来源：https://www.zhihu.com/question/316135639

编辑：深度学习与计算机视觉

声明：仅做学术分享，侵删

每年 AI 的 PhD 申请人都在增多，现在不光 CS 这样，连 ECE 都有大量顶会一作的申请人。现在的 AI 岗位在变少，而转行 AI 的人不断增多，未来几年会不会出现「毕业即失业」的现象？

作者：SIY.Z
https://www.zhihu.com/question/316135639/answer/626310136

今年刚渡过了 CS PhD 的申请狂潮（本人是14级的学生），顺便回答一下吧。

我在中国科大计算机本科期间，学生工作做的很多，认得不少13，14，15，16，17届的学生（包括少年班和物理学院），了解一些他们的一些想法。中国科大是PhD申请大户之一，因此申请倾向和数据都还算可以参考的风向标；此外计算机和信息学院本身没有特别偏重AI，因此相关的改变就直接反应了AI这几年发展带来的冲击力。13届学生是第一批开始感受到AI发展带来影响的学生，不过当时由于大数据、VR、IoT这些宣传得还挺火，13届申请方向还是挺多样性的，并没有出现全员AI的情况。到了14级，AI开始成为比较热门的方向，这在各种场合都有反映，港中文到我们这里宣传的时候也特地请了MMLab的教授（特别是科大校友），MSRA招联培生的宣讲中也越来越多的谈及Deep learning。这些很大程度上是因为14年deep learning完成了很多里程碑式的事件。

不过由于科大课程设置和科研团队没有特别偏AI，导致申请AI方向的人没有预想的多。15级学生已经完全感受到了AI的冲击，几乎每个学生都知道deep learning或者相关的学术词汇，我们编译原理的老师曾经吐槽说“15级没有一个做system的了，都想搞AI”；不过到了申请季，大家都意识到AI方向竞争过于激烈，科大学生多数又不愿申请排名50开外的学校，大家反而选择避开AI的锋芒，而事实证明这个选择是理智的，今年申请AI方向确实竞争过度，而且就算不申请AI方向，CS PhD申请也够受了。2018年，科大又搞了人工智能试点学院以及大数据学院，不少学生（16级）因为当时热门就选了这个方向，现在因为发现这个方向竞争过度激烈而感到焦虑，我很担心学生间发生内卷。这些现象表明AI热潮来得如此之快，以至于大家还没有准备就已经饱和了，至少是CS PhD申请上是如此。

另外我还要谈谈在北京一家人工智能公司的经历。我在那里认得不少学生，相当大一部分来自清北，上交和华科（很多北京本科生来兼职以获取人工智能经验）。实习的一段时间内，我强烈地感受到novelty（创意，新颖性）和work（有效性）之间的矛盾。学术领域非常看中novelty，而deep learning又很容易挖坑出novelty，这也导致相当容易发论文。然而公司在试图把这些novelty用到实际中的时候，却发现几乎很难在实际中有成效。真正有效的是数据量，数据的清洁度，以及deep learning中非常少的大家都熟知的一些算法，以及满足这些算法和数据的系统平台。这是deep learning非常尴尬的一点，这也迫使很多人最终变成调参工程师。然而即便如此，大家还是愿意使用deep learning，很大一部分原因是有的时候它的实际效果确实好，而且虽然要调参，但是大家总是能够在会议发表之前调好参数，相比之下你可能无论如何调整SVM的kernel也达不到CNN的效果。另外一个常见的误解是deep learning就意味着高算力，这个不算完全正确。msra参加过ImageNet多年的成员透露说，当年的经典算法最后输了甚至很多是因为没有跑完，毕竟很多经典算法不做近似的情况下需要对整个ImageNet进行SVD，即使当今的算力也远远达不到。而进行mini-batch和分布式训练的时候，deep learning方法体现出了巨大的优势，既是算力/资源上的（想想你显卡的内存才多大，数据又有多大）也是结果上的，甚至过大的batch对deep learning反而不利。deep learning的这些奇怪性质让公司和学术界又爱又恨，既让大量的人投入研究，又觉得万一是死路一条心里一寒。

再谈谈就业的情况。这里特别说一下美国加州，因为我去访问过所以特别了解，而且我感觉国内AI圈的就业环境也在渐渐步加州地区的后尘。相比CS PhD而言，CS Master其实焦虑得多，首先是PhD数量远远少于Master（比如加州大学系统公开数据中Master数量大约是PhD的10倍）。我去参观USC的时候（对于科大而言是 CS Master 著名保底校），得到了很多非常有趣的反馈。比如他们的deep learning课程评分非常低，上课效果极差，作业难以批改，助教很少反馈，大作业非常随便，评分非常玄学，很多人都不来上课，而且即使他们来了教室门外走廊也可能站不下，但是选课的waiting list最多竟达到了大几百人，选课的主体几乎包含学校所有学院的学生（包括一些怎么也不相干的方向）。大家为什么选课呢？就是为了简历上写一句“我学过deep learning，因此我觉得我可以申请AI方向的工作”。

这个现象让部分USC的 CS Master非常焦虑。由此可见AI造成巨大危机的一点是其入门门槛实在是太低了，各个领域都想分一杯羹，使得其在应用领域迅速脱离CS的指导，日益玄学化和调参化，这样一但出现致命的问题，CS界的人也没有办法救回它。而且另外一个严重问题是大量CS外的人的涌入导致工程质量遭到了很大挑战，某USC的同学向我哭诉其同组同学竟然完全不懂OOP就写大工程，最后abcd满天飞，现在出了bug要调整结构快把人逼疯了。最终AI到实际应用还是一个工程问题，然而现在硅谷充满了刷deep learning课和leetcode然后直接到公司的情况，这让AI的落地和就业模式充满了不确定因素，就怕出现重大事故城门失火殃及池鱼，最后大家不信任AI直接导致AI的研究投资断裂，进入寒冬。有趣的事，USC的Web课评价要高很多，竞争也少的多，而且上的大多是CS Master，通过了解其中不少人在赌下面AI会先在招工作方面凉凉。滑稽的是，他们不久前才收到USC本科某课程的教务通知，本科有个课程waiting list才十几，讲师就抱怨“TOOOOO LONG”了。

然而让我现在放弃AI是不可能的，因为按照行话来说，现在这里“low-hanging fruits”太多了，太多有趣的问题没有解决了，作为真的想要做研究的人很难说服自己放弃这个领域。这好像20世纪初的量子论一样，把p=hv倒一下都可能拿一个诺奖。量子论的研究高峰经历了数十年，彻底改变了人们对基础理论的认知，虽然很多相关工具（泊松括号，哈密顿量，对易子，线性代数）很多年前就被人研究过了。而深度学习为代表的从2012年以来才过了7年而已，谁都不知道未来50年会怎么样。AI的风险很多在于它太接近应用，导致人们常常高估近期的成果，而低估长久的发展。作为CS PhD而言，其实不希望这个领域过于热门的，这个虽然会带来很多资金，但是也造成了很多风险。然而现在火了是事实，所以更重要的是想好下面的大方向是什么。个人赌的是AI-system，这也是UW（TQ Chen等）和UCB（RISELab + BAIR）今年新有的方向（可能之前也有，但是我没有听说过）。当然了，看申请情况，考虑到这点的似乎不是我一个人，AI-sys的pool推测竞争异常激烈，初筛后剩下的人中录取率应该不足5%（仅仅是周边了解推测，我没有委员会的数据）。此外，尽量做自己喜欢的方向吧，我曾经差点和我的同学一起申请清华的HPC方向去了，这个领域一直不温不火，但是一想到一些很有趣的没有做的事情，心里还是很高兴的，从来无需担心这个领域的起起伏伏。

PS：本文其实也间接提示AI-system也非常可能是一个PhD申请的“刚发展就饱和”的领域，现在我也不得不承认CS PhD申请是有点内卷了（体现在你刚想到一个方向时发现别人也就都想到了）。

PS: PS: 此外，不管哪个领域，都可以在上升期做科研，在平稳期做业务，在饱和期做教育，显然Andrew Ng是个明白人。

作者：zibuyu9
https://www.zhihu.com/question/316135639/answer/627775340

这次AI浪潮虽然不乏蹭热点吹牛皮的成分，不过从人脸识别技术在安防等场景的应用，知识图谱在搜索引擎等场景的应用，对话系统在智能音箱等场景的应用，再到金融、教育、法律、医疗等垂直领域的特定智能技术需求，总体说还是比较接地气。计算机应用的总体趋势也的确需要实现从信息化、自动化到智能化的升级。

AI短短几十年的发展历史，已经至少经历过两次低谷，原因都是对技术趋势和商业模式的盲目乐观。虽然有高潮有低谷，但总体AI还是在不断发展壮大。2000年互联网也经历过一次泡沫破灭，此后就越走越稳，现在的几家互联网巨头，大都是当年在互联网寒冬坚持下来的，挤泡沫也许还是健康发展的必要过程。

AI与大部分行业类似，总会有高潮低谷，风水轮流转，热门总会在不同行业间轮转。不同的是，我个人看好AI的长远未来，它代表着计算机应用方向的最高目标，把人类从机械重复劳动中解放出来，让人们从事真正符合人类智能水平的工作。朝着这个目标，已经诞生了搜索引擎、语音助手、机器翻译、个性推荐等影响深远的应用，而AI未来的路还很长很远。

也许是理工科出身的缘故，遇到问题总会先去想有什么可行的解决方案，而不是有什么评价或看法。我总觉得，对于人类社会这个复杂系统，我们很难预测5年后会发生什么。如果我们无法预测未来做出最佳决策，唯一能做的就是认定目标坚持下去。这时候，无论泡沫破裂还是寒冬来临，也许只是对你能否坚持目标的一种考验。

回到这个问题，扎堆申请也是人类社会随大流特点的表现，好处是能为AI积累更多优秀人才。如果泡沫破裂了，被挤掉的也是那些并不真正喜欢AI的投机分子，我猜。

作者：匿名用户
https://www.zhihu.com/question/316135639/answer/627236164

大家都在说AI泡沫的危机，我来说点正面的“如何看待”，至少是中国的情况。

作为非AI的cs phd最后一年，本科时候知道AI从冷门到兴起，并且现在关注国内cs教学和科研，我觉得很多学生不是因为追捧热门去学AI的，想说一些我感受到的客观原因。

为什么PhD申请AI热门？因为现在大多数本科生能申请AI。

大概十年前我本科的时候，“人工智能”还是大四的课，而且被大家认为是一门比较难的课，因为“它要用到很多的高数和线代”。其实那门课的内容也没有超过Andrew Ng的公开课的内容，但是在当时“cs＝编程＝软件”的氛围下，除了少数想做学术的同学，普遍流行的是多找SDE的实习，计划以后做软件工程师。在这种氛围下，cs大多数人大一上完数分和线代就打算忘了，于是在一堆写代码大作业的专业课中，一门还要用到高数和线代的专业课，当然被大家认为是难的课。（不归因于学生太差）。而现在，人工智能课或实践项目成了许多学校大二甚至大一的内容，现在我本科的学校甚至有AI实践项目作为大一程序设计课大作业的现象。这么多人做AI，也终于有这么多不是打算学术的学生本科毕业还能用矩阵写个公式了（笑）。

在近10年的时间里，中国范围内开始聚集（和回国）一些AI方面做的不错的老师，mmlab的某位大佬及其学生是其中的代表，各个top学校也有一些AI的老师陆续回国。而且学生也出现了一部分靠自己做到领先的创业公司。在他们最开始探索的时候，不是资本刺激出来的。oi党都有不少同学参与了这些现在出名的公司的初创，当时就在同学之间也有觉得他们不可能成功的。在deep learning还没兴起的时候，也有同学加入mmlab的科研，但是也在deep learning还没兴起的时候就退出了。我本科期间是“读博士无用”的观点非常强烈的时候，学校经常都有前辈呼吁大家不要读博士，因为博士研究的多数都没用。

而现在，这一批老师及这一批公司，开始让大家知道了AI是什么、为什么学、怎么学。至少“科研”真的跟业界有那么一点联系了，学生终于认为微积分和线代对cs有用了，PhD也真的可以有用了。

然后呢，就去申请AI PhD了。

于是就是另一方面了，大家都说的泡沫问题，但我也有一些不同的角度。

为什么PhD申请AI太热门？因为大多数本科生现在只能申请AI。

我接触一些今年刚上大一的学生，发现他们也对研究AI感兴趣，而且不是出于就业的原因。分析了一下原因，其实是他们觉得这样的内容他们能做，他们觉得有意义。由于上面说的这批老师的努力，使得进入AI研究成了一件不那么难的事，首先本科新生容易了解到AI研究的问题，而如果想做AI，有老师带，有好的公司实习，周围有community讨论（比如知乎上这个问题），这自然是一件令人感兴趣的事。再加上业界的PR，给AI塑造了一种情怀在里面，现在的本科生都知道deep learning理论的解释是伟大的工作，而不是像以前cs学生一样喜欢拿P=?NP问题装逼了（笑）。

但是，cs里能有这么多、这么广资源的方向，在中国基本只有AI，这就是说的“只能申请AI”。有的方向连本科课程都不很普及，怎么让学生感兴趣呢？读PhD之后我觉得密码学也很有意思，但是我本科的时候根本不了解，也没有很多知识知道那是什么，所以没考虑。有时候你想做的别的方向，老师都在划水（都不是水paper那种划水，而是老师做的科研水平都到不了国际学术层面），可能老师自己的科研主要都发XX学报这样的中文刊物（不代表一定不厉害，只能说不符合想出国的学生的需求），甚至有的方向学校根本就没有老师做。而AI，至少在某些角度，中国是比较接近国际顶尖水平的。一边是本科能体验研究和改进国际最新的结果，可能能发两三篇cvpr、iccv参加国际会议交流，看到这个领域的新技术在一个一个应用到现实中，一边可能做了两年也不知道做的有什么用，也可能没有论文，哪种方向更容易让学生感兴趣？而且竞争的焦虑增加了这种倾向：你如果没有paper，比起手握一堆paper的同学，感觉自己申请学校就会低一两个档次（虽然其实未必，但是这种焦虑难以避免）。由于本科做的是AI科研经历也是，自然申请的时候也申请AI方向了。

这样下来，AI作为中国多数本科生能接触到的、资源多的、容易跟进国际科研的方向，自然成了大家容易选择的方向，而如此热门，是因为并没有多少同等资源的方向可以选择。

当然，这几个AI的条件，包括普及认知、师资、业界环境，也是资本带来的，只不过我认为大多数学生并不是因为好找工作赚钱而申AI PhD，他们还是个人兴趣选择的（当然，从上面的分析，兴趣也可能因为资本的影响而容易产生。。）。

AI热门，是因为很多学生可以选择AI；AI太热门，是因为很多学生只能选择AI。

当然过于热门会有风险，我也觉得泡沫风险很高，但目前为止，AI给中国广大cs本科学生带来了了解到科研和数理基础的重要性，带来了体验跟进世界领先的科研的机会，甚至说能看到学习科学带来的用处、计算机科学不只是开发软件，这大概也是正面意义。

作者：李天宇
https://www.zhihu.com/question/316135639/answer/624809040

泡沫破裂的可能性其实挺大的。

首先要明确的是现在大家看到的AI热潮几乎毫无疑问地将要深刻改变人类社会的生产方式。由这一轮技术突破带来的影响正在辐射到各行各业。泡沫破裂不是因为AI是骗局，而是因为投资过于倾斜又过于乐观导致回报可能低于预期。具体说来这轮突破的动力其实并不一定是调参，而是调参背后数据采集，数据清洁，数据处理，数据存储乃至硬件等一系列的突破。许多业内人士应该很清楚：

1. 更好的算法不一定能够好过更多的数据

2. 更多的调参不一定能够好过高质量的数据

3. 高效采集（或者生成），处理高质量，高容量的数据的能力对AI来说比调参和新算法重要

现在的热潮吸引了一波调参算法方向的申请者，然而每个调参的人背后，需要整个数据处理链条上理解AI系统需求的其他（系统，硬件，HCI等等）人来搭建整个链条。

虽然AI的红利分摊到了链条上的每一个步骤，大众媒体的宣传仅限于冰山一角的算法岗。很多没什么技术背景的资本和申请者就纷纷涌向了这一部分。所以现在的问题就是这些没有得到大量投资的其他领域能不能依然培养出足够的人才来支持这一波调参的人发挥价值。不能的话，泡沫就破裂了。

至于具体到PhD申请，那多出来的人也没什么影响，给别人做分母而已。无非多到最后逼学校看本科院校三围自动刷一轮而已，惨的是申请者，不是学校和已经上车的人。大量顶会一作的情况是不会持久的，因为大家习惯以后今后几年发文章门槛会变高的。Deep Learning这一波大家还在摸索什么样的文章是真的有创新贡献，而什么样的文章只是照猫画虎在灌水。大家且灌且珍惜啊。

顺带提一下，这一轮AI的热潮对国内的学生的影响远大于对美国本科学生的影响。总结一下原因就是国内的CS研究其实还是严重瘸腿的。理论，系统这类传统方向由于历史原因跟得上前沿的研究组相对还是少，消化不掉这么多有意向申请的人。ML这种最近的新领域国内水平高很多。两方面造成大量的学生往热门方向扎堆碰运气

从今年四大的录取来看现在AI相关领域似乎很需要大量其他背景的人才，比如AI-sys, ML theory等。这些细分领域门槛很高，都需要申请者在多个领域有很深的造诣，所以能搞的人也不多，水平够的话申请百发百中。。。

作者：和月九
https://www.zhihu.com/question/316135639/answer/932593663

据我观察，有很多不好的信号，比如说公司实习生招的多工资给的非常高，甚至高过full-time，问他们招不招full-time反而都说没有位置了。今年都这样了，再过几年市场不就饱和了，我不太懂这方面但是前几年都已经扎堆了，这些人这几年马上也就毕业了。

AI方向，尤其偏向应用的会议的论文我觉得确实稂莠不齐，一方面投稿量井喷上升，reviewer也不怎么认真，看过一些paper都纷纷留坑，反正风气不好。为了发paper而发，强行制造“问题”也要发。pytorch这些开源以后，感觉门槛都降低了。2015年dl刚火的时候，为了学习神经网络，我学了graphical models，贝叶斯网络，波兹曼机，最后才学的lstm这些东西，入门入了好久；现在的话，你看一遍pytorch的教程大概也算“入门”？然后跑出来个什么东西改一改layer也能发paper了？恕我直言，我感觉那些做engineer的同学都可厉害了，算法题666，我们这些博士生每天当掉包侠烧GPU我不知道我们还能干点啥.

作者：匿名用户
https://www.zhihu.com/question/316135639/answer/624905014

不用担心phd，phd在哪都是稀有动物。倒是硕士生可以担心一下。其实硕士生也不用担心，开发岗一投，就完事了。别老想着做AI赚大钱就好，要恰饭的嘛，会撸码就行。

说回phd，据我观察，phd招的还是少，在国内可能好养一点，在国外养phd还是贵。而且phd在入学后，会逐渐消失。转硕士的转硕士，退学的退学，转校的转校，跳楼的跳楼。真的出现在社会上的phd，数量很少。而且phd有五六年时间可以转变课题，入学时候是深度学习的phd，结果读博最后两年遗传算法又火起来了，于是赶紧光速水一篇基于深度学习的遗传算法，往简历上一挂，摇身一变遗传算法专家，找工作去了。放心，只要不死，总能赖活着。

来自一个博四的佛系学生

作者：夏娜酱的菠萝包
https://www.zhihu.com/question/316135639/answer/626692196

在可见的十年未来，技术角度AI方向的PhD都是抢手货。但是必须承认的是，尽管离泡沫还有时日，有些历史的进程不得不要注意下 :。

一个典型的学科泡沫是这么发生的: 概念火热→行业缺人→教育扩招→人才饱和→毕业失业。

对比曾经的21世纪学科生化环材，造成AI方向欣欣向荣的原因是: 行业扩张速度远远大于高校培养的速度。这种差别红利得益于三个因素:

(1)资本活跃，行业扩张迅速，前沿全部部署在industry中。

(2)教师队伍/硬件设施建设还未完全，教育扩张能力有限。毕竟人才与经费的大头都集中在业界，导致学校扩招的步伐相对缓慢。君不见生化环材啥三本都有，但是AI课程却只有顶尖学校才开设。这是因为目前高校拿的资源有限而且集中。

(3)在AI界的柯尔莫哥洛夫出现之前，这行就是大力出奇迹的劳动密集型产业。规模效应还在，流水线上的纺织工总之越多越好。

如果把AI比喻成一把火，上面就是三桶水。每倒一桶就冷一点，直到最终泡沫破灭。第一桶和第二桶已经在蓄水了。万一哪天不幸倒了下来，倒霉的顺序是这样的:

(1)资本风潮过了，撤资的撤资，倒闭的倒闭 。这是最迫切的威胁，可能三五年内就会发生。到时候最先倒霉的是我们这些转行骗吃骗喝的新人。一没工作经验二没相关知识，不裁你裁谁。所以转行的同学要有危机感，好日子可能要到头了。后路要备好，千万不要傻傻地往火坑里跳。

(2)高校扩张往往落后行业周期。一旦行业进入收缩周期，而高校仍在扩张，那第二批倒霉的就是AI方向的量产型本硕们。到时面临找不到工作的生死问题，内卷化就会相当严重。为了争夺有限的PhD名额与职位，大家肯定头破血流。

但是当前我并不同意PhD申请已经开始内卷化的论断。毕竟第二桶水离满还远着，没有申上的人依然可以找到好工作。而且现在前沿都在业界，Master出来干几年甚至会好于同期PhD。大家都申请并不是因为万不得已，纯粹方向火＋名额有限而已。跟内耗毫不搭边。所以今年的申请者还是幸运的，申不上也不用太气馁，但是要有危机意识。既然迟早内卷，抓紧机会上车才是王道。

(3)AI PhD是幸运的，因为即使前面两桶水浇了下来，凭借着自身的稀缺性依然能够明哲保身。但价值肯定一落千丈，回归"应届生"水平上。PhD们真正要害怕的是第三桶水，柯尔莫哥洛夫的出现 (P = \epsilon > 0)

柯尔莫哥洛夫们的可怕之处在于: 一旦哪天炼丹魔法公理化了，大家知道哪些可以做哪些不好做了。这行业就不再是劳动密集型了。AI彻底祛魅，公交车变小轿车了，上车的也会被赶下来。所以你们要随时准备好暗杀业界大佬，遏制公理化苗头，否则就是自取毁灭(x

最后总结一下就是，今年申请，已经上车暂时不用担心，做好灌水科研。没申到的不用气馁，抓紧上车关门踢人。外人就不要凑热闹，谨慎往坑里跳。而忽悠幼儿园小孩现在学AI的，建议转行学习21世纪的科学。

你要是了解EE，就知道AI没有什么所谓的泡沫，EE里的分支无数，但在我们真正科班出身的EEer看来，无非是四种工作：写软件信号处理、写FPGA信号处理、天线设计、IC设计。

但你随便打开我国电子类高校的网页，看一看他们的EE学院里有多少乱七八糟的专业，就知道什么叫泡沫了。

而AI，就是CS的一个大分支，而且是最新的一个分支，但论其火爆程度，还不一定比得上多年前的通信工程。EE从高薪行业，变成夕阳行业，尚且经历了2G、3G、4G、5G的过程，AI这才刚刚开始应用，急什么。。。现在AI火爆，是因为各行各业都有AI化的需要，等AI被充分应用了，自然会有新的热点出现，到时AI才会变成劝退学科。

作者：么西么西
https://www.zhihu.com/question/316135639/answer/636159128

唯一可以确定的，就是CS“以人为本”的时代已经过去了，未来是以数据为本、以GPU和TPU为本的时代，人力只是整个生产线上的一个普通零件。很多公司里的model的参数与其说是设计出来的，不如说是测试出来的，换而言之，你的GPU越多，你的测试结果就越多，你的model就越先进，所以与其给码农发工资，还不如花钱去买数据、买硬件。

作者：Yuanche.Sh
https://www.zhihu.com/question/316135639/answer/626816983

作为一个刚转专业申请上CS PhD AI方向的人来谈谈我的感受：

我申请的方向是NLP，在申请前我把美国actively做NLP的教授列了出来（这里定义做NLP我是看他组里的发表是不是在acl，emnlp，naacl上。是不是很活跃就看最近的发表数量…）

再看看哪些组还招人，有些老板去业界兼职了，有的明确不招人，还有休假去了…

最后剩下的top40的学校总共的选择真的少之又少… 我知道很多人申请还是看学校的，但我当时主要看的是导师，所以在申请时候清晰的知道每个老板的方向和我match的我才申。

每个组一年招1-2个，有的可能还不招人，这一算下来所谓NLP圈内的phd一年也就没几个。按照当时学姐的话就是北美一年nlp的坑就30多个。我自己是没概念，但可能学姐的意思是她看得上的组，加起来坑就30多个。当时的我听到这句话如同晴天霹雳，要知道我看知乎那申请人数不都是1000～2000人扎堆申请AI的么。

很多人说是说申请AI，其实做的只是应用一下神经网络到system上，这个叫交叉，在你申请的时候其实还是system track，面你的也是system的老师，以后混的也是system的圈，你去申请ML的岗位，别人一看你发表的会议就知道你到底是不是AI方向。

所以最后拼刺刀的战场就是NLP，CV，ML三大核心圈+speech（已经被业界碾压）。

工作：有了圈内老板的推荐，在业界找research岗还是有很大优势的。很多时候也不是你paper多就有面试，老板的推荐也很重要。再加上老板的connection，经常会有什么公司的组里缺人发邮件过来招人。当然，以后趋势还是一半research一半产品导向结合起来。泡沫是有，但离爆炸还早。泡沫最大的无人车都没事，最多最后放到半自动驾驶上去。而且dl还有很多领域可以应用上去。

最关键的是CS PhD退出机制总比别的专业好吧，再不济拿个master走人去工作也挺好，这就是把你的下限一步一步往上抬。这一轮AI大爆发，周边非CS系的全挤破头往data science靠拢，各种public policy，social science的学生来上machine learning的课，最后找工作都是说要找data science。ds的泡沫是相当大的，调查下发现ds的需求量少之又少，尤其是神经网络这种在ds方向真的是用不上。你还不如多写点什么推荐系统，异常检测的项目在简历上。

学术：我只能说太有趣了，学的东西老的不过10年前，大部分都是三年内的。这比起我之前读finance的时候看到一篇篇paper用差不多的统计方法对着不同的因素跑regression，那真是 超级开心！过了五六十年了还在用最早的那一套理论。

最让我满意的事如今学的东西通用性很强，没有局限性，你可以到处运用它，这个skill set是可以增强的（coding能力，统计能力等）。换做别的可能五年读下来只是画ppt，吹逼的能力增强了不少。

作者：紫原
https://www.zhihu.com/question/316135639/answer/626848005

大量人申请AI PhD ≠ 大量高质量 AI PhD 毕业并且流入求职市场

事实上是，PhD申请本来就是，听闻offer，十人九fail。其次入学后是否会坚持当前方向做下去，也是很大概率会有变数的。最后，对于非学术圈来说，AI可能是一个方向统称，但是PhD的研究方向具体划分下来，千奇百怪，很多都可以算在AI里面，AI是一个巨大的大类，可以说现在大部分工科都会或多或少涉及并且用到相关的技术。

比如我做的是双线性凸优化问题的求解，遇到ill-posed problem采用NN来做optimizer。然后这个过程中读到16年那篇著名的learning to learn by gradient descent by gradient descent，有些新想法，就结合了一下meta learning和optimization水了一篇准备投个下半年的会。这样子我是不是也可以出去说我是做AI的？然而我其实是个推公式推bound的

所以说怎么去认定市场需要的AI方向 Phd？是熟悉所有主流网络CNN RNN RL GAN，会调参，会做一些基于activation 或者 loss的改变增加novelty，有做过几个project知道怎么落地的人（这是很多国内AI方向 PhD的平均现状）还是有好几篇NIPS ICML IJCAI之类，工作直接是AI方向最前沿的理论创新或者发现，本身并不熟悉（当然要做其实比做理论简单多了）技术落地的大牛？

如果要说泡沫，可以说这两类都很少，大多数人只是xx月速成，学了一下pytorch，知道怎么用成熟的系统搭网络。

毕竟，AI方向PhD要毕业，产量是远远达不到形成泡沫，并且让泡沫破裂的程度。这些工科强校名校入学数量就严格卡死了，毕业时候又不知道有没有80%能全部顺利毕业。

要说泡沫，反而是大量不怎么懂技术，短期速成以为AI可以像学会编程一样迅速掌握的人，短期内快速汇聚在这个频道里发声，形成一种，好像有泡沫的假象。

有很多人说到现在Deep learning，machine learning的落地的技术还不够多，所以不需要那么多AI PhD。其实恰恰相反，全世界都在办 AI 学院，正是市场需要更多的AI 方向的高级人才来推进全方位各行业的AI技术落地。AI对于各个领域的渗透是最强的。别的不说，很多人最眼红的金融，投行，招人时候现在最偏爱的都是CS EE方向做Deep learning的PhD。

顺便插一句，说没有什么落地技术的，去两次KDD听听，那是当前AI技术与实体公司落地结合体现得最好的顶会，去年KDD伦敦最大的会议投资方是滴滴，滴滴的tutorial讲得也很精彩，不同城市的路网用同一个模型做的迁移学习的例子不是什么老技术经典算法（只谈技术不谈那些负面新闻）

所以，有实力，有想法的同学，放心大胆去报AI方向（不限于CS PhD，包括EEE，生物，环境很多大系里面都有大量AI相关或者其实就是做AI的PhD position，多去了解）。特别多说一句生物，国内生化劝退是政治正确，可我在伦敦认识的见到的很多大牛，都一致认为生物是这个世纪的仅次于AI的主力方向。我们EEE系的一位超级大牛，组内80%人就都是做生物方向的，神经电信号相关，也是AI方向定会论文一大把。我在伦敦的好友的丈夫，AIG的director，他们投资的项目80%是生物方向，并且对生物与AI的结合大力支持。

先扯这些，上班调参去了，想到再补

作者：John Coffey
https://www.zhihu.com/question/316135639/answer/624874703

作为一个IT从业人员，AI的外行讲几句。

其实我从几年前就一直对ML领域很感兴趣，但是还是觉得后端技术、分布式算法和系统对我个人来说更有意思一些，就一直在深入学习分布式，没有入坑。

而这两年作为一个外行旁观AI方面从学校一窝蜂开设课程、到学生一窝蜂选课、到外行一窝蜂转行的形势，让我产生了一个猜想：

AI对多数理工科的学生来说，入门门槛可能比前端开发还低。

即使我的猜想是对的，过几年也不会出现你们喜闻乐见的毕业即失业的现象。到时候找不到工作的仍然是根基不牢的天坑转行学生。

至于现在已经进去的一批，除了不知进取的一部分，其他的几年后都已经坐在了自己该坐的位置上。天罚？不存在的。

作者：萧然河汉游
https://www.zhihu.com/question/316135639/answer/637653699

如果CS PhD也“毕业即失业”，那么CS Master呢？

每年产生的Master数量远远多于PhD。因此，如果你仍然打算从事这个领域，那么去追求PhD学位无疑才是一个明智的选择。当然，如果你打算离开AI这个领域就另当别论了。

PhD的价值不仅仅局限在学术训练上，也是一个在某个小方向上建立自己声誉（Reputation）的好机会：在PhD期间获得的所有成果都将与你自己牢牢绑定在一起；而当你进入企业之后，这份声誉可能会更多地落到你的上级身上。

“声誉”是一个非常容易被学生低估的事物。我认为声誉同技能的关系就如同劳动同资本之间的关系：1）当你想要追求更进一步时才会真正意识到其价值，2）越早拥有，它就会带给你更多的收益。

Take-away: 本科和硕士阶段偏重技能层面的训练，而博士阶段提供的将是完全不同的事物。当“供给”“扎堆”的时候，筛选变得更加困难，而在此时“声誉”的重要性才更加得以凸显。如果想要在一个过热的领域发展，一个博士学位在很多场合都会对你大有裨益。

不断更新资源

获取更多精彩

长按二维码扫码关注