早晨七點半，鵬城的天空泛著灰白色的光。林晨坐在書桌前，筆記型電腦螢幕亮著，郵箱裡躺著昨晚收到的新郵件——來自一家名為“智創未來”的AI初創公司的線上筆試邀請。這是繼星雲科技之後，他收到的第二個AI相關崗位的筆試通知。
他喝了口已經涼掉的速溶咖啡，揉了揉有些發脹的太陽穴。連續幾天的備考和麵試準備，讓三十五歲的身體開始發出抗議。但心裡那股勁兒撐著——失業第128天，每一個機會都不能放過。
“智創未來”這家公司他之前研究過，規模不大，五十人左右，專注在計算機視覺和工業質檢領域。崗位是“機器學習工程師”，薪資範圍寫的是25-40K，比星雲科技稍高一些。更重要的是，崗位描述裡明確要求“有紮實的機器學習理論基礎和Python工程能力”，這正好撞在他的槍口上。
筆試時間是上午9:00-11:00，線上進行，全程攝像頭監控。林晨提前半小時就進入了系統，除錯好攝像頭和網路，將手機靜音放到客廳，書桌上只留下筆記型電腦、一支筆和幾張草稿紙。蘇婉送完樂樂上學後，輕手輕腳地關上了臥室門，給他一個絕對安靜的環境。
8:59，系統介面重新整理。倒計時開始。
林晨深吸一口氣，點選“開始答題”。
第一部分是30道選擇題，限時45分鐘。題目涵蓋機器學習基礎、機率統計、線性代數、深度學習常見模型。
第一題：“在SV，以下哪種核函式對應的特徵空間維度是無窮維”？
A. 線性核
B. 多項式核
C. 高斯核（RBF）
D. Sigid核
林晨幾乎沒猶豫就選了C。這是他在吳恩達課程裡反覆強調過的知識點——高斯核函式透過泰勒展開可以對映到無窮維特徵空間。手指點選滑鼠的瞬間，心裡稍微踏實了一點：自學的東西，真的用上了。
但接下來的題目開始變得刁鑽。
“假設你訓練了一個邏輯迴歸模型，發現訓練集準確率99%，測試集準確率只有55%。以下哪種方法最不可能解決問題”？
A. 增加正則化強度
B. 收集更多訓練資料
C. 減少特徵數量
D. 增加模型複雜度
林晨眉頭微皺。這題考的是過擬合與欠擬合的區分。訓練集準確率極高而測試集極低，明顯是過擬合。解決過擬合通常需要正則化、更多資料、減少特徵（即降低模型複雜度）。那麼“增加模型複雜度”顯然是火上澆油。他選了D。
答題過程像在時間河流裡逆流而上。有些概念明明看過，但具體細節模糊了；有些題目需要快速計算協方差矩陣的特徵值，草稿紙上寫滿公式。第22題關於Batch Norlization在訓練和推理階段的不同處理，他卡了足足兩分鐘，最後憑記憶選擇了“訓練時使用當前batch的均值和方差，推理時使用移動平均的均值和方差”。
當最後一道選擇題提交時，倒計時顯示還剩3分17秒。林晨後背出了一層薄汗。
第二部分是程式設計題，2道，限時45分鐘。
第一題：“給定一個整數陣列nu和一個目標值target，請你在陣列中找出和為目標值的那兩個整數，並返回它們的陣列下標。假設每種輸入只會對應一個答案，且不能重複使用相同的元素”。
林晨幾乎笑出來——這是LeetCode第一題“兩數之和”，太經典了。他迅速在程式碼編輯區寫下雜湊表解法，時間複雜度O(n)，空間複雜度O(n)。測試用例全部透過。
第二題難度陡增：“實現一個簡單的神經網路前向傳播過程。給定輸入矩陣X（形狀為n_sales×n_features），權重矩陣W1（n_features×hidden_size）、W2（hidden_size×output_size），偏置向量b1、b2，啟用函式使用ReLU。請寫出計算過程並返回輸出矩陣”。
這題考察對神經網路底層計算的理解。林晨沉下心來，在草稿紙上畫出計算圖：
Z1 = X·W1 + b1
)1Z(ULeR = 1A
2b + 2W·1A = 2Z
用啟無層出輸設假 # 2Z = tuptuO
。鐘分21剩還間時，時提。誤錯有沒認確，遍幾了查檢覆反後完寫。配匹度維的法乘陣矩了意注，碼式程出寫格風yuN用他後然
。鐘分03時限，道1，題答問放開是分部一後最
