前 Citadel Quant Kevin Zhu：从伯克利低谷、量化面试到离开高薪职业

你二十一岁时拿到 Citadel 暑期 Offer，节目换算是每小时 154 美元。那是什么感觉？

感觉当然不错，但也没有太多戏剧性的东西可以讲。那只是一份很好的实习 Offer。

如果实习后回去做全职，第三、第四或第五年达到七八十万美元总包，合理吗？

取决于岗位、团队和绩效。以我当时的量化研究岗位为例，应届生标准总包大约 55 万美元。后来市场有通胀，可能更高。每年如果表现不错，增长大约可以按 15% 想象，所以在几年后达到那个范围并不离谱，但它不是所有人自动获得的数字。

你后来又加入 Palantir，却放弃了这条高薪道路。我们从头讲起。

Citadel 为什么要求你退出其他公司的面试？

我猜这是减少竞争的谈判策略。他们不希望我拿其他 Offer 反向议价；当时我已经有 DRW 的 Offer，也正在和 DRW 谈条件，所以 Citadel 希望我停掉别的流程。

片头还提到 Ken Griffin 的强硬传闻：有人一边戴耳机听音乐一边亏掉数百万美元，Ken 据说拿剪刀剪断耳机，又训了他很久。

那只是内部流传的故事，我不能保证真实性。另一个真正让我感到损失的数字是 Palantir 股票：如果我从 2022 年持有至今，按节目当时的估算可能已有约五百万美元税前价值；但我五个月就离职，没有跨过一年归属 cliff。

这几段来自片头预览，把薪资、Ken Griffin 传闻、Palantir 机会成本和离开量化剪在一起。

对，正式访谈后面会按时间线逐项展开，片头数字不能替代具体岗位、绩效与股票归属条件。

你十二岁时就学完了大量高中数学，甚至被节目介绍为学到多元微积分。你是怎么做到的？

这里需要澄清一下。我父亲同事的孩子在数学竞赛里表现很好，父亲问他是怎么学的，得知他在做 Kumon，于是也给我报名。

为什么你能进展这么快？

美国学校数学进度本来就比较慢。很多内容并没有神秘到必须等到高中最后一年才能学。在中国或印度，学生也可能更早接触微积分。

我的故事从六年级开始。父亲的同事告诉他，孩子参加数学竞赛的基础来自 Kumon，于是父亲也替我报名。Kumon 却把已经超前的我放在 D 级、约四年级水平，我只能从很基础的工作纸一路往上做。

同龄人里有人连分数都不熟练，你却能一路做到微积分，这还是很不寻常。

我不想把它神化。课程本身没有高深到不可学，差别很大程度来自教育体系何时允许学生接触。我的确学到了分部积分、高阶导数等内容，但“十二岁、一年、全部、多元微积分”几个标签都说得过满；准确说是六至八年级间快速完成大量高中与初步微积分内容。

Kumon 标志上的孩子看起来非常不开心，你当时也不喜欢吧？

是，我宁愿玩《英雄联盟》。但回头看，它让我长期领先同龄进度，也训练了处理速度。强迫孩子重复练习未必愉快，收益却确实存在。

所以你并不否定 Kumon，只是否定把重复熟练等同于完整问题解决能力。

对。速度在限时面试里有直接价值，但遇到未见过的问题，还需要 AoPS 一类训练补足策略与证明。

你会让自己的孩子学 Kumon 吗？

大概不会，但不是因为它完全不好。它确实能让人熟练、领先学校进度，也训练计算速度；问题是，它主要依靠重复，并不真正教授开放式问题解决。

所以 Kumon 给你的是速度和基础，而不是完整的数学创造力。

对。现在回头看，我很感谢那段训练；如果当时让我自己选择，我肯定更愿意玩游戏。

AoPS 的优势具体是什么？

Art of Problem Solving 不是让人把同一种计算做两百遍，而是训练如何面对新题、构造思路。很多湾区朋友做过 AoPS，他们反而惊讶我没做过。我并不了解主持人提到的某位叫 Richard 的老师，所以不想假装知道。

许多进入量化或 AI 的学生来自奥赛、编程营和竞争激烈的中学。你的成长环境却相反？

对。伊利诺伊郊区学校的学生大多只是正常上学，没有围绕竞赛和顶尖岗位建立整条流水线。我在 Berkeley 才从朋友那里听说，某些竞争高中甚至有人为了让聪明同学考差而把人推下楼；这或许是极端传闻，但反映的文化与我高中完全不同。

我也听湾区或数理磁校的朋友说，先考完的人会故意向后考的同学透露错误题目。

在我的学校，连“打听考题”的市场都不存在，因为很多人根本不在意。学校甚至没有 AMC 数学竞赛。我回家不打开书包就玩游戏，并非建立了什么高效方法，而是课程和竞争都没有逼我投入。

那你高中究竟怎样保持成绩？

我前面说“没人学习”有夸张，当然仍有人认真读书。只是课程明显比 Berkeley 简单，而且 Kumon 让我预先学过不少内容。我自己没有形成稳定复习习惯，这个欠账到大学才一次性暴露。

所以这不是“所有同学都能轻松拿 A”，而是整体竞争强度、课程难度和升学信息都与湾区磁校不同。

对。我们学校当然有人认真学习，我只是描述自己的状态：因为许多数学内容已经在 Kumon 学过，课堂对我不难，我回家常常连书包都不打开。学校没有 AMC，也没有同龄人提醒我应该参加哪些竞赛。轻松过关在当时很舒服，却让我把“课程容易”误认为“我不需要学习方法”。

也就是说，Kumon 的真实收益是提前覆盖知识和提高速度；它不能替代开放题训练，更不能替你建立大学里的自我管理能力。

正是如此。它是有效工具，不是完整教育方案。若让我替下一代选择，我会保留扎实基础，但更偏向 AoPS 那种要求解释思路、处理陌生问题的训练。

很多进入量化或 AI 的学生来自极其竞争的高中。你的环境是什么样？

完全相反。我在伊利诺伊州郊区的普通学校，大家没有那么在意竞赛、实习和大学履历。我高中回家通常连书包都不打开，直接玩《英雄联盟》。课程对我而言比较容易，AP 考试也能拿到不错成绩。

你并不否认自己数学能力强，但学校环境确实没有逼你形成学习习惯。

是。轻松环境让我进入好大学，却让我在伯克利第一学期非常不适应。

你修了 AP 课程，大多数 AP 也拿到 5 分，这说明不能把一切归因于学校容易。

这点可以承认。但比较课程深度仍能看出环境差异。Palo Alto 的 Gunn High School 在高中就教函数式编程，而我的 AP Computer Science 第一学期仍在学拖拽式语言，第二学期才开始 Java，并且没真正讲完。

老师更多是让我们登录 CodeHS 自学。很多课时我们在玩《马里奥赛车》和 surviv.io，不可能触及函数式编程或真正的数据结构。竞争高中确实“高风险、高回报”：适合能承受竞争的人，随便把普通学生放进去也可能非常糟。

我高中也类似，计算机老师同时教会计、烹饪和各种选修。

我们学校把 AP CS 与烹饪、陶艺一起归到毕业所需的“实用艺术”。我选它，一部分原因就是不想选烹饪。这种分类本身已经说明学校如何看待计算机科学。

你的父母是教授，是否给了你普通学生没有的资源？

有。父亲会教我数学，我从六岁起也常去父母相关的生物医学实验室。小时候主要是在那里玩，到了中学才开始做真实实验。

所以你没有来自竞赛高中的文化资本，却有家庭提供的研究资本。

对。我必须承认这是很大的优势。很多学生并不是能力不足，而是根本没有机会知道研究工作是什么。

你父母分别做什么？你多早进入实验室？

他们从事生物医学相关研究和教学。我大约六岁起就会去实验室，最初当然只是玩，并不理解研究；大约十一、十二岁后才开始接触可执行的实验步骤。父亲既能教数学，也能让我看到研究人员怎样工作。

我们高中 AP CS 被当成“实用艺术”的一项，与家庭实验室形成鲜明对比：学校没有清晰的科技路径，家里却让我接触 Western blot、凝胶电泳和实验记录。这不是我自己凭空争取到的，确实是家庭连接带来的特权。

所以早期优势不只表现为会做题，也表现为知道研究允许失败、需要反复验证。

没错。实验结果不会因为你很聪明就自动正确。样品、试剂、仪器和操作都可能出问题，人必须回到假设和步骤逐项排查。

父亲同事的孩子 Lawrence 也常去实验室。我们小时候一起玩《马里奥赛车》和《游戏王》，中学以后又一起做实验。这些经历既建立了友谊，也让我早早把研究看成一种可以实际参与的活动。

Lawrence 是怎样进入这段经历的？

他是父亲同事的孩子，也是我很早认识的朋友。小时候去实验室，我们更多是在玩《马里奥赛车》和《游戏王》；年龄大一点才共同参与实验。研究并没有抹掉童年生活，两件事是交织在一起的。

这也解释了为什么我后来会自然地考虑研究路线。即使没有竞赛高中的职业流水线，实验室让我知道“提出问题—做实验—根据结果调整”是一种真实职业活动，而不是课本里的抽象描述。

你后来与这些童年朋友仍保持联系吗？

是，长期友谊本身也是重要收获。早期共同经历并不都转化成简历项目，有些只是让研究环境和合作关系对我不陌生。

不过我得纠正“长期保持联系”这个说法：我们没有闹翻，只是上了不同学校后渐渐失去联系。我已经很久没和 Lawrence 聊过；他后来似乎也去了量化行业，现在人在芝加哥，我连具体公司都记不清，访谈时还说应该主动联系他。

这段实验室经验后来怎样迁移到 AI 研究？

除了提出假设和运行实验，更直接的训练是阅读能力。论文经常突然使用你没有先修过的概念，你不可能等到补完所有课程才继续；必须边读边识别缺口、快速补背景，再判断方法和结果。生物医学实验和后来的 AI 主题不同，但这种跨越先修知识的能力是相通的。

你到 UC Berkeley 后发生了什么？

我几乎不知道科技行业的规则。我第一次听到 AI、机器学习和“实习”这些词，是校园社团发传单的时候。周围很多同学的父母已经在科技行业，他们知道要选哪些课、加入哪些社团、什么时候刷题、怎样找研究。

信息差本身就会带来几年的差距。

是。一个学生如果大一就知道目标和路径，另一个到大三才知道什么是实习，两人的能力未必差很多，结果却会非常不同。

Berkeley 的冲击不仅来自课程。许多同学在入学前就知道机器学习、社团筛选、TA、研究助理和实习时间表，我却是在校园里看到传单才第一次认真听到 AI 与 ML。我的家庭能指导医学路线，却无法告诉我科技行业的隐性规则。

你有没有试图加入学生组织？

我逐渐参加社团、从同学那里学习，但一开始连应该问什么都不知道。那些父母就在科技行业的学生，通常不是智商突然更高，而是早几年知道课程和招聘的游戏规则。

另一方面，竞争文化也让我看到非常强的同龄人，证明自己过去所谓“数学超前”并不等于在 Berkeley 自动领先。环境既带来挫败，也提供了后来追赶所需要的信息。

这就是路径依赖：知道得早，就能在大一开始积累；知道得晚，可能大三才开始第一步。

对，所以我后来很看重导师和结构化路径，它们可以把原本靠偶然获取的信息显性化。

如果你在伊利诺伊州时就生活在这样的信息环境，轨迹会不会不同？

很难精确反事实推演。我本来就喜欢数学，可能会更早参加 AMC、AIME 一类竞赛，也会更早申请研究和实习；资源充足当然会让路更容易。但我不抱怨自己的背景，只是承认优势存在光谱，知道规则越早，试错成本越低。

你提到一位对你特别关键的朋友 Gautam。他具体做了什么？

我大一认识他，大二变得很熟。他来自湾区，连接很多，也知道行业怎样运作；他甚至说自己成长时的邻居是 LinkedIn 的 Reid Hoffman。对他而言很基础的常识——秋季就要申请下一年暑期实习、没有经验不能只投最顶尖公司——对我却是全新信息。

我当时天真地只投 Google 等 FAANG 公司，以为自然会拿到实习，结果毫无回应。后来又投了一百多处，仍几乎没有回信。Gautam 告诉我必须从小台阶开始：如果连小型创业公司实习都拿不到，就先去研究实验室获得第一条可信经历。

你怎样执行这条建议？

我给 RISE Lab 的许多博士生发邮件，终于拿到研究位置。到第二年春季，简历上有了这段经历，几家创业公司才开始回应，我也因此得到第一份真正意义上的实习。即使当时市场比现在好，Berkeley 学生在简历空白时一样可能完全收不到回复。

这像《黑客帝国》里有人递给你红色药丸，把隐藏规则全部揭开。

我们俩其实都没看过那部电影，但这个比喻已经是文化常识了。Gautam 的确像揭开帘幕的人：他没有替我拿 Offer，而是告诉我这场游戏有哪些台阶、每一步何时开始。后来走到 Citadel，我欠他很多。

随后的片段是一段软件工程求职课程广告，面向投了许多申请仍无回应、在线测评或面试屡次失败的人；它不属于 Kevin 的经历。

高中时我没形成学习习惯，进入伯克利后仍然玩很多游戏，也低估了课程难度。第一学期绩点大约 3.0，对想进入竞争岗位的人来说并不好。

第一学期的 CS61A 比高中任何课程都难。我又无法管理独立生活，甚至不去听课。第二次期中考试前，我计划一晚上补完所有录像，结果躺在床上看第一讲就睡着了。

CS61A 最后拿到 B+ 还有运气成分；课程负责人 John DeNero 在最后调整了分数边界，让临界学生上升一级。另一门课只拿到 B。对过去几乎不用学习的我而言，这是彻底被击败。

所谓“寒假锁定”不是一句励志口号，而是你终于承认旧方法无法继续。

是。问题不是某次考试粗心，而是我没有日历、不会按时出席、把所有复习拖到最后，也不会在没有家长和学校结构时安排生活。寒假需要补的是整套执行系统。

你做了哪些改变？

我开始提前安排学习时间，把任务拆解到每天，而不是只看截止日期；减少同时进行的事情；记录自己在哪些地方浪费时间；把需要高注意力的工作放进不被打断的时段。

2018 年那个寒假，我从《Atomic Habits》《Deep Work》等最基础的材料开始。它们让我第一次把行为理解成习惯和环境的结果，而不是简单地责怪意志力。

Cal Newport 的时间块对我尤其重要。我在大一秋季从未真正使用日历；到了春季，反复查看日历让我能够管理一天，知道什么时候该到哪里，不再等事情发生后才发现错过。

这些概念如今听起来普通，但对从未接触过的人非常有用。

正是如此。深度工作还要求我在学习时关闭聊天和手机。过去我会一边播放课程录像、一边开 Messenger；两件事看似都在进行，实际无法真正吸收讲课内容。

我读了很多生产力和自我提升材料。这个行业的信噪比确实不高，读几本以后会发现大部分观点重复；但对从未接触过这些概念的人，最基础的 20% 非常有价值。

“对你显而易见的东西，对别人可能很惊人。”即使概念普通，也值得告诉还没见过它的人。

对。学到基础以后，就要停止无止境消费内容，转向根据自己情况执行。

自助内容的问题是边际信号迅速下降：读完几本基础书后，剩余作者常在重复同一组观点。要获得最后 20% 的新信息，需要成倍增加筛选成本。

我也在大一后读了 Ali Abdaal 推荐的整套书，包括《Deep Work》《Atomic Habits》《The 4-Hour Workweek》。很多高中轻松过关的男生，从未形成按时上课、记笔记和复习的习惯，大学才被迫补课。

两本基础书足以帮助我把 GPA 从约 3.1 提到 4.0，却没有彻底解决拖延。之后对我更有用的是 LessWrong 上从理性主义角度分析拖延和系统的文章。

我逐渐建立任务管理和知识管理系统，如 Obsidian，以及受 Andy Matuschak“常青笔记”启发的框架。我可能有明显的 ADHD 倾向，没有这些精细系统就难以稳定运转；有些人天生执行功能、尽责性或焦虑水平较高，不需要同样多的外部结构。

因此不能用“我不用系统也能做事”去否定别人建立系统的需要。

没错。系统的价值取决于个人执行功能。对我而言，数百小时阅读和迭代不是生产力表演，而是维持正常工作所需的基础设施。

对我帮助最大的是 time blocking，也就是时间块。不是只写一个待办清单，而是给任务安排具体时段。它迫使你面对一天真正有多少时间，也减少了临时决定“现在做什么”的摩擦。

人格差异也很重要。执行功能强、高度尽责，或者天生对截止日期焦虑的人，会被自身特质推着行动；我需要投入更多力气建立外部结构。时间块把我从“事情发生了才反应”变成每天几次主动检查日历。

第二个关键是深度工作。简单行政任务若太无聊，一边聊天也许反而能帮助坚持；但真正要理解课程、证明或算法时，多任务一定损害学习。Messenger 和课程录像同时开着，只会制造“我在学”的错觉。

艾森豪威尔矩阵、时间块、深度工作，对熟悉生产力内容的人像陈词滥调。

但“对你显而易见的东西，对别人可能很惊人”。不要因为自己听过，就假定所有刚进入大学的学生也听过。

哪一门课让你真正建立信心？

CS70，也就是离散数学和概率课。伯克利学生普遍认为它很难。我改变学习方式以后，在课程里取得很好成绩，这成为一个突破点。

大一春季的数据结构课我已经能拿 A，但仍觉得吃力。直到 CS70 的离散数学与概率重新连接到我熟悉的数学能力，我才不再怀疑自己是否适合计算机科学。

在此之前，我甚至猜想数学和 CS 可能依赖完全不同的大脑区域；CS70 做得顺手后，我意识到 CS 是可掌握的。下一学期修 CS170 时，我不再只求生存，而是真正想争取 A+。

这很像 winner effect：尝到一次胜利后，你相信更高目标可达，于是投入更多；失败也可能形成反向循环。

我同意。成功本身并不自动延续，但它改变了我对能力边界的判断，也让继续努力显得合理。

你前面提到 Eisenhower Matrix、时间块和深度工作。有些人会觉得这些是人人都知道的老生常谈。

我当时也担心重复常见建议。但知道一个概念和真正按它生活不同。过去我总先做感兴趣或看起来紧急的事，真正重要的学习反而被挤掉；“紧急往往是重要的敌人”对我的改变就在于把这种偏差变成可观察的问题。

对听众而言，显而易见的东西也可能正是别人第一次听见的工具。一次介绍会让人继续查 Eisenhower Matrix、time blocking 或 deep work。

是，所以不该因为方法常见就省略它。CS70 的意义也不只是一个分数：大一的编程课让我怀疑数学能力能否迁移到 CS，而离散数学让两者重新接上，促使我在下一学期的 CS170 里第一次主动追求 A+，而不只是求生。

没有实习经历的人，怎样进入 FAANG 或量化公司？

必须从小的台阶开始。首先课程成绩不能完全放弃。人们说 GPA 不重要，通常是指已有其他强信号的人；如果简历上什么都没有，成绩仍然是筛选信息。

“GPA 完全没用”是一条危险的过度概括。低年级课程至少要真正掌握数据结构和算法，因为面试会直接测试它们。成绩不是唯一信号，却不能由此推导出“课程也不用认真学”。

从空白简历一步进入 FAANG，除非父母在公司等极特殊情况，通常不会发生。边做课程项目和 side project，边争取 TA、研究助理或社团经历；如今 side project 也高度同质化，所以最好取得能够被第三方验证的责任。

我在大二春季做研究，暑期成为 TA，当时还拿不到正式实习。这些中间经历后来成为申请创业公司的依据。

把职业路径想象成楼梯：社团和项目、黑客松、研究、小创业公司、中型公司、Amazon 或较容易进入的大厂，然后才是 Google、Citadel 等更高台阶。偶尔有人一跃十八级，但不能拿异常值规划人生。

你的第一个职业台阶是什么？

一家小型创业公司。工作本身没有多么耀眼，但它让简历第一次出现真实软件经历。随后我拿到 Amazon 和一些量化公司的面试，也获得 Goldman Sachs 的机会。

偶尔有人高中直接进入 TikTok 或大学一年级进 Meta，但不能把异常案例当作标准路径。

对。寻找下一步可达到的台阶，比每天比较最极端的人有效。

那家创业公司叫 Usher。我不是通过正式校园渠道发现它，而是在 LinkedIn 无目的滚动时搜索 Berkeley 的高阶概率课 Math 126，看到该课 TA 曾在那里实习，于是顺手申请。当时我很焦虑，见到任何小公司都会投。

实习发生在疫情期间，导师交流有限。我上过编程课，却从没写过真实产品代码，所以生产力不高、学到的也没有想象中多。它仍然有价值：简历终于出现一段公司经历。

大三秋季再次申请时，情况只改善了一点，但这段经历帮我换来几场软件面试，最终拿到 Amazon，也收到多家量化公司的回应和 Goldman Offer。我最后选择 Goldman。

第一级台阶不要求完美。它的一个作用，就是向下一级证明你已经在真实环境里交付过。

我当时同时修很多机器学习、优化和理论课程，也做研究，原计划系统刷 LeetCode，实际没有足够时间。

那学期我修机器学习 CS189、优化理论 CS127、Palantir seminar 等大量课程，还开始别的高阶课，原计划认真刷 LeetCode，最后只做了约七十题。总共大概获得五到十场面试。

大部分回应来自量化公司，软件公司仍很少。可能是简历上的高中数学活动帮助了我，尽管它们并非 AMC 之类正式竞赛。Amazon 发面试相对宽松，因此成为少数软件机会。

我没有进行长期、系统的量化面试训练，通常是收到哪家公司面试，就临时准备那一家。量化公司表面上更愿意给机会，部分原因是在线测评和正式题目本身更难，筛选发生在后面。

我印象中 Citadel 曾向很多冷投候选人自动发 OA，但难度非常高。

我的经历不同：Citadel 主动联系，我不记得先做过 OA。不能把某一年的一条流程当成所有岗位、所有年份都一致。

你没有在申请前完成一套理想准备，却仍靠课程、研究和七十道左右 LeetCode 题进入流程。

是，这不是鼓励临时抱佛脚，而是说明深厚课程基础能在准备不完美时提供缓冲。反过来，只刷题却不理解概率和算法也很脆弱。

你原先的计划与实际准备差得有多远？

我原本想系统刷 LeetCode，但同一学期塞进 CS189 机器学习、CS127 优化理论、一门 Palantir seminar，还开始修其他高阶课程，现实中只做了大约七十题。广投以后总共获得约五到十场面试，绝大多数是量化公司，软件岗位仍很少。

量化公司愿意面试没有强实习背景的人，是否意味着门槛更低？

不能这么说。它们可能更愿意把筛选放在 OA 和高难度面试里。我简历上的一些高中数学活动也许有帮助，尽管不是 AMC 等正式竞赛。Amazon 相对愿意发面试，所以成了少数软件机会；其余量化流程，我只能收到一家就临时准备一家。

Citadel 当时是不是冷投就自动发 OA？

主持人的记忆是如此，但我的情况不同：公司主动联系我，我不记得做过 OA，也可能是当时直接跳过。年份、岗位和来源都会改变流程，不能把任何一种经历概括成统一规则。

Goldman 的经历如何？

我的概率基础很好，在伯克利高阶概率课程里很活跃，也拿到 A+，因此即使没有专门准备，面试题仍相对熟悉。

面试能通过，主要不是临时刷题，而是我在 Math 126 高阶概率里真正吃透了内容。我在 Piazza 上经常回答问题，最终拿到 A+；这种基础足以让我现场处理概率题。

薪资和岗位名称呢？

具体数字记不清了，隐约是八千或九千美元，但不确定是月薪还是整个安排；换算也许约每小时四十至五十美元。岗位名称是 SSG 的 Quant Strategist。既然记忆不确定，就不应写成精确承诺。

这是第一份量化 Offer，确实让我很受鼓舞，也延续了前面说的正反馈：一次被市场认可后，我更愿意为下一轮量化招聘投入。

Goldman 的两个项目也显示 Quant Strategist 未必只做纯交易公式。

对，一个项目是数据科学与回归，另一个是全栈 dashboard。岗位会横跨分析、工程和业务工具，名称不能完全概括日常。

你拿到这份第一张量化 Offer 时，最直接的感受是什么？

很受鼓舞。它再次印证前面说的 winner effect：市场第一次明确认可我能做量化，我就更愿意为下一阶段投入。薪资我只模糊记得八千或九千美元，连它是月度还是整个安排都不能确认；主持人估算为每小时四十到五十美元，我只能说大概可能，不能把它当精确数据。

Citadel 的机会又是怎样开始的？

那是很特殊、也很幸运的情况。对方主动找到我，希望我面试 Quant Research；我原本以为这种位置主要给博士。第一轮重点问研究背景，我讲了在 RISE Lab 做卷积神经网络推理优化、并行计算与 neural pruning 的项目。

后续问题跨度很大，因为量化研究不像单一刷题清单：会问汇编、统计、概率、机器学习，也会沿着你的研究追问。这正说明扎实课程和真实研究为何能在临时准备不足时提供支撑。

很多学生把招聘理解成“准备几个月，然后直接拿到终点 Offer”。更现实的方法是建立连续信号。

对。职业加速不是跳过所有基础，而是尽早知道每个基础的用途，减少在错误方向浪费的年份。

Citadel 联系我的情况相当特殊。他们主动来找我，希望我面 Quant Research；我原以为这类职位主要招博士，所以非常幸运。第一轮重点问我的研究背景。

你同期还面了哪些公司？

因为 Citadel 在 Offer 后要求停掉其他流程，实际只完成约五到七家公司。我不是横扫几十家后比较所有顶级 Offer；时间线比这种叙事短得多。

我在 RISE 做卷积神经网络研究，用并行计算与神经网络剪枝提高推理效率。之后的面试内容横跨汇编、统计、概率和机器学习，因为量化研究可以从任何角度追问。

连过约四轮后还有团队负责人的行为面试；专业轮结束后也不算完成。Citadel 据说由 Ken Griffin 审视每名拟录取者，候选人要列出五项最重要成就。我写了 Goldman 项目、研究和另一段创业公司实习，最后研究经历成为拿到 Offer 的关键。

你为什么认真考虑研究生院？

我确实喜欢研究，并非把读研当作失业备选。当时除 RISE 外，还准备开始一段理论计算机科学研究。如果选择研究生路线，课程、论文和推荐信的优先级会与求职路线相反。

你当时还考虑研究生院？

是。我喜欢研究，除 RISE 外也准备开始理论计算机研究，所以认真考虑过读研。拿到 Citadel 后我停止了不少其他面试流程，最终也放弃新研究职位和研究生申请。

以求职为目标的学生，应不应该减少高年级课程量？

取决于目标。低年级前两年仍要努力学，因为数据结构、算法、概率和系统是面试基础；高年级若目标明确是就业，秋季招聘窗口应给面试准备更多时间。

如果目标是研究生院呢？

那就相反，研究和高阶课程更重要。主持人开玩笑说听众都想进量化和大厂、没人想读研，但路径选择不能脱离个人目标。

时间也有季节性。秋季集中招聘时，过重课程会直接挤掉准备与面试；春季可以再修想学的内容。问题不是“课程永远不重要”，而是把正确投入放在正确窗口。

Berkeley 还有专门帮助学生刷 LeetCode 的课？

是，这种资源会系统讲招聘题。知道资源存在、加入同伴网络，本身就是竞争优势；我成长地没有类似结构。

Citadel 是怎样联系你，又怎样面试？

猎头联系后，我同时进入软件工程、交易和量化研究流程，累计大约十八场面试。不同岗位题目差异很大。

不同岗位应分开看。SWE 有一次让我用 C++ 从底层设计哈希表；我平时偏 Python，没有扎实掌握 C++ 细节，因此没有通过。软件面试还会问算法、数据结构和系统。

Trading 侧重概率、期望值、博弈与快速思考。Quant Research 则可能要求证明、鸽巢原理、统计推断、机器学习方案，并沿着简历研究项目连续追问。

这也是为什么“刷一张题单”不等于准备完毕。开放问题如购物小票预测，会考察样本偏差、标签如何定义、数据缺失、特征和验证，而不是背出唯一答案。

对。量化研究可能“什么都问”，基础覆盖面和解释推理过程，比记住上一位候选人的答案更可靠。

量化研究可能问数学证明、鸽巢原理、统计、机器学习设计，也会追问研究项目。

软件工程更看重算法、数据结构、系统和底层编程；交易重概率、期望、博弈和快速思考；量化研究需要统计、机器学习、研究经验。

某些岗位先有电话筛选，最终轮一天连续六场；量化研究也会经历多场初筛和终面。全部安排在同一天时，体力与恢复速度也成为测试的一部分。

这说明研究不仅服务于学术，也能给量化公司证明你能处理开放问题。

是。课程题已经有答案，研究要求在没有答案时继续推进。

Super Day 的具体组成因岗位不同。有的流程先电话筛选，再把六轮集中到一天；连续应对多位面试官，既考知识，也考被一道题打乱后能否迅速恢复。

Quant Research 的终轮之后，还有团队匹配和整体审核。五项成就不是让人堆砌形容词，而是要解释自己在项目里具体做了什么、困难在哪里、结果如何。

Citadel 要求你退出其他面试时，你已经走过多少流程？

大约只做了五到七家公司，因为 Offer 来得较早。我还在准备研究生申请。要求退出流程可能是公司的竞争策略，候选人也要理解自己放弃了哪些选择。

六轮终面具体怎样排？是跨几天进行吗？

全在同一天：四十五分钟、四十五分钟、四十五分钟，休息一下，再连续三场四十五分钟。软件工程岗是一次初轮加六场终轮；交易岗大致也是电话筛选后进终轮；量化研究我记得初轮约两场、终轮再约四场，但细节已经不完全确定。

那一整个招聘季你如何兼顾课程？

我当时课业负担很轻，主要时间放在助教，所以面试排期并没有想象中困难。Citadel 和另一家公司七月就联系我，八月左右招聘已经结束；高年级那一季我只面了 Jane Street、DRW 和另一家科技公司等少数几家，并不是同时跑几十条完整流程。

要求你停止其他面试，是在你已经持有 DRW Offer 的背景下发生的。

对，我推测这就是减少竞争和议价筹码的策略。对方不希望我继续收集可用于反向谈判的 Offer，但这只是我对动机的判断，不是公司给出的正式解释。

你同时拿到 DRW Offer。Citadel 为什么要求你退出其他面试？

我猜是为了降低竞争，不希望候选人拿多个 Offer 反向谈判。那时我已经在用 DRW Offer 沟通条件。

DRW 的流程和岗位条件与 Citadel 不完全相同。我已经拿 DRW Offer 与对方沟通，因此 Citadel 更有动机阻止我继续积累竞价筹码。

所以谈判不只是问一句“能不能加钱”，而是管理并行流程，让替代方案真实存在。

对。但我不记得 DRW 的所有题目和精确薪资，不能事后把模糊记忆包装成确定数字。可以确认的是，Citadel 暑期 Offer 总额约六万八千美元、为期十一周，节目由此算出约每小时 154 美元。

Offer 的绝对数字也应与年份和职责绑定。

是。实习总额、时薪、签字奖金、全职 TC、绩效奖金和股票不能混成一个“年薪”数字。

DRW 的面试本身有什么值得特别记录的地方？

相比 Citadel，它更容易，也更像标准交易面试，我没有更多独特细节。薪资只记得低于 Citadel，主持人反复追问大概范围，我仍然想不起来，所以最可靠的写法就是保留“不记得”，而不是替记忆补一个数字。

Citadel 是先要求你退出，再给 Offer 吗？

我连具体先后顺序都不敢确认，只确定 DRW Offer 在 Citadel Offer 之前。因为我已经判断自己不会长期做量化，更看重技能迁移；在少数可选岗位里，Quant Research 最符合这个目标，所以我对继续跑其他流程兴趣不大，也较容易接受停止面试。

你真正记得清楚的薪酬数字是什么？

Citadel 的量化研究暑期 Offer 约六万八千美元，十一周。节目把它换算成每小时约 154 美元；这个算法没有说明每周工时，只是将总额按十一周再按常见工时折算。它描述的是二十一岁时的一份暑期实习，不是普遍年薪。

Citadel 暑期实习大约十一周，总收入约 6.8 万美元。按节目计算，相当于每小时约 154 美元。

但这不是“读几门课就稳定年薪 75 万”的公式。

当然不是。能否拿到 Offer、留在团队和拿到奖金都是不同问题。数字只能描述特定公司在特定阶段的顶级岗位。

二十一岁拿到每小时 154 美元，真实感受是什么？

就是“感觉很好”，没有更戏剧化的答案。十一周约六万八千美元是非常高的实习收入，但全职薪酬还取决于团队、角色和绩效。

我那一届 Quant Research 应届标准总包约五十五万美元；节目采访时估计通胀后也许到六十万至六十五万美元。之后每年按约 15% 增长只是粗略情境，不是保证。

所以第三至第五年拿到七八十万美元，在绩效激励全部实现时很合理？

在这种顶级团队里算合理预期，但“所有激励实现”是重要限定。不同岗位和团队的分布会非常大。

节目标题写七十五万美元，正文实际讨论的是第三至第五年、绩效达标后的七十至八十万美元区间。

对，应届标准总包和几年后表现良好时的总包是两件事，不能把后者包装成人人入职即得。

在 Citadel 之前，我最想去 Jane Street 或 HRT。我进入过 Jane Street 最后一轮，但最终被拒。

你当时是否把 Citadel 当成阶梯顶端？

在拿到 Citadel 前，我更想去 Jane Street 或 HRT。Jane Street 走到最后一轮后拒了我；拿到 Citadel 后，我对 HRT 与其他流程也没有强烈到必须继续。

Citadel 最紧张的部分是什么？

公司整体以高压著称，但我所在 DSG（Data Strategies Group）相对轻松，因为团队不直接持有交易账簿，没有自己的 P&L，也不与内部团队以同一种方式竞争。我看到其他人早上六点起床、晚上十点回家，但那不是我的日常。

因此不能把 Citadel 文化说成每个人都完全一样。团队是否直接承受盈亏、负责人风格和岗位类型，会显著改变体验。

你对早六晚十的同事表示同情，但自己的 DSG 实习并非这种强度。

对。真实经历与公司传说要分开记录：公司整体激烈、别的团队有人超长工时、我的团队相对 chill，这三点可以同时成立。

Citadel 文化和 Ken Griffin 有很多激烈传闻，例如剪断亏损交易员的耳机，或者在电梯里解雇没能清楚解释工作的实习生。

我必须强调，这些故事高度可能是都市传说，我不知道是否真的发生。它们更像员工围绕 Ken 的高压形象形成的神话。

耳机故事的版本是：交易员戴耳机听音乐时亏了数百万美元，Ken 拿剪刀剪掉耳机，又训斥约一小时。但公司并没有真的全面禁止耳机，我工作时也戴过，这更说明故事可能经过夸张。

另一个传闻发生在电梯：实习生只有升到二十六层前的三十秒解释自己在做什么，Ken 觉得回答不够好，就把他解雇。这个故事同样高度“伪经化”，只能当作内部塑造 Kenny G 高压人格的传说。

实习生之间是否都提醒彼此别去他的办公区？

没有必要把它描绘成恐怖片。我只是觉得没有理由过去，因此避免。事实边界应当是：传闻很多、我和他同层、我没亲眼看到故事发生。

我在 2021 年秋季同时申请 Citadel、Palantir 和第五年硕士项目，因为仍不知道自己真正想做什么。我最后接受了 Citadel 暑期实习，也接受 Palantir 全职 Offer。

时间线要澄清：Palantir Offer 与 Citadel Offer 都在 2021 年秋季出现，我当时还考虑第五年硕士，因为根本不知道最终要走哪条路，于是同时接受了暑期实习和毕业后的全职安排。

Palantir 的节奏明显更轻松，期望低于 Citadel。我做的是公司内部类似 Google Docs、Google Slides 的产品，名称似乎是 Dossier、Stencil。并非工作环境恶劣，而是具体内容让我感到极度无聊。

薪酬里约十三万五千美元是 base，股票按当时估算约五万五千美元？

大致如此。后来股价若按节目说法上涨约三十倍，纸面反事实会非常惊人；但一年 cliff 意味着五个月离开的人连第一批都拿不到，所以“五百万税前”只是“如果留下”的计算。

入职第一个月，我就隐约知道自己不想长期留在那里。问题不完全是 Palantir，而是我发现自己可能无法接受未来三十年一直作为公司员工做缺乏意义感的任务。

离开不是因为我认为在科技公司工作“不道德”。我只是个人想做更多。选择 CS 而不是数学，本来就是相信软件能直接影响世界；如果每天仍只是推进自己不关心的内部文档功能，这个选择的初衷没有实现。

第一个月已经很不受鼓舞，但我花了几个月判断自己真正想做什么，大约三个月时开始形成方向，之后又拖延正式离职。所谓后悔，是后悔没有更快执行自己已经知道的判断。

一年 cliff 带来的财务损失并没有改变你对当时生活质量的评价。

对。事后知道股票上涨，会觉得代价很大；但决策发生在当时信息下，而我每天已经觉得时间没有被有意义地使用。

你不是在五个月时突然厌倦，而是一个月时已有结论、之后花时间寻找替代方向。

是。离职速度和判断形成速度不同。没有下一步方案时，人会在已知不合适的状态里继续拖延。

为什么没有回到量化？那里至少有极高收入和清晰晋升。

原因与离开 Palantir 相似。我承认市场做市提供流动性，交易员也能把收入用于其他有价值的事情；我不是说这个职业对社会毫无价值。

做市商向市场提供流动性，这有社会价值；赚到的钱也能用于别的好事。我不否认在 Citadel 的许多体验很好：薪资高，机器学习建模有趣，也能处理只有大公司才拥有的超大规模数据。

问题是它没有让我感到受鼓舞。如果现有选项都不满足，而你的技能允许创造东西，另一条路线就是自己建立项目。我后来这样做，也比以前快乐。

Elon 说金融业过度集中人才，更多人才本可做产品、改善世界。你同意吗？

直觉上基本同意，但我没有做经济模型来量化。金融并非零价值；我的判断只是人才配置可能没有达到社会最优。

留在量化五到十五年，三十多岁赚到数百万，再获得自由，不诱人吗？

更多钱当然好，财务自由也有价值。但我生活需求低，只用 DoorDash、Uber 等服务，不购物，也不想为了十年后的自由，先经历十年不喜欢的公司生活。

你并不主张所有量化人才都辞职。

当然。有人热爱交易本身，有人用收入支持家庭或公益。我的选择来自个人满足感和低消费需求，不能自动推广给每个人。

在高收入阶段，你如何花钱？

主要开销是医疗。我有睡眠相关问题，花钱看不同医生、购买 CPAP 等设备。除此之外是 DoorDash、Uber Eats 和出行，生活并不奢侈。

最大支出是治疗睡眠障碍，包括不同医生和设备；一台 CPAP 就超过一千美元。这些开销并不要求量化薪资，普通高薪科技工作也能承担。

我不会做饭，也不想把时间花在烹饪，所以大量使用外卖。我可以一周七天吃 Chipotle，喜欢它的鸡肉调味和 guacamole。主持人还提到 Alex Hormozi 也靠 Chipotle，并从每美元热量、蛋白质和蔬菜角度称它比 McDonald’s 划算。

这段看似跑题，却说明你的消费偏好：高收入没有转化为奢侈品，而是换医疗、便利和时间。

对。钱很好，但我的满足感并不随收入线性增加。离开后我思考“我能提供什么、我想做什么、世界需要什么”的交集。

大学期间我沿 TA 阶梯做到负责人约两年，也实际讲过课；教学是明确喜欢的事。2023 年 ChatGPT 刚出现，AI 的紧迫感又把研究方向拉到眼前，两个交集最终变成 Algoverse。

Chipotle 的插曲也保留了访谈语气，而不是只提炼成“低消费”。

是，我们还具体讨论了鸡肉、guacamole、蔬菜、蛋白质和每美元热量。这些细节能让听众理解消费习惯，不应为了主题简洁全部删除。

所以即使在 Citadel、Palantir 收入很高，你并没有建立必须靠量化薪资维持的生活方式。

没有。医疗设备、医生、外卖和打车花了一些钱，但普通高薪科技岗位也能覆盖。做饭对一些人很平静，我却会把那段时间视为可用于其他事情，所以长期靠 DoorDash、Uber Eats；这是一种时间偏好，不是炫耀消费。

你后来如何决定下一步，而不是立刻跳去另一家高薪公司？

我用了一个交集框架：我能带来什么、我真正想做什么、世界需要什么。大学里我沿着助教阶梯一路做到负责人约两年，也讲过理论课，明确知道自己喜欢教学。与此同时，2023 年 ChatGPT 刚出现，AI 研究的重要性和紧迫感变得非常具体。

量化的金钱并非没价值，它购买医疗、便利和选择权；只是当额外收入不再改变每天想做的事，边际价值就下降。教学能力、研究经验和 AI 的社会需求交叉在一起，才逐渐形成 Algoverse，而不是某天冲动离职后随便起的项目。

2023 年，ChatGPT 出现后，AI 的进展第一次变得非常具象。我此前已经关注 AI 时间线，但那时感觉必须立即回到这个领域。

我自己进入 Berkeley RISE 时，给实验室每一位博士生冷邮件，最终只得到一个回复；那个数字完全可能是零。我甚至没申请其他 Berkeley 研究岗位，因为觉得竞争太难、申请也没意义。

高中生获得真实 AI 研究机会更困难。市场上已有一些项目，却常把 Kaggle 竞赛、训练一个 CNN、写报告包装成“研究”，收费还可能接近一万美元；学生没有提出新问题，也没有真正投稿。

Algoverse 邀请来自 OpenAI、Meta 和顶尖博士项目的导师，帮助学生从新想法、实现、实验一直走到顶会投稿。它不是保证录用，而是让原本没有连接的人进入真实研究流程。

最近一季有多少成果？

当时已有二百三十多名学生被 NeurIPS 相关批次接受，另有一批结果仍在等待。数字很大，但更重要的是其中确实出现了能与职业研究者论文放在同一基准里的项目。

“真实研究”要求新颖想法、实现、实验和投稿，而不是复刻一个现成 Kaggle notebook。

对。导师不能保证新颖性和接收，但可以让学生理解同行评审标准，并在真实失败中继续迭代。

项目中有论文被顶级会议接收。其中一篇后来被 OpenAI 选进 PaperBench，用来评估 AI 能否复现真实 AI 研究。

OpenAI 的 PaperBench 在四月发布，用约二十篇来自 NeurIPS、ICML 等顶会的前沿论文测试 AI 是否能完成真实研究复现。Algoverse 的一篇论文被选中，与顶尖博士生和专业研究人员的工作并列。

那篇论文的作者是四名高中生。OpenAI 其实与学生第一作者 Tim 沟通了约六个月，但他受 NDA 约束，太紧张而没有告诉我；我直到基准公开才发现。

你的惊喜不只是“项目被宣传”，而是一个外部顶级机构独立选择了它。

正是。它是对研究质量的外部验证，但不能被曲解成每个高中生短期都能达到相同结果。

Tim 因 NDA 沉默六个月，也说明外部合作有保密边界。

对。我不是从内部消息预先策划宣传，而是在 PaperBench 发布时与公众同时发现，这才会如此惊喜。

五到十五年后，你希望 Algoverse 成为什么？

我很喜欢贝尔实验室的故事。它聚集过 Claude Shannon 等研究者，产生信息论和大量基础技术。我不敢说我们能直接复制它，但希望建立面向下一代 AI 研究者的训练环境。

有一本写 Bell Labs 的书叫《The Idea Factory》。二十世纪的实验室产生了极密集的技术发展，Claude Shannon 的信息论只是其中一个例子。

更现实地说，我们至少可以成为 AI 研究人才的训练场。长期愿景不是声称现在已经是 Bell Labs，而是希望未来的重要研究者回看起点时，发现自己曾在 Algoverse 学会如何提出问题。

愿景的时间尺度是五至十五年，不是下一期项目就复制信息论。

是。衡量重点应是持续培养研究者、形成导师网络和研究文化，而不是过早给组织贴历史级标签。

有 ChatGPT 和整个互联网以后，导师还有必要吗？

我的人生两种路径都有。父亲在数学和研究上是重要导师；进入公立学校和科技行业后，很多东西又只能靠 Reddit、同学和自己摸索。

我既体验过导师帮助，也体验过公立学校里只能自己争取。父亲指导过数学和研究；在 Berkeley 早期，我会去 Reddit 问“该选什么课”，在认识更有经验的人之前只能靠高主动性摸索。

只选一个的话，导师能显著加速，因为新人连“自己不知道什么”都不知道。招聘中，如果没有别人解释游戏规则，我可能多花几年，甚至永远不知道关键步骤。

研究更依赖隐性知识。以机械可解释性为例，论文里会出现 linear probe、sparse autoencoder、attribution patching，但新人很难判断哪些技术重要、先读哪些论文、失败是否正常。若 Neel Nanda 这类专家直接给出领域地图，优势巨大。

软件职业也一样。一个高中生若提前知道路径，大一第一份实习进 Amazon，随后两年去 Meta；另一个到大三才知道 FAANG，长期收入和机会差距可能达到数百万美元。

导师的价值不是互联网没有答案，而是把正确答案放到正确时间点。知道当前最重要的瓶颈是什么，往往比再收集一百条建议更重要。

导师能告诉你当前最重要的瓶颈是什么。

这能把软件职业路径压缩一至三年，也能让研究者避免在已被证伪的方向重复耗时。

必须从小参加奥数、数学天赋极端突出，才能进量化吗？

不严格成立。观察顶级公司的员工，会看到很多竞赛选手和名校博士，但这既包含选拔，也包含他们更早知道这条路径。

顶级公司员工的 LinkedIn 确实通常显示很强数学背景，但面试并非纯天赋测试，许多内容可以系统学习。概率概念不是火箭科学；如果有两到三个招聘周期，重复准备后题目会越来越熟。

当前竞争激烈，往往是早已拥有完整资源的人更愿意参加，于是结果看起来像“只有天才可进”。若时间够长，多读一年硕士、增加一个招聘季，也能明显改变概率；当然硕士学费本身又造成不公平。

我在 Iowa 长大，身边没人做 AMC，只能和几个印度裔孩子在地下室买 AoPS 书自学。参加夏令营后才发现，湾区、纽约、新泽西的孩子十二三岁就有 AMC 课程，很多已进 AIME、USAMO。

LeetCode 也一样。Wisconsin 已是很强的 CS 学校，我们仍只是组织社团自己摸索；Berkeley 却有专门课程。

资源流水线非常明确。我认识两个人走过同一条路径：Naperville 的竞争环境、USAMO、MIT、Jane Street。Berkeley 也有 Traders at Berkeley，前量化从业者讲课，学生共享面试题。我当年没听说、也没参加，否则会很有帮助。

共享 Jane Street 原题看似与竞争激励冲突，但这些群体确实会形成信息网络。

是。这种管道有点不公平，但也证明结果不只由先天能力决定。Berkeley 把我接入后来才知道的网络，弥补了高中没有的部分。

数学需要强，但‘没有童年奥赛奖牌就没有资格’并不正确。

真正的不公平往往是资源和信息：有人十二岁已有 AMC 班和同伴，有人到大学才知道竞赛名称。

我在 Iowa 的地下室和五个印度裔孩子自己读 AoPS，到了夏令营，随口问别人是否听过 AMC，结果几乎所有人都参加过，很多已经晋级 AIME 或 USAMO。那一刻才发现，别的城市把我们摸索的东西做成了十二三岁就开始的课程。

这正是管道效应。Naperville 的竞争圈里，我认识至少两个人走出几乎相同的路线：参加竞赛、USAMO、MIT、Jane Street。个人当然要有能力，但环境会提前告诉他下一关是什么，并提供同伴和反馈。

Berkeley 的 LeetCode 课程、Traders at Berkeley 也是大学版本的同一机制。

是。Traders at Berkeley 会请 Max Naim 等有量化经验的人分享，也有一群竞争力很强的学生交换面试信息。我当时压根不知道这个组织，所以没有加入；如果加入，显然会拥有巨大优势。

我哥哥在 Berkeley 也见过学生做完 Jane Street 面试后，在小群里共享题目。大家明明竞争同一岗位，这种合作看上去不符合个人激励。

我也觉得激励并不完全一致，却不能否认这些网络确实存在。它们让第二次、第三次经历招聘周期的人面对越来越熟悉的问题，也解释了为何面试具有可训练、可博弈的一面。

对没有这些资源的人，最实际的补救是什么？

给准备增加时间并建立结构。概率、统计、算法和研究方法都可以系统学习；若有第二甚至第三个招聘季，题目会逐渐变成见过的模式。读硕士可能增加一次机会，但学费又会制造新的门槛，所以这不是对每个人都轻松的建议。

因此，“量化员工普遍数学很强”是观察事实，“只有童年奥赛天才才能进”却不是同一句话。竞争让准备最完整的人更常出现，信息网络又放大差距；这两者都不等于面试内容无法学习。

既然不必从小参加竞赛，也不必天赋夸张，那么软件工程、交易和量化研究分别应该学哪些课程、使用哪些资源？

想做交易，首先把概率课学好。我在伯克利的概率课程里真正理解分布、条件概率、期望和证明以后，额外刷大量面试题带来的增量反而不大。

Trading 最直接的基础是概率课，重点是条件概率、期望、组合和快速推理。我在 Berkeley 把高阶概率学扎实后，额外面试准备的增益没有基础本身大。

Quant Research 要在统计、机器学习或其他定量研究上建立可信经历。最好真实参与研究，能解释问题、实验和失败；物理学研究者也会进入量化，并非只能做 AI。

Quant SWE 则要把系统课学好，再补系统设计与底层编程。软件工程需要真正掌握底层知识和 C++，例如现场设计哈希表。

量化今天还值得进入吗？

如果目标是高收入和高难度工作，它仍是很好的职业。另一个竞争方向是 AI，OpenAI 等公司会直接从 HRT 一类机构招聘。AI 对我更具世界影响力，但别人不必接受同一种价值排序。

那条 Naperville—USAMO—MIT—Jane Street 的“黄砖路”，到 Jane Street 后还有下一关吗？

有人转去 Anthropic，从新职业获得意义；仍留在 Jane Street 的朋友把生活重心放到 DJ、家庭和兴趣；也有人继续在量化内部升级，例如从 SIG 去 Australia 建新 desk。顶级 Offer 不是人生自动结束，只是职业阶梯之后要选择工作外满足或更深的专业责任。

AI 世界里量化会存在吗？

只要金融市场结构没有巨变，应该仍存在；但我不愿对强 AI 之后的长期结构做高置信预测。更关键的是，AI 时间线可能比多数人想象更快。

自动化代码和 AI 研究一旦接近完成，就会有大量代理从事下一代 AI 研发，产生反馈循环。Meta Superintelligence 等实验室就在瞄准类似目标，OpenAI 的 PaperBench 也在测研究自动化。

你拒绝给出精确 AGI 年份，却认为方向和相对速度值得认真对待。

对。我看到某种 S 型增长迹象，因此不把曲线简单外推为无限指数，但“比大多数人想得快”仍是我的判断。

你为什么关注 AGI 和 AI 安全？

基本论证是：AI 能力继续上升，最终可能超过人类，并能帮助研发下一代 AI。大量自动化研究代理会加快能力进步，形成非常快的反馈循环。

普通人是否应该深入阅读所有末日风险？

不一定。了解以后，如果你没有能力或意愿参与解决，持续沉浸可能只增加痛苦。每个人需要根据自己的行动空间决定读到多深。

《AI 2027》之类文章给出自动化研发的具体情景。我认为它的精确速度可能过快，也存在批评，但世界朝“人类研究员管理许多自主研究代理”发展的方向很可信。

风险第一层是能力与行动范围：模型不仅输出文字，还能调用工具、运行代码、指挥数字乃至物理世界。第二层是偏好。即使系统没有情绪或意识，优化目标也意味着某种偏好；恒温器都会偏好一个温度。

工具性趋同意味着，足够强的系统可能为了完成目标而避免被关闭、争取资源。分布式部署、多个 AGI 相互竞争时，“按下关机键”不会是完整方案。

第三层是相对智能。人与 Stockfish 下棋时，不知道它具体怎样赢，却可以高度确信它会赢；面对远比人聪明的系统，人类可能像其他物种面对人类一样失去控制。

这还没算恶意使用。具备化学或生物背景、又会 jailbreak 的个人，可能借模型设计大规模生物武器；COVID 和黑死病提示潜在伤害，更不用说国家级竞争。

想深入的人不应只听我，可以读 Paul Christiano、Eliezer Yudkowsky 等不同“doomer”论证。我不想把自己包装成纯悲观者：我也非常期待 AI 尽快带来好处，但公众严重低估了负面尾部风险。

我们因此做了免费的 AI 安全项目，并获得 Open Philanthropy 资助。观点不是资助方强迫我说，而是我先形成担忧、再去寻找资金。我的最低建议只是认真阅读后形成自己的判断。

你同时希望 AI 尽快到来，又担忧失控，这并不矛盾。

对。期待巨大收益与重视尾部灾难风险可以共存；拒绝“doomer”人格标签，也不代表风险论证可以忽略。

如果担心 AI 毁掉一切，人怎样继续生活？我哥哥是 AI 工程师，每隔两个月就焦虑地打电话说“事情要发生了，我已经无法正常运转”。

如果继续阅读明显伤害心理健康，就不要无限深入。此类内容会给未来蒙上一层阴影。我自己没有短到“马上结束”的确定时间线，也不把风险当作已被宣判的死亡。

时间线判断会改变生活方式。假如确定一个月后死亡，人会做出完全不同选择；一年、十年或一个不确定风险，则需要不同反应。

如果知道一个月后因癌症死亡，与还有一年或十年，会采取不同生活方式；AI 风险则只是尾部概率，不等于“十年后一定被杀死”。意识到死亡可能性，可以提醒人珍惜今天，却不应推导出放弃行动。

我努力保持积极，享受日常时刻，虽然把这种陈词滥调落实并不容易。我工作很多，也确实喜欢工作，同时仍见朋友、享受生活，因为任何人生都不会永远持续。

AI 在哲学上并非完全不同的死亡类别。人可能被车撞、患癌。比我更聪明、更有动力的人正在专门解决 AI 风险；如果我不能提供更好贡献，就只能在未来十年、三十年或一百年里认真过日常。

这很合理。我说“应该了解 AI safety”不等于每个人必须放下一切加入。完全不在技能或兴趣范围内的人，可以拥有充实生活而不天天想它。

若你高度功利主义、利他，想把努力放到影响最多生命的议题上，巨大潜在影响会使 AI safety 值得深入；这也是 effective altruism 群体特别关注它的原因。我的父母听过论证后觉得“好吧，没事”，继续生活，也完全可以。

所以建议不是“人人都必须改变职业”，而是把关注深度与心理承受力、技能和价值观匹配。

正是。一个人可以贡献安全研究，也可以把问题交给更适合的人，认真过自己的生活。

AI 会取代软件工程，计算机科学还值得学吗？

AI 的目标本来就是自动化广泛的智能劳动，所以它不只针对软件工程。随着工具变强，进入行业的门槛会上升，人必须更能干、更真正喜欢这个领域。

AI 最终瞄准的不只是程序员，而是能执行经济中大多数任务的智能代理。各职业被自动化速度不同，但门槛都会上升，未来要完成同一类工作，人必须比过去更有能力。

CS 可能较早受到冲击，因为代码数字化、验证相对容易，自动代理带来的经济收益又巨大。但会计等职业不会比软件晚很多年而永远安全，因此单纯逃离 CS 不是可靠避险。

如果真正喜欢 CS、能想象自己长期做下去，它仍是面向更技术化未来的好技能。热情不是浪漫附加项，而是竞争标准上升后能否持续投入的决定因素。

已经走实习、新人 Offer 路线的人，应继续还是彻底换方法？

若目标是长期保持技术经济价值，传统阶梯仍有效，因为更高岗位需要从某处积累经验。少数人能独立连续造项目，但过去从未这样做的人，不应假设自己明天会突然变成这种异常值。

计算机科学确实面临较快自动化，因为代码完全数字化、容易验证。

但“较快”不等于“明年所有岗位消失”，也不等于会计、法律等白领职业拥有永久保护。

学生是否还应该按传统路径找实习和应届岗位？

仍然应该。职业是一架梯子，你需要从某个位置开始，才能获得更高层机会。极少数人可以独立做大量项目、直接创业，但如果过去从未表现出这种行为，不能把它当作默认计划。

CS 学生是否必须转 AI？过去二十年的普通软件工程是否仍有价值？

AI 会有大量机会，但其他技能不会消失。软件栈每一层仍需要真正懂底层的人：精通 C++，或者未来承担同类角色的语言；能够拆开抽象层、理解细节，仍然重要。

不是所有人都必须进入模型研究。不过 AI 领域正在扩张，当前薪酬最高的岗位常与 AI/ML 有关，AI 基础设施、训练系统和大规模模型运行会需要越来越多人。

想进一步联系你，应去哪里？

我也许会建立 Instagram、YouTube 等账号，只是现在太忙。最直接的是查看 Algoverse 网站，尤其是想做 AI research 的人。

链接会放在说明里。谢谢你来，也希望这段经历对学生有帮助。

谢谢，这次聊天很愉快。

本期《Software Engineering Accelerator》到这里。听众可在 Apple Podcasts、Spotify 等应用提前收听，关注并打开通知；需要职业加速帮助的人可查看简介首个链接。

传统软件栈不会凭空消失。有人仍要理解编译、运行时、分布式系统和性能，只是 AI 会改变这些工作的工具与抽象层。

因此结论不是盲目“全员转 AI”，而是保持底层能力，同时理解最活跃的新机会。