• 39:07 因为有一个startup到最后一轮
• 39:08 我就取消面试了
• 39:09 我发现有很多AI startup
• 39:12 就如果你上X的话
• 39:13 会经常发现
• 39:14 这儿有一个新的AI startup
• 39:16 然后我就会去投一下
• 39:17 我发现很多他们的面试官
• 39:19 其实对人机交互的candidate
• 39:21 会有一点歧视
• 39:23 可能也不能说歧视
• 39:24 就他们要招的就是更technical的人
• 39:26 然后经常我讲完我的project
• 39:28 他们就会问
• 39:29 那你的这个technical contribution在哪呢
• 39:32 你的模型比那个模型
• 39:33 好了几个百分点呢
• 39:35 你就会觉得很难跟他们聊下去
• 39:37 然后第二点的话
• 39:38 就是时间线不是很align
• 39:40 比如说你如果一月份的时候
• 39:42 面startup 很多startup希望你两个月之后
• 39:44 就要来上班
• 39:45 或者最好一个月就上班
• 39:47 那这肯定就不太行
• 39:49 对大厂会比较flexible
• 39:52 我是认为可能
• 39:56 可能我这个方向
• 39:59 就是我是认为
• 40:00 我接触到的startup
• 40:03 可能是会是startup
• 40:05 这个offer要容易一些
• 40:06 因为我好像恰巧
• 40:09 我这个方向就比较容易
• 40:11 在比方说医疗领域
• 40:14 或者硬件设计
• 40:16 或者说做robotics
• 40:18 和physical simulation
• 40:20 这种结合的这种startup
• 40:23 可能会找到比较多的机会
• 40:26 然后他们可能也在look for
• 40:30 这样的candidate
• 40:31 然后恰好就match上
• 40:33 所以我是在我的经验来看
• 40:36 我觉得startup还是
• 40:37 还是要更容易一些的
• 40:42 然后他们 我也确实面临到
• 40:44 同样一个问题
• 40:45 然后我也是比较早的时候
• 40:47 就和startup联系
• 40:49 然后他们也是希望
• 40:50 你能越快入职越好
• 40:51 因为startup的这个发展速度很快
• 40:54 很有可能
• 40:55 一月份面试说你
• 40:57 这个夏天六月份入职
• 40:59 可能半年之后
• 41:01 他们的这个发展重心就改变了
• 41:04 所以说一开始为你设定的这个project
• 41:07 或这个方向
• 41:09 还有可能半年之后就没了
• 41:11 所以我觉得startup也是有这个
• 41:14 timeline的这个问题
• 41:15 对其实很多experience hire
• 41:18 就是new grad hire
• 41:19 之外是在大公司里面
• 41:21 是有这个四到六个月的提前量
• 41:23 可以让你四到六月
• 41:24 在四到六月再入职的
• 41:26 但是experience hire
• 41:28 也是一般要马上入职的
• 41:30 因为像你刚才说的
• 41:31 你可能六月后入职
• 41:32 这个大project都已经改方向了
• 41:34 所以如果现在就要找一个senior
• 41:36 或者senior plus level要来的话
• 41:38 肯定希望能够越快入职越好
• 41:40 所以你们遇到了这方面的concern
• 41:42 在你们职业的未来
• 41:43 也会遇到越来越多
• 41:44 就不可能等很久才入职这样子的
• 41:46 对
• 41:48 然后我其实刚才听你们聊的一点
• 41:51 就是说可能面试官
• 41:52 对于这个HCI的PhD的contribution
• 41:56 不太了解 那后来你们在这面试过程中
• 41:58 特别是Tracy吧
• 42:00 你是HCI的 然后Siqi好像更偏graphics的
• 42:02 那对于这样子的面试
• 42:05 那你后来是怎么直接放弃呢
• 42:06 还是说有别的应对方法呢
• 42:08 对
• 42:10 就他如果再问我contribution
• 42:11 我就会像写paper那样
• 42:13 跟他说三个点
• 42:14 然后他就听
• 42:15 好像还是有很多contribution的
• 42:17 就尽量不要让他
• 42:18 focus在模型的contribution上
• 42:20 然后其实最简单的肯定还是
• 42:24 就不要再面这样的公司了
• 42:25 因为人家要的人也不是这样的
• 42:28 但其实现在
• 42:29 因为做模型的公司
• 42:31 其实没有那么多 还是有非常多的公司在做应用
• 42:33 我觉得HCI的PhD去做应用
• 42:35 还是有一些优势的
• 42:37 因为你可以跟产品经理
• 42:38 更好地沟通
• 42:40 对
• 42:42 对
• 42:43 对
• 42:45 然后这个关于这个跟之前的预期什么不同
• 42:47 其实这个section跟现在我们聊的这个回头做不一样的决定
• 42:51 其实是很相关的
• 42:53 那不如我们现在就聊一聊这个
• 42:55 现在如果回到比如一年前或者回到四五年前
• 42:58 要做一些不一样的决定
• 43:00 你们会有什么样的一些思考呢
• 43:03 我应该会从一开始就想startup idea
• 43:08 因为我意识到我们HCI的研究
• 43:11 其实和startup需要的demo是高度重合的
• 43:14 就我们写一篇CHI paper
• 43:16 你也需要去找一些用户
• 43:18 有一个formative interview
• 43:19 让你设计出了一个MVP
• 43:21 然后做了一个user study
• 43:22 其实这一部分材料
• 43:23 你可以不拿给审稿人看
• 43:25 你可以去找VC
• 43:27 说不定人家VC就给了你一些钱
• 43:29 然后你就可以开始做自己的startup了
• 43:31 我觉得如果我从一年级就开始做
• 43:33 那么到我五年级的时候
• 43:34 就应该有十个idea
• 43:36 那里面还是有一些概率会拿到融资的
• 43:38 就不用再找工作了
• 43:39 我是认为如果
• 43:45 因为我没有考虑过
• 43:47 我目前还没有考虑过
• 43:49 就是自己做co-founder
• 43:50 然后来建立startup
• 43:53 这样的一个方向
• 43:54 我可能还是从找工作的这个角度
• 43:57 我认为如果是我的话
• 43:59 我可能会就是
• 44:00 如果最后一年会有一些flexibility的话
• 44:03 可能会做
• 44:04 就是会做一个和AI结合一点的项目
• 44:08 然后这样的话
• 44:09 可能有就能选择选择面
• 44:12 就能多 就可以大一倍这样子
• 44:16 不像最后只有只有特定的几个公司
• 44:19 特定几个岗位是是有希望的
• 44:22 然后然后我认为就是找工作的时候
• 44:26 就是对于这种PhD
• 44:28 New Grad最重要的就是在很多很多position当中
• 44:32 找到找到最适合自己的这么几个
• 44:36 然后就是这个岗位是专门需要你这个专业的domain knowledge
• 44:42 然后第二点就是确保你的简历一定要
• 44:45 就是可以呈现在这几个岗位的hiring manager面前
• 44:50 我觉得这个就是已经能做好你能做的一切了
• 44:55 那怎么确保自己的简历能够出现在hiring manager面前呢
• 45:00 那就是
• 45:01 我的想法就是要联系
• 45:05 这个组
• 45:06 就是要想办法
• 45:08 或者是通过LinkedIn
• 45:09 或者是你之前就
• 45:10 就是朋友这样
• 45:13 你能联系到这个组里面的某一个人
• 45:15 然后他能帮你推一下
• 45:17 我想到就是这些
• 45:20 而且我觉得
• 45:21 我在找工作的时候
• 45:24 即使这个人你完全不认识
• 45:26 在LinkedIn上面
• 45:27 connect也是有一定几率
• 45:30 对方是可以回你的
• 45:31 我觉得在我看来
• 45:33 大概有50%的几率
• 45:35 对方是可以回我的
• 45:37 就是当我做了自我介绍
• 45:39 并且附上我的简历
• 45:40 并且能清楚的说出
• 45:42 自己和对方这个组
• 45:45 有哪些match的地方的话
• 45:46 我觉得很多人是愿意帮一下
• 45:48 对
• 45:49 我感觉LinkedIn是个很神奇的一个地方
• 45:51 就是对
• 45:52 就是它可能
• 45:53 当然不会100%的回复率
• 45:55 但绝对也不是zero
• 45:56 就是可能像你说的
• 45:57 可能50%
• 45:58 反正是一个double digit的一个可能性
• 46:01 然后我感觉这个也是很有意思的一点
• 46:03 就你可能会认为 那个人看起来很senior
• 46:05 他可能不会看linkedin的这种stranger mail
• 46:08 但他们真的会看
• 46:10 然后还会加你还会回
• 46:11 就是挺有意思的
• 46:12 我其实我最后找到tiktok这个岗位其实当时我也是快要放弃了, 那当时我这个岗位其实是HR就是主动reach out的,然后他当时可能他们的HR就是reach out的这个覆盖面也比较广,
• 46:30 然后我当时就恰好看到了,
• 46:32 然后他当时推给我的是另外一个岗位,
• 46:35 然后他推给我之后我就浏览了一下,
• 46:38 就是TikTok当时在招的其他的一些researcher相关的岗位,
• 46:42 然后我就问他
• 46:43 我可不可以投这个岗位
• 46:46 就当时其实和他推荐的是不一样的
• 46:49 然后他说
• 46:50 那这个正好也是我负责的
• 46:51 然后他就说他帮我推一下
• 46:55 然后甚至感觉都没有在系统里
• 46:57 正式申请
• 46:58 可能发了简历
• 46:59 然后HR就帮忙弄了
• 47:02 挺好的
• 47:03 对
• 47:05 Tracy你刚才说想要做startup
• 47:08 我同意你说HCI的实习生
• 47:10 HCI的学生
• 47:11 跟做startup整个这种经历
• 47:14 可能的确是比较像的
• 47:16 但是那你觉得有什么不一样的呢
• 47:18 就是做一个HCI project
• 47:19 跟做一个startup
• 47:20 我觉得不一样的地方
• 47:22 首先就是你的这个product market fit
• 47:26 我们在学校或者在公司
• 47:28 会做很多的toy idea
• 47:30 然后其实真正能够赚钱的startup
• 47:33 它其实做的问题的话
• 47:35 我觉得还是to B的比较多
• 47:37 就对行业有更深的理解
• 47:39 就是一个真正存在的问题
• 47:41 其实你如果去读CHI paper的话
• 47:43 有很多问题 感觉是make up的一个问题
• 47:45 所以你要找到一个真正的问题
• 47:47 其实就已经很有难度了
• 47:49 这也是为什么我选择
• 47:50 要先工作一段时间的原因
• 47:52 因为你在工作中会发现
• 47:53 更有价值的真正的问题
• 47:55 OK对我
• 47:59 反正我也是最近一直在思考这个
• 48:03 因为感觉HCI的intern
• 48:05 它的确是更适合去创业
• 48:07 但同时我又感觉
• 48:09 现在随着无论是AI工具
• 48:10 还是什么其他工具出来
• 48:11 就觉得
• 48:12 好像AI可以很快实现
• 48:18 很多HCI的人在做的事情
• 48:21 因为我们写的很多都是
• 48:23 Prototype Code 不是一个很大的一个System
• 48:25 然后现在的AI Coding Tool
• 48:27 就是2025年当下
• 48:28 现有的model
• 48:30 都已经可以写出
• 48:31 很好的Prototyping Code了
• 48:32 它可能不是一个
• 48:33 Production Ready的Database
• 48:34 不是Production Ready的很多东西
• 48:36 但是作为一个Paper级别的东西
• 48:37 是已经完全可以实现的了
• 48:39 所以我就会觉得说
• 48:40 那这种情况下
• 48:41 HCI的researcher
• 48:44 无论是实习生
• 48:45 还是full time 还是这种教授
• 48:47 这种学生什么的
• 48:48 怎么去justify自己存在的意义
• 48:52 这个是我 我是最近可能半年一年
• 48:54 开始想了这个问题
• 48:56 对
• 48:57 我想到我上周去西雅图参加一个meetup
• 49:00 然后他们的这个主题
• 49:02 就是很多designer用AI
• 49:04 就他主题就讨论
• 49:05 designer怎么使用AI
• 49:07 然后其中有一个设计师
• 49:09 他就说因为他要做某一种特殊的字体设计
• 49:12 所以他又自己写了一个网页
• 49:15 可以来快速生成这样的字体
• 49:17 然后他最后看
• 49:18 他最后展示demo的时候
• 49:19 我觉得这个demo的精致程度
• 49:21 已经和我当初在Adobe实习的时候
• 49:23 看见那些intern做的demo差不多了
• 49:25 但这个designer他是不会写代码的
• 49:28 他用AI coding就可以做这样的一个demo
• 49:30 而且他又是用户
• 49:31 他知道自己想要什么
• 49:33 所以我当时就觉得还是很震撼的
• 49:36 就和这样真正知道自己需求的用户相比
• 49:39 我们HCI的人的竞争力在哪
• 49:41 所以我现在也在想这个问题了
• 49:43 对因为有很多不同的教授或者学员
• 49:46 都在表达类似的这种感受
• 49:48 不好意思Siqi你说
• 49:49 我其实觉得这也是一件好事吧
• 49:52 就是它可以加速你从idea到prototype
• 49:55 这样的一个过程
• 49:57 我觉得HCI的researcher
• 50:00 它的可能的出发点
• 50:02 它的就是creation
• 50:04 还是在这个idea方面
• 50:06 如果说现在可以加速这个进程
• 50:08 能更快的就是test
• 50:10 这个idea
• 50:11 我觉得也是一个能够加速research的
• 50:14 这样的一个过程
• 50:15 对如果从做research的角度来说
• 50:18 当然还是有一些优势
• 50:19 因为我们知道这个community paper
• 50:21 像什么样
• 50:22 但是我之前在Adobe实习的时候
• 50:24 我们会花很多时间在想
• 50:25 designer需要什么东西
• 50:27 但我们自己又不是designer
• 50:29 然后现在designer
• 50:30 他可以自己做工具了
• 50:31 然后你就会觉得
• 50:32 那为什么还需要我呢
• 50:34 明白
• 50:36 对
• 50:37 然后你们还有其他的这种
• 50:40 可以回头看不一样的这种决定吗
• 50:42 就是对
• 50:43 我当时有在考虑城市的选择
• 50:47 我不知道李丁你当时有没有考虑过
• 50:49 是要待在纽约呢
• 50:50 还是一定要来西雅图或者湾区
• 50:52 对当时我是其实
• 50:54 你说的这个很好
• 50:55 就是这个跟可能跟工作本身
• 50:57 没有直接的关系
• 50:58 但是生活的城市
• 50:59 其实是对生活体验影响
• 51:01 很大的一个决定
• 51:02 我当时第一个选择
• 51:03 就是要离开东北岸
• 51:05 就是纽约波士顿DC
• 51:07 都是我不考虑的区域
• 51:08 我其实因为我和你
• 51:10 都是在纽约念的PhD
• 51:12 我其实还是挺喜欢纽约的
• 51:14 我刚来
• 51:15 我现在刚来湾区一周
• 51:17 我已经充满想念了
• 51:19 对我觉得
• 51:21 我觉得我感觉
• 51:22 我会很怀念纽约的
• 51:24 很多那种城市的感觉
• 51:26 因为不管那个是少
• 51:27 那是少数美国
• 51:29 有城市感觉的地方吧
• 51:31 然后你去西雅图市区
• 51:32 或者什么湾区市区啊
• 51:33 我感觉都都不够大
• 51:36 就不像真正那种中国那种城市
• 51:38 所以所以我会感觉那的确就是
• 51:41 因为这方面我是会比较喜欢
• 51:43 就是你只要坐地铁坐个20分钟
• 51:44 你可以去到任何你想去的地方
• 51:46 嗯对
• 51:47 对我其实是
• 51:49 我其实在DMV
• 51:52 就是DC Maryland Virginia
• 51:54 这一带读的PhD
• 51:55 然后我其实也很想在附近找工作
• 51:57 我有几个同学就去了这边的
• 51:59 比如说像Capital One当researcher
• 52:01 或者是亚马逊的HQ2
• 52:03 去那边当SDE
• 52:04 但是从人机交互的角度讲的话
• 52:07 这边就几乎没有岗位
• 52:08 而且它很多岗位是要求有citizenship
• 52:11 所以也很遗憾了
• 52:14 就还得去别的地方
• 52:15 所以当时你们的思路
• 52:17 跟我当年是刚好反的
• 52:18 你们是想留在自己那个地方
• 52:20 但是没办法留不住
• 52:21 然后就被迫
• 52:22 那我是刚好反过来的
• 52:23 但是现在都在西岸了
• 52:26 对 我没有在纽约找到
• 52:30 适合我
• 52:31 非常适合我的岗位
• 52:33 说实话 然后我在面试的时候
• 52:35 说我是open to anywhere
• 52:36 就是任何美国的地方
• 52:39 我都愿意飞过去
• 52:41 这样 我也是这么说的
• 52:43 但我心里不是这么想的
• 52:45 对
• 52:46 一般你说open to anywhere
• 52:47 基本上
• 52:48 基本就会去headquarter
• 52:50 就你去的那个大组
• 52:51 那个org 或者那个分公司的
• 52:52 那个headquarter
• 52:53 一般都是这样的
• 52:54 一般headquarter
• 52:55 都会在西岸的比较多一点
• 52:57 对 嗯
• 52:58 是
• 52:59 嗯
• 53:00 对 然后最后一个
• 53:02 我可能 因为可能是个更大的一个决定了
• 53:04 因为我其实都在想说
• 53:06 嗯
• 53:07 你们现在PhD刚刚毕业嘛
• 53:08 然后呢
• 53:09 有选择这个这个
• 53:11 如果一些重来的话
• 53:12 你们还会觉得
• 53:13 读这个五年六年的PhD
• 53:15 是一个很好的investment呢
• 53:16 因为刚好你们现在找工作
• 53:17 这个时间非常的tricky嘛
• 53:19 是一个很难找工作的时候
• 53:20 如果说想象你当时来美国
• 53:23 假设读了一个master
• 53:24 一年毕业了
• 53:25 那可能比如说就是21年
• 53:27 21年的时候还好
• 53:28 好找工作的时候
• 53:29 你们就毕业了
• 53:30 然后毕业了
• 53:31 可能现在大厂里面
• 53:32 也都可能找到了工作
• 53:33 也都已经该promote
• 53:35 该签证
• 53:37 什么绿卡
• 53:38 什么就是各种生活都要往前走了
• 53:40 如果这样对比的话
• 53:41 你们有感觉说
• 53:43 这个PhD的投资
• 53:44 还是你们会做出一样的决定吗
• 53:48 对我其实当时是有这个选择的
• 53:51 因为我当时在2020年的时候
• 53:52 我的第一个老师quit了
• 53:55 他去做startup了
• 53:56 所以我当时就面临着
• 53:57 你要不要也quit
• 53:58 这么一个决定
• 53:59 而当时市场其实还行
• 54:01 就疫情
• 54:02 就好像21年初的时候
• 54:04 市场还挺好的 对
• 54:05 但是我当时选择留在学校
• 54:07 把PhD读完
• 54:08 现在看来是有一些遗憾的
• 54:10 就从financial的角度讲
• 54:11 应该是不划算的
• 54:12 你如果当时直接去工作
• 54:13 会挣比现在多很多的钱
• 54:15 但是我觉得比较划算的一点是
• 54:18 如果你有PhD学位的话
• 54:19 可能你换工作会方便一些
• 54:22 就不仅仅是在美国工作
• 54:23 以后比如说你考虑回国
• 54:25 或者去别的国家
• 54:26 那你的option会多一些
• 54:28 我因为我可能和Tracy
• 54:35 也差不多相似的时间入学的
• 54:37 然后我觉得我们方向
• 54:40 就是在21年22年的时候
• 54:42 还是非常好找工作的
• 54:43 因为那个时候
• 54:44 metaverse还是非常火的
• 54:48 然后不像
• 54:49 好像就是从两年前开始
• 54:51 就是真正AI要更
• 54:54 就是更普遍了之后
• 54:57 可能大家就在思考
• 54:59 就是大家还需不需要3D的这个过程
• 55:01 是不是能直接渲染出video
• 55:04 image这样
• 55:05 所以我觉得
• 55:06 确实是会有些遗憾
• 55:10 如果说
• 55:11 当时
• 55:12 如果在2021年的时候毕业会怎样
• 55:16 我也很难想象
• 55:19 但我认为financial
• 55:20 确实是要比现在好的
• 55:22 但如果是我的话
• 55:24 因为我个人还是比较理想主义的
• 55:26 我可能就是在金钱这方面
• 55:29 没有考虑的特别特别多
• 55:32 我认为我应该还是会读PhD的
• 55:35 我觉得这是一种
• 55:36 不一样的生活方式
• 55:38 我觉得我
• 55:39 可能我的人生
• 55:40 就是想要体验
• 55:42 不同的生活方式
• 55:43 我认为PhD也是一种
• 55:45 然后我也挺喜欢
• 55:47 我自己的research方向
• 55:49 所以我在有选择的情况下
• 55:51 我还是不希望完全转变
• 55:55 就是工作的时候
• 55:57 完全放弃过去的一切
• 55:59 就比如说去做一个
• 56:00 Machine Learning Engineer这样
• 56:02 所以我还是挺满意现在的工作
• 56:06 然后我也挺喜欢我的research方向
• 56:08 希望以后还能继续做
• 56:10 就是CG相关的工作
• 56:12 然后我觉得就是在当今的这个背景下
• 56:21 可能在读PhD的期间
• 56:23 要不断地思考自己的不可替代性在哪里
• 56:28 就比方说就像我刚才说的
• 56:34 就是比方说现在有这么多的tools
• 56:36 是否你还需要一些3D editing
• 56:39 3D modeling这样的
• 56:40 可能会在就是游戏公司
• 56:43 还是比较重要的
• 56:44 但是在其他的公司
• 56:47 会不会就是会被替代未来
• 56:49 所以我认为就是在
• 56:53 因为PhD这么长的期间
• 56:54 可能你要不断地思考这个问题
• 56:57 这也是对自己的灵魂
• 57:00 或者是对这个行业的一个拷问
• 57:03 然后如果可能的话
• 57:05 最好就是最后一年
• 57:07 如果你想去业界找工作的话
• 57:09 最好是要做一些跟业界更贴合的项目
• 57:12 这样会更有帮助
• 57:13 对
• 57:15 你刚才说到好像什么
• 57:17 21、22年那个什么
• 57:18 Metaverse方向好招人
• 57:19 反正我感觉是22年中有好多这种
• 57:22 我感觉这种大事件发生
• 57:25 一个是那个这个开始升息了
• 57:28 就Fed开始升息了
• 57:29 然后导致大厂没有这种
• 57:31 Zero interest的这种budget可以用了
• 57:34 那第二个是什么
• 57:35 有这种税法的改革
• 57:36 导致很多software engineer
• 57:38 也没有办法进行那个 这个公司
• 57:40 没法去去去deduct这个cost
• 57:41 所以他们又又又减少他们招人
• 57:44 在这两个加起来
• 57:45 导致了很多厂都不不不怎么招人
• 57:48 就22年底开始
• 57:49 其实我就可以关关注到很多
• 57:51 opening越来越少
• 57:53 然后包括我的实习学生
• 57:54 他们找工作开始越来越challenging
• 57:56 选择没那么多
• 57:57 然后是这一两年开始回暖
• 58:00 因为LLM开始回暖
• 58:01 大家开始都开始招LLM的人
• 58:02 然后所有人都往那边靠
• 58:04 而如果你所以就不是这方面的人
• 58:06 其实还是跟当22年的时候一样
• 58:09 就是比较冷的一个情况
• 58:10 然后你踩上这班热门的这个船
• 58:12 你就可以可能有更多的机会
• 58:14 然后你们两个
• 58:15 已经挺幸运的了
• 58:17 因为我听到了很多案例
• 58:18 都是可能更加的
• 58:20 这个曲折坎坷一点点
• 58:22 对
• 58:23 对因为我对转行这个事情
• 58:26 没有什么心理负担
• 58:27 我觉得如果市场需要的话
• 58:28 那你再去现学一下也还行
• 58:31 只是你需要 确实需要花好几个月的时间
• 58:34 然后期间也会非常的煎熬
• 58:36 尤其是你的面试
• 58:37 一个个挂掉的时候
• 58:38 就像你在走一个独木桥
• 58:40 然后那个桥一根根
• 58:41 那个木头就掉下去了
• 58:43 你就会觉得 自己可能上不了岸了
• 58:45 所以还是很考验心态的
• 58:47 对
• 58:48 你们两个都入职
• 58:50 新工作了吗 还是说还在等待入职的
• 58:52 状态吗
• 58:53 我还没入职
• 58:54 我是下个月底
• 58:55 我是已经入职了
• 58:57 已经工作了一个多月了
• 58:59 OK 那比如说
• 59:00 如果说一年后
• 59:01 一年后的今天
• 59:02 你们会感觉
• 59:04 自己在新的这个岗位
• 59:05 做到一些什么样的事情
• 59:07 会觉得自己很成功
• 59:08 或者很开心很满意
• 59:09 因为这是一个新的阶段
• 59:11 不像PhD一样
• 59:12 PhD的时候你可能会说
• 59:13 我这篇paper终于
• 59:14 投了三次终于中了
• 59:16 这可能就是成功了
• 59:17 那可能这个新工作
• 59:18 你们会有什么样的预期呢
• 59:19 因为我现在的新工作
• 59:21 相当于是给医生
• 59:23 做一些AI的助手
• 59:25 所以我特别希望
• 59:26 能够看到这个产品launch
• 59:28 然后有真的医生使用
• 59:29 然后你就看到
• 59:30 能够收集一些feedback
• 59:32 所以相当于这个产品
• 59:33 形成闭环了
• 59:34 因为在之前做HCI research的时候
• 59:37 我们把paper发出去
• 59:38 然后就完了
• 59:39 我们的evaluation的话
• 59:41 就是自己招的那些
• 59:42 比较 可能从学校里面
• 59:45 招几个研究生 来试一试你的这个tool
• 59:47 我觉得这不是一个真实的环境
• 59:48 所以我很想知道
• 59:50 我参与的产品 在真实环境下用户的反馈
• 59:52 OK
• 59:53 我认为一年之后
• 59:58 我可能对自己的期待
• 01:00:00 就是我比较熟悉
• 01:00:02 整个的就是这一套
• 01:00:04 这一套引擎
• 01:00:07 然后能够在这个工作当中
• 01:00:09 越来越熟练
• 01:00:10 然后越来越就是加速
• 01:00:12 这样 然后我也很希望
• 01:00:14 能够看到自己的
• 01:00:16 这个工作有落地
• 01:00:18 就真的有很多用户在使用
• 01:00:20 这样 然后可能更高一层的
• 01:00:23 就是希望自己有具备
• 01:00:24 一定的就是mentor别人的能力
• 01:00:26 比如说我能够招intern
• 01:00:29 然后并且能指导他们工作
• 01:00:31 这样 我现在已经开始带intern了
• 01:00:34 回到一开始
• 01:00:36 我可以招可以带很多
• 01:00:37 只是招不了
• 01:00:38 对对对
• 01:00:40 对
• 01:00:43 我们cover完了
• 01:00:44 我们做的这些提纲
• 01:00:45 在我们结束之前
• 01:00:46 有没有最后
• 01:00:47 你们想跟大家说的呢
• 01:00:48 大家如果对做
• 01:00:50 startup感兴趣
• 01:00:51 或者是对做
• 01:00:52 AI for healthcare感兴趣
• 01:00:54 可以来LinkedIn加我
• 01:00:55 我们可以约coffee chat
• 01:00:56 如果你在西雅图的话
• 01:00:58 可以约in person的coffee chat
• 01:00:59 如果大家对这个
• 01:01:04 CG如果是相关
• 01:01:06 相关领域的人或者对这个方面
• 01:01:08 感兴趣也可以
• 01:01:09 也可以到我主页
• 01:01:12 或者LinkedIn上面联系我
• 01:01:14 然后希望
• 01:01:16 希望读PhD的
• 01:01:19 所有人都可以
• 01:01:20 不忘初心吧
• 01:01:22 忠于自己内心的选择
• 01:01:23 不要被大环境所侵蚀
• 01:01:26 挺好的挺好的
• 01:01:27 又再次帮我们升华了一下
• 01:01:28 对挺好
• 01:01:31 那这期节目我们就到这里了
• 01:01:33 如果听众你们有自己的一些这个体验
• 01:01:35 也欢迎给我们分享
• 01:01:36 如果你们有类似的经历
• 01:01:38 想上来分享的
• 01:01:40 也可以跟我联系
• 01:01:41 我的联系方式和两位嘉宾的联系方式
• 01:01:43 会放在show notes里面
• 01:01:44 我们下期再见
• 01:01:45 拜拜
• 01:01:46 拜拜