本文翻譯自 Amy Tam -
每個我認識的技術人員現在都在做同一道算術。他們不會這樣說，會說自己在「探索選項」或「思考下一步」。但骨子裡都是同一個計算：留在原地要付出多少代價？不是錢，是時間。
空氣中瀰漫著一種感覺：機會窗口正在縮小。每多待一季在錯的位置，你和那些早已出走的人之間的差距就更難追回。
一年前，科技業的職涯決定感覺還是可逆的。選錯了工作，十八個月後再調整就好。這個假設正在瓦解。早早重新定位的人，和還在觀望的人，差距已經開始顯現，而且在加速擴大。
我親眼目睹這一切。我是 Bloomberg Beta 的投資人，大部分時間都跟正在轉型的人打交道：離職的、剛畢業的、在想下一步的。我不是職涯顧問，但我剛好坐在「你在離開什麼」和「你在追什麼」的交叉口上。
科技業最值錢的技能，已經從「你能解決這個問題嗎」演變為「你能判斷哪些問題值得解決、哪些方案真的有效嗎」。稀缺資源已從單純的「執行力」翻轉為「判斷力」：你是否具備調度系統、同時押注多個方向，並擁有足以辨別真正價值點的「品味」？
洞察先機的人，正站在 K 型曲線向上的那一端；而其他人則在盲目追求更快的執行速度，卻沒意識到這些任務很快就會被自動化完全覆蓋。
從執行到判斷的轉變正在到處發生，但「留下來的代價」和「行動的收益」，完全取決於你現在坐在哪個位置。
大型科技公司（FAANG）
現在在大公司的人，都是同一個取捨：系統已經建好了，薪酬很好，工作⋯⋯還行。你越來越多的時間是在審查 AI 生成的產出，而不是從零開始建東西。對某些人來說這是福利，有槓桿、可持續、生活也不錯。但問題是「還行」，有一種不會出現在薪資單上的代價。
那些離開的人，通常並非「不快樂」，而是「坐不住」。他們描述了一種極其具體的感受：最核心、最具挑戰性的問題已經轉移，但龐大的組織架構卻對此一無所知。留守者在賭「穩定性」與「薪酬」優於「身處前沿」；而離開者在賭，唯有站在「前沿」，才是未來十年職業價值真正該待的地方。每多等待一季，就是少一季的「複利」。
兩個賭注都是理性的，但唯有其中一個背負著巨大的「時間壓力」。
Quant
量化還是走得通的。薪水離譜、問題夠硬、反饋即時。如果你夠強，你自己知道，因為損益不會說謊。
正在浮現的取捨是：整套量化工具箱，機器學習基礎設施、對數據的執念、統計直覺，恰好正是 AI 實驗室和研究型新創最需要的東西。同樣的肌肉，不同的問題。差別在於施展空間。量化是在優化一個策略，AI 是在構建會推理的系統。就連量化的周邊世界也感受到了這股拉力：預測市場和穩定幣裡最有趣的工作，越來越像是一個 AI 基礎設施的問題。一個有天花板，另一個沒有，至少還沒人找到它。
大多數量化人選擇留下，他們也沒錯。但那些離開的人描述了一種很具體的感受：他們到了某個點，金融的智識挑戰感覺開始變得有邊界，這是之前沒有的感覺。他們追的不是錢，是那種「看不到上限」的工作感覺。
學術界
這裡的取捨是最痛苦的，因為它本來根本不應該是個取捨。
發表原創成果曾經是最純粹的智識榮耀。你做研究，是因為研究本身很美。這一點沒變。變的是：一家有資金的新創能做到什麼，和一所大學實驗室能做到什麼，這條界線正在模糊——而且不是對學術界有利的方向。一個 20 人的研究型新創，現在可以在一個週末做到學術實驗室要花一學期的事，因為算力要花錢，而大學沒有這筆錢。
我接觸到的最有野心的博士生，不是在學術界和業界之間做選擇。他們是在「對實驗進行理論推演」和「真正跑實驗」之間做選擇。被有資金的新創和實驗室吸引，不是為了向錢低頭，而是想真正做科學，而做科學需要學術界給不起的資源。
那些基於正確理由留在學術界的人——開放科學、長期視野、真正的學術自由——值得敬佩。但他們也應該知道：時鐘對他們也在以不同的方式滴答作響。算力差距拉得越大，從大學內部做出有競爭力的研究就越難。
AI 新創（應用層）
如果你在模型上面做產品，你一定懂那種感覺：三月費心做出來的功能，六月一個模型更新就把它商品化了。產品的地基每季都在移動，你的護城河不斷蒸發。
這裡的取捨是在追求令人興奮的東西，還是建造真正耐久的東西之間。現在活得好的創辦人，已經不再關心模型能力，開始關心模型拿不走的東西：數據護城河、工作流程綁定、深度整合。這些在晚宴上不太好聊，但真正的公司就是在這裡被建起來的。
在這個世界裡動作最漂亮的人，是那些對「水管工程」感到興奮的人。不是 demo，不是 pitch，不是模型能力。而是那些醜陋、無聊的基礎設施——讓產品的黏性獨立於底層跑哪個模型之外。
研究型新創：新的重力中心
K 型曲線在這裡看得最清楚。
Prime Intellect、SSI、Humans&。10 到 30 人，做著能和五十倍規模組織競爭的真正前沿研究。三年前這是不可能的事。現在能發生，是因為工具夠好了——少數幾個判斷力強的人，可以跑贏一個資源更多但官僚的組織。
這裡的日常工作流程，是「向上那條臂」最清晰的樣子。你啟動訓練、跑實驗、讓它們跑一整晚。早上回來，你的工作不是寫程式，而是知道該拿回來的結果怎麼辦。當系統給你一牆的結果，你要有品味去分辨哪些是訊號、哪些是雜訊。這是被動槓桿——你讓實驗運轉起來，複利就自己發生，不管你在不在桌前。
人們在衡量的取捨是：這些公司很小、未經驗證，很多會失敗。這個賭注是：站在前沿的中心、讓你的判斷直接觸碰工作本身，複利速度比待在更大組織的安全感更快——就算這家公司最後沒撐下去也一樣。技能可以帶走，人脈可以帶走。但你在大公司花三年審查別人產出的那段時間，不會以同樣的方式帶走。
大型模型實驗室：正在收窄的前沿
話術仍然有效 (我們在打造 AGI)。對某一類人，這句話可能永遠有效。
但內部體驗已經變了。最有趣的研究集中在少數資深人士手上。其他人做的是重要的支援工作（評測、基礎設施、產品），但那種感覺並不像他們當初以為自己要觸碰到的前沿。你加入是想碰到那個「東西」，結果你離它隔了三層。
取捨是聲望 vs 親近度。一個大實驗室的履歷仍然能幫你打開所有門。但離開的人在做的是一個很具體的計算：隨著實驗室變大、變得更企業化，「我在某頂尖實驗室待過」這種履歷價值正在折舊；而「我在某個地方做前沿研究，而且我的判斷力塑造了方向」的價值正在升值。大型實驗室血統是最佳憑證的窗口正在關閉，而看見這點的人正在移動。
結論：時間與複利
這一切抉擇背後，隱藏著同一個變數：時間。
一年前，你還能在舒適區內好整以暇。當時「等待」的代價尚低，因為發展分歧才剛露苗頭。現在情勢陡變，工具正以前所未有的速度自我複利。六個月前就轉身的人，與仍在權衡利弊的人，彼此間的差距已呈倍數擴張。
向上的機會窗口尚未關閉，但「等待成本」正呈拋物線上升。這不僅僅是關於機會消失，而是那些已經在那裡的人一直在「複利」，而你沒有。
問題不在於你夠不夠聰明，而是你心中那道算式早已算完。只是你還沒開始行動而已。