Author: aitrendtrackers@rengongzhineng.io

OpenAI 在 2024 年的 DevDay 上发布了四项重大更新，重点放在提升 AI 的可访问性和降低成本上，为开发者们带来了更多实用工具。 以下是更新亮点： 实时 API：全新发布的实时 API 提供六种 AI 语音，专为应用程序中的无缝集成设计。这些语音与 ChatGPT 的不同，更加自然，适用于旅游规划、电话订购等场景，收费约为每小时 18 美元。此 API 支持实时响应，提升了多种应用中的用户体验，但开发者需明确告知使用了 AI 生成的语音。 视觉微调 API：视觉微调 API 允许开发者通过结合图像数据与文本增强 GPT-4o 的视觉理解能力。这项功能可应用于高级视觉搜索、自动驾驶中的物体识别以及精确的医学影像分析，且仅需 100 张图像即可实现。OpenAI 还强调了数据透明度，开发者可完全掌控数据的所有权与使用权，自动化安全评估确保合规。 API 中的提示缓存：提示缓存功能通过重用之前的输入 token，帮助开发者降低成本并减少延迟。这个功能对代码编辑和多轮对话特别有用，处理时间可节省多达 50%。它会自动应用于最新的 GPT-4o 和 GPT-4o mini 版本，并在提示超过 1,024 个 token 时激活，同时确保隐私保护。 API 中的模型蒸馏：OpenAI 推出的模型蒸馏技术，允许开发者利用 GPT-4o 和 o1-preview 等高级模型的输出来优化低成本模型。该集成过程简化了高性能模型的创建，比如 GPT-4o mini，且无需多种工具。关键功能包括“存储完成”用于自动生成数据集，以及“评估”用于性能测评。模型蒸馏现已开放，开发者每天可免费获得 200…

经典线性规划（LP）问题是计算机科学和运筹学中最基础的问题之一，广泛应用于全球经济的诸多领域，如制造业、网络等。LP已经成为数学规划的基石，并极大地推动了当今数据驱动决策的建模和算法框架的发展。如果要优化某个问题，通常可以假设LP会涉及其中。 自20世纪40年代以来，LP求解方法取得了长足的进步，其中最常用的是Dantzig提出的单纯形法和各种内点法。尽管现代商用LP求解器仍然广泛采用这些方法，但在处理非常大规模的实例时，面临着计算资源的挑战。为应对这一局限，近年来，针对大规模LP问题的一级方法（FOMs）开始受到关注。 基于此背景，推出了新的一级方法LP求解器——PDLP（基于LP的原-对偶混合梯度算法）。PDLP利用矩阵-向量乘法而非矩阵分解，大大减少了内存需求，且更适合现代计算技术如GPU和分布式系统，提供了一种可扩展的替代方案，有效解决了传统LP方法在内存和计算效率方面的不足。PDLP作为开源项目，已集成到Google的OR-Tools中。自2018年开始研发，PDLP项目于2024年7月在国际数学规划研讨会上荣获Beale-Orchard-Hays奖，这一奖项是计算优化领域的最高荣誉之一，每三年由数学优化学会颁发。 LP和一级方法的发展 当前最先进的LP求解器在扩展时面临重大挑战。其主要瓶颈在于矩阵分解带来的计算限制，尤其是在求解线性方程时： 鉴于这些局限，FOMs成为解决大规模LP问题的有力替代方案。与依赖矩阵分解的方法不同，FOMs利用梯度信息进行迭代更新，主要的计算需求是矩阵-向量乘法。这种方法仅需存储LP实例本身，避免了额外的内存开销。此外，FOMs在机器学习和深度学习领域的进步提高了其在现代计算平台上的可扩展性，使其在处理大规模和复杂的LP任务时尤为高效。 重新启动的原-对偶混合梯度法（PDHG） 原-对偶混合梯度法（PDHG）在图像处理领域广为人知。当其应用于LP时，主要的计算需求仍是矩阵-向量乘法，从而不再需要矩阵分解。这使得PDHG在大规模计算任务中效率颇高，但在LP求解中，PDHG的可靠性较低。比如在383个基准测试实例中，PDHG仅能解决113个问题，并且精度一般。 为提高PDHG在LP问题中的可靠性，开发了重新启动的PDHG方法。这种方法采用了双循环结构，当满足重新启动条件时，计算PDHG迭代的平均值，并从此平均点重新启动。通过这种策略，可以显著加快收敛速度。 PDLP的五项改进 PDLP是基于重新启动PDHG开发的软件包，通过以下五个改进大幅提高了求解效率： PDLP作为Google OR-Tools开源软件的一部分，支持Python、C++、Java和C#接口，更多使用细节可在OR-Tools文档中找到。 应用场景 PDLP的扩展性和速度提升开辟了新的应用场景，以下是三个典型案例： 更广泛的影响 自发布以来，PDLP吸引了广泛关注。其GPU实现版本cuPDLP.jl已经开源，并被商用求解器公司Cardinal Optimizer和开源求解器HiGHS分别在2024年1月和3月版本中集成。学术界也在不断拓展PDLP的理论基础，涵盖了新的分析方法、轨迹分析等领域，推动PDLP在更复杂问题上的应用。PDLP的影响力仍在持续扩大，推动了计算优化领域的新突破。

一家名为PearAI的Y Combinator初创公司在上周六通过X平台的帖子和YouTube视频推出后，立刻引发了争议，甚至波及到了Y Combinator本身。 PearAI推出的是一款AI编程编辑器。创始人Duke Pan公开承认，它是对另一项目VSCode和AI编辑器Continue的克隆，而Continue是基于Apache开源许可发布的。然而，PearAI犯了一个大错：最初他们给自己的项目加上了一个自创的闭源许可——”Pear企业许可”，而这个许可竟然是由ChatGPT生成的。 在开源界，随意更改许可证是大忌，不仅涉及法律问题，还违背了开源社区的核心精神——建立社区、共享和贡献。面对批评，Pan在周一道歉，表示现在已经将项目改为与原项目一致的Apache开源许可。 这一事件迅速发酵，周日时，讨论串已经有成千上万的评论。有些人表示祝贺，但更多人则猛烈抨击PearAI的许可问题，并指出它与其说是加入了新功能的分支，不如说是换了名字的复制品。Pan在道歉中也承认了这一点。 评论区甚至引发了X平台的社区标注，指出：“Pear实际上是Continue.dev的一个分支，是一个开源的AI代码编辑器。PearAI使用了Continue.dev的代码，并替换了所有‘Continue’的引用，让人误以为这是他们自己开发的产品。”但这个标注并不完全准确，因为PearAI在某些材料中确实提到它是Continue和VSCode的克隆。随后，X平台撤下了该标注。 Pan也为信息不透明道歉，表示他和联合创始人Nang Ang犯的最大错误之一，就是没有清楚说明这一点，尤其是在他们的产品只是基于其他项目的分支并且没有太多新功能的情况下，公开谈论这件事让他们看起来像是在偷别人的成果。他还指出，虽然确实存在抄袭的嫌疑，但PearAI的确有一些与Continue不同的功能，这些功能已在FAQ中列出。 周日，Continue团队也发表了一个含蓄的警告，称他们“很高兴看到围绕他们形成的生态系统，但开源不能被视为理所当然——它是建立在信任、对贡献和知识产权的尊重之上的运动。” Y Combinator的CEO Garry Tan也参与其中，他在X平台上为PearAI辩护，称：“不明白为什么人们要攻击一个新项目，毕竟它是Apache开源许可，而这正是开源的魅力所在。”但人们很快指出，Apache许可是在争议后才更改的。 这个项目引发的争议不仅限于许可证问题。Pan曾吹嘘他“刚辞去了Coinbase年薪27万美元的工作”来创业，尽管这与一个原创项目相去甚远。除了Continue外，PearAI还面临另一个竞争对手Cursor的挑战。 此外，YC之前已经投资了两家AI代码编辑器公司，Void和Melty，这也成为众人批评的点。对此，Tan回应道：“更多选择是好事，更多人去构建东西是好事，如果不喜欢就不用。” 还有人批评YC不应该接受PearAI这样的公司。博主Sven Schnieders指出，PearAI是“YC质量下滑的例子”，因为它不过是从另一个YC支持的公司抄袭代码的公司。 在编程社区Hacker News上，有人评论称，这次事件“反映的更多是YC的问题，而不是创始人个人的问题：比如他们的流程、尽职调查。”还有人说：“难道风投在投资项目时不需要进行任何审核，比如许可证和法律问题？” YC计划将每年两次的孵化器扩展到四次，这可能并不会缓解人们对它的质疑，而这场风波也凸显了风投对AI初创公司投资的热情，甚至可能反映了YC对于这种类型初创公司的偏爱。

谷歌在周四宣布对其AI笔记和研究助手NotebookLM https://notebooklm.google.com/ 进行重大更新。用户现在可以通过该工具获取YouTube视频和音频文件的摘要，甚至还能生成可分享的AI音频讨论。谷歌此举旨在拓展该工具的使用场景和用户群体。NotebookLM最初是在去年I/O开发者大会上推出的项目，后来扩展到包括印度、英国在内的多个市场，几个月后更是在美国以外的200多个国家开放使用。 NotebookLM原本是专为教育工作者和学习者设计的，但现在越来越多职场人士开始使用它。谷歌实验室的高级产品经理Raiza Martin在接受采访时透露，当前用户群体已经基本对半分，一半是教育工作者和学习者，另一半则是职场专业人士。 她还提到，NotebookLM的用户间开始分享笔记，这种网络效应促使团队推出更多新功能，以期吸引不同年龄段的用户。今年早些时候，NotebookLM推出了”音频概述”功能，用户可以将文档转换为生动的音频讨论。最新更新则允许用户通过公开URL分享生成的音频概述。只需点击工具中的分享图标，即可生成可分享的链接。 另外，NotebookLM新增了对YouTube视频和音频文件的支持，用户可以通过这些文件获取视频和音频的关键要点摘要。这些新增功能扩展了工具的应用范围，让用户能够从学习会话或项目中的音频文件中提取关键信息。 Martin还表示，NotebookLM的每一个新功能都基于用户反馈，随着技术发展和用户需求变化，团队会不断调整工具的功能。NotebookLM现已在全球超过200个国家开放使用，虽然美国仍是其主要市场，但日本的用户群体正在快速增长。 对于NotebookLM可能导致的过度依赖AI、简化内容过度等问题，Martin表示团队已经意识到这些潜在风险，因此NotebookLM提供了点击引用的功能，鼓励用户回到原始内容进行深入阅读。 目前，NotebookLM仅支持网页端使用，不过Martin透露，团队计划在明年推出移动端应用，并且正在努力增加更多的输入支持和输出来源。

根据审阅的文件显示，OpenAI正寻求更多外部投资，尽管ChatGPT引发了用户的广泛关注，但该公司仍然面临巨大的资金需求。 OpenAI在8月份的月收入达到3亿美元，比2023年初增长了1700%。该公司预计今年的年收入将达到37亿美元，明年有望飙升至116亿美元。然而，尽管收入显著增长，OpenAI预计今年将亏损约50亿美元，这主要是由于服务运行成本、员工薪资以及办公租金等开支。文件显示，这些亏损数字还不包括员工的股权补偿等其他未详细列出的支出。 OpenAI当前正在进行一轮融资，希望筹集到70亿美元的资金，并将公司估值推高至1500亿美元，这将使其成为全球估值最高的私营科技公司之一。这轮融资预计将在下周完成，正值OpenAI快速扩张、但关键高管和研究人员相继离职的关键时刻。 文件显示，尽管OpenAI的收入增长迅速，但其支出也随着用户数量的增加而水涨船高，预计公司还将在未来一年内继续筹集资金。 截至6月，OpenAI的月活跃用户数已增长至3.5亿人，其中ChatGPT的持续受欢迎度是其主要收入来源。今年ChatGPT的收入预计将达到27亿美元，相较于2023年的7亿美元大幅增长。此外，约1000万用户每月支付20美元的订阅费用，OpenAI计划年底前将此费用提高2美元，未来五年内可能上涨至44美元。 尽管收入前景广阔，OpenAI仍面临高昂的计算成本，尤其是与微软的合作。微软是OpenAI的主要投资者，已向其投资超过130亿美元，但OpenAI的大部分资金用于支付微软的云计算服务费用。 此次融资的主要投资方为Thrive Capital，该公司承诺投入7.5亿美元，并计划通过一个特殊目的实体(SPV)再筹集4.5亿美元。此外，Thrive还获得了一个独特的投资选项，可以在2025年前以相同的估值再投资10亿美元，这一特权引发了其他投资者的不满。 OpenAI近期的高管离职潮或将影响融资谈判。本周，首席技术官米拉·穆拉蒂、首席研究官鲍勃·麦格鲁和副总裁巴雷特·佐夫相继辞职，这给公司带来了一定的不确定性。 目前，OpenAI正努力从一个“封顶盈利”公司转型为全盈利企业，这一变革将对公司未来的资金结构和治理方式产生重大影响。如果在两年内未能完成这一转型，当前的资金将转化为债务。

谷歌的AI方法大大加速并优化了芯片设计，超越人类水平的芯片布局已在全球硬件中广泛应用。早在2020年，谷歌发布了一篇预印本，介绍了一种新颖的强化学习方法，用于设计芯片布局，随后发表在《自然》期刊，并开放了源代码。 如今，谷歌又发布了《自然》的补充说明，进一步阐述了这一方法及其对芯片设计领域的影响。同时，谷歌还发布了一个预训练的模型检查点，公开了模型权重，并宣布其名称为“AlphaChip”。 计算机芯片推动了人工智能（AI）的显著进展，而AlphaChip则反过来利用AI加速并优化了芯片设计。这一方法已用于设计过去三代谷歌定制AI加速器——张量处理单元（TPU）的超越人类水平的芯片布局。 AlphaChip是首批用于解决现实工程问题的强化学习方法之一。它能够在几小时内生成超越或相当于人类设计的芯片布局，而人类可能需要几周甚至几个月的时间完成类似的工作。这些布局已被全球各类芯片广泛采用，从数据中心到手机无所不包。 AlphaChip如何运作设计芯片布局并非易事，芯片由多个相互连接的模块组成，层层电路组件通过极其纤细的电线连接。同时，还有许多复杂的设计约束需要同时满足。正因为如此，芯片设计师们已经为芯片布局自动化奋斗了超过60年。 与AlphaGo和AlphaZero学习围棋、国际象棋和将棋的方式类似，AlphaChip将芯片布局视为一种“游戏”来处理。从一个空白的网格开始，AlphaChip逐个放置电路组件，直到完成所有组件的布局。根据最终布局的质量，它会获得相应的奖励。一个创新的“基于边缘”的图神经网络帮助AlphaChip理解芯片组件之间的关系，并能在不同芯片之间泛化，随着设计的增加不断提升表现。 AlphaChip自2020年发表以来，已经为每一代谷歌的TPU生成了超越人类水平的芯片布局。这些芯片使得谷歌基于Transformer架构的大规模AI模型得以大幅扩展。TPU是谷歌强大生成式AI系统的核心，包括大型语言模型Gemini、图像生成器Imagen和视频生成器Veo等。谷歌的AI加速器还为外部用户通过Google Cloud提供服务。 为了设计TPU布局，AlphaChip会先对前几代芯片模块进行训练，包括片上网络、芯片间网络、内存控制器和数据传输缓冲区等模块。这个过程称为预训练。然后，AlphaChip会在当前的TPU模块上运行，以生成高质量的布局。与以往方法不同，AlphaChip随着处理更多芯片布局任务，变得越来越快、越来越好，类似于人类专家的进步。 随着每一代TPU的发布，包括最新的第六代Trillium，AlphaChip设计的芯片布局逐步提升，显著加快了设计周期，并带来了更高性能的芯片。 AlphaChip的广泛影响AlphaChip的影响不仅限于谷歌内部，它的应用已扩展到研究界和芯片设计行业。除了专门的AI加速器TPU，AlphaChip还为Alphabet其他芯片生成了布局，比如谷歌的Axion处理器，这是谷歌首款基于Arm架构的数据中心通用CPU。 外部组织也在采用和扩展AlphaChip。全球领先的芯片设计公司联发科（MediaTek）就是其中之一，它利用AlphaChip加速了最先进芯片的开发，如用于三星手机的Dimensity旗舰5G芯片，同时在功耗、性能和芯片面积上取得了改进。 AlphaChip引发了芯片设计领域一系列基于AI的新研究，并被扩展到芯片设计的其他关键阶段，如逻辑综合和宏块选择等。 打造未来的芯片谷歌相信，AlphaChip有潜力优化芯片设计的每个阶段，从计算机架构到制造工艺。它将彻底改变日常设备中的定制硬件芯片设计，包括智能手机、医疗设备和农业传感器等。 AlphaChip的未来版本正在开发中，谷歌期待与社区携手，继续推动这一领域的革命，迎接一个芯片更快、更便宜、更节能的未来。

加州州长加文·纽瑟姆否决了一项具有里程碑意义的人工智能（AI）安全法案，该法案遭到了多家大型科技公司的强烈反对。 这项提案本来将成为美国首批针对AI的监管法案之一。 纽瑟姆表示，该法案可能会阻碍创新，并导致AI开发者离开加州。 提出该法案的参议员斯科特·维纳认为，否决这一法案等于允许公司继续在没有任何政府监管的情况下开发“极具威力的技术”。 该法案原本要求最先进的AI模型必须进行安全测试，并且强制开发者确保其技术包含所谓的“自毁开关”，以便在AI系统成为威胁时，组织可以隔离并关闭它。 此外，法案还要求对“前沿模型”，即最强大的AI系统的开发进行官方监管。 纽瑟姆在声明中表示，法案“并未考虑AI系统是否部署在高风险环境中，涉及关键决策或敏感数据的使用”。他补充道，法案将严苛标准适用于大型系统的任何基本功能，而不论其实际用途。 与此同时，纽瑟姆宣布了保护公众免受AI风险的计划，并邀请顶尖专家帮助开发该技术的安全保障措施。 过去几周，纽瑟姆还签署了17项法案，其中包括打击虚假信息和所谓“深度伪造”的法律。这些伪造内容包括通过生成式AI创建的图像、视频或音频。 加州是全球许多最大的AI公司总部所在地，包括ChatGPT的开发公司OpenAI。 由于加州是全球最大科技公司的集聚地，任何监管该领域的法案都会对行业在全国乃至全球范围内产生重大影响。 维纳参议员表示，否决这一法案意味着AI公司仍然“没有来自美国政策制定者的任何约束，尤其是在国会继续陷入无法有效监管科技行业的僵局时”。 国会试图对AI实施安全保障的努力也已停滞不前。 包括OpenAI、谷歌和Meta在内的多家科技巨头对该法案表示反对，警告称该法案将阻碍这一关键技术的发展。 Counterpoint Research的高级分析师魏孙（Wei Sun）表示：“作为一种通用技术，AI仍处于早期阶段，因此像提案那样限制技术本身为时过早。”她补充说，更有利的方法是监管可能在未来造成危害的特定应用场景。

硅谷知名加速器Y Combinator在本周四举行了2024年夏季创业展示日的第二天活动，和第一天一样，AI依然是众多初创企业的核心焦点。 不过，现场也有几家展现了有趣技术的初创公司，比如抗干扰的无人机、货运拼车服务和天气预测模型。 以下是其中几家亮眼的公司： Entangl Exa Laboratories Kopra Bio LedgerUp OrgOrg Oway Silurian Theseus XTraffic

Ai2，一家非营利性研究机构，发布了一系列名为 Molmo 的开源多模态语言模型，据称其性能与来自 OpenAI、Google 和 Anthropic 的顶级专有模型相当。https://molmo.allenai.org/ 该组织声称，其最大的 Molmo 模型，具有 720 亿个参数，在测试中胜过了 OpenAI 的 GPT-4o（估计具有超过 1 万亿个参数），这些测试衡量了理解图像、图表和文档等方面的能力。 与此同时，Ai2 表示，一个较小的 Molmo 模型，具有 70 亿个参数，在性能上接近 OpenAI 的最先进模型，它将这一成就归功于更高效的数据收集和训练方法。 Ai2 的首席执行官 Ali Farhadi 表示，Molmo 表明开源 AI 开发现在与封闭、专有模型不相上下。开源模型具有显著优势，因为它们的开放性意味着其他人可以在它们的基础上构建应用程序。Molmo 演示可在[链接]上找到，开发者可以在 Hugging Face 网站上对其进行试验。（最强大的 Molmo 模型的某些元素仍然受到保护。） 其他大型多模态语言模型是在包含数十亿个从互联网上收集的图像和文本样本的庞大数据集上训练的，它们可以包含数万亿个参数。这个过程给训练数据带来了大量噪声，以及随之而来的幻觉，Ai2 的高级研究总监 Ani Kembhavi 说。相比之下，Ai2 的 Molmo 模型是在一个明显更小且经过精心挑选的数据集上训练的，该数据集仅包含 60 万张图像，并且它们具有 10 亿到 720 亿个参数。Kembhavi 说，专注于高质量数据而不是不加选择地抓取数据，导致在更少的资源下实现了良好的性能。 研究人员长期以来对什么是开源…

作为一位曾经为各种科技初创企业招募了数百名来自各行各业人才的人，原以为招聘“明星员工”的过程已相对掌握。然而，近年来，招聘流程发生了巨大的变化。如今，不仅对优秀人才来说，找工作变得更加艰难，现有的招聘系统似乎也在有意无意地阻碍着找到最适合职位的人选。 招聘行业的现状在过去二十年里，与招聘人员的合作经验中，存在各种类型的招聘者：有些毫无用处，有些极其优秀，甚至有少数成了朋友。在撰写一篇关于虚假工作信息泛滥的专栏时，和一位长期合作的资深招聘朋友——姑且称她为“罗莎”——进行了一场长时间的深入讨论，试图寻求一些招聘行业的“秘诀”。 出人意料的是，罗莎并没有什么所谓的“秘诀”，她给出的更多是“严厉的爱”。通过这次交流，她总结出大多数求职者无法找到理想工作的几个关键原因，这些理由并非陈词滥调，而是相当发人深省的事实。以下几点可能会让求职者感到刺痛，但它们揭示了求职过程中最常见的误区。 1. 简历质量堪忧令人惊讶的是，许多非常有才华的人往往将他们的才华隐藏在结构化、正式、甚至晦涩难懂的文字堆中。罗莎提到：“我在看简历时最先寻找的是空白空间。如果你做过一些重要的事情，应该能够用简短的几句话就能突出这些成就。” 相反，那些依靠外界环境顺风顺水度过职业生涯的人，他们的简历往往会成为冗长的、充满流行词汇的、过度设计的“词语沙拉”。简历应简明扼要，突出求职者的核心优势和匹配度，而不是用大量没有实际意义的词汇充斥。 根据罗莎的经验，简历作为个人传记的时代已经结束。现代简历的目标是将候选人的定性和定量方面与具体职位进行匹配。如果求职者最近没有做过重要的事情，也无需夸大简历的内容。简历的长度不应成为衡量成就的标准，重要的是简洁明了地展示求职者的经验，突出与应聘职位的相关性。 2. 缺乏工作之外的表现求职者的竞争优势不仅在于工作中的表现，还在于他们在工作之外的主动学习和展示。在与罗莎的对话中，她强调了这样一点：“你知道你的优势是什么吗？是你展示你在工作之外的持续思考和深度参与。”这不仅仅是列出一系列的兴趣爱好或课程，而是要展示出真正的行动，表明求职者对所在行业的热情与动力。 例如，对于一位软件开发人员来说，简历上简单罗列编程技能或所修课程远远不够。求职者需要展示自己在工作之外也在不断钻研软件开发，这可以通过参与开源项目、撰写技术博客、或者在行业论坛上的活跃贡献来体现。 罗莎对此直言不讳：“我真的不在乎你是否跑过马拉松，或者你是不是一个好父亲。这些只是些不错的聊天话题，但它们几乎不可能成为你获得面试机会的决定性因素。”换句话说，求职不是大学申请，重点应放在工作相关的技能和经验上，而非个人生活。 3. 缺乏准备很多求职者并没有意识到，准备工作不仅仅是在面试当天开始，而是在提交申请时就已经开始了。随着求职过程的数字化，许多求职者采取“广撒网”的策略，投递大量简历，寄希望于其中之一能成功。这种方法不仅效率低下，还浪费了大量时间和精力。 真正的招聘人员不想进行数量游戏。他们希望看到的是求职者对所申请的公司、职位、行业以及公司文化的深入了解。罗莎指出，求职者往往花费过多时间思考自己的优势，却很少考虑公司真正需要什么。因此，求职者的简历不仅需要清晰明了，还要根据具体职位进行量身定制，体现与公司需求的契合点。 找到与职位匹配的关键点，并在简历、求职信甚至面试中加以展示，可以帮助求职者在众多竞争者中脱颖而出。 4. 回答问题缺乏针对性罗莎还谈到了求职者在面试中的表现。她指出，很多求职者在回答面试问题时，给出的答案往往空洞无物，缺乏实质性内容。她认为，面试不仅是展示求职者的专业能力，更是展现其真实性和信心的机会。虚假的回答不仅无法打动面试官，反而可能适得其反，让人觉得求职者缺乏诚意。 罗莎强调，面试中应展示出对自身价值的自信，并通过具体的事例和成就来证明这一点。那些过于模糊或敷衍的回答，不仅无法展现求职者的真正实力，反而会让面试官怀疑其能力。 5. 求职依然是双向选择尽管招聘流程因数字化转型而变得更加复杂和充满挑战，但诚实和努力依然是通向成功的唯一途径。尽管数字化和自动化招聘工具让求职变得越来越像一场无奈的博弈，但找到最适合的候选人与最适合的职位的本质依然没有改变。 追逐梦想的道路与梦想本身并没有太大区别——做你热爱的事情，并因此获得报酬与认可。尽管这一目标看似越来越难以实现，但通过诚实地面对自己的优势与不足，付出努力并不断尝试，依然能够获得理想的职位。 总结而言，成功的求职不仅仅在于拥有丰富的工作经验，还在于简历的简洁明了、对公司需求的深入了解、以及在面试中展现真实的自己。真正优秀的候选人不仅是在工作中展现出色的表现，还在工作之外积极提升自我。只有做到这些，才能在竞争激烈的职场中脱颖而出。