早晨七点半，鹏城科技园附近的小区房里，林晨已经对着电脑屏幕坐了快一个小时。
窗外的天色刚亮透，楼下早餐摊飘来肠粉的米香。他揉了揉发酸的眼睛，注意力完全集中在眼前的代码上——这是昨晚投资系统自动运行后生成的一份异常报告，显示在凌晨三点左右，黄金期货合约的预测模型出现了短暂的数据漂移。
“又是数据源的问题……”林晨低声自语，手指在键盘上快速敲击，调出日志文件逐行排查。
这几个月，他已经习惯了这种节奏：早起检查系统，修复问题，然后开始一天的学习或求职准备。再次失业第187天，焦虑感其实并未完全消失，只是被压缩成了一种背景噪音，而占据前台的是具体到每一行代码、每一个算法参数的技术问题。
九点整，手机震动了一下。
林晨瞥了一眼，是招聘平台的推送。他本打算像往常一样划掉，但“AI算法工程师”几个字让他手指顿了顿。点开详情，发信方是“星云科技”——一家在鹏城还算有点名气的二线互联网公司，主营企业级SaaS服务，最近几年也在布局AI赛道。
邮件正文很简洁：
“林晨先生您好，我们在招聘平台看到您的简历，对您AI相关的学习经历和项目经验很感兴趣。现邀请您参加我司算法工程师岗位的笔试环节。笔试为线上形式，请在48小时内登录以下链接完成。祝顺利”。
没有hR的寒暄，没有公司介绍，就是一段标准化的邀约。
林晨盯着屏幕，心脏却突然重重地跳了两下。
他放下手机，又拿起来，把邮件从头到尾仔细读了三遍。然后起身走到窗边，做了几个深呼吸。初冬的鹏城，空气里带着凉意，吸入肺里让人清醒。
这是第一个。
不是那些挂羊头卖狗肉的“AI产品经理”，不是要求五年以上相关经验的“AI专家岗”，而是一个实实在在的、面向有转型意愿者的算法工程师笔试邀请。
几个月来，他投了上百份简历。大部分石沉大海，小部分回复是“经验不匹配”，还有零星几个web3公司的面试，最终都卡在了薪资预期上。而真正标注“AI”、“算法”、“机器学习”的岗位，这是第一次有回音。
他走回电脑前，点开笔试链接。页面跳转到一个专业的在线考试系统，需要先进行环境检测——摄像头、麦克风、屏幕共享。笔试说明里写着：共计10道题，包含5道算法编程题（在线编码环境），3道机器学习理论题，2道系统设计题。限时3小时。
“来真的”。林晨喃喃道，嘴角却不自觉地上扬。
这种情绪很复杂。有激动——自己的努力终于被看见了一角；有紧张——第一次面对专业考核；更有一种强烈的证明欲，像闷在炉子里的炭，终于等到了风口。
他没有立刻开始答题。反而关掉了页面，起身去厨房冲了杯速溶咖啡。端着杯子回到书桌前，他打开了另一个文件夹，里面是他这几个月整理的学习笔记、代码练习和项目文档。
从最基础的线性回归、逻辑回归，到决策树、随机森林、SVm；从神经网络的前向传播、反向传播，到cNN、RNN、LStm的结构理解；从tensorFlow的静态图到pytorch的动态图优势；从过拟合、欠拟合的解决到梯度消失、爆炸的应对策略……几十万字的笔记，上百个手写实现的demo，还有那个已经实盘运行了快一个月的多策略量化投资系统。
这些都是他的弹药。
林晨深吸一口气，重新打开了笔试链接。这次，他点击了“开始考试”。
第一道编程题是经典的“两数之和”变体，要求在数组中找到三个数，使它们的和最接近给定目标。林晨扫了一眼，手指已经在键盘上敲了起来。双指针法，先排序，时间复杂度o(n2)。五分钟，代码写完，测试用例全过。
第二道是二叉树的中序遍历迭代实现。同样手到擒来。
第三道就开始上难度了：设计一个数据结构，支持在o(1)时间复杂度内完成插入、删除和获取随机元素。林晨思考了一分钟，脑海里的知识图谱迅速检索——哈希表加数组。哈希表保证o(1)的查找和删除，数组保证o(1)的随机访问，删除时用数组末尾元素替换被删除元素的位置以保持连续性。思路清晰，代码一气呵成。
编程题部分，他用了不到四十分钟就全部完成，并且反复检查了边界条件。
接下来是机器学习理论题。
第一题：“请简述梯度下降法中，批量梯度下降、随机梯度下降和小批量梯度下降的优缺点及适用场景”。
林晨在答题区敲下：
“批量梯度下降（bGd）：使用全部训练数据计算梯度，方向准确，收敛稳定，但每次迭代计算量大，内存消耗高，不适合大数据集。随机梯度下降（SGd）：每次随机使用一个样本计算梯度，计算快，可在线学习，但梯度方向波动大，收敛不稳定，可能难以达到最优。小批量梯度下降（mini-batch Gd）：折中方案，每次使用一小批样本（通常32、64、128），兼顾了计算效率和收敛稳定性，是目前深度学习最常用的优化方法。适用场景：bGd适用于小规模数据集或对收敛稳定性要求极高的场景；SGd适用于大规模在线学习或数据流场景；mini-batch Gd适用于绝大多数深度学习模型训练”。
第二题：“什么是过拟合？列举三种常见的防止过拟合的方法并简要解释”。
“过拟合指模型在训练集上表现很好，但在未见过的测试集上表现显着下降，即模型过于复杂，‘记忆’了训练数据中的噪声和细节，导致泛化能力差。防止方法：1. 正则化（L1/L2）：在损失函数中加入模型复杂度的惩罚项，限制参数大小，促使模型更简单。2. dropout：在神经网络训练过程中随机‘丢弃’一部分神经元，强制网络学习更鲁棒的特征，是一种集成学习的近似。3. 早停法（Early Stopping）：在训练过程中监控验证集性能，当性能不再提升甚至下降时提前停止训练，防止过度训练”。
回答这些理论题时，林晨感觉异常顺畅。那些曾经晦涩难懂的概念，经过几个月的反复咀嚼、实践、调试，已经内化成了肌肉记忆。他甚至能联想到自己在量化系统中，为了防止模型过拟合历史数据，特意加入了L2正则化和动态早停机制。
最后两道系统设计题更有挑战性。
一道是：“假设要为公司设计一个用户画像推荐系统，请描述主要模块、技术选型及需要考虑的关键问题”。
另一道是：“设计一个实时检测交易数据异常（如欺诈交易）的系统流程”。
这两题没有标准答案，考察的是知识广度、工程思维和解决问题的方法论。林晨结合自己过去十年后端开发的经验和这几个月学习的AI知识，谨慎地组织着回答。他从数据采集、清洗、存储讲到特征工程、模型选择（推荐系统他提到了协同过滤、矩阵分解到深度学习模型如deepFm的演进；异常检测他提到了孤立森林、自动编码器、时序模型LStm的应用），再到模型部署、A/b测试、在线监控和迭代更新。他强调数据质量的重要性，强调线上线下一致性，强调系统可解释性和运维成本。
写完最后一段，点击提交时，时间显示用了2小时47分钟。
屏幕弹出“提交成功”的提示。
林晨靠在椅背上，长长地吐出一口气。咖啡已经凉了，但他浑然不觉。此刻的心情，就像跑完了一场准备已久的马拉松，疲惫，但更多的是释放和期待。
他走到阳台，科技园的方向，高楼玻璃幕墙反射着上午的阳光。那里有无数他曾经向往或未曾了解的机会。
这个笔试，只是一个开始。他知道，星云科技可能不是他的最终目标，薪资待遇或许也达不到他之前的预期，但这是一个信号——他自学的东西，市场是认的；他选择的转型方向，路是通的。
手机又震了一下。是苏婉发来的微信：“乐乐说今天幼儿园有画画课，他想画爸爸在电脑前工作的样子。你那边怎么样”？
林晨看着信息，笑了笑，回复：“刚完成一个公司的AI岗位笔试。感觉不错”。
很快，苏婉回了一个笑脸和两个字：“加油”。
简单，却足够温暖。
林晨收起手机，目光重新投向电脑。投资系统的控制面板上，今日累计收益已经显示为+2.3%。虽然金额不大，但那根小小的阳线，和刚才完成的笔试一样，都是黑暗中逐渐亮起的、实实在在的光点。
他坐回桌前，没有休息，而是打开了t厂招聘官网的页面。昨天已经完成了电话初筛，hR说一周内会有进一步通知。他需要准备得更充分一些。
第一个AI岗的面试邀请来了。他相信，这绝不会是最后一个。