牛津大学统计学博士生Silvia Sapora近日在个人博客上分享了自己在机器学习领域求职的详细经历，引发了广泛关注。这位即将加入DeepMind担任研究科学家的年轻学者，在求职过程中斩获了多家顶级AI实验室的录用通知，包括DeepMind、Isomorphic Labs、Cohere和meta等知名企业。
Silvia在博客中坦言，自己的求职之路并非一帆风顺。她详细记录了从准备简历、投递申请到参加面试的全过程，特别强调了求职过程中面临的压力和自我怀疑。她表示，许多机器学习研究者都将顶级实验室的面试视为"黑箱"，对论文要求、面试内容和准备方法都缺乏清晰认知。通过分享自己的经历，她希望为后来者提供有价值的参考。
在求职准备方面，Silvia给出了具体建议。她认为，要获得头部实验室的面试机会，通常需要3篇以上一作论文，再加上一段实习或业界经历。她博士期间在ICLR、NeurIPS和ICML等顶级会议上发表了4篇一作或共同一作论文，研究方向涵盖大语言模型、强化学习等热门领域，同时也涉及元学习、进化策略等相对冷门的方向。她还在Apple实习过，并有meta的软件工程师经历。
技术面试准备是Silvia重点强调的部分。她建议求职者以岗位为中心进行准备，包括刷约150道中等难度算法题，亲手制作知识卡片，并在限时条件下从零实现Transformer、注意力机制等关键技术。她还特别推荐使用大语言模型模拟面试，认为这种方法能有效提高面试表现。Silvia透露，自己在每场面试前都会让Claude等模型扮演面试官进行针对性练习。
除了技术准备，Silvia也分享了应对面试压力的经验。她承认自己在面试前经常失眠、食欲不振，甚至会在面试中突然大脑空白。为了缓解焦虑，她建立了固定的面试前仪式，包括在视频背景中放置鲜花、化妆和观看励志视频等。她强调，一次面试的发挥并不定义一个研究者的价值，重要的是保持积极的心态。
在求职策略方面，Silvia讨论了大厂与创业公司的选择问题。她指出，创业公司通常竞争较小但波动性大，而大厂则有更可预测的面试结构。她建议求职者根据自身情况做出选择，并提醒要注意创业公司股权薪酬的真实风险。对于薪酬谈判，她分享了自己的经验：当公司真正想要你时，它们可以显著调整报价，因此永远值得开口询问。
Silvia的博客还详细列出了她准备的技术主题清单，涵盖线性代数、强化学习、扩散模型等多个领域。她认为，机器学习研究科学家的面试可能涉及任何内容，从基础概念到具体架构问题，因此全面准备至关重要。她的经历表明，通过系统性的准备和积极的心态调整，求职者完全有可能在竞争激烈的机器学习领域找到理想的工作。
