AI自己修Bug了，算法岗求职者该慌还是该笑

AI开始自己找自己底层公式里的Bug了，这对算法岗求职者不是坏消息，而是一次明确的技能定价重估：会调库的人继续贬值，能验证数值正确性的人开始升值。

这次到底发生了什么

Google DeepMind的研究者在PyTorch、JAX以及教科书的Softmax与交叉熵实现中发现了两个隐蔽问题。标准做法是先减去最大得分防止溢出，但这一减会让分母变成「1加一个极小数字」的结构。模型越自信，这个数字越小，小到在bfloat16或fp32下被直接舍入成1.0，正确的梯度瞬间归零。论文称之为Softmax崩溃，优化器随后会把这种零梯度放大成训练曲线的剧烈震荡。

更值得求职者注意的是修复过程：这个Bug最初由Gemini发现并修复，论文实验与图表初稿也由模型完成，人类研究者负责苛刻挑刺与复核。独立工程师随后在CPU上复现并证实了机制。

算法岗还值得投吗

值得，但投的方向要变。过去几年算法岗的简历关键词是「熟悉PyTorch」「调过LLM」，这类描述正在快速同质化。这次事件暴露的恰恰是另一类能力：知道框架里每一行标准实现为什么这么写，知道浮点运算在什么条件下会背叛数学等价。

面试里越来越可能出现这样的问题：为什么交叉熵要先减最大值？减完之后分母长什么样？bfloat16和fp32的精度悬崖差多少？能答出机制的人，和只会背API的人，薪资谈判的底气完全不同。

哪些岗位在悄悄变热

• 数值稳定性与训练框架优化方向，需求来自所有自研模型的团队。
• 模型评测与复现工程方向，独立工程师能复现论文结果这件事本身就在被重视。
• AI辅助研发的「审稿人」角色，模型出初稿，人负责挑刺，这类混合岗位正在增加。

求职者现在能做什么

第一，把「会用一个框架」升级为「读过一个框架的源码」。不必通读，挑Softmax、交叉熵、优化器更新这几处，逐行看懂。

第二，补上浮点数常识。bfloat16、fp32的表示范围与舍入行为，是比背八股更硬的底层知识。

第三，练交叉验证的习惯。这次Bug能被确认，靠的是打印中间值、换精度复现、比对结果，这套动作在面试项目复盘里非常加分。

第四，别把「AI能自己修Bug」理解成岗位消失。它消灭的是重复劳动，放大的是判断力。能判断模型给的修复方案对不对的人，才是团队真正缺的。

一个提醒

技术热点会不断刷新，但求职的底层逻辑没变：你的能力要落在别人短期补不上的地方。数值正确性、复现能力、对标准实现的怀疑精神，这三样在可见的几年里都不会过时。想看同类岗位的实时变化，可在求职者营地（qzzyd.com）按城市和方向订阅在招职位，把趋势变成具体的投递清单。

数字不会凭空消失，能力也不会。它们只是去了你没注意到的地方，等你去把它找回来。