国外的科技行业工作者，日子也并不好过。
在2022和2023年，全球的科技公司总共裁掉了超过40万人。
裁员的公司几乎囊括了科技行业中的各个赛道。
剩下的工作岗位，竞争越来越激烈。找一份技术工作，仍然是一场噩梦。
花费数小时修改简历，再奔赴几十场面试，招聘会成为了一场饥饿游戏。
如今在科技行业找工作，真心没那么容易。
在过去的一年里，这个曾经永不沉没的行业，迎来了一次大清算。
根据追踪科技行业裁员情况的网站Layoffs.fyi报道，2022年和2023年，全球科技公司裁员已经超过40万。
在裁员一年后，很多求职者仍然面临着严峻的就业形式。在这个曾经意味着高薪、丰厚福利的有保障的行业里，他们必须奋力厮杀，去争夺变得更少的岗位。
在线就业市场ZipRecruiter的首席经济学家Julia Pollak表示，科技就业市场目前还没有显出任何好转的迹象。
在新冠疫情发生以前，以及疫情期间，信息行业一直都在保持增速。
然而，在过去一年里，整个行业的工作岗位却减少了2.5%。
这也就意味着，更多的人会在同样的岗位上待更长的时间，晋升的机会也被扼杀了。
当然，在传统科技行业之外，政府和医疗保健领域仍然需要技术人员，只不过，这里的薪水不会太高。
Meta谷歌亚马逊，裁员数万
最近几个月，Meta、谷歌和亚马逊等大型科技公司，裁掉了数万人。许多公司也随之冻结了招聘。
谷歌，Meta，X（Twitter）3家公司从去年底到今年裁员就接近4万人
Meta最近重新雇用了数十名去年11月裁掉的员工，然而，与去年秋天裁掉的1.1万人相比，这只不过是杯水车薪。
而且重新招聘回去的人员，也要接受不同程度的调岗调薪。
今年，Meta又在专注于元宇宙的Reality Labs部门裁掉了1.2万人。
在疫情严重的2020年，Meta曾经大肆招人，以至于招聘的人数远远超过了所能承受的范围，而Meta的员工们正在为此付出代价。
而且，裁员大潮依然还在科技行业全行业内持续。
就在10月12日，芯片巨头高通宣布计划裁员1258人。高通在9月时共有约51000名员工，这次裁员的比例约为2.5%。
在这之中，高通的工程团队将裁员750多人，影响范围包括从高管到技术人员等多个级别。
与2022年的支出相比，高通在今年已将成本基础削减了约5%。而裁员，便是行之有效的措施。
每年，高通都会有数十亿美元的营收。考虑到全球智能手机销量的下降，业内预计高通今年的营收可能会缩减约19%。
科技市场的长期低迷，正在滋长着一股焦虑。
9月的Grace Hopper大会，原本是为女性和non-binary的科技工作者举办的年度会议及职业招聘会，却有一群看起来是男性的求职者蜂拥而至。
可见计算机科学专业的学生在完成学业、准备找工作时，是有多么焦虑。
Kari Groszewska是范德比尔特大学计算机科学和经济学专业的大四学生，她也参加了这次Hopper会议。
当她提前15分钟到达博览会大厅，却发现与等着和公司交谈的求职队伍已经排了几个小时。
跟前一年相比，今年的形势明显非常严峻。这让Groszewska感到非常沮丧，因为她明年毕业，但现在还没找到工作。
为了求职，Groszewska在学习计算机专业期间，做了一切「正确的事情」，包括自己做项目、争取实习、参加俱乐部。
然而，即将进入的就业市场，却显出了无比残酷的一面。
而其他失业和无业者，都已感受到了巨大的压力。
Nia McSwain学的是酒店专业，但她想转行进入科技行业，成为项目经历。
在过去一个月里，她从早到晚地投递简历，大概每天要申请40个岗位。
全栈工程师Philip John Basile在5月离职了，从8月开始，他一直在找新工作。
过去一个月里，他平均每天都有3场面试，似乎有几次已经接近被录取，却始终没有收到offer。
Basile主要通过LinkedIn和Discord来建立关系网。他从前认识的许多HR都失业了，所以他不得不努力建立新的关系。
Basile还在利用空闲时间，研究现在那些火爆的AI工具，不断调整自己的简历——从10页减到2页，然后又增到24页。
现在工作机会，然而找工作的人更多。所以，Basile希望尽量做到独一无二。
用他的话说，就是「如果要和一千个人竞争，你就必须在这一千个人中脱颖而出。」
裁员给在美国的外国务工者也带来了很大压力，在失去工作后，他们需要尽快找到下一份工作，才能留在美国。不过数据显示，许多人都能在下岗后找到新工作。
而在紧缺的市场中，劳动力的供应是充足的——截至7月31日，今年美国的H-1B签证申请已经提交了约78万份。
这一数字比前一年增长了60%以上，以至于让相关机构不得不怀疑是不是有人在重复提交申请。
要知道，每年H-1B的发放上限，是85000个。
薪资中位数7.9万刀，但小白免谈
而职场小白想找到工作，也变得更难了。
劳动力市场分析公司Lightcast的高级经济学家Rachel Sederberg发现，招聘入门级员工的职位明显减少，现在各大公司都倾向于招有经验的员工。
这也导致了美国科技行业招聘岗位的薪资中位数从一年前的6.1万美元，跃升至今年秋季的7.9万美元。
Sederberg表示，很多公司在调整战略，重组规模，然后重新招聘。现在，很多公司在招不同背景的人才。
有趣的是，ChatGPT也起到了一些作用：求职者在用类似的聊天机器人写简历和求职信，这样就能在更短时间内申请更多的工作。
然而，这也给招聘人员带来了一些困扰，他们需要更仔细地筛选。
产品经理Kimi Kaneshina失业后，现在每天朝九晚五的时间都花在了求职上，之后还会上传记录自己求职过程的TikTok视频。
她从7月就开始求职，在9月份投递了更多的简历，然而三个月过去了，她还是没能找到新工作。
尽管如此，这种转变也给科技界带来了积极的变化。
人们开始在LinkedIn和 TikTok上公开发布自己被裁员的消息，相互建立联系，包括去联系理想公司的员工。
由于被裁的人实在太多，谈论裁员也变得更容易接受了。
Kaneshina说：有HR告诉我，自己面试的求职者中，有一半都被裁员了。
现在，即使说出这种话，也可以不带任何耻辱感了。
虽然就业市场哀鸿遍野，但有技术的大牛依然不愁高薪的工作，甚至还能在各大厂和巨型独角兽之间「挑挑拣拣」。
最近，一名UC伯克利的博士生Nathan Lambert，也分享了现在AI就业市场的乱象，以及自己找工作的经验。
市场上有很多工作，但是找到一个让人快乐的公司和以前一样难。
Nathan Lambert最近刚刚离职Huggingface，并组建了RLHF团队。
他表示，人工智能就业市场不稳定最主要的「催化剂」，就是对生成式AI的投资。
其实，生成式AI和大模型领域的工作机会非常多。许多想要招聘的人都在为，如何招到自己想要的人而倍感压力。
很多大公司想要招在LLM领域的人，但市场却没有足够的技术人才。
研究人员一举一动都在无声地向我们证实，AI公司需要研究人员来完成从概念到实验，再到产品的转变。
正是这些人，才得以让模型训练、产品决策与公司发展策略保持一致。
接下来，就要谈谈研究人员获得的报酬了。
大多数人，即除了站在学术顶端之外的所有人（他们的报酬仍然很高，只是没有那么高），都在可预见的未来获得大部分有保障的巨额报酬的机会，与「即使我的初创公司失败了，我也至少能赚几百万」的想法中做出权衡。
在这个人工智能主导市场中，每个人都希望赚大钱。
这种「追求淘金热」的想法，导致人们意向的工作机构发生了很大的变化。许多公司的人员流动率，以及自然减员率都很高，以至于每个人都感到不安。
这样情况已经不足为奇，大型科技公司裁员潮最为明显，但也不局限在这样的公司。
Nathan Lambert称，自己见过顶尖研究人员加入不同的公司，但在6个月内就离职了。
优秀博士能拿85万刀（约合620万人民币）
我们刚刚谈论的薪酬数字，是指OpenAI支付给顶级研究人员100万美元。
在ChatGPT发布之前，刚毕业的博士生最高能拿到50-60万美元的薪水。
而现在，最优秀的博士生能拿到85万美元（这是今年早些时候的一些数据）。只要在求职中愿意表达对生成式AI较为模糊的兴趣，其他人都能以这个薪资起步。
谷歌的招聘是该领域的一个很好的指标。
众所周知，谷歌DeepMind将所有项目分为三类：Gemini（即将要发布的大模型）、与Gemini相关的应用研究（6-12个月）、基础研究（超过12个月）
谷歌DeepMind的所有员工都负责前两类，其中大部分属于第一类。
在大厂Meta中，也有了另一种划分优先级的方式。
借用Llama团队中某人的话说，Meta GenAI团队中的每个人，都应该把大约70%的时间用在增量模型改进上，30%的时间花在长期基础工作上。
恰恰，这与作者的想法比较一致，但我们很可能会知道Meta正在哪些支柱领域（LLM、文本到图像、音频等）开展工作，而且他们会快速推动这些模型。
从结构上看，以「开放研究和科学」为优先级的公司极为罕见。即使有人以学术型研究科学家的身份加入，现实总是会将人们拉入商业需求中（尤其是在初创公司）。
在所有生成式AI投资中，最让作者感到兴奋的是，Transformer架构将比过去的大多数想法走得更远。
将一群兴趣相投、背景各异的顶尖人才聚集在一起，是确保我们挖掘Transformer最大潜力的绝佳方式。
在GenAI革命中，学术界仍将发挥重要作用。
比如，由UC伯克利、UCSD、CMU和MBZUAI等机构共建立的LMSYS，不仅训练出了红极一时的Vicuna模型，而且还制作了相关的推理和训练库，收集了大量模型比较数据，并设计了一个后来被广泛使用的基准测试等等。
所有这些工作本身都很有影响力，即便其中只有一部分发表了论文。
与此同时，像EluetherAI和LAION这样的研究组织也取得了相当可观的进展。
如果以arXiv论文的数量来衡量，RLHF研究的速度自8月份以来，已经有了明显的提高。
在职1年半，作者刚刚结束了在HuggingFace的工作。
他发现，在这里为自己的工作获得知名度，比做好工作更难。
以下是他本人在工作中总结的重要经验：
- 如果你不主动宣传和交流自己的研究，别人也不会这样做。然而人们不喜欢这样的现实。
- 开源发展非常快，因此需要聪明的领导者，以最大限度地发挥集体的力量。
- 开源ML还处于早期阶段。我们正在弄清楚做开源ML意味着什么，OSS将永远改变。
- 开源在多样性方面取得了成功。仅仅因为有人在尝试类似的东西并不意味着你应该停止。
- RLHF还未被充分开发。
对于HuggingFace这样的初创公司的对外媒体策略，他也是又爱又恨。这样的公司知道，如何帮助自己在公众舆论中成长，这一点是很重要。
Nathan Lambert知道这次工作变动即将来临，所以需要了解工作市场。他在博士毕业时写过一篇关于求职的文章，也颇受欢迎。
其中，关于建立人际关系网、主动出击、提高知名度和积极进取的价值观都适用。
这作者着所做的具体工作，主要围绕一个高度专业化和需求旺盛的AI领域，但目标更加明确——找到一个能让自己继续学习RLHF（科学和工程系统）的地方，而且这个地方足够开放，并可以继续进行播客。
他表示，自己不想成为任何创始人、创始工程师、大公司的齿轮等等。
在筛选公司名单时，作者pass掉了苹果、波士顿动力人工智能研究所、以及与许多初创公司等。
作者认为，即使是那些觉得与自己很有共鸣的公司，他也发现这些人都很难清楚地表达「我到底要做什么」。
今年上半年，作者刚刚为建立RLHF pipeline付出了巨大的努力，现在即将要重新开始，这并不令人兴奋。
不管怎么说，事实上，大多数人都不知道「你现在要做什么」，你仍然无法百分之百地选择自己的方向。
这样一来，选择其实就不多了（根据学术性从高到低排序）：
Cohere for AI（现场面试后被拒绝）
入职后，他会加入一个小团队，负责强化学习方向。
公司特意组建了一个小团队，为想发表论文的Cohere工程师提供机会。团队中的每个人都很优秀，作为远程工作来说非常不错。
不过，考虑到在Hugging Face的经历，作者很难加入这样一个对公司的产品和发展不重要的团队。
艾伦人工智能研究所（AI2）（offer）
能拿到Offer，是作者没想到的。
艾伦AI研究所曾是介于谷歌大脑和学术研究小组之间的一个组织，现在则转向了工程学方向，发展大语言模型。
他们在咨询、工程、自主研究等方面表现得有些含糊，但对于发展NLP，则有着坚定的承诺。
后来作者意识到，他们需要有人来帮助理解RLHF。
Scale AI（口头offer）
这家公司正转向RLHF和训练后的研究领域，作为LLM训练公司的专业数据提供商，他们的业务正在大幅增长。
入职后，你可以做一些研究，在从事RLHF研究的人中可以获得最多的数据。有时，也可以帮客户做些集成，并建立实验室。
理论上，这是作者面试过的最令人兴奋的地方。但因为某种原因，他觉得与自己交谈过的人中，并没有谁引起自己的强烈共鸣。
有时候就是这样，并不是所有优秀的人都能在一个团队中共事。
Mosaic，现在的Databricks（offer）
就像每家初创公司一样，Mosaic希望让RLHF简单易用，发挥影响力。
这里团队输出非常稳定，并继续向公众发布一些模型，或者论文。
然而，作者担忧到，由于公司刚被收购，未来在开源上的动力可能不足。
Meta，Llama团队（现场面试后被拒）
在最先进的开源模型公司工作一段时间，大家都有这样的想法。
不过让Lambert为难的是，他不愿意加入大公司、大团队。
但如果关心开源技术，显然去Meta是一个很好的选择。
谷歌DeepMind（已撤回）
谷歌正在到处招聘RLHF的人。这里的资源和基础设施都无与伦比，但谷歌是Lambert接触过的最封闭的公司，你得费很大劲才能了解自己进去要做什么。
几个团队大多有自己的专长领域，正在研究如何改进该领域的工具。
作者接触过的两个团队，分别做的是多模态RLHF和LLM Agent。
但在他看来，这种模糊性会让谷歌的offer远不如像Llama团队那样吸引人。
Contextual AI（口头offer）
在Lambert接触过的许多初创工中，他们做事的方式都很合理、很亲民。
但在作者看来，建立一个有生命的企业，不仅仅是投掷收购的筛子，也需要推迟建立以客户为中心的企业文化。
Contextual为作者提供了一个不错的技术人员+科学传播者职位。
如果办公地在旧金山，通勤时间不长，倒是有可能会接受offer。
另外，作者从最初就没考虑过面试OpenAI，因为他们不缺RLHF专家。
Nathan Lambert表示，自己经历的面试都非常轻松，更多的是研究聊天，一些编码测试。
如果想找一份LLM方面的工作，大部分问题都会与各种内部组件的功能相关。比如：
- 注意力在实现层面是如何工作的。（可以参考nanoGPT等资料）
- 多GPU训练的基础知识，估算VRAM使用量，通过超参数来减小模型的占用空间（例如量化）。
- 正则化工具，如批量归一化、权重衰减等。
除了技术之外，还需要根据公司的具体情况，阐述自己在加入之后能贡献些什么。
此外，很多公司都会查看简历上列出的GitHub仓库和HuggingFace工具，这可能比复杂的研究项目更容易谈论。
本文链接：http://www.28at.com/showinfo-26-13238-0.html全球科技行业两年裁员40万，LLM博士却拿620万年薪offer？
声明：本网页内容旨在传播知识，若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。邮件：2376512515@qq.com
上一篇： 解码eBPF可观测性：eBPF如何改变我们所知的观测性
下一篇： 枚举探秘：Java中的神奇力量！
Copyright © 2016-2023 天津谷骐科技有限公司 版权所有 sitemap.xml
违法及侵权请联系：2376512515@qq.com 津ICP备18001702号
津公网安备 12010102000574号
