工业界和学术界最大区别是什么？-技术圈

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

来源丨对白的算法屋

本文仅作学术分享，版权属于原作者，如有侵权请联系删除。

大家好，今天在知乎上看到一个很有意思的话题：

大致是一位能源类工科博士在读，正在面临工业界和学术界的抉择，想知道两者的区别，以便提前做好准备。科研状态自我感觉挺舒适，习惯了自由自在，没有太大约束的生活，但是感觉自己做的东西浮在空中，落地会摔粉碎。学术圈目前应该是越来越难了吧，人才多，评职称艰难。隔壁实验室的讲师每天走得比我还晚（一般12点走)，所以很想知道工业界又是怎么样一种状态?

这里给大家精选了几个优质回答，希望对你有所帮助，欢迎评论区留言探讨。

sen2020回答：

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。

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。

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。
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。
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。

再说说工业界的研究院。

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。
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：

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。
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。

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。

RoseofVersailles回答：

坐标美国，目前在学术界，但是一直有做工业界项目，也和工业界的人有不少交流，并且近期正在谈工业界的职位，希望可以尽快谈妥，脱离学术圈。

我能想到的，工业界和学术界主要有如下区别：

工业界以资本为导向，作为一个上市公司，做什么大方向要听股东大会以及其任命的CEO的。学术界以政策为导向，作为一所大学，研究什么要听国家基金委员会的。这两者的区别表现出来，一般就是工业的研究偏保守，主要是对现有产品改进。学术界研究很激进，主要探索前人的未知。
工业界上班，100%的精力都在研发上。学术界上班，至少30%的精力要放在教学和科普活动上。
至少在美国，学术界上班的工作强度至少是工业界的2倍。工业界基本上早9晚5，一周5天，每年至少再休20天年假。学术界ap的常规操作是早7晚12，一周7天，全年不休。
至少在美国，同等地位的职位，学术界的薪资最多不到工业界的1/2。比如学术界博后年薪5万，工业界刚入职的博士研究员差不多10-12万。学术界ap年薪8-10万，工业界senior scientist年薪20-40万。学术界full prof年薪18-25万，工业界中/高层管理年薪50万-上不封顶。
学术界做出最重大研究成果，一般第一时间在arxiv占坑，然后迅速投Nature、Science。工业界做出最重大研究成果，一般会极尽所能进行保密，连专利都不一定去申请，更不会发paper。
有些时候，学术界和工业界的研究，也是有交叉的。比如学术界也会接DARPA和NASA的活，基本上最后是要出产品的。工业界也会fund一些探索性项目，只要能创新就行，不需要盈利。但总的来讲，这种交叉的情况不会太多。
学术界做出成果，受益人一般是自己（e.g. 发了paper，拿了funding）。工业界做出成果，直接受益人是股东，至于自己能从中渔利多少，取决于为人处事如何、懂不懂向上司表现，会哭的孩子才有奶吃。总的来说，工业界更适合躺平。
有的高赞答案说工业界投资更大，设备更强，人手更多，所以做科研更厉害。据我的了解，只有极少数的公司在极少数的领域是这样的，比如量子计算，人工智能。绝大多数领域，比如物理、材料、化学，是非常吃大科研装置的，纵使是全球500强公司，也出不起建造-维护装置的钱。绝大多数领域的科研装置，绝对是学术界更先进、更好。比如球差电镜，光源，中子源，加速器，核磁。一般来讲，公司如有需要，会选择和大学合作，以使用这些科研装置。
学术界项目失败一般是没事的，而工业界项目失败一般是要有背锅侠的。在学术界的基层人员可以多吹吹牛，而在工业界则应该根据自己能力合理的要任务，一旦past due却实现不了deliverable，是真的会极大影响自己的职业生涯的。
接上一条，学术界拿了tenure，基本上属于铁饭碗。而工业界经常会出现某个部门业绩不佳，直接砍掉的情况。Tenure也算是对学术界低收入的一个补偿吧。
学术界更注重开放合作，有时候没publish的idea甚至都会在conference讲。工业界则非常在乎ip，哪个idea是谁提出来的，谁做了什么，都要清清楚楚的记录下来，以防未来有人浑水摸鱼。
学术界report给谁，这些层级的关系，一般都是过过场面，不会当真（比如某ap，需要report给dean）。工业界report给谁，谁就真的是你的supervisor，一点都马虎不得。总的来讲学术界更多的是“单打独斗”的小作坊。工业界则是等级森严的阶级社会。
学术界的resume一般是publication和award来说话。工业界的resume一般是project的experience来说话。
学术界的工作地点有时候会很偏远，比如los alamos，ithaca，college station。工业界的工作地点则集中在几个重点地区，比如bay area，boston，nyc。

匿名用户回答：

工业界：把复杂的事简单化，贡献！

学术界：没有困难创造困难也要呻吟几声，然后整几篇！

我是工科的，具体就是大机械学科，举个最简单的例子，国内学术界大机械大多数做机器人或自动化装备的研究，都在玩动力学。然而发表的动力学论文，基本都是在那几个著名的理论上加一些条件做“应用分析”。注意我这个引用号写的很严谨，因为很多条件都假设了已知条件，比如说零部件质量、比如说惯量。而这些条件反而是应用中最不容易知道的东西。换句话说，学术界喜欢开上帝视角谈应用，而遗憾的是，工业界根本开不了上帝视角。所以学术界做的绝大多数研究，上不着天（没有真正提出新理论新方法），下不落地（没有解决业界需要的技术问题），根本就是无病呻吟。

关键是，学术界习惯了这种无病呻吟之后，就好像生活中有一种典型的常见“无病呻吟”的状况一样，特么还高潮了……

你说可笑不？

呵呵！

补充说明：

本文默认工科的学术界和工业界对比，更具体地说是 工科国内学术界和工业界 对比。

其他学科如有雷同纯属巧合。

另：国外学术界或有不同，我见识有限，不能说的很清楚。

但是在美国是不太一样的。原因是美国的工业界太特么牛B了，以至于像通用、谷歌这类公司的研发水平很高。这就造成了美国的学术界和工业界“分工”较明确，学术界只研究新的超前的技术，证明可行性之后，然后工业界完善成熟。

中国和美国是不同的，中国绝大多数公司养不起大量真正的研发人员，所以本来高校承担了相当多的工业研发的角色。然而工科理科化之后，承担工业研发这部分角色的教师逐步被“转化”或者“淘汰”，而所谓创新研究的也因为得不到工业界的反馈而变为纸上谈兵。

所以，这其实和我国为什么要走中国特设社会主义道路一样，片面学习美国是行不通的。

因为学术界和工业界必须相互依存才能发展的很好！

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~