机器之心编辑部 又到一年毕业季。这个 6 月，相信很多同学都已经收到了心仪的实习 offer，或者在准备秋招投递。 对于 AI 相关专业毕业生来说，就业市场选择很多，各个大厂、小厂、初创都在积极招揽 AI 人才。 但目前行业变化很快，今天还是 SOTA 的模型明天可能就被挤到第二名，下个月可能就有同等实力的开源模型出来，把大家拉到同一起跑线。产品也是如此，只 要一个产品 demo 足够出圈，接下来两个月同类产品就会相继涌现，连创始人出镜讲述的风格都高度相似。这导致就业市场也变化很快，今天还是重点投入，明天 可能就有变动。 同学们在择业时，会不会也有疑虑？或许我们可以从行业走势、公司基因、过往人才培养案例等方面跟同学们一起探讨一下。 AI 下半场，拼的是什么？ 机器之心报道 很多关注 AI 领域发展趋势的同学可能都看过 OpenAI 研究员姚顺雨写的一篇博客 ——《The Second Half》。这篇文章当时被大量转发，其中的洞见也得到了很多 从业者的赞同。 文章主要是说，AI 领域的竞争重心正在发生转移 —— 上半场比拼模型参数与训练技巧（如刷榜 ImageNet），而下半场需聚焦「如何定义有价值的问题」和 ...

机器之心报道 编辑：张倩 前段时间，OpenAI 研究员姚顺雨发表了一篇主题为「AI 下半场」的博客。其中提到，「接下来，AI 的重点将从解决问题转向定义问题。在这个新时代，评估的 重要性将超过训练。我们需要重新思考如何训练 AI 以及如何衡量进展，这可能需要更接近产品经理的思维方式。」（参见《 清华学霸、OpenAI 姚顺雨：AI 下半 由于观点非常有见地，这篇博客吸引了大量从业者围观。 有意思的是，亚马逊首席应用科学家 Eugene Yan 最近也发表了一篇博客，专门介绍 AI 产品的评估，可以说是对姚顺雨博客的有力补充。 场开战，评估将比训练重要 》） 这篇博客同样得到了诸多好评。 以下是博客原文。 自动化评估救不了你的产品 你得修复你的流程 产品评估这件事，很多人根本没搞懂。总有人以为再加个工具、添个指标，或者让大语言模型当裁判（LLM-as-judge），就能解决问题拯救产品。这根本是在回避 核心问题，逃避真正该做的工作。评估并非一劳永逸，也不是什么快速起效的方法 —— 它是运用科学方法的持续实践，是评估驱动开发，是 AI 输出的持续监 测。 构建产品评估体系，本质上就是在践行科学方法。这才是真正的 ...

Core Insights - The article discusses the transition of AI from a phase focused on model innovation and benchmark testing to a new phase emphasizing problem definition and evaluation [3][23][30] - It highlights the importance of reinforcement learning achieving generalization capabilities, allowing it to tackle diverse tasks previously thought to be unrelated [3][4][21] Group 1: AI's First Half - The first half of AI's development was characterized by significant breakthroughs in training methods and models, such as Transformer and GPT-3, which focused on improving model performance on benchmarks [4][5][7] - The emphasis was on creating new models rather than defining tasks, leading to a cycle of developing increasingly difficult benchmarks that could be solved with existing methods [7][8][23] Group 2: Breakthrough Formula - The effective formula for AI's success includes large-scale language pre-training, scaling (data and compute), and the integration of reasoning and action [9][14] - The realization that prior knowledge is crucial for generalization has shifted the focus from solely algorithm development to understanding the environment and prior knowledge [15][21] Group 3: Transition to the Second Half - The second half of AI will focus on redefining evaluation frameworks and creating new assessment methods that reflect real-world applications rather than just benchmark performance [26][27][29] - The industry faces the "utility problem," where existing evaluation frameworks do not align with real-world tasks, necessitating a reevaluation of how AI's effectiveness is measured [27][29] Group 4: Future Directions - The new game in AI's second half involves leveraging existing formulas to solve real-world tasks while innovating new components to enhance these formulas [32] - Companies will need to create new hypotheses that challenge existing paradigms to achieve significant breakthroughs and develop valuable products worth billions or trillions [30][32]