链接:https://www.zhihu.com/question/332602866

编辑:深度学习与计算机视觉

声明:仅做学术分享,侵删

能源类工科博士在读,正在面临工业界和学术界的抉择,想知道两者的区别,以便提前做好准备。科研状态自我感觉挺舒适,习惯了自由自在,没有太大约束的生活,但是感觉自己做的东西浮在空中,落地会摔粉碎。学术圈目前应该是越来越难了吧,人才多,评职称艰难。隔壁实验室的讲师每天走得比我还晚(一般12点走),所以很想知道工业界又是怎么样一种状态?

作者:RoseofVersailles
https://www.zhihu.com/question/332602866/answer/2147589149

坐标美国,目前在学术界,但是一直有做工业界项目,也和工业界的人有不少交流,并且近期正在谈工业界的职位,希望可以尽快谈妥,脱离学术圈。

我能想到的,工业界和学术界主要有如下区别:

  1. 工业界以资本为导向,作为一个上市公司,做什么大方向要听股东大会以及其任命的CEO的。学术界以政策为导向,作为一所大学,研究什么要听国家基金委员会的。这两者的区别表现出来,一般就是工业的研究偏保守,主要是对现有产品改进。学术界研究很激进,主要探索前人的未知。

  2. 工业界上班,100%的精力都在研发上。学术界上班,至少30%的精力要放在教学和科普活动上。

  3. 至少在美国,学术界上班的工作强度至少是工业界的2倍。工业界基本上早9晚5,一周5天,每年至少再休20天年假。学术界ap的常规操作是早7晚12,一周7天,全年不休。

  4. 至少在美国,同等地位的职位,学术界的薪资最多不到工业界的1/2。比如学术界博后年薪5万,工业界刚入职的博士研究员差不多10-12万。学术界ap年薪8-10万,工业界senior scientist年薪20-40万。学术界full prof年薪18-25万,工业界中/高层管理年薪50万-上不封顶。

  5. 学术界做出最重大研究成果,一般第一时间在arxiv占坑,然后迅速投Nature、Science。工业界做出最重大研究成果,一般会极尽所能进行保密,连专利都不一定去申请,更不会发paper。

  6. 有些时候,学术界和工业界的研究,也是有交叉的。比如学术界也会接DARPA和NASA的活,基本上最后是要出产品的。工业界也会fund一些探索性项目,只要能创新就行,不需要盈利。但总的来讲,这种交叉的情况不会太多。

  7. 学术界做出成果,受益人一般是自己(e.g. 发了paper,拿了funding)。工业界做出成果,直接受益人是股东,至于自己能从中渔利多少,取决于为人处事如何、懂不懂向上司表现,会哭的孩子才有奶吃。总的来说,工业界更适合躺平。

  8. 有的高赞答案说工业界投资更大,设备更强,人手更多,所以做科研更厉害。据我的了解,只有极少数的公司在极少数的领域是这样的,比如量子计算,人工智能。绝大多数领域,比如物理、材料、化学,是非常吃大科研装置的,纵使是全球500强公司,也出不起建造-维护装置的钱。绝大多数领域的科研装置,绝对是学术界更先进、更好。比如球差电镜,光源,中子源,加速器,核磁。一般来讲,公司如有需要,会选择和大学合作,以使用这些科研装置。

  9. 学术界项目失败一般是没事的,而工业界项目失败一般是要有背锅侠的。在学术界的基层人员可以多吹吹牛,而在工业界则应该根据自己能力合理的要任务,一旦past due却实现不了deliverable,是真的会极大影响自己的职业生涯的。

  10. 接上一条,学术界拿了tenure,基本上属于铁饭碗。而工业界经常会出现某个部门业绩不佳,直接砍掉的情况。Tenure也算是对学术界低收入的一个补偿吧。

  11. 学术界更注重开放合作,有时候没publish的idea甚至都会在conference讲。工业界则非常在乎ip,哪个idea是谁提出来的,谁做了什么,都要清清楚楚的记录下来,以防未来有人浑水摸鱼。

  12. 学术界report给谁,这些层级的关系,一般都是过过场面,不会当真(比如某ap,需要report给dean)。工业界report给谁,谁就真的是你的supervisor,一点都马虎不得。总的来讲学术界更多的是“单打独斗”的小作坊。工业界则是等级森严的阶级社会。

  13. 学术界的resume一般是publication和award来说话。工业界的resume一般是project的experience来说话。

  14. 学术界的工作地点有时候会很偏远,比如los alamos,ithaca,college station。工业界的工作地点则集中在几个重点地区,比如bay area,boston,nyc。

作者:知乎用户
https://www.zhihu.com/question/332602866/answer/2145469028

我的背景更偏学术界,我对两边都有了解,我谈一点自己粗浅的看法。我的讨论范围限定在(1)机器学习领域,(2)能力在前10%~50%的正常人,不讨论改变世界的大神。

简单粗暴的结论:

(1)高校的研究能力在工业界很有用,但是高校的成果几乎(99.9%)在工业界都没有用。或许高校的education的作用更大,期望高校做出改变工业界的学术成果不太现实。

(2)工业界的研究院其实属于学术界,本质跟高校区别不大。他们比高校做的东西更有用,但是研究院做的不是核心技术,只是外围、边缘的技术而已。

先说说高校的科研。高校绝大多数的研究都是各种问题的corner case,在公开的数据集上跑几个实验,claim自己是SOTA,发篇论文。但这些东西在工业界用途非常非常小。我举几个例子。

  • 近年来学术界搜索、推荐的论文不少,但在工业界能用的几乎没几个。学术界的做法是“改进模型,在MovieLens等数据集上做个实验,提升几个点,发表论文”。但学术界的成果在工业界几乎都不work。在工业界真正能改进模型效果的方法大多是标注数据、处理数据、调特征、修bug。少数能用的学术成果都是Google等公司发表的。

  • 最近几年联邦学习很热门,每个会议都有上百篇联邦学习的投稿。这些文章中90%以上都是在解决corner case,比如XXX设定下的收敛、XXX设定下的XXX差分隐私方法、用XXX方法防御XXX假设下的拜占庭错误。有脚指头想想也知道,这些corner case在工业界是没有用的。工业界用的是简单、好调、scalability能上得去的方法,而且要考虑自身系统平台的支持。

  • 最近一两年,有N篇基于vision transformer的论文,都是对vision transformer做一点改进,在公开数据集上top-1 accuracy提升一点点。在绝大多数工业应用里面,没人在乎一点点准确率的提升。好好处理数据、标注数据、再加点小trick,带来的提升比模型大得多。说实话,ResNet之后所有的模型带来的提升全加起来,还没JFT一个数据集带来的提升多。

工业界里重要的问题非常多,但是没有足够的人力去解决,只能挑收益最大的做。而高校乌央乌央的人扎堆挤到一些很小的问题上,研究各种各样的corner case,比如上面讨论的几个问题。这就是为什么我打算离开高校。

再说说工业界的研究院。

  • 工业界研究院有一部分人做纯科研,做出了非常牛逼的工作。Google、Deepmind、MSR、NVIDIA等公司的研究院都有非常厉害的成果。Transformer、AlphaGo这些成果确实改变了世界。其余影响力小一些的论文也起到了PR的作用。

  • 工业界研究院有相当多的人在为业务、技术部门服务。可惜的是研究院做的通常不是核心技术,而是可有可无的边缘技术。研究院的人看不到完整的核心技术。举几个例子:

    • 推荐算法团队跟研究院合作,希望“试一试”强化学习、图神经网络这些技术。重点在“试一试”,也就是说可有可无,不是核心技术。能带来零点几个点的增长最好,没有也无所谓。

    • 技术部门发现强化学习在网约车派单上好用,收益挺大。上线之后,让研究院做进一步的探索,目标是用更fancy的技术取得marginal improvement。

为什么工业界研究院接触不到完整的、核心的技术?核心技术肯定在业务部门手里,重要性次一级的工具在技术中台手里。由于利益原因,没人愿意把自己重要的东西交给别人做,除非是自己不愿做、没精力做、没能力做。

说一下工业界的技术团队。工业界的工作并不美好,有很多脏活累活要干,没有学术界看起来高大上,而且KPI压力很大。有一部分人在推着技术走,这种工作的成就感会比较高。另一部分人被业务推着走,比如这个地方掉点了,那个地方有个bad case,要修一下。。。很明显,前者的技术含量高,成长更快,在就业市场上很抢手;后者的技术含量低,是高档人肉电池,容易被换掉。

最后说说人。学术界的人才密度远远大于工业界。拿到985学校的讲师(所谓助理教授)职位,比公司SP offer还难。工业界研究院里各个都是有不错成果的博士。而工业界的技术部门里,人才密度低得多。哪里更容易出头是显而易见的。在跳槽的时候,研究院出身的不那么受欢迎,跟核心技术团队的人差距巨大。


我打算去中国某互联网公司。在核心业务部门的核心技术团队,负责机器学习。我们的上海、北京office正在招ML算法工程师,校招、社招都要,薪资很有竞争力。有意者可以给我发私信,我们详细聊。

作者:小米君
https://www.zhihu.com/question/332602866/answer/2139752924

个人观点:

学术界就像谈恋爱,有不错的motivation和idea你只用锻造技术去给一个solution就完了,最后呈现的方式是publication。你可以更自由,可以天马行空,可以各种魔改,甚至不需要考虑落地成为一个paperer守着ppt过一辈子。

工业界就是结婚过日子,柴米油盐,衣食住行,你就不得不考虑商业化和市场,平衡各方利益,调动各种资源上下游的关系。有这个idea的可能很多,但是你可以做出实打实得产品,并将其推给用户,为该领域起到推动作用,这就不是简单的publication可以呈现的。同样,没有爱情的婚姻质量不高,没有重大innovation支撑的产品也不长久。

总之,paper 不代表一切~却是一切美好的开始……

多加几句:从社会责任的角度来看,不以结婚为目的的谈恋爱都是耍流氓,婚姻里连流氓都不愿意耍的是搭伙过日子,只是完成国家规定的结婚kpi,给娃(产品)上户口。

作者:Jackie Lee
https://www.zhihu.com/question/332602866/answer/2144727921

在我看来学术圈最大的优点,一个是“自由”,另一个是可以上课、带学生。自由意味着可以搞有意思的研究,推进人类知识的边界,追寻智力的激荡。但是自由也是有代价的,你可以“自由”地申请基金,说服金主爸爸给钱(包括自然科学基金等纵向课题,也包括企业的横向项目),“自由”地发论文满足考核要求…而且现在教职水涨船高,加上非升即走,对于35岁之前、没拿到长聘职位的青椒来说,压力恐怕不小。教书的话我觉得很有意思,传道授业解惑,分享自己的见解,开一门受欢迎的课,编一本有水平的书。但缺点就是,大家都想“得天下英才而教育之”,好学校太难进,你去找教职教的学生,大概率资质(远)不如你…

工业界的优点就是钱多事少,收入不难是高校两倍,工作压力大概率低于要飞升的青椒。听说邯郸路某大学几年前有编的讲师年薪十万出头,工科博士去业界怎么也有二十万以上吧…好大学非升即走的教职工资高,但录用的想必是人中龙凤,可能还做了若干站博后,单从经济角度肯定不是最优的。另一个优点就是能做落地的工作,而不是仅仅停留于论文。虽然没统计过,但我认为99.9%的论文对业界都是没用的…


更新:评论区几位去了业界的前辈表示,业界不一定事少。。不过我想说的还是相对的,本科的时候观察过我系青椒的生活状态,十分辛苦,超过996,等熬到长聘了也许可以轻松点。

作者:爬梯子的胖子
https://www.zhihu.com/question/332602866/answer/2149441658

首先回答这个问题取决于在哪里。

在欧洲,学术圈和工业界是两种完全不同且互补的存在,没有明显的好与坏之分。为什么呢,因为欧洲工业大多在产业链顶端,且产业众多。基本上博士毕业,完全可以在工业界找到不错的工作,HR并不是很看重你的专业,而是你的思维方式和沟通能力。基本上,一位博士毕业生在企业的工资是在学术界的至少1.5倍。学术圈吸引人的地方是时间自由,可以做自己喜欢的项目,不用被迫meet各种各样的deadline. 进企业的合同一般是永久合同,待遇和福利有保障。相反,进入学术圈的第一步是tenure track 职位,一般6年考核,淘汰率小于30%。所以,在欧洲,怎么选择完全取决于自己,两种选择都不错。也有许多人进入学术圈,后有转企业或相反。

在中国,情况可能大不相同,由于我国的整体工业水平处于较为低级层次,很多博士毕业之后,发现很难在企业界找到较好的工作,各种福利也不能得到保障。相对来说,去学术界成了众多博士毕业生的选择,这种情况加速了学术圈的极具内卷。这样也造成了一个很奇怪的现象: 我国日益趋于老龄化,缺少青壮年劳动力,但是学术圈确聚集者高级知识分子且青壮年的广大生力军,在进行无意义的内卷中。

☆ END ☆

如果看到这里,说明你喜欢这篇文章,请转发、点赞。微信搜索「uncle_pn」,欢迎添加小编微信「 woshicver」,每日朋友圈更新一篇高质量博文。

扫描二维码添加小编↓

工业界和学术界最大区别是什么?相关推荐

  1. 工业界 vs. 学术界: 一个年轻员工的视角

    本文发表于<中国计算机学会通讯>2015年第5期,转载已获得授权 作者:菲利普·郭 (Philip Guo),美国罗切斯特大学助理教授 译者:​王长虎,微软亚洲研究院主管研究员 如果你即将 ...

  2. 据我爱无人机网英国工业界与学术界成立未来空域联盟

    [据我爱无人机网报道]为响应英国研究与创新部门(UKRI)的"未来飞行挑战"(FFC)倡议,来自英国工业界与学术界的九个组织成立了未来空域(AoF)联盟,包括泰雷兹集团.克兰菲尔德 ...

  3. 工业界和学术界的思考

    https://blog.insightdatascience.com/preparing-for-the-transition-to-data-science-e9194c90b42c 学术的时间长

  4. Facebook AI研究员田渊栋:2021年年终总结

    在知乎上看到了一篇大佬的2021年终总结,看了后感觉受益匪浅,作者是田渊栋老师,博士毕业于卡耐基梅隆大学机器人系,目前在Facebook AI研究院担任研究员,特此分享给大家,希望能在新的一年里带给你 ...

  5. 2021.11.8-11.14 AI行业周刊(第71期):AI行业经验

    篇章一:行业经验 不同的AI公司,对于AI产品的场景定位不同. 有的公司是面向C端产品.有的公司专门做B端用户. 当然大白所在的公司,也有具体的定位,主要面向智慧金融.智慧机场.智慧城市. 之前,一直 ...

  6. 刀工:谈推荐系统特征工程中的几个高级技巧

    前言 记得我入算法这一行的第一份工作面试的时候,最终的boss面的面试官是前微软工程院的副院长.面试进行得很顺利,不免向前院长卖弄一番,谈了谈我对算法的理解.我说算法工程师就好比厨师,模型是灶上功夫, ...

  7. 2022年考研「怪」象:国家分数线全面上升,部分院校的计算机类复试线却不增反降?...

    今年,你上岸了吗? 作者 | 郑宇宏    编辑 | 陈彩娴 来源 | AI科技评论 我们知道,不久前2022年研考国家分数线公布,各学科全面上涨,引来众多考生的一片哀嚎.在微博上,"#考研 ...

  8. 一起探讨NLP的边界和未来,学术界与工业界在“语言与智能高峰论坛”上擦出火花...

    允中 发自 凹非寺  量子位 报道 | 公众号 QbitAI 语言与智能技术发展到了什么程度?未来的技术发展趋势是什么?如何与其他人工智能技术协同发展?都是值得思考与探讨的问题. 作为"最具 ...

  9. BEV最新综述 | 学术界和工业界方案汇总!优化方法与tricks

    论文链接:https://arxiv.org/pdf/2209.05324.pdf 学习感知任务的鸟瞰图(BEV)中的强大表示法是一种趋势,并引起了工业界和学术界的广泛关注.大多数自动驾驶常规方法是在 ...

最新文章

  1. sql server的BCP导入导出(转)
  2. 他让张一鸣登门请教,培养出戴文渊李沐陈天奇,创建了传说中的上海交大ACM班...
  3. Python的__str__()方法
  4. mxnet基础到提高(35)-ndarray
  5. Speedment 3.0的新功能
  6. Python 第三方模块之 matplotlib - 绘图库
  7. 建立数字化、学习型人事平台,HR 与业务终于不再「隔空对话」
  8. 接口测试文件上传(python+requests)
  9. SpringMVC跨重定向请求传递数据
  10. 运行phpize时出现:Cannot find autoconf
  11. 修改MySQL中字段的类型和长度
  12. 调戏木马病毒的正确姿势——上
  13. No tracked branch configured for branch master or the branch doesn‘t exist. To make your branch trac
  14. # C语言指数型表达
  15. KGB知识图谱深入挖掘金融行业的知识关联
  16. 多态和特殊类 -->特殊类
  17. 【高等数学】曲率和曲率半径
  18. 利用QT制作串口助手
  19. 前端:解决vue2.0只能运行在Local,不能运行在NetWork的问题
  20. redis配置(2)

热门文章

  1. 再次上演兄弟相煎,vivo再次超越OPPO在国内手机市场称王
  2. webpy —— 简单直接的 python web 框架
  3. facenet 人脸识别原理理解(三)
  4. [java基础入门]java期末常考题。定义一个父类person,该类中有两个私有的属性姓名name和age,实现两个属性的封装 定义构造等等来初始化成员变量name和age,在定义显示show方法将
  5. 线程死锁 导致 服务器cpu负载过高
  6. 分布式系统高可用实战之限流器(Go 版本实现)
  7. cocos2d-x学习笔记(持续更新)
  8. 基于VS+Opencv2.4.10的微信跳一跳辅助工具
  9. 计算机应用演技,最近快手最火的句子 生活还是需要一点演技的
  10. oracle 甩手 java ee_Eclipse正式代替Oracle接管Java EE