五年来，美国和德国的学术界一直在进行研究
德国工业已经捕鱼三年了。谈谈我的拙见（it、人工智能）
1、 工程能力和数据对行业的重要性
当你进入到工业界会发现
原来世界500强公司的机器学习团队
也大都只是Git clone市面上开源的代码
调整一些参数/用自己的数据集训练
有那么几个复现能力强的算法工程师
足矣。。
不同深度学习模型在大数据燃料的驱动下
差别几乎可以忽略
相反
学术界take for granted的 数据集
才是工业界的命脉
得数据者得天下
对于互联网公司更是如此
标注一张语义分割图片需要1个小时
相比花里胡哨的深度学习模型
业界更需要
海量大数据收集/管理/读取/active learning的能力
把算法工程(产品)化的能力
算法写进板子的能力
软件开发和迭代的能力
以及ppt和有效沟通的能力
二、 产品才是业界的核心
如果说学术界KPI是顶刊和引用数
那么业界的KPI便是尽量提升用户数和满意度
企业最终卖的是产品和解决方案
而算法只是其中很小的一部分
并且对于大多数中小企业来讲
是很微不足道的部分
而大头都是软件开发相关
什么前端、后端、、美工、产品经理
–这也是作为数学建模、算法出身的我最近几年才认识到的“残酷”现实
开发才是业界的刚需！
设想一个做导航软件的小公司
导航软件里最核心的算法便是
@运筹OR帷幄 最经典的最短路径算法
但作为用户
你最关心的导航软件一定是它的UI（用户操作界面）
以及支持的功能（例如是否有限速提醒、探头提醒等）
还有数据库（是否导航中的信息足够详尽和精确）
算法部分只要够用就行
作为用户
你会不会打开俩个导航软件
对比哪个软件的线路更短、用时更快？
比如搜索一段路径
百度地图给出的路径长53.5公里、用时52分钟
而腾讯地图给出的路径长53.7公里、用时56分钟
而作为用户的你
是因为这多出来的0.2公里和4分钟
才选择的百度而不是腾讯么？
因此（中小）公司宁愿选择砸钱雇很多前端（UI、美工设计师）
也不愿花钱雇第二个运筹学算法工程师
三、为别人打工 VS 为自己打工
学术界即使博士后、青椒
毕竟发的文章署名是自己的
多半还是在为自己打工
因此即使007也心甘情愿
然而残酷的事实是学术界卷得厉害
007也不一定能换来终身教职
并且还得饱受清贫之苦
为了所谓的学术理想是否值得
是需要深思的
工业界就不一样的
国内996大厂好歹有加班补贴
作为码农按时计费
超一小时就要算上一小时的钱
或者绩效那边补上（奖金）
欧洲这边则是965每周工作40小时
到点下班、加班一小时都不可能
感激博士毕业求职季把我拒掉的两个博后岗位
让我提前脱离“苦海”，提前“上岸”
成为了快乐的德国“摸鱼”人
六分教育、四分科普、聚焦硕博
欢迎关注我的视频：