读完博士，我们很容易面对这样一个问题：
"毕业后，我到底是选择去学术界，还是去工业界？"
我的背景更偏学术界，我对两边都有了解，我谈一点自己粗浅的看法。
我的讨论范围限定在：
（1）机器学习领域；
（2）能力在前10%~50%的正常人，不讨论改变世界的大神。
简单粗暴的结论：
（1）高校的研究能力在工业界很有用，但是高校的成果几乎（99.9%）在工业界都没有用。或许高校的education的作用更大，期望高校做出改变工业界的学术成果不太现实。
（2）工业界的研究院其实属于学术界，本质跟高校区别不大。他们比高校做的东西更有用，但是研究院做的不是核心技术，只是外围、边缘的技术而已。
A. 先说说高校的科研。
高校绝大多数的研究都是各种问题的corner case，在公开的数据集上跑几个实验，claim自己是SOTA，发篇论文。但这些东西在工业界用途非常非常小。我举几个例子。
(1) 近年来学术界搜索、推荐的论文不少，但在工业界能用的几乎没几个。学术界的做法是“改进模型，在MovieLens等数据集上做个实验，提升几个点，发表论文”。但学术界的成果在工业界几乎都不work。在工业界真正能改进模型效果的方法大多是标注数据、处理数据、调特征、修bug。少数能用的学术成果都是Google等公司发表的。
(2) 最近几年联邦学习很热门，每个会议都有上百篇联邦学习的投稿。这些文章中90%以上都是在解决corner case，比如XXX设定下的收敛、XXX设定下的XXX差分隐私方法、用XXX方法防御XXX假设下的拜占庭错误。有脚指头想想也知道，这些corner case在工业界是没有用的。工业界用的是简单、好调、scalability能上得去的方法，而且要考虑自身系统平台的支持。
(3) 最近一两年，有N篇基于vision transformer的论文，都是对vision transformer做一点改进，在公开数据集上top-1 accuracy提升一点点。在绝大多数工业应用里面，没人在乎一点点准确率的提升。好好处理数据、标注数据、再加点小trick，带来的提升比模型大得多。说实话，ResNet之后所有的模型带来的提升全加起来，还没JFT一个数据集带来的提升多。
工业界里重要的问题非常多，但是没有足够的人力去解决，只能挑收益最大的做。而高校乌央乌央的人扎堆挤到一些很小的问题上，研究各种各样的corner case，比如上面讨论的几个问题。
这，就是为什么我打算离开高校。
B. 再说说工业界的研究院。
(1) 工业界研究院有一部分人做纯科研，做出了非常牛逼的工作。Google、Deepmind、MSR、NVIDIA等公司的研究院都有非常厉害的成果。Transformer、AlphaGo这些成果确实改变了世界。其余影响力小一些的论文也起到了PR的作用。
(2) 工业界研究院有相当多的人在为业务、技术部门服务。可惜的是研究院做的通常不是核心技术，而是可有可无的边缘技术。研究院的人看不到完整的核心技术。举几个例子：
a. 推荐算法团队跟研究院合作，希望“试一试”强化学习、图神经网络这些技术。重点在“试一试”，也就是说可有可无，不是核心技术。能带来零点几个点的增长最好，没有也无所谓。
b. 技术部门发现强化学习在网约车派单上好用，收益挺大。上线之后，让研究院做进一步的探索，目标是用更fancy的技术取得marginal improvement。
为什么工业界研究院接触不到完整的、核心的技术？核心技术肯定在业务部门手里，重要性次一级的工具在技术中台手里。由于利益原因，没人愿意把自己重要的东西交给别人做，除非是自己不愿做、没精力做、没能力做。
说一下工业界的技术团队。工业界的工作并不美好，有很多脏活累活要干，没有学术界看起来高大上，而且KPI压力很大。有一部分人在推着技术走，这种工作的成就感会比较高。另一部分人被业务推着走，比如这个地方掉点了，那个地方有个bad case，要修一下。。。很明显，前者的技术含量高，成长更快，在就业市场上很抢手；后者的技术含量低，是高档人肉电池，容易被换掉。
C. 最后说说人。
学术界的人才密度远远大于工业界。
拿到985学校的讲师（所谓助理教授）职位，比公司SP offer还难；工业界研究院里各个都是有不错成果的博士。
而工业界的技术部门里，人才密度低得多。哪里更容易出头是显而易见的。在跳槽的时候，研究院出身的不那么受欢迎，跟核心技术团队的人差距巨大。
所以，到底是去高校，还是研究院，主要还是得看自身的能力与追求。
结合自身的特点和追求来选择，做了决定不后悔就可以了。现今的社会状态下，没有哪分工作是“钱多事少离家近”的。朝着自己的既定目标前进就足矣！
文章来源于微信公众号：材料观察者，作者为：Sensor-2020
转载本文请联系原作者获取授权，同时请注明本文来自房旭平科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3378353-1312799.html?mobile=1
收藏
