劝人退学、庆幸没读博浪费 5 年，26 岁 DeepMind“传奇人物”：大厂内部分散，AI 研究很低效

Neel Nanda，今年 26 岁，但已经成为人们口中的“传奇人物”了。

Neel 2020 年本科毕业于剑桥大学纯数学专业，曾在量化金融领域 Jane Street 和 Jump Trading 公司实习，但他觉得这并不适合自己，于是在毕业后花了一年时间探索人工智能安全。尽管涉足机械可解释性研究仅四年左右，Neel 却贡献了多项基础性成果，多篇论文被大量引用。

Neel 曾在 Anthropic 工作，现在又在谷歌 DeepMind 带领团队，过去四年还指导了约 50 人，其中 7 人如今在前沿 AI 公司承担重要工作，还有几位在政府或监管机构担任要职。

他曾发起一个挑战：在一个月内每天写一篇博客，以克服完美主义带来的停滞。这些博客帮助催生了“机制可解释性”领域，顺便也让他遇到了四年来的伴侣。他在自己的 YouTube 频道上传了自己阅读著名论文并分享见解的三小时未剪辑视频，其中一条视频的观看量达 3 万。

Neel 管理了 DeepMind 的机械可解释性团队。他原本加入时只想做个人贡献者，但当团队负责人离职时，他顶上去了，尽管没有管理经验。“我不知道自己能否胜任，但总体还算顺利。”“最糟糕的情况，无非是我没带好团队，换个人接手而已。”

在与主持人 Rob Wiblin 的深入对话中，Neel 分享了各种方面的经验，以及他在 Google DeepMind 四年间的一些其他热门见解。我们对原文进行了删减和整理，以飨读者。

“没有读博浪费五年”

主持人：可以说你过去四年异常忙碌且成果丰硕，职业生涯早期就取得这么多成就，你是如何做到的？

Neel：如果说这是因为我特别聪明、特别有才华，那当然听起来很棒（笑）。我觉得我还算擅长自己的工作，但主要还是运气，这个答案在类似问题里应该更常见。具体来说，我觉得这是“在正确的时间出现在正确的地方”，以及“善于抓住机会、并且为自己创造合适的机会”的结合。

我进入机械可解释性研究的时机刚刚好。当时这个方向很受关注，但规模还非常小。如果你进入的是一个快速增长的领域，比如一家创业公司或者一个新兴研究方向，你能在很短时间里成为最有经验的人之一，而这跟你本身有多厉害并不一定完全相关。我们后面也会聊到，如何才能为自己创造合适的机会。

另一个很重要的原因是，我真的很喜欢管理和指导别人。很多研究人员可能对这件事不太情愿，但我似乎做得还不错。而且通过让 10 到 20 个研究员变得更优秀，我能产生更大的影响力。时间一长，这种效果就会不断累积。最后一个关键点是，我没有在博士学位上浪费五年的时间（笑）。

主持人：你自己没有博士学位，省了好几年时间。在外人看来，现在 AI 行业发展这么快，如果能通过其他方式进入行业做 ML 研究的话，花四五年甚至六年读博写论文似乎不是最佳选择。你怎么看呢？

Neel：这很复杂。人们常犯的一个错误是“必须读完博士”——这完全是错的。博士应该被视为“学习和获取技能的环境”，如果有更好的机会，休学一年往往很容易，甚至可以退学。如果能在靠谱的机构找到研究工作，且预期比读博好，那读博的目的就达到了，可以提前结束，离开。

我最近聘请的 Josh Engels 就是典型例子，他在做可解释性博士研究，并做出了很棒的工作。我当时已经确信他非常优秀，于是说服他提前几年退学，加入我的团队。我知道我很有偏见，但我觉得这是正确的选择。

主持人：那人们到底该不该读博？

Neel：我认为进入研究领域最有用的方法之一是导师指导。你可以从博士导师、实验室其他人那里获得，也可以从加入行业研究团队后的同事和经理那里获得。但不同地方的收获差异很大，经验的价值也不同。

很多人没意识到一个非常重要的技能：管理你的导师或经理。这个技能和成为一个优秀研究者是完全不同的。很多著名的博士导师反而是最糟糕的，因为他们太忙没时间指导你，或者因为他们本身是很好的研究者，但并不擅长耐心指导、关心培养别人、为你腾出时间。在行业岗位上也是一样。

我希望为我的团队创造一个环境，让大家能学习、拥有研究自主权，并成长为研究者。如果团队成员都是优秀研究者，我的工作会轻松很多。激励是非常一致的。但有些团队自主权很少，可能只希望你当工程师，或者只能按既定议程做研究。我确实认为工程也是一项真正的技能，在博士里往往很难学，在行业里容易学，但做研究也是一样。

我要特别强调的是，我们仍然需要能够制定新的研究议程、提出创新想法的人。博士环境往往更适合这个，因为你可以自由做任何事情，没有人能阻止你。导师通常也会支持这种自由，但行业经理可能不会。

有些读完博并推荐读博的人强调：我们需要更多能“引领新研究议程”的人，而“被扔进荒野自己摸索”往往是学习这一点的最佳方式之一。可以这么理解：学术界自主权高、支持少，有人能成功，有人会失败。

我认识很多读博读得很痛苦的人，也认识很多很喜欢读博、不想毕业或很开心读完的人。行业里自主权通常较低，但团队间差异很大，不过能参与大项目、资源更充足，能学到更多工程技能，且技能更贴近前沿模型研究。但团队间的差异往往是最关键的。

一个具体建议是，如果考虑加入某个团队或学术实验室，找该导师的学生或团队成员私下聊聊（确保他们会说实话），多问关于导师/经理的问题：花多少时间在你身上？能从他们那里得到什么？想改变他们什么？如果某人名声很好但学生说不话，那就是陷阱，别去。

我觉得很无奈的是，想入行的年轻人和招聘方之间存在严重的信息不对称。我招人时，如果觉得这个岗位不适合对方会直接告诉他们，但信息不对称依然存在。你需要收集合适的信息，这样才能做出更好的决定。

有些权威人士很糟糕，尤其是某些博士导师，会优先考虑自己的利益。我听说过有些导师为了让学生多干活，故意不让他们毕业。这太可怕了，我非常鄙视这样的导师。

“他们一直劝我去做 AI 安全研究”

主持人：你是怎么决定要做 AI 技术安全研究的？

Neel：说实话，这条路走得挺曲折的。早在 2013 年左右，我大概 14 岁时，偶然读到了一篇很棒的《哈利波特》同人小说。这让我接触到了 EA（有效利他主义），又进一步读到一些关于 AI 安全的内容。我的反应是：“嗯，这些人说得挺有道理，我接受这些论点。”但之后我很长一段时间什么也没做。在大学里，我做过一些量化金融的实习，比如在 Jane Street。与很多人的印象不同，量化金融其实挺不错的，如果你不在乎 AI 安全的话我会推荐这条路。我本来很可能就走这条路了。

不过后来我参加了一次 80000 Hours 的职业咨询电话，我才意识到自己其实并不真正理解 AI 安全研究，也不清楚它到底意味着什么。那时候接触到的东西比较偏数学，比如 MIRI 的逻辑归纳，我完全不理解它怎么有用，现在我依然不理解（笑）。

后来我通过社区认识了一些在做有趣工作的研究者，比如有人说：“有了 GPT-3，我们可以做一些以前做不到的有意思的事情。”当时 OpenAI 内部已经有很先进的系统，但还是半遮半掩。

真正让我转变是在本科毕业后。本来我计划读硕士，但全球疫情让这个计划变得不太现实。我也拿到了去 Jane Street 工作的 offer，这本来是个很好的选择。但我突然意识到，人生不一定只有两条路。如果我尝试做 AI 安全研究，结果发现很糟糕，那大不了就不做了。

于是我决定先试试。我休了一年假，在不同实验室做了三次 AI 安全的实习。坦白说，我并没有特别享受这些工作，对研究方向也没什么感觉，而且大部分时间处于疫情期，整体体验一般。但我学到了很多，逐渐确信这是一个真实的问题，这里有有意义的研究工作可以做，而我也能胜任。

后来我很幸运地收到了 Chris Olah 的邀请，成为 Anthropic 早期的员工之一。我是他们可解释性团队的第四个人，现在团队已经扩展到二十多人了。我在这个过程中逐渐爱上了这个领域。

回想起来，我之前一直有个困惑：如果一个选择对世界真的很好，但我自己并不喜欢做，那我也坚持不下去。我没法每天都做一件我不享受的事。转折点在于，我发现世界并不公平，这也意味着有时候会有“免费的红利”：有的研究方向既能带来影响力，又真的很有趣、很有智力刺激性。机械可解释性对我来说就是这样，所以我一直做到了现在。

主持人：听起来，当时的背景跟现在不一样。

Neel Nanda：对。那时候 GPT-3 刚出来，很多问题还不清楚。但现在 AI 正在重塑整个世界，这是当下最重要的事情之一。我几乎无法想象自己会去追求一份与此无关的职业。过去我很多疑惑，比如“安全研究到底长什么样？有没有实证工作可做？”现在已经很清楚了。

现在也有更好的基础设施，比如 MATS 这样的教育项目，也有更多岗位。所以如果有人在听我说的这些，并且觉得共鸣：“我应该做点事让 AI 更好地发展，因为我同意这是个真实问题，但我不知道该怎么做，这看起来很吓人，也不知道什么时候开始合适”，那我的建议是：现在就开始。

我要补充一点。很多人，尤其是数学和计算机背景的人，会觉得自己必须去做技术性的 AI 安全研究。这当然是个不错的选择。但在我看来，AI 正在重塑整个世界。如果我们希望 AGI 的转变顺利，就需要很多领域的人才来理解这些问题并投入其中。我们需要好的政策制定者，需要公务员和政治人物；需要记者和科普工作者；需要研究经济影响的人；需要做预测的人。

除非我完全判断错了，否则在我有生之年，AI 一定会深刻改变世界，即便现在的泡沫破裂。所以我们需要大量人在不同岗位上做出努力，让这个过程变得更好。

主持人：那在 80,000 Hours 的咨询电话里，你最关键的收获是什么？

Neel Nanda：说实话，我挂电话时还挺烦的，因为他们一直劝我去做 AI 安全研究（笑）。事实证明他们的建议是对的。最有用的一点是，他们帮我联系了一些更有经验的研究者。和他们交流让我觉得：“啊，原来你们是理智的人，在做清晰、靠谱的研究工作，而且这对我来说也像一条真实的职业道路。”

前沿 AI 公司，“分散、不高效”

主持人：在前沿 AI 公司里，尤其是在像 Google DeepMind 这样的大型组织中工作，你学到了什么？

Neel：在真正的公司工作后，我确实学到了很多组织运作的知识。首先，我想谈谈大机构的共性（和 DeepMind 无关）：人们很容易把大公司想象成一个“整体”，仿佛有一个单一的决策者按某个目标来行动。但现实中，如果一个组织超过 1000 人，这种运行方式根本不可行。

初创公司里大家可以互相认识，信息透明。但在大公司里，需要结构和官僚化，决策权被分散到很多人手里。不同的人维护组织的不同利益，他们各自代表不同的立场。决策者都很忙，往往依赖顾问或次级决策人。有些决定在组织较低层级就会做出，但如果问题够重要或分歧够大，就会逐级上升到更高层，直到有人能拍板。因此，如果你以为一个大型组织是以一个完全一致的整体在行动，那就会做出错误预测。

主持人：这是不是意味着他们会做出相互矛盾的决定？比如某个部门朝一个方向努力，另一个部门往另一个方向走，直到事情上升到一个能统一决策的管理者

Neel：这种情况确实会发生。但让我更惊讶的是，大公司内部并不像一个“高效市场”。

举个例子。在股市，我通常不会主动交易，因为如果有赚钱机会，别人可能已经抓住了。我原本也以为公司内部会类似：如果有能赚钱的机会，一定有人在推动；如果会赔钱，一定没人做。但现在我认为这是大错特错。其实，金融市场也并不总是完全高效，对冲基金有时能赚大钱，因为他们有专家能发现别人忽视的机会。同样地，作为 AGI 安全团队，我们能发现其他团队遗漏的、与 AGI 安全相关的机会。

更重要的是，金融市场有大量专门寻找并修复低效的人，但公司里基本没有这样的人，尤其是在安全增值方面。人们都很忙，要关心很多事。再加上一些文化因素，比如机器学习研究者常见的心态是“解决今天的问题，不去预测未来的问题”。

在很多情况下这是合理的，但安全问题往往更微妙、解决更慢，所以必须提前介入。这意味着，如果安全团队不主动推动，很多机会即使大家并不反对，要么要等很久，要么根本不会发生。

主持人：听起来这些公司在某种意义上都处于“不平衡”状态。因为行业和技术变化太快，他们没有足够人手去分析、筛选所有机会，所以最终公司做什么、不做什么，很大程度取决于某些个人的偏好，而不是深思熟虑的过程。

Neel：大体上是的。但我想强调，这并不是因为人们懒惰或不负责任，而是因为他们视角不同、优先级不同、对职责的理解不同。作为一个关心 AGI 安全的人，我可以在其中发挥作用，往更好的方向推动。

主持人：听说你最近开始在一个应用型的机械可解释性团队工作，试图开发能真正部署在 Google DeepMind 模型里的工具或产品。你在这个过程中学到了什么？

Neel：这对我来说是一次很有意义的经历，也要特别感谢我们的团队负责人 Arthur Conmy，也是我的 MATS 校友。我总结了四个关键点，涉及前沿模型的实际使用者到底关心安全技术的哪些方面：

• 有效性，它是否真正解决了大家关心的问题？（隐含的是，这是我们真的关心的问题吗？）

• 副作用，会不会损害模型性能，这是学术界常常忽略的一点。比如，你想加一个监控器来识别恶意请求（如网络犯罪），就必须保证它不会频繁误判正常用户请求。

• 成本，运行代价是多少？有些几乎免费，比如增加少量微调数据）；有些则非常昂贵，比如每次调用都要额外跑一个大模型。

• 实现成本：这点常被低估。比如“金门大桥 Claude”实验展示了稀疏自编码器的效果。但如果要在生产模型里加一个类似的“伦理开关”，虽然计算成本很低，但要插入到高度优化的矩阵运算堆栈中会很复杂，还会影响整个代码库。其他团队的人可能因此额外耗时，甚至担心被影响，从而产生阻力。

如果要改变底层架构，比如改造 Transformer，不仅要和推理团队合作，还得和预训练团队乃至所有人沟通。而如果只是加一个外部分类器，就容易得多。

我觉得最重要的经验是：要在当下人们关心的问题和长期安全价值之间找到交集。如果能让别人也对你的方法感兴趣，哪怕他们关注的点与安全无关，也能形成联盟，推动实现。这样还能积累经验、优化成本、建立基础设施，以后再说服别人用更安全的变体会更容易。最终，如果你能直接提交一份 PR，让功能无缝集成，而不是请求别人抽出宝贵时间来实现，会更容易被接受。

主持人：对于那些不在前沿 AI 公司里的研究人员呢？我之前和 Beth Barnes 聊，她认为很多 AI 研究者在公司外可能反而更容易。因为在小型研究团队或者独立工作时，他们有更大的自由去选择方向。但这也有风险：你可能开发出很好的技术，但很难让大公司认真对待或应用它们。你不在公司内部，首先就增加了落地门槛，而且你可能不了解这些公司在交付产品时的约束，结果就是方向错了，或者做出的东西很难真正应用。对于这些研究者，你有什么建议吗？

Neel Nanda： 这是个很好的问题。我觉得有一点很重要：如果要让 Gemini 采用某种安全技术，我和 Google DeepMind 的 AGI 安全团队比任何外部人更有优势，因为我们了解团队真正关心的指标。比如：我们知道要测试监控器在正常请求下的误触发率；我们知道哪些评测是关键（这些并不总是公开的）；我们能直接接触模型，并实际去实现。

这意味着，外部研究者的目标应该是做出足够有说服力的工作，让实验室的安全团队觉得值得花时间去验证和扩展。

主持人：在实践层面，这意味着什么？

Neel Nanda： 其实和刚才提到的差不多。你需要考虑，要让技术落地，需要多少利益相关者同意？我的方法复杂吗？成本高吗？副作用是什么？你要尽量做最好的评测，同时要确保实验室安全团队会注意到你。

很多安全研究人员其实认识实验室的人，向他们请教会很有帮助。有些人以为必须找负责人或资深研究员，但那往往行不通。比如，我的经理 Rohin Shah 非常忙，没什么时间帮忙；但如果有人联系我团队里刚加入一年的同事，他们可能时间更充足，也有足够的背景来判断，必要时还能把有前景的成果上报给我。

大公司如何推动安全决策？

主持人：另一个挑战是，像 Google DeepMind 这样的公司，在 AI 产业和技术快速发展的压力下，被迫以极快的速度做出一些内部治理和安全相关的重大决定。但时间可能不足，无法深入分析所有问题。在这种情况下，公司内部的人能如何推动决策走向正面结果？

Neel：这是个好问题。我认为，如果能成为关键决策者信任且愿意倾听的人，就能产生很大影响力。这不一定是“玩政治”，更多时候，做一个中立、可信的技术顾问影响力可能很大，要真懂行、懂安全，且不偏激。

安全社区有时会觉得“必须把一切都夸大为危险”才能被重视。但我认为 DeepMind 的安全团队需要分清楚：哪些是危言耸听，哪些是真正值得担忧。只有这样，当真的有严重问题时，大家才会认真听。

人们常常忽视了“成为受尊重的技术顾问”这一角色。这并不意味着你不需要理解和适应大公司内部的官僚体系，但这更多是：识别关键决策者，建立你聪明、可靠、深思熟虑的声誉，成为他们在需要时会主动来请教的人。我的经理 Rohin Shah 就是个很好的例子，他通过这种方式对 DeepMind 的安全方向产生了很大影响。

主持人：我今年早些时候和 Beth Barnes 聊过，她的看法稍微有点悲观，觉得个人进入那些非常大的 AI 公司后，要想推动公司做出更好的决策，其实挺难的。部分原因是她本身更偏技术背景，但如果你真想影响这些决策，就必须在某种程度上专门发展相关的技能——比如和所有人沟通、努力建立共识，让结果往你期望的方向靠拢。专注机器学习研究的人未必具备组织内部政治博弈所需要的能力。你怎么看待这种说法？

Neel Nanda：这很复杂，但我觉得确实有一些道理。有人会想：“我关心安全，所以我去前沿 AI 公司工作，这样事情就会变好。”这总体上可能比什么都不做要好，但其实可以做得更好，关键是要有计划。

一种计划就是我刚才提到的，要么非常擅长“在组织里游走”，要么就是成为“广受尊敬的技术专家”。但实际上，在 DeepMind 内部，大多数对安全有影响的人并不是这样发挥作用的。更多的情况是，有少数几位资深人员对接整个组织。而像我团队里的人，影响力更多来自做好研究，支持那些推动安全变革的人。

优秀的工程师和研究人员能做很多事，比如证明某个技术真的有效，发明新的方法、降低成本、为某个技术建立有力的证据基础，确保它没有严重的副作用或额外代价，或者直接把技术实现出来。这样决策者就更容易说：“好的，我们就接受你已经写好的代码。” 这其实比去当那个在组织里游走的人更耗时间，但也很重要。

而且，如果在组织里有被大家尊敬的人存在，我本人就非常尊敬 DeepMind 的一些安全负责人，比如 Rohin Shah 和 Anca Dragan，去赋能他们也很有价值。

我还认为，赋能一个团队也很有影响力。比如最近 AGI 安全团队就新建了一个小型工程团队，专门帮助加速大家的研究。你可能会以为这是一家成熟的科技公司，应该没什么可以提升的空间，但其实一个小团队有很多比较特殊的用例，通过优化还是能大大提高研究迭代的速度。我觉得这个团队的作用非常大。

公司如何识别 AI 安全问题

主持人：我觉得，对所有大型 AI 公司里的决策者来说，他们很难真正知道当下需要什么样的安全防护措施，包括未来一年需要什么样的、五年后又需要什么样的，以及哪些措施其实并不会真正提升安全性，只是浪费时间和资源。

如果你是公司内部懂技术的人，可以给决策者提供准确的信息，告诉他们哪些风险是真实存在的，哪些防护措施真的能化解风险。这样其实比总是重复“我们应该永远选择更安全的方案”更容易建立信任、更能影响决策，对吗？

Neel Nanda：是的，我觉得你总结得很到位。不过我也认为“总是选择更安全的方案”其实过于简化。像前沿模型这样极其复杂的系统，提升安全性的方式非常多，而真正能产生影响的部分就是找到其中的共同点。我并不是说大家只能做与当前模型直接相关的安全研究，而是说这些研究最终必须要能关联到实际模型。

我补充一点。要让某项技术真正用到生产模型里，比安全团队决定研究什么难多了。我们团队在研究方向上有相当大的自主权，如果我们判断某件事在 6 到 12 个月后会变得很重要，大家会看到它的紧迫性，那么现在就可以开始准备。

有一句名言，说推动政策改变的方法之一就是“等到危机发生”。但我更希望的是，在安全问题真正出现之前，我们就已经有完善的解决方案。因为很多安全问题在测试中就会有预警信号和迹象，如果因为要赶上线而急着临时修补，往往做出来的方案既不够深入，也不够有效，提前准备则能做得更好。我们产生影响力的路径之一，就是这种“提前准备”。

主持人：你说的“危机”具体指什么？像是某个产品开始出现公司不希望的行为，大家为了保证它还能安全地提供给用户，临时四处找解决方案？

Neel Nanda：对。在某种意义上，如果真的出现这种情况，那说明安全团队没有尽到责任。我的目标是：在问题变成真正的危机之前，它们就已经被以某种方式标记出来，并且能在那些大家认可的评估指标上被检测到，这样我们就能提前修复，避免事件发生。

我非常推崇一些风险管理框架，比如 DeepMind 的前沿安全框架（Frontier Safety Framework），以及 Anthropic 的 负责任扩展政策（Responsible Scaling Policy）。我觉得这些框架本质上就是在我们可控的范围内制造“可管理的危机”。

举个例子：Gemini 2.5 Pro 在测试时就触发了一个早期预警信号，表明它可能会帮助人们做一些带有攻击性的网络安全操作。我们能通过测试发现这一点非常重要，因为我们事先就设定了阈值：一旦触发这种信号，就必须有相应的缓解措施到位。于是现在团队就投入大量精力，提前把这些缓解方案做好，以便在风险真的可能变得危险之前就能生效。

怎样才是好的研究者

主持人：你在过去四年里发表了相当多的研究成果，而且你现在还在 Google DeepMind 带领一个大概八人的团队，同时在过去四年里指导过大约 50 名初级研究员。你从中学到了什么？怎样才算是一个好的研究者？

Neel Nanda: 成为一个好研究者到底需要哪些具体的技能和心态，总体上，首先，你需要有不错的编程能力，这样你才能真正完成事情、做实验。在学术界或独立研究中，能在 Python notebook 这类交互式环境中写“粗糙但能用的小规模代码”就够了，不用构建复杂基础设施或在复杂库中工作。核心是“能粗糙但准确地完成任务”。

另一个技能就是快速迭代。能否快速完成实验、快速看到结果并据此决定下一步，直接导致研究产出和成功率的差异非常明显。

这也引出了另一个点：优先级排序。研究是极具开放性的领域，比很多其他工作都更需要在不确定性下行动的能力。这是一个心理层面的挑战，有些人对此更擅长。我以前是学数学的，到处都是普适真理，可惜机器学习不是这样，研究者必须知道什么时候该深入问题、什么时候该抽象拉远。很多新人往往在这两种倾向里走得太极端。

另一个关键点，是要有实证科学思维和怀疑精神，特别是在机械可解释性研究里。你要在一个庞大且分支繁多的研究决策树里航行，不断得到实验数据、解读数据，理解它们说明了什么、哪些可能是真的哪些不太可能、证据是否有缺陷等，你还需要经常回顾自己过去几周的研究，还要能回顾过去几周的研究，挑战自己深信的假设，思考其缺陷和验证方法。

最后一个关键技能，我称之为“研究品味”。这是一个复杂且常被误解的能力，指对研究项目中“正确的高层决策”有良好的直觉，包括“选什么问题”（有些项目是好主意，有些不是，选对了就成功了一半）、“项目中哪些方向最有前景”，以及低层面的“能否设计出既能验证假设、又可行易实现且切中核心的实验”。

主持人：有什么比较普适的建议，是你希望观众能带走的？

Neel Nanda：我觉得最重要的一个教训就是：你完全可以直接去做。

这听上去很普通，但其实里面有很多需要学习的点。第一，“去做事情”本身是一种技能。我是个完美主义者，经常不想动手，总觉得“这太冒险了，可能会出错”。我打破这种状态的方法是挑战自己：一个月每天写一篇博客。结果不仅让我养成了输出的习惯，还因此认识了我现在的伴侣。

另一部分是我所谓的“扩大自己的幸运面积”：要尽可能创造机会，让好事有可能发生。比如去认识人，偶尔对一些事情说“好”，让别人愿意把机会带到你面前。去参与一些奇怪的、甚至有点吓人的项目。举个例子，我在 YouTube 上发过一个视频：整整三个小时读一篇著名的论文，边读边随手评论，没有任何剪辑。结果有三万人看，大家居然挺喜欢。

还有一个例子是我怎么变成 DeepMind 的团队负责人。当初我只是想做个普通研究员，没想到团队负责人几个月后就离职了，然后我就顶上了。虽然当时完全没经验，也不知道能不能做好，但结果还不错。这就是所谓“扩大幸运面积”——让自己处于能遇到机会的环境里。然后当机会出现时，即使有点害怕，也要敢于说“好”。就算失败了，代价往往也没那么大。最糟糕的情况，无非是我没带好团队，换个人接手而已。

原文链接：

https://www.youtube.com/watch?v=MfMq4sVJSFc