对齐被当成技术能力，治理是另一条线

消息提到，Meta的Alexandr Wang表示对齐是交付个人超级智能的基础，MSL正快速提升对齐投入占比，并认为对齐可能成为逼近前沿时扩展模型的瓶颈。同时有推文作者据此批评Meta不可信任、反对行业自我监管。这两条信息指向两种不同的工作：一种把对齐当作模型能力建设，一种把治理当作外部信任问题。

对求职者来说，这不是同一类岗位。对齐研究岗的日常更靠近模型行为、训练方法和评测；AI治理合规岗的日常更靠近政策解读、内部流程和对外沟通。投递前先分清，比背一堆术语有用。

两类岗位的技能栈和产出不一样

假设一个模拟场景：同一个“让模型更安全”的目标，研究岗可能在做偏好数据、评测集和训练信号的设计，产出是方法或实验结论；合规岗可能在写风险评估模板、对接监管问询、梳理数据使用边界，产出是流程文档和对外说明。两者都需要读得懂技术，但深度和落点不同。

判断自己适合哪边，可以问三个问题：你更愿意花几周调一个评测指标，还是花几周推动一个跨部门流程落地？你更享受和工程师争论方法细节，还是和政策、法务、公关对齐口径？你希望三年后的作品是论文或技术报告，还是制度方案和合规框架？

从传统合规或法务转过来的人，优势在流程和风险语言，短板可能是对模型训练缺少手感。想补，可以从读懂模型卡、评测报告和数据处理说明入手，而不是一上来就啃训练代码。

面试时把团队真实职责问清楚

素材没有说明MSL对齐团队的实际分工，也没有说Meta是否因此在招人。所以岗位名称不能当职责用，面试是核查机会。可以问：这个团队最近半年交付了什么？成果怎么被模型团队采用？和合规、政策团队的分工边界在哪？如果候选人提出对齐风险，团队内部通常怎么处理？

读岗位描述时，看到“安全对齐算法”要确认是训练侧还是评测侧；看到“AI治理”要确认是偏政策研究、偏流程落地还是偏对外沟通。别只看标题就投。

一个实际可做的小建议：挑三个目标岗位，把职责描述里出现的动词圈出来——训练、评测、写文档、对接外部，看哪类动词你愿意重复做三年。