Google 偏愛白板談兵的大學畢業生,勝過業界多年實務經驗的老工程師?
Google 偏愛白板談兵的大學畢業生,勝過業界多年實務經驗的老工程師?

不管怎麼看, Google 都是軟體工程師最夢寐以求的頂級公司之一,其高薪、免費食品、校園般的環境、創建的各種有趣技術,吸引了各方人士前往求職。但在另一個重要面向,該公司可能已經自打嘴巴其求才若渴的形象:傳奇般困難的面試過程。

Google 目前正在挨告,是來自一些沒得到工作的求職者有關年齡歧視的訴訟。 Google 回應這些官司是「毫無意義」的指控,這些控訴確實可能沒有意義,但有些程式設計師確信該公司的嚴格招聘流程,非常偏愛那些剛從學校畢業而無業界經驗的社會新鮮人。

針對其臭名昭著的面試過程,自由程式設計師 Michael Geary 接受 Business Insider 記者的訪問表示:「即使已經以外包程式設計師的身分為該公司服務了 5 年,根本就不想在 Google 全職上班。」

限編輯使用_google_Maglara : Shutterstock.com_shuttersto
圖/ Maglara : Shutterstock.com

Google 知道他是 Google Maps 專家

回到 2007 年年底,Geary 已經在一家名為 Zvents 的草創公司工作了一段時間,該公司創建了區域事件日曆(後來被 StubHub 收購)。

他的工作是為事件創建地圖,因此他成為運用 Google 地圖的程式設計專家。做為一個友善、樂於助人的人,他花了很多時間在 Google 地圖的郵件列表(mailing list)上,解決其他程式設計師遇到的問題。隨後 Google 也注意到了他,於是聘他來協助該公司建立 2008 年美國總統大選的選舉地圖。

雖然他住在山景城的 Google 總部(Googleplex)附近,但他卻是被掛在華盛頓特區工作的團隊底下。這個團隊喜歡他的工作成果,他也喜歡與他們合作,續簽了 5 年的外包合約,剛好就在這個時間點時, Google 把這個計畫拉到了公司內部。

當時他面臨一個人生的抉擇:是趁機申請轉 Google 的正職,或者繼續用外包的形式合作下去?

最後他選擇了繼續維持外包的身分。

「我聽說過他們的面試流程,」Geary 說到,「這個流程似乎是針對大學剛畢業後的社會新鮮人而精心設定的,當你剛畢業時,你有很多演算法,有很多資料結構,而且你會在白板上進行快速的思考,就像你在學校做的一樣。但這跟真實業界寫程式是完全相反的,因為有更多其他的事務會被捲進來,比如在我實際二十多年的工作職涯裡,我從來沒有用過白板,我就是直接在我的電腦上作業,但在面試中,卻得全部在白板上進行。」

他對這個過程表示擔心:「對演算法細節的測驗,不得不在白板上現場編寫紅黑樹, 這有利於剛從大學資訊科學相關科系畢業的學生。」

許多人都對 Google 的面試過程充滿疑問

Hacker News 是專屬程式設計師討論感興趣新聞文章的網站,最近上面有一篇由 Pierre Gauthier 發表的網誌,他擁有 37 年的程式撰寫經驗和 24 年的研發總監經歷。

TWD Industries(一間資安公司, 知名產品是 Remote-Anything )的創始人兼 CEO 的 Gauthier 寫道,他從來沒有主動向Google 求職過,而是被邀去申請工程總監的職位,所以他同意接受了Google 面試官的電話面試。他在文章裡貼出了他在那場電話面試,對方的問題以及雙方的對談,還有他的內心話。

基本上,應試人員會被詢問一系列的技術問題,而每一題被認為只有唯一的「正確」答案,他說。根據網誌,他提到:「Google 的代表說,這個職位需要管理和最新的編碼技能(罕見的混合),但是很顯然縱使有超過 20 年管理經驗、近 40 年的程式語言經驗是遠遠不夠的:因為我沒有給出『正確答案』。」

大家可能很好奇究竟是怎樣的題目問答,可以「考倒」一名這麼多年經驗的資深工程師?筆者就翻譯其中的 3 題成中文給大家:

{

什麼是 Linux inode?

Gauthier:任何特定檔案系統上獨特的檔案識別符(file identifier)。

面試官:錯了,它是檔案的後設資料(metadata)。

Gauthier:inode 是在一個檔案系統上識別一個檔案的索引(index),您可以從這個索引查詢到大小、時間、所有者、權限等檔案屬性(attributes);您甚至可以在某些檔案系統上的 inode 添加自己的屬性。

面試官:錯了,不是「屬性」,它是「後設資料」。

Gauthier 的內心話:喔?「後設資料」比「檔案屬性」是更貼切的詞,真的嗎?(譯註:這個詞語的差別也跟不同時代大學教學用詞的差別相關,後設資料本來是圖書館用的詞,2000 年以後因為數位化潮流才進入電腦世界。)

}

{

為何快排(Quicksort)是最好的排序法?

Gauthier :這不是永遠成立的,也不會永遠合適的。

面試官 :Quicksort 有 big-O 最佳的效能。

Gauthier :「big-O」忽略了資料儲存設備的延遲(latency)、拓樸、容量、可用記憶體甚至在特定運算設備上的實作中,涉及到每道 CPU 指令的計算成本,僅僅計算了演算法操作的數量! 沒錯,「big-O」可以是設計演算法時高價值的指示,但是最佳性能和擴展解決方案取決於具體問題和環境的特定規格。

面試官:你答錯了,快排項目你已經給我大大的零分。

Gauthier 的內心話 :Google 營運所倚靠的 Linux 核心就選擇了堆積排序法(Heapsort)而不是快排,目的是為了低記憶體的使用量與更可預測的執行時間。(譯註:這內心話,筆者略譯了美國學術界的菸草醜聞比喻,因為華人圈無該背景知識,不好理解。)

}

{

有一個 16 位元、10,000 欄位的陣列,你要如何最有效率地計數這些位元(bits)?

Gauthier :你只要以 64 位元的 word 為單位來操作位元移位(shift bits),也就是 Kernighan 演算法。

面試官 :錯!

Gauthier :還有更快的方法,是用 64 位元的 word 與位元遮罩(mask),但我沒有辦法透過電話解釋,我必須實際寫程式碼。

面試官 :正確的答案是使用查詢表(loopup table,一般縮寫為 LUT),然後加總出結果。

Gauthier :是在哪種 CPU 上?何不在一個 benchmark 測試中比較我的程式碼和你的程式碼的效能?

面試官:這不是這個測試的重點。

Gauthier :所以這個測試的重點是什麼?

面試官 :我必須檢查你知道正確的答案。

Gauthier 的內心話 :這廢話還要繼續多久? 8 位元 LUT 只能依序處理一個 byte 接著一個 byte(一個 byte 就是 8 位元),而用 64 位元遮罩的方法,一次就可以處理好 8 個 bytes(現代的電腦主要是 64 位元電腦,一個運算周期,就可以算好 8 個,比起 8 個周期才計算完來得快)。除此之外,如果不考慮可移植性,現代 CPU 指令甚至允許你用 10 倍的速度去一次處理好 128 位元。由於今日的電腦還達不到 64 位元 LUT,哪一個才是更快的方法是毫無疑問的。

}

基本上,這段摘錄的問答,反映出現在 Google 的面試官在乎教科書上的單一標準答案,像 AI 談話機器人一樣,執著於特定的詞語(「講話」跟「說話」、「吃飯」與「進食」差在哪裡),而忽略詞語所代表的真實意義。更進一步 Gauthier 的技術解決方案更為務實、優秀,完全把 Google 面試官的「正確」答案碾成碎片,可是他在 10 題裡只有 4 題拿到分數,不及格,恐怕 Larry Page 來現在的 Google 應試,也會不及格吧?

此外還有一個有名的故事,是 2015 年 Google 拒絕了一位名為 Max Howell 的程式設計師。 Howell 因創建名為 Homebrew 而聞名於世(設計給 Mac OSX 的軟體套件管理程式,用來簡化原來繁複的軟體安裝過程)。 Howell 曾在這則 twitter 上大吐苦水:「Google:我們的工程師中有九成的人使用你寫的軟體(Homebrew),但是你沒有辦法在白板上反轉二元樹,所以他媽的!」

他後來在該篇推文的回應中解釋說:「我今天早上被拒絕了,這就是我那時直率的反應。」而這則 twitter 像是病毒般地被廣為流傳,引發許多程式設計師的諸多有關白板理論派 vs. 實際寫程式 coding 派的討論。

Howell 告訴 Business Insider 的記者說:「對我來說,這個情況好比:Google 非常、非常需要一個水電工人來解決漏水的問題,所以我以自豪的 20 年經驗帶著所有對的工具(有些還自己開發的)前往;然而,他們卻要我在捲袖子開始施工以前,堅持我先坐下來考過流體力學才能進行。」

快樂的結局?

諷刺的是,Gauthier 在 Hacker News 上發表文章的前一周,製圖團隊的產品經理聯絡 Geary 確實想要聘請他,並試圖讓 Google 贊助這個職位,但被拒絕了(譯註:Google 不再外包這個工作)。雖然他現在依然不想要在 Google 工作,但是 Geary 回顧當時為何不向 Google 求職:「這可能是我自己的問題吧」,也就是說 Geary 離開 Google 了。

在此同時, Max Howell 投效了蘋果公司。 Gauthier 也更新了他的網誌文章,提到在這篇文章發表後,收到了大量的工作機會(他不需要,因為他是一間公司的 CEO),和收到許多履歷(想為他工作)。他認為自己公司的「後量子」(post-quantum)安全技術比今日的學術研究更加先進,「Google 卻這樣冷落我,我可沒有要找工作,我可是 18 年前就創立了 TWD 呢。」(譯註:跟 Google 同年創辦。)

當 Business Insider 的記者要求 Google 回應有關面試偏愛大學畢業生的批評,Google 的發言人回應:「從成千上萬的面試中,我們每年僱用了成千上萬的工程師,從大學剛畢業生到有幾十年經驗的人都有,這個過程是出名的嚴謹,但應試者回饋給我們一致的肯定。當然在許多面試裡,有一些應試者是很不高興的離開,我們希望聚集更多來自不同年齡、背景的優秀人才來本公司工作,所以非常感謝他們的回饋。」

本文授權轉載自:科技新報

往下滑看下一篇文章
懂保險的 AI 才有用!國泰人壽數據暨人工智慧發展部如何解開壽險業的 AI 實戰難題
懂保險的 AI 才有用!國泰人壽數據暨人工智慧發展部如何解開壽險業的 AI 實戰難題

金管會調查顯示,國內金融機構與周邊單位已有 33% 導入 AI,其中壽險業導入比例達 67%,僅次於銀行業的 87%。事實上,保險業應用 AI 的難題不在技術,真正的挑戰是要在高度監理、複雜流程與專業領域中,找到可落地的應用場景。國泰人壽數據暨人工智慧發展部走過八年、歷經三次組織定位演進,如何摸索出自己一套的 AI 轉型路徑?

國泰人壽養兵練 AI

國泰人壽數據團隊的起點,可以追溯到 2016 年成立的「客群經營部」。2018 年,隨著公司希望讓 AI 發展更具基礎架構、更具規模地展開,團隊轉型為「數據經營部」;到了 2024 年,正式成立「數據暨人工智慧發展部」,角色也從推廣,轉向更專注的技術發展。

國泰人壽-2.jpg
國泰人壽數據暨人工智慧發展部目前為一約 65 人的團隊,平均年齡 33 歲。
圖/ 數位時代

八年間,團隊的任務始終圍繞同一件事:深入業務現場,釐清痛點,再與 IT、業務、客服等單位協作,推動 AI 從研究走向實踐。國泰人壽數據暨人工智慧發展部協理莊淑儀形容,這個過程更像是傳教士的工作:「很多數據產品是由我們發想,從核保到理賠,有哪些導入機會?我們要去和各部門溝通,AI 可以協助什麼。」

國泰人壽-3.jpg
國泰人壽數據暨人工智慧發展部協理莊淑儀。
圖/ 數位時代

這樣的溝通並不容易,因為壽險業的專業門檻極高。國泰人壽數據暨人工智慧發展部首席數據分析師黃喬敬博士指出,一張保單牽涉的關係人本來就複雜:「在保險業,一張保單的銷售,涉及要保人、被保人、受益人,是多方關係,尤其在金管會的要求下,還必須兼顧模型的公平性與可解釋性。」核保邏輯、理賠判斷、業務員培訓,每個環節都有各自的專業門檻與監理要求,通用技術難以直接套用。這也是國泰人壽選擇自己養兵練 AI 的原因,唯有深度理解壽險場景,AI 才有落地的條件。

從真實需求長出來的 AI 實戰力

要讓技術模型真正為前線人員所用,數據暨人工智慧發展部團隊長期觀察業務現場,確保 AI 產出都能有效銜接既有作業流程。去年,團隊面對的挑戰,是在十三個部門提案中,篩選出值得投入的場景。莊淑儀說明,評估標準有三項:「是否能複製到多元場景?對公司有什麼效益?技術可行性?」最終六個案子出線,其中包括「AI Coach」。

AI Coach 以 AI 陪練業務員磨練銷售技巧,同步縮短培訓週期,讓業務員能更快提供專業、貼近保戶需求的服務。看見 AI Coach 的成效後,國泰人壽也將同一套模式延伸至客服中心及直效團隊,評估面向包括禮貌、問題回應、服務要點...等面向,給於評分及建議。黃喬敬博士解釋背後的難度:「以往這些評估指標是由人來判斷,現在則是要做到標準化,讓 AI 系統可以自己判斷。」今年一月上線後,客服新人有超過九成以此作為教育訓練工具,業務端使用率也過半,不僅省下資深人員帶新人的時間,也讓保戶獲得更一致、更高品質的服務體驗。

國泰人壽-4.jpg
國泰人壽數據暨人工智慧發展部協理莊淑儀(左)與首席數據分析師黃喬敬博士(右)帶領團隊在國泰人壽保險領域驗證 AI 應用。
圖/ 數位時代

另一項落地應用則是「Cathay Eye」,是國泰人壽自行開發的智能風險控管模型。莊淑儀說明:「這最主要是幫案件的複雜度做分級,讓新進同仁處理複雜度低、資深同仁處理複雜度高的案件,一來反映人力價值,二來加速案件處理流程,讓客戶更快獲得所需服務。」

黃喬敬博士也補充背後的機制:「Cathay Eye 是把公司過去數千萬筆資料整合起來,藉此建立一個平均的判斷基準,用來做複雜度分級與派工。」目前,Cathay Eye 的識別能力相較原流程提升一倍精準度,也讓流程的判斷效率明顯加快。

壽險業 AI 應用的新標竿

對國泰人壽而言,讓 AI 發揮作用的關鍵,在於將產業領域知識與技術能力結合,而這仰賴的是兩條並行的人才路徑。對內,是強化已熟悉保險核心業務人才的 AI 素養;對外,則是網羅生成式 AI 工程與系統設計、AI 治理、雲端數據工程...等專業人才,補齊技術深度。莊淑儀強調:「在人才 AI 素養上,以往我們著重精兵制。去年開始,我們要做到全員素養提升,在人人都會用 AI 的時代,如何善用、如何合規,這都是需要教育訓練的。」

黃喬敬博士則從技術端點出下一步的方向,如 Agentic AI 是明確的發展趨勢,但在企業級的應用上,不可能讓它完全自由運作,如何兼顧安全與效益,是關鍵任務。「檢視整個 Workflow,如何建立更好的決策流程,人員的角色和流程都會慢慢轉換。」他也指出,把端到端的自動化流程建置起來,是團隊接下來的重點工程。

國泰人壽-5.jpg
國泰人壽數據暨人工智慧發展部首席數據分析師黃喬敬博士。
圖/ 數位時代

導入 AI,或許已是壽險業的產業常態;但能不能真正走進核心業務的第一線,關鍵仍是有沒有先搞懂保險本身。從需求出發、從場景驗證,國泰人壽正以這套方法,定義壽險業 AI 應用的新標竿。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓