為什么突然想提到這個話題，是因?yàn)樵谀硨W(xué)習(xí)交流群里，我關(guān)注到幾個同學(xué)發(fā)出了兩張圖，意思是討論如今找工作算法崗位的不容易，甚至出現(xiàn)了博士也找個算法崗也不容易。

因?yàn)橐咔榈脑蚝汀懊聭?zhàn)”的環(huán)境下，很多企業(yè)都沒有以前那么輝煌，都是勒緊褲腰帶過日子。同樣，今年的幾百萬畢業(yè)生就業(yè)環(huán)境也是非常不明朗，以至于本來不想讀研讀博的同學(xué)轉(zhuǎn)而開始復(fù)習(xí)備考碩士和博士。

如此緊張的一個就業(yè)環(huán)境，對于多金的算法崗位，競爭就變得異常不容易。這里有人提到是否要轉(zhuǎn)開發(fā)崗。

因?yàn)殚_發(fā)的崗位相對算法崗位要多一些，反而要求沒有那么高。

對于到底做算法還是做開發(fā)，知乎已經(jīng)有人回答了，我在末尾會給一些同學(xué)我自己的建議。

以下是知乎沈世鈞的回答，獲得1.7k贊同

我做軟件開發(fā)已經(jīng)20年，日常工作也與AI相關(guān)，所以談一下自己的看法。

這兩年AI大火，導(dǎo)致很多畢業(yè)生跨專業(yè)（例如自動化、光學(xué)等）轉(zhuǎn)崗算法，這些人有個顯著的特點(diǎn)就是羨慕IT的高薪，但普遍受沒有受過通識的計(jì)算機(jī)教育（例如操作系統(tǒng)、數(shù)據(jù)結(jié)構(gòu)、C/C++編程等），但人夠聰明，數(shù)學(xué)不錯（但大部分都沒有學(xué)過高級算法），學(xué)編程吧，需要學(xué)的東西太多太雜，所以很多人都想抄“近路”來搞算法研究。這也客觀上造成當(dāng)前算法崗供大于求的局面。所以就人才招聘結(jié)果來說，“質(zhì)量”明顯不如以前了，原來名校的博士為基本要求，而今天985的碩士就可以了。

而且相比于軟件開發(fā)，算法更吃腦力，對智力的要求更高，年齡越大挑戰(zhàn)就越大。我本人是做系統(tǒng)集成的，實(shí)踐中我的感覺是，隨著腦力的下降，首先感到力不從心的就是數(shù)學(xué)，原來好多數(shù)學(xué)問題在腦子里過一遍就能想明白，但現(xiàn)在就需要畫圖才能理解。但編程就好多了，至少現(xiàn)在還沒有感覺明顯的衰弱，也可能是這多年已經(jīng)積累了好多代碼，很多時候把老代碼復(fù)制過來改改就能work的原因吧！

其實(shí)，從去年開始，業(yè)界對AI的技術(shù)方向就已經(jīng)達(dá)成了共識，也就是深度學(xué)習(xí)+大數(shù)據(jù)+大計(jì)算，其中尤其以數(shù)據(jù)為重。可以說只要數(shù)據(jù)足夠，假以時日，大家的速度和精度都不會太差。現(xiàn)在大家比拼主要是算法變現(xiàn)的能力，也就是看誰能夠把算法變成產(chǎn)品銷售出去，因此今年我的感覺是，相對于純粹的算法，綜合性人才更稀缺，例如有既有產(chǎn)品思維，懂算法，懂編程的人。

AI在IT領(lǐng)域也不算個新鮮東西，但早先都集中在專業(yè)領(lǐng)域，更多是一些專家系統(tǒng)。感覺AI街談巷議，突然大火也就是這兩年的事，更準(zhǔn)確的說應(yīng)該是5年前，就在此時深度學(xué)習(xí)理論舊瓶裝新酒，從而迎來AI研究的集中爆發(fā)。但在深度學(xué)習(xí)框架搭成之后，接下來更多就是調(diào)參數(shù)，喂數(shù)據(jù)。所以在相當(dāng)一段時間內(nèi)，算法的研發(fā)重點(diǎn)轉(zhuǎn)向了數(shù)據(jù)的收集和清洗。

也就在這個時候，稍微打聽下，你就會發(fā)現(xiàn)業(yè)界很多到公司招聘的實(shí)習(xí)生，日常主要工作就是調(diào)下參數(shù)，編寫一些數(shù)據(jù)收集工具（例如網(wǎng)絡(luò)爬蟲），甚至更倒霉一點(diǎn)就是每日用別人寫好的工具收集數(shù)據(jù)，清洗數(shù)據(jù)。

深度學(xué)習(xí)框架搭建的早期階段，對算法工程師的要求是很高的，既需要精深的數(shù)學(xué)能力，同時又需要超強(qiáng)的編程能力。但在當(dāng)前，隨著各大公司的AI框架逐漸成熟，以及一些深度學(xué)習(xí)框架的開源（例如谷歌的Tensorflow），AI技術(shù)下沉的趨勢非常明顯，早已從幾年前的陽春白雪變成了下里巴人。

不幸的是，中國人干什么事都喜歡一哄而上，就像早些年全民學(xué)Android，學(xué)前端、現(xiàn)在又開始全民學(xué)算法。不是說人就應(yīng)該逆趨勢而行，但越是在大家都熙熙攘攘的時候，越是要保持冷靜，越是要問幾個為什么。一個很顯然的道理是：如果一個行業(yè)突然涌進(jìn)了這多人，至少有兩件事可以肯定，一個是這個行業(yè)門檻肯定不高，二是根據(jù)供需平衡原理，這個行業(yè)的未來行情必然會下行，不信各位看看現(xiàn)在的Android開發(fā)是否還復(fù)當(dāng)年的意氣風(fēng)發(fā)？

還是那句話：“只有在潮水退卻的時候，才知道誰在裸泳！”

以下為知乎熊風(fēng)回答，獲得1.2k贊同

我是機(jī)器學(xué)習(xí)方向的在讀研究生；本科時期在阿里實(shí)習(xí)過，實(shí)習(xí)職位是算法工程師。

對這個問題說一下自己的看法。說的不對的地方，還望各位同行指正。

首先，我覺得題主完全有資本去報(bào)阿里或者騰訊的算法崗。

如果題主的描述屬實(shí)，那么題主算是一個基礎(chǔ)比較扎實(shí)的計(jì)算機(jī)學(xué)生了，而且對機(jī)器學(xué)習(xí)也是有一定程度的掌握。我本科拿到阿里算法工程師offer的時候，實(shí)力比題主差多了。

就我當(dāng)時實(shí)習(xí)的情況來看，阿里的算法工程師賴以立足的還是工程能力，能干活、能搬磚才是硬道理。某一個機(jī)器學(xué)習(xí)的算法不會，學(xué)幾個小時或者幾天就足夠了，應(yīng)用一個算法、會調(diào)參數(shù)的門檻并不高。而且實(shí)際工作里用的最多的還是那些很經(jīng)典、很基礎(chǔ)的機(jī)器學(xué)習(xí)算法（邏輯回歸，決策樹之類的）。

而且如果你做的是數(shù)據(jù)挖掘，推薦系統(tǒng)之類的，你也應(yīng)該知道你做的其實(shí)是特征工程。很多時候，復(fù)雜、高深的模型效果不一定好；能讓結(jié)果效果有很大提升的往往是特征的提取和選擇。所以比起算法和模型本身來說，對數(shù)據(jù)、對業(yè)務(wù)的理解其實(shí)同等重要甚至更重要。

正面回答你的三個問題：

(1)以我現(xiàn)在的機(jī)器學(xué)習(xí)情況準(zhǔn)備算法崗位(阿里或者騰訊)的話，是否有資本一搏？如果有資本，那還需要怎么準(zhǔn)備才能更穩(wěn)一些？

有資本。

如果你還想更穩(wěn)一些，不妨做一些數(shù)據(jù)挖掘類的項(xiàng)目或者競賽。比如阿里天池平臺上的競賽天池大數(shù)據(jù)競賽 或者kaggle上的一些比賽。據(jù)我所知，BAT的算法崗還是非常認(rèn)可這些競賽的。特別是天池上的一系列競賽，不僅獎金高，做得好的也基本能穩(wěn)拿阿里算法崗的special offer

如果你覺得做競賽太耗時間了，去github上follow一些比較有意思的機(jī)器學(xué)習(xí)項(xiàng)目也是不錯的選擇。總之，有意識地加強(qiáng)一下自己機(jī)器學(xué)習(xí)實(shí)踐方面的背景吧。

另外，并行計(jì)算、分布式系統(tǒng)也在算法工程師的技能樹里面。如果你有時間也可以學(xué)一下spark之類的，比較推薦伯克利的一門課。

參考SS Wang的知乎回答零基礎(chǔ)自學(xué)如何成為合格的數(shù)據(jù)挖掘工程師？ - 數(shù)據(jù)分析：

1. BerkeleyX: CS190.1x Scalable Machine Learning CS190.1x Course Info

這門課是伯克利開的，教機(jī)器學(xué)習(xí)基礎(chǔ)、Python Spark實(shí)現(xiàn)。我很懂機(jī)器學(xué)習(xí)，但不懂spark和python，花了1周多時間看完視頻、做完作業(yè)。如果沒機(jī)器學(xué)習(xí)基礎(chǔ)的話幾周應(yīng)該夠了。學(xué)完了可以用spark處理大數(shù)據(jù)，做分類、推薦系統(tǒng)。

這門課包含了機(jī)器學(xué)習(xí)基礎(chǔ)，python spark實(shí)現(xiàn)。學(xué)這門課的時候記得做作業(yè)。

(2)想轉(zhuǎn)機(jī)器學(xué)習(xí)是因?yàn)橛X得開發(fā)崗位沒有算法有意思，覺得搞算法更容易比寫代碼創(chuàng)新，也更接近與科研性質(zhì)。這樣的想法(針對阿里或者騰訊)是否正確？

我覺得并不正確。以我所見的情況，阿里、騰訊的算法工程師一般不會涉及到算法創(chuàng)新；這部分工作可能會專門挖名校PhD甚至名校教授來做。MSRA、百度IDL這種地方倒是挺接近科研性質(zhì)的；但我阿里實(shí)習(xí)期間的見聞，算法工程師做的還是工程，并非科研。

而且雖然你的title是算法工程師，但并非你就只做和算法相關(guān)的事。本質(zhì)上，算法工程師也是一塊哪里需要往哪里搬的磚。如果你的項(xiàng)目組需要你干別的活，你當(dāng)然也要承擔(dān)起別的和算法完全無關(guān)的工作。比如我實(shí)習(xí)期間，因?yàn)槲业闹鞴芟敕治鰟e的網(wǎng)站的數(shù)據(jù)，就讓我去干了一些爬蟲的活。有一段時間我天天都是忙著從別的網(wǎng)站爬數(shù)據(jù)。

所以，不要太介意“算法工程師”“數(shù)據(jù)科學(xué)家”之類的title，對于應(yīng)屆生來說能干活才是硬道理。

(3)在各位大牛周圍是否有人從寫代碼轉(zhuǎn)到過算法崗，有沒有經(jīng)驗(yàn)可以告訴我

有，而且還不少。我當(dāng)時的那個組是阿里某個部門的算法組，里面的大多數(shù)人title都是算法工程師。但不少人都是從開發(fā)崗轉(zhuǎn)過來的；畢竟幾年前， 機(jī)器學(xué)習(xí)還并不是很火。

另外，就我觀察到我的同學(xué)找工作情況，研究生期間并沒有什么機(jī)器學(xué)習(xí)方面的項(xiàng)目背景，但拿到BAT算法崗的例子也是不少的。

總之，其實(shí)本科生/研究生去公司做機(jī)器學(xué)習(xí)，和PhD去企業(yè)做機(jī)器學(xué)習(xí)，是不同的概念。

那些發(fā)了很多頂會甚至已經(jīng)做出有影響力的成果的PhD（比如 @田淵棟@賈揚(yáng)清@Naiyan Wang@Filestorm 等等），他們?nèi)ス咀鰴C(jī)器學(xué)習(xí)是做research scientist. 他們做的工作，和本科/碩士生做的算法工程師，并不是同一回事。

更新：

賈揚(yáng)清大牛在評論里補(bǔ)充了一些看法。我覺得很值得參考，所以把這一段搬到我的回答里：

其實(shí)算法崗和開發(fā)崗的區(qū)別并不很大，比如說我現(xiàn)在負(fù)責(zé)開發(fā)Facebook的人工智能底層平臺，并不是單純的research就可以，同時也需要保證開發(fā)的系統(tǒng)可以在百億級別的數(shù)據(jù)上進(jìn)行快速深度學(xué)習(xí)的訓(xùn)練，這個沒有系統(tǒng)開發(fā)的支持是很難做到的。我們現(xiàn)在招人，都會注意開發(fā)產(chǎn)品級別的代碼的能力，所以很大程度上應(yīng)該是算法和代碼能力并重，甚至一定程度上代碼能力比算法能力更重要。

?

以下是我個人的建議，歡迎閱讀，同意請贊

算法崗位其實(shí)在很多公司做的事情的確并不是純研究的算法優(yōu)化工作，的確有很多工程問題需要解決，以至于很多算法工程師還花大力氣做了很多數(shù)據(jù)清洗的工作或者標(biāo)注的工作，所以咱們要認(rèn)清自己的實(shí)力，到底是個什么level心里要有數(shù)，或者高精尖的研究部門在你沒畢業(yè)就已經(jīng)盯上了你，否則只能說你的層面可能還沒到。所以，不要覺得非要算法崗位，我一定要研究新框架，新算法，新模型。真喜歡人工智能，我們也可以在AI這個領(lǐng)域圈子干活，開發(fā)也是這個圈子，而且開發(fā)轉(zhuǎn)算法也是可能的，只要是這個圈子機(jī)會還多的是。

第二個建議，要找算法崗位我們不一定要只盯著互聯(lián)網(wǎng)，不妨把我們的目光放到工業(yè)領(lǐng)域，制造領(lǐng)域，實(shí)體經(jīng)濟(jì)中。雖然這些行業(yè)可能并沒有互聯(lián)網(wǎng)高大上，但是這些領(lǐng)域里面有著非常多的機(jī)會，非常可觀的經(jīng)濟(jì)效益。而且也是很少被關(guān)注到的，就拿我了解的工業(yè)質(zhì)檢這塊，就是一個非常難啃但又是經(jīng)濟(jì)效益巨大的痛點(diǎn)。所以，眼界打開一點(diǎn)，別瞧不起一些工廠，說不定互聯(lián)網(wǎng)的紅利就會轉(zhuǎn)移到制造業(yè)中來。

別的不再多說，希望每個努力的朋友，或者希望用AI改變世界的朋友如愿以償。

歡迎添加我的二維碼一起交流

總結(jié)

以上是生活随笔為你收集整理的【思考】AI太热门，博士也不好找工作了吗，我是这样思考的的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。