作者 | 悦涯

https://www.zhihu.com/question/476541860/answer/2075471056

坐标达摩院，校招入职一年内，跑路中，讲讲亲身体验。注：只针对达摩院deep learning算法相关，其他方向不了解也不妄加评论。

整个部门（P9及以下）的重心基本在业务/PR上，直白点说，要么你能提升业务场景的效果，比如搜推广，要么能做出“有影响力”的工作，这里的影响力不是以“多大程度推动技术发展”为评价指标的，而是以“能否向公众/上级吹牛逼”为标准。

分开来说，业务上就如同很多人讲的，像“高级外包”，给业务部门打工，甚至想完全挤掉原有业务部门，然后就要引发很多糟心事，比如业务部门不配合（来抢活的谁配合呀）。但是deep learning在业务上的应用（主要指搜推广）也已经推到瓶颈了，大家都在千分位上寻找提升，比如在CTR预估里，18年的DIN和21年的最新模型差距并不太大，更多的是比谁把数据处理干净了。以至于频繁出现一种怪相，既然场景提升不上去了，那我们可以来“改造场景”，把产品形态换一换，指标不就从新开始做了，又能水一年。

以我的观察来看，很强的算法工程师和水平一般的算法工程师，做出来的东西差不了太多。也就是说，且不提搜推广业务本身没有产生那么大的普世价值，光业务本身就已经陷入瓶颈了。最近听到一个非常搞的说法，说是要做更可控，规则化的算法，换句话说就是在搜推广中加更多的硬规则，可能上面对DL的进展感到不耐烦了吧。

研究层面来讲，发论文主要靠实习生，正式员工基本不发论文，采取的模式是科研能力强的一些正式员工分出一部分精力和实习生合作，产出paper。在实习阶段我也在当前组搞了篇ICML，但给我的感觉是，他们更关注于你研究的东西能不能直接用于业务中，如果不能，就会劝你更靠向业务，说法就是“在阿里的大场景中验证业务价值”，但众所周知，一旦研究的东西过于业务导向，它的适用范围会很窄，且受到复杂的业务场景限制，像是“带着镣铐跳舞”。

最后来讲讲PR，其实很多老板关心的不是你做的研究的质量，而是其中的“故事性”，能不能对外PR或者写在汇报PPT上，这很大程度也是因为科研成果其实是很难评价的，很多优秀研究都要拉长时间维度看，能在短期内产生更大声势的研究肯定更受追捧。

总结来看，达摩院处在一个非常尴尬的位置，说是要“顶天立地”，结果两端不沾，要做业务干脆就像字节一样拆入业务部门，要做研究就不要“自负盈亏”了。达摩院三周年大会的时候，特地强调了不会自负盈亏，要“养着”达摩院。是的，不会裁掉，只是绩效不好看罢了[狗头]。

但有一说一，其实现在各大厂的AI Lab现状是符合预期的，因为它们设立本身，是基于deep learning能带来“突破性的生产力”，能“快速地变现”，而不是基于远期的愿景。但实际上，最近几年，我们看到了DL的落地，但也似乎看到了DL的上限，不仅无法迈向通用人工智能，也没有展现出诱人的“业务想象力”。

不出意外，工业界搞研究会越来越艰难，但更悲观的是，在工业界搞DL的业务也会越来越艰难，同时也越来越卷，那一批17/18年追热点进来的博士甚至还没毕业呐[狗头]。至于把AI推向更多实体企业（比如制造业），也许要等到算法工程师没有那么高溢价的一天吧。我想也快了。

多说一句，其实本人所在的组，不管是人员科研能力，工程能力，计算资源都处在比较高的水准，团队氛围上也比较纯粹，很少勾心斗角，甚至我主管本人相当有学术抱负，想做点真正能推动技术发展的工作。但正因为如此，我意识到这不是一个组或者一个大团队的问题，而是工业界很多AI研究院的结构性问题，不仅仅止于阿里。

- END -

大规模搜索+预训练，百度是如何落地的？

2021-08-17

万物皆可Graph | 当推荐系统遇上图神经网络（三）

2021-08-16

百度提前批算法工程师面筋！效率有、高

2021-08-09

YYDS！一个针对中文的预训练模型

2021-08-06