如何看待 2020 届校招算法岗「爆炸」的情况？

点击上方“CVer”，选择加"星标"或“置顶”

重磅干货，第一时间送达

编辑：Amusi

https://www.zhihu.com/question/342267611

本文仅作为学术分享，如果侵权，会删文处理

如何看待 2020 届校招算法岗「爆炸」的情况？

作者：Zhiming
https://www.zhihu.com/question/342267611/answer/805723045

大家可能没有分清楚两个概念...算法工程师和算法研究员是两个职位，现在可能不是很明显，但是我相信这应该就是以后的趋势。

算法工程师的本质还是工程师，从推荐系统方向来说，除了要求你读paper，复现paper之外，还需要会使用Spark这种大数据处理工具，会写shell脚本，跑个数据能不能开多线程跑，模型代码出了bug怎么定位...这些都是计算机系的基本功，更不用说模型上线就是一个复杂的C++工程了。企业对于一个工程师的要求简单来说就是”能干活“，”把活干好“，所以只停留在书本上是没办法成为一个”工程师“的。

还有很关键的一点，算法工程师研究算法的终极目的是服务业务，所以对业务有没有很深刻的理解非常重要，没有办法落地的算法，没有拿到指标收益的算法，即便再fancy，在学术界再amazing，在工业界也是吃不开的。

算法研究员就不说了，这个岗位我觉得本来就应该博士起步吧...

作者：沈世钧
https://www.zhihu.com/question/342267611/answer/805532525

从理论上分析，算法岗大爆炸（就业难）是必然的，只是时间早晚的问题。

算法岗不是劳动力密集型

以我所在的事业部为例，算法工程师和软件工程师的比例达到了1:4。

因为，对一个公司来说，算法是基础，在此之上能够开发出各种应用。这就注定了，软件开发的需求要远远大于算法的需求。

就拿人脸识别算法来说，算法部门只需要推出一个版本的算法（以SDK的形式），软件研发部门就可以在此基础上，开发出诸如视频监控、闸机等各种应用。

而对底层算法来说，无论是对外的接口，还是内部的架构（例如深度学习），都有着相当的统一性。因此，就算法来说，维持一个精干的，高水平的团队，对全公司的业务支持来说，是完全可行的。

这也是为什么，在算法招聘市场上，用人单位会对应聘者的资质要求那么高（学校、资历、论文等等）。就是因为算法有很强的理论性，以及技术统一性。一个精干的团队，如果有一两个一流的专家，最终的产出，就完全可以吊打那些虽规模巨大，但皆由平庸之辈构成的团队。

这也是为什么这两年在深度学习领域，出现了很多在学术界、产业界都声名鹊起的科学家（例如深度学习三巨头，吴恩达等）。这也在某种程度上说明，在深度学习领域，“英雄”对行业的推动还是决定性的。

这也就决定了，那些在技术前沿竞争的大公司，在招聘算法工程师时，一定会坚持“宁缺毋滥”的原则，因为多了也没有用。

但软件工程师就不一样了。

虽然就软件工程师（例如Java后端工程师）的技能来说，也存在通用的地方。但对一个在市场上打拼的公司来说，客户（各种项目）的需求千差万别，各种促销活动迎接不暇（例如双十一），用户体验需要不断改善。因此，对“业务”软件工程师的需求也必然是巨大的。

虽然就关键技术来说，一个高水平的软件工程师所产生的生产力数倍于平庸者。但就开发日常来说，有太多的工作都是高度重复，缺少技术含量的活（例如增删改查）。

但另一方面，虽然这些工作技术含量不高，但代码终究还是要程序员一行一行垒出来的。所以，对企业来说，就不得不长期维持一个规模巨大的软件开发团队，从而造就了一个规模巨大的就业市场。

除非有一天，软件开发也能被AI替代（理论上是可以的）。

算法的门槛没有那么高了

算法研究的基础是数学。按照当前的技术发展，本科数学是不够用的。因此，在招聘市场，算法岗的最低学历也得是硕士。

但是，在当前的深度学习领域，就公开框架的学习，理论结果（各种出版物、论文等）的研究。对一个受过系统数学教育，智力正常的研究生，完全没有障碍。

而且，随着这两年AI的大火，相关的技术和理论已成为了一门“显学”，公开的技术和资料越来越多，可谓“太阳底下无秘密”，先入者的红利早已不存在了。

也就是说，在早前，在人工智能（主要是机器学习）还相对神秘的时候。一个研究生，掌握了基本理论，能理解及搭建开源框架，就能找一份好工作。但现在水涨船高了，靠通过机械学习而掌握的这些知识是远远不够的。

因为门槛低，所以掌握的人就多，在加上算法团队更倾向于规模不大，但高度精英化的团队。所以就导致了“僧多粥少”的局面。

而现在在各大公司，基本的深度学习框架已经搭建完成，往前走，就只有两个方向。

一个是继续收集数据，喂给搭建好的深度学习框架，从而让当前的算法不断进化。

例如，对人脸识别来说，各家基本的准确率已差别不大。大家的竞争已经朝向了一些边缘问题（例如活体检测等）。

当然，这方面还是需要不少人力去做的。但是，这些工作的技术含量却显然不高。在业界，有很多公司已经不愿再投入太多研发在上面，要么从第三方买数据，要么是把这些工作外包出去。

也就是说，喂数据，调参数这种工作，正逐渐从高端就业市场剔除出去。

另一方向是，在深度学习领域，各大公司的发力重点是把技术往更前沿推，研究新的理论，实现新的框架。

例如当前的主流学习框架还是基于数据，有人守护的学习模式。但未来的趋势应是自学习，无人守护的模式。

而做到这一点，后来者想要入行，就不能单靠机械的学习了。而是要基于天赋、灵感，甚至是运气。这也注定了能站在这个层次的人必然是少数。

基于上面的分析，我们可以得出的结论，未来，创造性的，高收入的算法职位，随着时间发展，一定会越来越少。后来者想要入行，也会越来越难。

未来，随着深度学习框架的下沉，高价值应用领域（例如人脸识别、自动驾驶）被逐渐瓜分，整个AI行业，必然会越来越呈现出精英化的趋势。

说来也讽刺，今天，我们对未来的一个预测是，随着对人工智能的普及，越来越多的劳动岗位被机器替换。未来，还需要劳动的只是少部分天赋异常的精英。

但没想到的是，人工智能时代虽然还没有来到，但在人工智能的研究领域，这个预言却首先实现：平庸的AI从业者正逐渐失去工作。

作者：De signer
https://www.zhihu.com/question/342267611/answer/806879765

说下我的经历和心路历程，我是转行想做算法，开始不知道怎么学习，照着网上资料。

看了ESL前5章后过程中看ESL时，LASSO那里不是太懂，就看了原paper，proximal algo和angle regression，了解了一些subgradient，感觉不能再深入，容易陷进去。就换了本书，开始看PRML（大部分），过程中看了凸优化，多元概率论，线性代数，一些简单的群论。然后听说花书（Deep Learning）比较新，就开始看，发现其实都差不多，然后看了基础就停了。这个过程中发现对算法越来越感兴趣。一是它可以帮我思考一些解决问题的模式，另一方面可能是难度适中，学着不累吧。

光看书也不行，毕竟大多讲的都是很老的经典算法，现在流行的神经网络那些书里面讲的太少。就开始学习深度学习。啊，什么，没什么理论，看着像规则，就是连连线。。大多书都是讲怎么用python和tensorflow来实现。好吧，那先学了一个python，tensorflow，跑了一跑简单的模型，用了用GPU，发现真的很快，有点激动。

但这不行啊，这太简单了。然后我找了一些用深度学习做应用的paper，想从中了解一下深度学习大家都是怎么用的，不至于这么随意吧。然后从中确实学到了一些可以算是经验的东西，比如深度学习大多都是从end2end角度，把想法拿到loss的loss工程，和把想法设计到结构的结构工程。loss工程比较直观；结构工程，比如attention这个，我怎么看怎么像为了解释而解释。。我根本不信对所有情况这种解释性人都可以理解。好吧，我暂且信了。。但是有些结构听着还不错，比如残差结构，BN，dropout，CNN

不过神经网络个人理解还不是很到位，想不明白很多问题，很多靠猜，比如对某些层内增加一些其他操作会怎么样。听说这个东西就是靠过参化而不过拟合才能有好的效果。最后了解一些经典结构

之后试图想看看一些可解释的文章，不太信那些试验性的可解释性文章，于是看了一些SGD类的，比如用DE来解释SGD的动力学过程。此过程中还去学了DE。。顺便还学了一些热力学。混沌。反正还是没太明白。以后再学把。

由于还有一些比较火的，比如RL，GAN，想到面试肯定会问这些。就又学了这些东西。GAN这里就学了皮毛，但是对操作分布有了更深的认识。如何通过衡量分布来进行生成学习。manifold中分布导致JS KL 的局限性，W-distance引入，L-Liptchsz约束，mode collapse，loss设计中曲率对参数跟新的影响。

RL中了解到MDPs，一种新的学习模式。model free与model base中对优化方法的选择，MD，TD

MC; off-policy-> on policy转化。bellman Equation，value based的核心V，DQN一些变种；policy-based，PPO，PRTO；A-C；DDPG感觉和GAN好像哦。

上面这些也是花了很多时间，大概2个月。之后听说找算法要coding能力，看源码。我信了。

开始看TF源码，我一个非计算机看起来还真是难啊，先看了c++11一些基本知识，发现和python很像。OK开始看。开始从framework看起。op, kernel, device, resource, node, graph，到runtime session，executor。过程中学习了很多。

了解了如何定义新op，如何实现一个特定设备上的kernel，op到node到function，顺带学了一些设计模型。感觉这个是我学习过程中最难的，swig如何生成中间代码连接python前段和c++后端。python构建fullgraph到master剪枝到clientgraph，再到OP_placer，根据设备分裂client graph注册到设备partitiongraph，然后启动executor执行图。发现其实TF优化点还有很多。图优化和内核优化。太多了。

最后听说最重要的是刷题，完了。马上就要找工作了。我再开始看数据结构，刷leetcode。发现好累，刷不动了。

结果就是笔试都过不了。

放弃了。

躺在床上想想这过去的2.5个月，好像做了一个梦。一觉起来，我什么都不记得了。

还是复习我的专业课，凝聚态物理。找个工厂的好。

作者：非易
https://www.zhihu.com/question/342267611/answer/807259468

最近在阿里巴巴实习，推荐系统方向。看到身边的一些正式员工在面试的时候，根据他们的聊天，得出是一些简单的结论，供大家参考：

1. 有顶会paper是加分项，给人在面试之前就会有很大的好感和重视，但是如果面试表现不好，就会有很大反差，会让人觉得你的论文是别人给你提供的方案，你只是实施者，而不是在一轮轮失败中自己摸索出的解决方案，缺乏独立解决问题的能力；

2. 对于硕士出来找工作，刷算法题是十分有必要的，基本上都会有code面，而且是在第一，第二轮，面不过直接挂，hc少，都是择优录取。

3. 博士找工作，最好是找熟人内推，或者是开会期间和公司的人聊，这样才会拿到好的offer。否则还是要刷点题的。

4. 面试表现很重要，非常重要。这一条和第一条内容有点重合。现在投核心部门算法岗的人，博士肯定人均顶会一作，硕士即便没有顶会一作也都有比赛的top3成绩等。所以面试官开始问你做的东西，你肯定能回答的不错。但是后面肯定会结合你的方向，问一些具体场景的问题，问你怎么解决，能不能给出一个比较high-level的思路，这个就很重要。面试官这时候考察的是你的思考方式，思维能力，在这个环节表现的好，会非常非常加分。因为比赛可以抱大腿，论文可以靠老板，面对到具体问题时，怎么思考，这是考验一个人的思维方式和知识储备，需要一个人有独立解决能力的能力。

5. 能去实习先实习，起码我所在的部门，不少hc都留给实习生，当然实习生也不一定留下来，所以校招也有机会，但是实习能抢占先机。

不要慌，去年我看同学找工作的时候，知乎上就已经开始唱衰互联网寒冬，最后水平一般的同学拿的批发价都是30w，厉害的能拿到40w。今年也一样，有实力不用慌，没实力学校好也不用太慌。

此外，多说一句，算法岗并不是发paper写论文，根据我观察周围的员工，大多是在做业务，写SQL，把一些已经很成熟的工具拿过来部署，上线看效果，并不是每天去尝试最新比较fancy的模型。除非是一些经过验证的，比如BERT这样的很出名的方法会用上来，大部分情况下，用的算法并不是特别先进。

暂时根据他们的谈话和我的观察，想到这些，祝大家都能拿到满意的offer。

重磅！CVer学术交流群成立啦

扫码添加CVer助手，可申请加入CVer-目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测和模型剪枝&压缩等群。一定要备注：研究方向+地点+学校/公司+昵称（如目标检测+上海+上交+卡卡）

▲长按加群

▲长按关注我们

麻烦给我一个在看！