如何看待 2022 年秋招算法岗人间地狱？

来源：知乎

文章转载自知乎，著作权归属原作者，侵删

Dr.Wu（NLP搬砖师，就职于微软亚研）回答：

结合最近几天的热点，所谓的“AILab”名存实亡，和在工业界Research Lab 实习+工作8年的经历，我好想好好答这个题。

一切的最开始，请明白你自己想成为研究员还是算法工程师，对于junior的同学们两个角色并不互通，对senior是互通的，可能因为主要靠管理技能吧 = =

研究员：追求关键问题突破，希望研究出Resnet、BERT。影响力大于一切。优点：压力小一些，听起来酷一些，有退路去高校。缺点：门槛太高，对公司没啥用，可能会被砍。

算法工程师：追求应用已有算法在业务。业务价值大于一切。优点：岗位门槛低，如果核心业务做的好，上升通道快，带团队机会大。缺点：辛苦，容易拥抱业务变化，业务的运气因素很影响个人发展。

如果选定了，请坚定不移的为之努力，并且尽量避免去业务部门发paper，或者在研究部门做杂活这种角色，那样很拧巴也不持久。也避免来回横跳，职业生涯是一场投资，一步步积攒。如果是研究员要追求业界的同行之间的影响力，算法工程师请选对业务，选对业务成功了一半多。

我其实对中国未来ailab们的发展是有信心的

1、因为国际关系问题，对技术的投资是政治正确的。

2、其实也花不了多少钱养一个research team，相比大公司的营收

3、Research team对公司的广告效应，和吸引人才还是有帮助

4、技术是颗科技树，很多时候摘果子的时候，是因为树干已经足够粗壮了。

所以，新毕业的同学们完全不要听风就是雨，觉得各个公司ailab都黄了。想成为researcher的同学们，完全可以去ailab认真做研究（别灌水）。

千万不要被最近几天AILab都名存实亡的错误舆论影响。虽然有些公司的lab据我所知是发展的不好，但业界还是有很不错的ailab。

最后给大家个工作2年多的感想吧，对于走研究员track的，想挣钱去阿里、字节，很有竞争力；想踏踏实实做做研究，去腾讯和微软。Follow your heart，不要被舆论影响，公司Ailab的兴衰更多的和公司本身的发展相关，如果公司一直盈利，业务没问题，ailab不会挂的。

最后，我不太喜欢ailab这个名字，research lab可能更正确。

谢流远（深度学习优秀答主）回答：

好像没人提一个事：算法部门的人地矛盾越来越激烈了。

ai发展依赖算力增长，但是近年来单卡算力增长放慢，大家开始扩大分布式，结果是调研需要的资源越来越多。同时算法工程师也越招越多，每个人能分到的实验次数越来越少，有的地方一个人平均一个月开不了一次实验，人地矛盾突出，能有多少产出取决于能抢到多少资源。

求职卷，进来了做实验也卷，卷翻天。

郑华滨（商汤CV研究员）回答：

看到解大

@谢流远

的回答提到了算法部门的“人地矛盾”，我也来贡献一个观察到的矛盾点：汇报宣传时高大上的算法模型，与实际干活时主导成败的脏活累活之间的矛盾。理解了这个矛盾，一定程度上就可以解释，为什么一方面很多学生觉得算法岗很难找，另一方面企业又总是吐槽算法岗很难招了。

有很大一部分算法从业人员，在尚未深入一线业务落地的时候，接触到的最多的信息就是各种高大上的算法模型。大家喜欢兴致勃勃地谈论最近又出了一个什么魔改变形金刚，又出了什么即插即用的涨点神器，ImageNet又被刷爆了，XXX又被屠榜了，PapersWithCode某个Leaderboard右上角又冒出一个新的SOTA散点了，超大模型的参数量破万亿了……他们对于AI技术的理解主要来自于一篇篇顶会论文上的漂亮故事，或者是各大公众号上花团锦簇的PR稿。其中功力较为深厚者，对各种网络结构、训练技巧如数家珍，能对某个领域近年来代表模型的演进路线侃侃而谈，各种设计的insight也能阐述一二。

我说的这部分从业人员，不仅仅包括实验室里的学生，还包括一部分已经身在企业、但是偏中后台技术支持的算法工程师。事实上，一两年前的我也是这样的认知。

但是当这部分从业人员深入一线业务之后，就会发现，算法模型在实际工作中可能只占20%，剩下80%的时间都在围绕着数据做很多脏活累活。在一些成熟任务上如简单的图像分类，算法模型占据的比例可能会更少。他们会发现自己熟知的那些”黑科技“其实作用有限，有时候费了很大劲，把三年前的技术换成上个月的技术，性能也就提升了一小截，而且就到此为止了。当然，有野心的算法工程师会想，我上我也行！我也要来魔改网络结构，拼凑训练技巧，在自家业务上提点！不过这种尝试往往不是以失败告终，就是只提升了可怜的零点几个点，也许还不如毫无技术含量地调调几个超参数。

与之相反，对数据的处理往往可以带来大幅度的、持续的提升，可行的手段除了粗暴地标注更多样本，还包括重新审视原有的标注规则是否合理，现有数据集标注质量如何，要不要定义一些细粒度的类别来辅助模型学会更微妙的语义，当前的模型经常在哪些场景下出问题，能不能从其他数据渠道补充这些场景的样本……上面列举的还只是一些粗糙的思路，很多一线干活的算法工程师肯定还能举出更针对具体任务、具体场景的操作，比如做NLP的朋友就告诉我实际工作中”正则表达式yyds“，当然这种经验在CV任务上就没什么大用了。

于是，实事求是的算法工程师开始深入一线之后，顶着业务指标的压力，很快就会用脚投票，不再花费过多精力在算法模型上，而是老老实实把一些数据上的工作做好，因为他们知道，算法模型不关键，follow最新的黑科技只是锦上添花，唯有数据才决定了业务落地的成败。

但是问题就来了，算法工程师做完这些脏活累活，达成了业务指标，等到向上汇报、对外宣传的时候却傻眼了。有些领导并不关心你做了多少实在的工作，只想听到你用了什么最新技术；有些领导尽管明白业务落地的关键在哪里，精力应该放在什么环节，知道但架不住总还有更上面的领导，要求在汇报中体现出「技术水平」；就算上层领导确实很懂行，但又架不住对外宣传的时候，也没办法把那些实际的工作讲出花来，必须包装成花里胡哨的先进技术，才能体现自家的技术壁垒，对群众秀肌肉，对同行放烟雾弹。

这样一层层压力传导下来，一线的算法工程师难免就会动作走形，甚至会慢慢形成「双重思想」：实际干活时用的都是简单粗暴有效的东西，汇报宣传时又要强行包装出一个又一个fancy的故事。

既然形势如此，很多聪明人就会慢慢拥抱这种评价体系，不管实际干活的时候怎么玩，最后一定会想方设法讲故事、发论文，企业会拿着这些「先进技术」出去宣传，各种AI自媒体也乐见其成。于是很多尚未深入一线的从业者每天看到的，就都是各种高大上的算法模型，为了跟上潮流，他们也卯足了力气卷这些东西，凑成一份份光彩夺目的简历送到面试官手上。可是这个时候，一线出身的面试官可能又开始「双重思想」了：业界平常大力鼓吹的是这些东西没错，但你是要来实际干活的，我得考察你实际干活的能力如何，不然来了拖后腿，团队业绩不达标，我们也有压力啊！

于是，招人时实际考察的，与平日里大力鼓吹的，就产生了脱节。

而且这种脱节有愈演愈烈之势，因为追求高大上的业界舆论影响汇报宣传的导向，汇报宣传的压力又反过来诱导出更多高大上的算法模型，会形成一个正反馈的闭环；而另一方面，即使算法工程师从业务中打磨出了简单粗暴有效的方法，也缺乏汇报宣传这两条重要的内外渠道获得足够的激励，形不成正反馈，散落的单点进步无法连成一片，就会被一直雪藏在算法工程师自己的脑中。

可以把上述逻辑总结为这么一张图：

当然，这些只是我的一家之言，有不同观察或意见的话，欢迎在评论区留言。

匿名用户回答：

很快大家就会用脚投票选不选算法。

如今互联网显然已经进入红海期，人快手字节都不大小周了，你以为真是人大发善心吗？是过了无脑增长，处于内部改进增效的时候了。（怎么增效呢？精简机构和人员，我相信你学过。）

算法现在无非就搜广推还有些cv，分单什么的。现在dnn发展到transformer阶段，提升的点其实已经越来越少。之前的算法，随便搞个数据喂一喂就能有很大提升，现在呢？有些人可能会说，高深的算法工程师结合业务，嘻嘻，那跟你发了多少论文，撸模型多强有啥关系？结合业务的，开发工程师就不能做？

现在基本上已经算法开发同酬了。你搞算法，要顶会，要比赛，要清北，要博士，何必陷入这种机致内卷的环境中？算法就业地区也很受限制，你做算法，就意味着以后要在一线买房生活工作。无他，很多二线算法岗都没有。开发哪里都需要，很多业务系统都要有人维护，实实在在的常青树，以后还可以上岸考公对口。

现在ai四小龙都活的很艰难，对于我们普罗大众来说，何必跟这些清北，博士卷来卷去，自讨苦吃？你看着现在小盆友个个顶会难道心中不慌？

看看国外，做算法的属于research scientist，基本就博士做。别的都是做sde的。

再看看今年zhihu热榜，清北博士一年毕业人数，以及各大人工智能班毕业人数，我相信你知道怎么办。

当然，你要是什么icml nips pami随便发，那你选啥都不要紧，因为你是强者，没有的话就另当别论吧。

夕风Twilighty(布朗大学，理学硕士）回答：

算法岗这个东西在国内互联网IT业界不是新事物了，像MSRA和百度这种老牌AI劲旅，从本世纪初就已开始深耕所谓的AI“算法”领域。但是就毕业生市场的“火热”程度而言，2015-2018年算是第一次需求高峰期，这一是得益于DL在全球工业界实打实地创造了一波收益，各大名企纷纷“抢人”以建立技术后备军；二是以AlphaGo, Transformer为代表的一众学术突破刷爆了存在感，从2015年开始，用机器学习和深度学习炒菜几乎就是各大工科细分领域（不限于纯粹的计算机界）的财富密码；三是硬件算力提升以及随之而来的Theano, Tensorflow等DL框架的出现大幅降低了入门学习乃至后续深入研究的时间成本；由此，算法岗以毋庸置疑的高门槛和高待遇，跻身校招技术岗的就业鄙视链顶端，并逐渐成为内卷红海，是自然而必然的事情。

据我观察，自18年之后网上对算法岗“劝退”和祛魅的声音就逐渐多起来了，这一方面是由于工业界的萝卜坑不再大幅增长，15-18年以AI四小龙（主要是搞CV的商汤旷视等）和阿里达摩院为代表的一众“高纯度”萝卜坑提供商，在2021年的今天看来都有些后劲不足的味道[1]；另一方面，当下学术界和工业界所看重的能力矩阵也出现了一些不同，一般地说，学术界更看重硕博同学将idea的故事讲好、并将这个idea用严谨专业的实验结论支撑起来的能力，而工业界则愈发注重实际工程中落地、处理“脏”问题的能力。这种能力要求的不同，在前些年是可以忽略的，因为在当时所谓“神经网络”对绝大多数在校生还是个新鲜玩意，一个候选人有基本的代码能力、合格的ML\DL知识储备就已经很了不起了。而现在的同学要去竞争算法岗，要么需要用足够分量的paper来为自己的学术水准背书，要么则需要拿出很有说服力的实习经历、工程项目经历，这些都不是在学校实验室里“按部就班”就能做到的。

但是有必要唱衰算法岗，有必要无脑劝退吗？没有必要。因为岗位的选择说到底都是一个小马过河的事情，科班出身、coding能力过硬、实验室经历丰富、同时也有大厂算法实习经验的同学，面前仍然摆着大量的机会。但对于基础知识不很牢固（比如临时转专业方向）、相关经历比较欠缺，但眼下又面临就业窗口的一些同学而言，建议还是冷静看待算法岗与非算法岗之间的差异。这既不是“劝退”也不是“打鸡血”，只是说要实事求是，稳扎稳打。

其实仔细分析目前的行情，算法岗明显存在着“理论”和“工程”的两极化，“理论”性高（也就是上面所说“高纯度”）的岗位，一是需求基本见顶，二是门槛水涨船高，曾经硕士生卷一把就能来的岗位，现在可能都是在那些手握一众顶会的博士中筛选了。而至于更偏向“工程”的岗位，CV和NLP岗经历了15-18年那个时期的野蛮生长之后，目前可以说处在一个整合和沉淀的阶段，未来一段时间内的岗位增长和内卷下降，恐怕会是很有限的。而更靠近一线业务的搜广推（搜索、广告、推荐）作为互联网的cash cow，还是提供了不少的就业机会，对于那些实际项目经验丰富，同时也具备过硬知识基础的同学而言，仍然是一个值得进入的赛道。

参考

^https://www.jiemian.com/article/5889079.html

地址：

https://www.zhihu.com/question/453325429

——The  End——