前華為「神童」李博傑公開批評 DeepSeek 面試流程，指控第二輪被指抄襲程式碼
目錄
你可能想知道
1. 在 DeepSeek 的面試期間發生了什麼事，促使一位資深 AI 研究員公開抱怨？
2. 這一事件對於建立或使用基礎模型的公司中的工程師和招聘人員有何重要性？
主要議題
摘要：李博傑，來自中國科學技術大學的計算機科學博士，曾早期參與華為所謂的「神童」計劃，現任 Pine AI 的首席科學家，於 7 月 6 日發表公開抱怨，描述他認為 DeepSeek 的面試流程不專業且不尊重人。他表示排程延遲、多次現場編碼環節，以及第二輪面試官指控他在螢幕上抄寫程式碼，導致他中止面試並將經驗公開。DeepSeek 尚未發表官方回應。
面試事件：根據李的描述，在通過筆試後，DeepSeek 延遲安排後續面試約半個月。該排程延遲與其他公司的邀約同時到來。李形容面試序列過度著重於現場編碼：前兩輪以編碼為主，這與他在其他地方的經驗不太一致。根據李的說法，關鍵時刻發生在第二輪視訊面試期間。他使用雙螢幕設定，面試官注視他後指稱他瞥看左側螢幕並在抄程式碼。面試官據報要求他提供證明以證明沒有抄襲，並表示若無法證明則無法繼續面試。李表示他覺得此指控令人反感，當場終止面試，之後將經驗張貼到社交媒體。這些說法屬於李的敘述；在李發文時，尚未有 DeepSeek 員工或公司官方渠道公開反駁或佐證。
背景與脈絡：李在中國 AI 研究圈內為人所知：USTC 博士、曾參與華為「天賦青年」計劃的早期成員，目前在專注語音助理技術的 Pine AI 擔任首席科學家。他的公開貼文迅速引起關注與評論，部分平台如知乎的用戶也描述了自己與 DeepSeek 面試的負面經驗。李也藉此澄清內部事務：他否認媒體稱其為 Pine AI 創辦人的報導，強調自己擔任首席科學家，且 Pine 的營運與產品增長正常進行。他指出，該則爆紅的抱怨比他的一些正式研究成果獲得更多關注，諷刺地指出一則短文勝過學術論文的傳播範圍。除了人際糾紛之外，李說明了更廣泛的職業動機：他表達希望加入維護與訓練基礎模型（大型基礎模型）的公司，而非僅構建應用層工具。他主張，基礎模型公司以外的團隊常常缺乏重要的隱性知識──如何構建訓練語料、解讀內部模型診斷，以及其他運營細節──因為這些做法在基礎模型公司被視為專有技術。因此，他計劃尋求在開發基礎模型的公司擔任職務，以從事推動模型「智能天花板」的研究。
公眾反應與回應：該貼文引發大量線上互動：據報在兩天內吸引了數十萬次瀏覽與大量評論。一些回應者證實對 DeepSeek 面試流程的負面印象；另一些人則爭論該候選人敘述是否完整。獨立報導指出存在面試官遲到等不專業行為，且數名評論者稱該經驗具不尊重性。截至撰文時，DeepSeek 尚未發表針對指控的官方聲明。
此事對基礎模型公司招聘的影響：此事件突顯多項與候選人與招聘人員相關的重要議題，特別是在 AI 與大型模型研究等高需求領域。
- 面試設計與職位匹配：大量的現場編碼環節可能適合某些工程職務，但會被以研究為主、專長在理論或實驗方法而非演算法編碼速度的候選人視為不相稱。
- 流程透明度與時效性：篩選測試後長時間的排程延遲可能導致頂尖候選人流向競爭對手。即時溝通與明確期待有助於減少誤解與候選人挫折。
- 專業行為：在缺乏明確證據下的欺瞞指控會破壞信任。面試官需在技術審查與尊重互動之間取得平衡，特別是對於可能使用多螢幕或非標準工作流程的經驗豐富候選人。
- 隱性知識與策略性招聘：李關於基礎模型公司的言論指出更廣泛的策略性取捨：進行大規模模型訓練的組織會發展出非下游應用團隊易於複製的運營專業知識。這促使希望在前沿工作的研究員加入基礎模型組織。
這項關鍵見解對理解招聘方與候選人是否對齊有重大影響： 招聘做法應反映職位特定的期待並尊重候選人的工作流程——未能做到可能導致聲譽成本與錯失聘用。
關鍵見解表
| 面向 | 描述 |
|---|---|
| 關鍵事實 1 | 李博傑公開批評 DeepSeek 的面試，指稱存在排程延遲、反覆的編碼輪次，以及第二輪被指控抄襲程式碼。 |
| 關鍵事實 2 | DeepSeek 尚未發表官方聲明；目前說法單方面，但引發強烈公眾關注與討論。 |
常見問題
誰是李博傑？ 李是 USTC 的計算機科學博士，曾參與華為的「神童青年」計劃，現任 Pine AI 的首席科學家，專注於語音助理的研究與產品化。
DeepSeek 有回應嗎？ 在李發文及初步報導時並無：DeepSeek 或其員工並未公開回應這些指控。
李的說法有獨立驗證嗎？ 公開的細節來自李的社交貼文與相關評論；尚無 DeepSeek 的公開反駁或確認，因此敘事仍為單方面。
後續……
向前看的考量：此事件強調改進面試設計、透明度與專業性的價值，特別是在科技與 AI 的招聘環境。構建或運營基礎模型的公司應特別注意：
1) 適合職位的評估方法 — 讓評估方式與預期的日常工作（研究 vs. 生產工程）相符。
2) 更佳的候選人體驗 — 即時排程、明確期望與有禮的面試官行為可降低聲譽風險並改善人才取得結果。
3) 知識轉移機制 — 基礎模型組織與下游團隊可透過共用工具、文件與借調等方式，減少對隱性機構性專業知識的依賴。
對 AI 社群而言，該事件強調組織文化與面試做法對留住與吸引經驗豐富研究員的重要性。隨著團隊在稀缺人才與提升模型能力上競爭，透明且有尊重的招聘流程以及刻意暴露運營知識的努力，將對長期成功至關重要。