AI 如何加速职业成长——以及这对 AI for Science 为什么更重要

Author: Koutian Wu; GitHub: ktwu01

TL;DR

职业早期的成长，通常可以拆成几个可重复的层次：方向对齐、稳定交付、建立可见度、提升沟通、展现领导力，以及赢得信任。

AI 几乎能在每一层都提供帮助——不是替代判断力，而是把“理解 → 执行 → 产生可见影响”的闭环压缩得更短。

从 AI for Science 的角度看，这件事更重要：未来真正塑造行业的，不只是更强的模型，还有更好的工作流、更好的工具，以及更好的人机协作方式。

最近我看到一个关于职场早期成长的简单图示，虽然朴素，但非常有用。它的逻辑大概是：

1. 与业务目标 Align
2. 稳定 Deliver 高质量工作
3. 通过分享和文档建立 Visibility
4. 提升 Communication，特别是跨团队沟通
5. 通过 ownership 和帮助他人体现 Leadership
6. 最终赢得 Trust，从而获得更大 scope 和晋升机会

让我印象很深的是：AI 现在确实可以在这个过程的几乎每一步都提供实质性帮助。

不是那种偷懒式的“把活都丢给 ChatGPT”。 而是更有意思的一种方式：AI 可以降低整个职业成长系统中的摩擦。

1. Align：用 AI 先理解什么才是真正重要的

很多人很努力，但结果依然一般，原因往往不是不够拼，而是努力方向错了。

他们把任务做完了，却并没有真正理解：

• 团队当前最重要的目标是什么
• 哪个指标最关键
• 管理层真正关心哪些 tradeoff
• stakeholder 真正担心什么

AI 在这里其实非常好用。

你可以用 AI 来：

• 总结 roadmaps、planning docs、research notes 和会议记录
• 把你当前项目映射到更大的业务目标或研究目标上
• 找出隐藏假设和缺失约束
• 把模糊需求整理成更明确的 success definition

这样一来，你问的就不只是“我该做什么？”，而会逐渐变成：

• 真正的目标是什么？
• 什么样才算成功？
• 最可能出问题的环节在哪里？

仅仅是这个视角切换，就往往比单纯更努力更有用。

2. Deliver：用 AI 缩短迭代周期，同时提高质量

交付能力依然是核心。没有什么东西可以替代“真正把有用的东西做出来”。

但 AI 能同时抬高执行的下限和上限。

例如：

• 更快生成代码、分析或文档初稿
• 在别人看到之前先帮你自查一遍
• 自动生成测试用例和 edge cases
• 比较不同实现路径
• 在交付前先理顺逻辑、结构和表达

AI 在这一层最好的用法不是 autopilot，而是：更快迭代 + 更好判断。

对于技术工作，这可能意味着：

• 先生成某个函数或 pipeline 的第一版草稿
• 在发 PR 前先做一轮 edge-case stress test
• 实现功能的同时并行起草文档

对于研究或策略类工作，则可能是：

• 把论文整理成可决策的 notes
• 将零散草稿转成结构清晰的 memo
• 对比多种方案及其 tradeoff

高质量交付会积累可信度。AI 能帮助你更快达到“够好”，但前提是你仍然要对最终质量负责。

3. Visibility：用 AI 把你的工作包装成可积累的成果

很多好工作在职业上几乎没有回报，不是因为做得不够好，而是因为别人根本看不清楚。

这不只是“不会自我宣传”的问题，更是“不会包装成果”的问题。

AI 可以帮你把原始工作整理成更容易传播和积累的产物：

• weekly updates
• project summaries
• technical writeups
• internal memos
• external blog posts
• 可复用的 documentation

一个很好用的内部框架是：

• 我们解决了什么问题？
• 为什么这件事重要？
• 我们做了哪些 tradeoff？
• 我们从中学到了什么？

大多数人其实已经有原材料，只是没有把它们整理成别人能快速看懂的形式。

AI 很擅长补上这一层“翻译与整理”的工作。

4. Communication：用 AI 为不同受众改写同一个想法

随着工作越来越跨团队，沟通的重要性会越来越高。

同一个项目，往往需要针对不同对象给出不同版本的解释：

• engineers
• PMs
• leadership
• customers
• collaborators
• researchers

AI 很适合用来：

• 把技术工作改写成业务语言
• 把密集内容翻译成 plain English
• 生成 meeting agendas
• 总结 decisions 和 next steps
• 起草 stakeholder updates

这是因为，沟通能力本身就是成熟度最明显的信号之一。

当别人能理解你的工作，他们才更可能信任它、支持它，并在此基础上继续搭建更多东西。

5. Leadership：用 AI 为别人创造杠杆

领导力通常在头衔出现之前就已经开始体现了。

它往往体现在这些事情上：

• 帮新人上手
• 带实习生
• 写清楚某个流程
• 协调一个小项目
• 减少团队的困惑与信息噪音

AI 可以帮助你把这种支持放大，因为它能更容易地帮你产出：

• onboarding guides
• FAQ 文档
• checklists
• project plans
• reusable playbooks
• structured feedback

真正的领导力，很多时候并不是 charisma，而是让别人更高效。

如果 AI 让你持续做到这一点，别人看你的方式就会开始变化。

6. Trust：用 AI 提升可靠性，而不只是让表达更漂亮

信任，是把“有贡献”转化成“有机会”的关键。

别人信任你，通常是因为：

• 你的工作靠谱
• 你的更新清楚
• 你能提前暴露风险
• 你在模糊情境下依然保持有序
• 不需要一直盯着你，你也能把事做好

AI 可以帮助你做到这些，例如：

• 在 deadline 前先起草好更新
• 跟踪风险与开放问题
• 把会议内容整理成行动项
• 维护 decision logs
• 在出丑之前先发现不一致之处

但这里有一个很重要的提醒。

如果 AI 只是让你的表达听起来更聪明，而你的理解其实很浅，那么信任会塌得非常快。

所以目标不是“显得更聪明”。

而是变成一个更稳定、持续有用的人。

为什么从 AI for Science 的角度看，这件事更重要

从 AI for Science 的视角看，上面这整套框架会变得更有意思。

很多人仍然把 AI for Science 主要理解成更强的模型，或者更漂亮的 benchmark。它们当然重要。但我越来越觉得，真正会释放巨大价值的，往往是另一层：

科学研究周围的工作流层。

这包括：

• literature review workflows
• experiment automation
• data/tool integration
• evaluation and reproducibility
• agent-assisted planning
• human-in-the-loop review
• asynchronous research collaboration

也就是说，未来的科研工作不只是“模型更聪明”。它同样会取决于：

• 更好的 orchestration
• 更好的 interfaces
• 更好的 memory
• 更好的 monitoring
• 更好的 decision support

这也是为什么，我越来越觉得那些围绕 agent systems、workflow tools 和 infra 的开源贡献很有意思。

如果你很早就参与这些系统的建设，你获得的并不只是 GitHub activity。 你在学习的是：AI-enabled science 未来真正的 operating layer 可能会如何构建。

这个信号，要比单纯在线发观点强得多。

一个高质量的公开贡献，往往能同时展示：

• engineering ability
• systems taste
• 对 research workflow 的理解
• 在公开环境中协作的能力
• 让 AI 真正落地的能力

AI 真正的杠杆，在系统层而不是任务层

AI 最浅的一种用法是：“帮我把这个写掉。”

更强的一种用法是：

• 帮我更快理解
• 帮我更清晰思考
• 帮我更好沟通
• 帮我更稳定地做事
• 帮我给自己和别人创造更多杠杆

这对职业成长成立。

而我认为，对 AI for Science 来说尤其成立。

因为下一阶段真正胜出的人，未必只是拥有最好模型的人。

他们也可能是——围绕这些模型构建出最好工作流的人。

一个可操作的起点

如果你想在自己的工作中试试看，可以先从这个简单版本开始：

• Align: 让 AI 总结你团队或项目的目标，然后再用你自己的话复述一遍
• Deliver: 在分享之前，让 AI 先帮你 review 代码、草稿或 memo
• Visibility: 把你的工作整理成简短 weekly update 或博客
• Communication: 针对技术和非技术受众，分别改写同一份更新
• Leadership: 做一个能让别人更快推进工作的 reusable doc 或 checklist
• Trust: 维护一个轻量级 risk log，并主动同步进展

复利就是从这里开始的。

AI 不会替代 judgment、ownership 或 integrity。

但如果使用得当，它确实可以把“我很努力”压缩成更直接的一条路径：“我创造了清晰、可信、可见的影响。”

而从 AI for Science 的角度看，这可能正是最值得尽早培养的能力之一。