henry 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

如果沒有PhD，是不是就和前沿AI研究沒關系了？

至少在Noam Brown看來，未必。

這位OpenAI 研究員、o1的核心貢獻者，剛剛分享了一串“非典型研究員”的經(jīng)歷。

有人沒有論文、有人沒讀研、有人白天在麥肯錫上班，晚上在GitHub寫研究。

還有人沒事就在推特發(fā)帖、GitHub上提問的。

他們后來都去了哪？

OpenAI、DeepMind、Anthropic。

進OpenAI，并不一定要博士學位

在這篇長帖中，Noam分享了Keller JordanSholto DouglasAndy JonesKevin Wang等一批“非典型”研究員的經(jīng)歷。

總體看下來，他們都有一些相同的特質。比如，主動性極強（熱愛）、公開研究，不閉門造車、工程能力在線、會PR、不執(zhí)著于頭銜。

接下來，我們具體來看。

Keller Jordan：套瓷研究+推特學術

首先被Noam分享的，是Keller Jordan

他現(xiàn)在在OpenAI，從事預訓練相關的研究。而他的研究生涯，某種程度上，起于一段典型的“套瓷研究”。

Keller只有本科學位（UCSD），也沒有任何論文發(fā)表經(jīng)歷。

畢業(yè)后，他先進入了一家做 AI 內容審核的初創(chuàng)公司工作。

在工作之余，他并沒有閑著。

Keller主動聯(lián)系了當時還在谷歌的Behnam Neyshabur，并向他展示了一個針對Behnam最近論文的改進想法。

或許是出于“有人真的認真讀了我論文”的成就感，Behnam同意指導他。

最終，他們與其他作者一起，完成了一篇入選ICLR 2023的論文。

對于Keller這種“套瓷+研究”的方式，Noam評價說：

• 遺憾的是，如今公開研究的空間比以前小了，但在已有論文基礎上提出改進，依然是向實驗室內部研究員證明你能力的絕佳方式，也能讓對方有信心去幫你爭取一次面試機會。

后來，一篇2024年底寫下的一篇博客Muon: An optimizer for hidden layers in neural networks，則真正為Keller拿下了一張去OpenAI的船票。

（注：Muon是專門用于神經(jīng)網(wǎng)絡隱藏層的優(yōu)化器，核心思想是把常規(guī)梯度更新“正交化”）

當時，Keller發(fā)起并持續(xù)更新了一個NanoGPT speedrun：

這個實驗是在Karpathy的NanoGPT框架下，系統(tǒng)性地比較不同訓練配置和優(yōu)化器，目標是把預訓練速度推到極限。

而Keller自己倒騰出的Muon，正是在這一系列speedrun實驗中，脫穎而出。

這引起了大神Andrej Karpathy的關注，Keller也因此進入了OpenAI的視野。

而后續(xù)進入OpenAI也是順手推舟。

這種把研究直接攤在GitHub 上、同時在社交媒體上持續(xù)記錄的方式，一方面讓他的研究水平和產(chǎn)出變得異常容易衡量；

另一方面，也讓這些工作沒有淹沒在arXiv的論文海里，而是被真正看見，并最終得到了圈內大神的認可。

說到底，PR太重要了！

Sholto Douglas：在GitHub上提問吸引大佬注意力

接下來，Noam又分享了現(xiàn)Anthropic研究員Sholto Douglas的故事。

Sholto Douglas曾經(jīng)就職于谷歌，是Gemini項目的重要推手之一。

而他，也只有本科學位。

（沒錯，他還在清華交換了一年）

Sholto本科學的雖然是機器人，但畢業(yè)后卻進了麥肯錫工作。

而這，很大的一部分原因是，Sholto沒有申請到想去的研究生項目。

由此，Sholto索性干脆一邊上班，一邊做研究。據(jù)Sholto在播客中的分享，他幾乎是：

• 每天晚上10點到凌晨2點，周末每天至少6到8個小時，全都在寫代碼、做實驗、搞研究項目。

在學習過程中，Sholto還經(jīng)常在Google開源的機器學習框架JAX的官方GitHub倉庫上提問。

而這，引起了當時在谷歌，現(xiàn)在在Anthropic的James Bradbury的興趣。

James心想：這世界上還有我不認識的隔這提問的人？

于是，在看到了Sholto的提問以及他平時做的項目，James就主動聯(lián)系他，并邀請他前往Google DeepMind的面試。

最終，本科生，第一段工作完全不AI的Sholto進入了谷歌。

有趣的是，在進入谷歌之后，Sholto才發(fā)現(xiàn)，自己被招進來，其實在某種程度上是一個內部實驗

• 試試看，能不能把一個熱情和主觀能動性極強的人，和他們認識的最優(yōu)秀的一批工程師配對，看看會發(fā)生什么。

andy jones：自學軟件工程和機器學習，自費發(fā)論文

andy jones現(xiàn)在是Anthropic的研究員，負責的RL基礎設施、沙箱系統(tǒng)，牽頭多模態(tài)方向，以及參與大模型訓練。

在此之前，他是一位半退休的量化分析師。

和上面幾位一樣，andy有極強的主動性：他自費租賃算力，自費發(fā)表論文

在論文《Scaling Scaling Laws with Board Games》中，andy不僅首次系統(tǒng)地量化train與test compute的tradeoff。

還在測試時計算擴展成為熱門概念之前，比較了擴展預訓練和擴展測試時計算的影響。

這篇論文直接讓他成為機器學習領域的炸子雞。

而后來，這一研究還直接推動了o1等模型的測試時計算范式，并被Noam放入了o1的技術報告里。

而據(jù)一位網(wǎng)友的補充，andy的經(jīng)歷并不止如此。

他在英國完成了4年制的數(shù)學碩士，并且花9個月時間自學了軟件工程和機器學習。

后來，他又干了一年的生物信息學研究。

再后來，3年的量化交易工作已足以讓他財富自由。

盡管如此，andy并沒有停下，而是完成了一系列獨立探索，并最終進入Anthropic。

Kevin Wang：進入OpenAI的本科生

此外，Noam透露，像OpenAI這樣的實驗室，確實會直接從本科階段招聘研究員。

Kevin Wang就是其中一。

2025年，Kevin Wang在完成本科學習后，直接進入OpenAI，從本科生一步跨入一線研究團隊。

這并不是一次“破格的運氣”。

一方面，Wang擁有導師的強力推薦；但更關鍵的是，他本身就握著一篇極其扎眼的論文。

對于OpenAI來說，頂會上“水平還不錯”的論文并不稀缺。
真正稀缺的，是那種在第一眼就能被挑出來的工作。

Noam回憶，在NeurIPS 2025的5290篇論文中，他們幾乎是一眼就注意到了Wang的研究。

而后來的結果，也驗證了這個判斷——

他的第一作者論文《1000 Layer Networks for Self-Supervised RL: Scaling Depth Can Enable New Goal-Reaching Capabilities》，最終拿下了NeurIPS 2025最佳論文

談到招聘標準時，Noam 也給出了一個很現(xiàn)實的評價：

• 導師的推薦分量很重。因為僅憑簡歷，甚至只看論文，本身就很難全面評估一名研究員的真實水平。

最后，Noam也分享了自己對“薪酬”的看法：

關于“薪酬”這件事：我認識一些人做量化是為了賺錢，但五年之后卻開始反問自己——我到底在用人生干什么？

我們正處在一個非常特殊的歷史時刻。做AI研究，你既有機會積極參與并引導這個時代最重要的技術發(fā)展，同時收入也相當可觀。

我本科畢業(yè)后在量化交易行業(yè)干了一年，但并不希望自己此生對人類的“貢獻”，只是讓股票市場稍微更有效率一點。

后來我選擇降薪轉去做 AI 研究——這是我這輩子做過最好的決定。放在今天，你甚至不需要降薪，也能走上這條路。

早進廠，沒啥問題

除了Noam的分享以外，現(xiàn)在可能越來越明顯的一點是：

想把研究做好、想進前沿AI大廠，博士學位本身，似乎已經(jīng)不再是必需品了。

比如，GPT論文的一作、CLIP的一作Alec Radford，就是本科出身。

而現(xiàn)在OpenAI的首席研究員Mark Chen，也只有本科學歷，一開始做的甚至還是量化交易。

在 Noam 那條帖子下面，有網(wǎng)友一針見血地總結過：

• 一條很棒的長帖，講的是沒有PhD學位的人，是如何進入前沿AI實驗室做研究的。
  PhD能給你導師和同行圈子，但它并不會自動賦予你好奇心、主動性，或者研究品味。

上面提到的Keller就是一個典型例子。

他是在完全公開的環(huán)境里做出了Muon優(yōu)化器，實驗過程、結果都直接發(fā)在推特上。

甚至沒有論文，只有一篇博客。

但影響力不言自明——現(xiàn)在OpenAI、Kimi、DeepSeek都在使用它。

類似的故事并不少見。

比如Stability AI的80名研究員和工程師中，只有16位擁有PhD，而且其中相當一部分是直接從推特上招來的。

換句話說，你不需要 PhD，才能成為一名優(yōu)秀的研究員或工程師。
你只需要真的去做事，而且讓別人看得見你在做什么。

前幾天剛上《WhyNotTV》的嘉賓——

從GPT-3.5到GPT-5都有深度參與、負責GPT post-training RL infrastructure的核心成員翁家翌，也是只有碩士學位。

在播客里他也提到：相比去讀一個 PhD，盡早進入工業(yè)界比較好

因為等PhD讀完，研究范式可能已經(jīng)換了一輪；

而且博士階段往往面對的是toy benchmark，而不是真實世界的系統(tǒng)和約束。

與此同時，很多AI Lab真正短缺的，反而是工程能力極強的人

至于能不能進、進了之后做什么，很大程度上取決于：實驗室當下需要什么，以及你是否已經(jīng)在過往經(jīng)歷中證明過自己能補上那塊拼圖。

[1]https://x.com/polynoamial/status/2014084431062114744
[2]https://www.youtube.com/channel/UC5xLV_gJAP9psKcyrJ3ZIcw
[3]https://www.marketingaiinstitute.com/blog/the-marketing-ai-show-episode-74
[4]https://www.dwarkesh.com/p/sholto-douglas-trenton-bricken