消息提到，OpenAI的Noam Brown在访谈中称递归自我改进是首要优先级；他还说OpenAI在安全事件中低估了智能体、信任了沙箱，事后在训练与评估中加入了监控。他同时提到AI生成数学结果越来越容易，但用人类数学家复核仍是最大挑战。这些是访谈观点，不代表官方立场，但对想转AI安全治理的人是一个提醒：安全工作的切面差异很大，面试时要问清职责边界。

岗位名称一样，交付物可能完全不同

安全研究偏问题定义与评估方法，比如怎样判断模型是否在隐藏意图；安全工程偏把监控、评估、告警做成可维护的系统；合规治理偏政策、流程、跨团队对齐与文档。三者都叫“安全”，但日常交付物完全不同。

面试时不要只问“团队做什么”。可以问：最近一次安全事件复盘由谁牵头，产出是报告、代码还是流程变更？素材提到安全事件后在训练与评估中加入监控，你可以继续追问：监控指标谁定义、谁维护，误报由谁处理？如果对方说做评估，问评估流程谁负责，结果如何进入发布决策；如果对方说做治理，问合规要求由谁翻译成工程约束，出现分歧时谁拍板。

模拟两个同名岗位，判断偏技术还是偏流程

模拟场景：假设两个团队都招“AI安全工程师”。A团队日常写评估脚本和监控规则，需要能读模型输出、设计实验、维护告警；B团队日常写风险文档和跨部门对齐，需要理解合规框架、做风险沟通、推动流程落地。同一个岗位名称，准备方向完全不同。

面试前可以把问题列出来：这个岗位最近三个月交付了什么？主要协作方是谁？出现安全争议时，决策流程是什么？这些问题比背概念更能判断匹配度。

没有安全背景，先分清技术还是流程

转这个方向，先看目标岗位偏技术还是偏流程。偏技术，补模型评估基础、实验设计和基本工程能力；偏流程，补合规框架、风险沟通和文档能力。不要盲目考证，先看岗位描述里反复出现的动词是“实现”“评估”还是“协调”“评审”。

素材提到AI生成数学结果越来越容易，但用人类数学家复核仍是最大挑战。这提示复核环节在部分任务上确实存在难度，但不宜由此推断岗位需求多少。你可以练习把一段模型输出拆成“可自动检查”和“必须人工判断”两部分，作为面试时的思考展示。

一个实际可做的小建议：挑三个目标岗位，把职责描述里的动词圈出来，按研究、工程、治理归类，再针对最集中的那一类准备两个具体问题去问面试官。