丰色 发自 凹非寺
量子位 报道 | 公众号 QbitAI

带着满腔热血读了博，到头却发现自己学术天分不够？

看着别人做顶会收割机，自己却一篇论文都没发？

而且研究不出什么新方法，只能天天搞搞应用？

不知道读博的你是否有这样的烦恼。

Reddit上一位机器学习在读博士可是迷茫得不行，想知道没有学术天分的他该如何完成博士学位。

“搞学术肯定没戏”

这名博士的主要研究方向是计算机视觉和自然语言处理等深度学习技术。

他自称自己不是优等生，实验室也一般般，只发过一些边角期刊没有顶会。

因此学术贡献平庸，没有研究出来什么大的创新点。

做的最多的是一些将现有方法重新用于不同领域的工程，而非研究。

比如将ResNet用于医学成像或用transformer做音乐分类。

而之所以这样是他觉得自己和其他人相比，数学背景太差，别人的论文又读不进去看不懂，连矩阵的秩是什么都讲不清楚，更不用说如何用它。

他深知自己肯定没法在学术领域取得成功，但又觉得自己还算擅长应用，所以以后想直接就业，不搞研究了。

但现阶段，他还是希望能干点成绩，不想只是“我将某个方法应用于某个数据得到了稍微好一点的结果，所以我发布了它”。

所以他想知道如何完成博士学业，做一些并非单纯增量和应用的贡献。

或者周末可以干什么副业？

不是每个博士生都能有出色成果

看到他的真诚提问，不少人表示，我的手已经学会自己发帖子了？

果然，很多在读博士都在苦苦挣扎啊。

有人宽慰道：攻读博士期间自我怀疑很正常。但你要知道，博士期间能作出很出色贡献的人都是凤毛麟角，是例外，大部分人都平平无奇。

因此，不要和别人比较，只和昨天的自己比。数学不好也没事，又不是每个人都是陶哲轩（著名数学家），每个人都要获得过菲尔兹奖。

如果你真的想做出点成就，不要放弃，继续寻找机会（感兴趣的数据、课题和人）。博士学位只是学术生涯的开端。

而且大部分大多数博士生所做的并非提出全新的方法，而是确认或否定其他人的观察结果。因为如果每个人都一直在提出新的东西，谁来验证这些方法到底有没有价值。

另一位博士补充道，确实很多课题做的都是采用现有方法，加以修改以使其适用于另一个数据集的研究。

毕竟就算你提出了一个全新的方法，如果你的实验室地位一般，能不能“广为人知”然后被人研究可用性都难说呢。

另外他认为目前ML的理论没有取得巨大突破，以LSTM和CNN为例，它们都已有超过25年的历史。因此他的观点认为几乎所有研究都是增量，目前大家也只能多在这方面继续耕耘。

并且应该多投投期刊，看看专家对你的研究的拒绝理由也会有启发的。

针对提问者觉得自己数学不好的情况，有人扔了链接，通过看里面的论文、演讲、教程来学习关于ML相关方法的数学知识。

离开学术界进入Industry也挺好

以上就是大家对提问者如何完成博士学位的建议，不知道提问者和大家看了会不会感到轻松一点。

至于以后进入Industry还是留在Academia，很多现身说法的过来人表示：学术工作并不适合所有人，离开它去工业界挺好的。

毕竟那里的工资挺高且竞争力也没有那么强。找一家需要线性回归/随机森林模型、薪水高、工作量低、生活质量高的公司应该很容易。

不少人也都觉得楼主很适合去工业界，因为利用现有技术解决现实世界问题在工业中非常有价值。

“将某个模型应用于某个数据集获得稍微好一点的结果”也正是工业界需要的。

如果你能以稍微新颖的方式应用理论算法，为高频交易、石油勘探、保险风险、癌症检测或不撞车等现实应用产生一个稍好的结果，这对整个行业来说都是一个巨大的胜利！

因此，大家建议这位博士可以毕业以后就去找一份高薪/低工作量的数据科学工作。

然后花空闲时间做一些感兴趣的技术工作并开源/发布。

最后他就能获得比学术界更多的经济和技术回报。

何乐而不为？

并且很多离开学术界的人也都没有后悔，这甚至是他们做过的最好决定。

没有比这更快乐的了。

你怎么看？博士毕业的你选择学术界还是工业界？

参考链接：

https://www.Reddit.com/r/MachineLearning/comments/odkdsv/d_growing_beyond_a_deep_learning_phd/