來源：Reddit
編輯：LRS
【新智元導(dǎo)讀】深度學(xué)習(xí)是計(jì)算機(jī)專業(yè)當(dāng)下最火爆，最有錢途的專業(yè)，而身在這個浪潮中的博士生為什么都很焦慮呢？reddit上一個小哥發(fā)帖稱，不知道自己做的是科研還是工程？是算法還是調(diào)參？連矩陣的秩都不會求了，因?yàn)橥耆貌簧希Υ四阌惺裁纯捶ǎ?strong style="max-width: 100%;box-sizing: border-box !important;overflow-wrap: break-word !important;">
一個小哥讀了博，并且還是最火的深度學(xué)習(xí)博士，主要研究領(lǐng)域?yàn)橛?jì)算機(jī)視覺和自然語言處理，但他每天卻都很苦惱，感覺自己不是在做科研，而是在做工程！他在Reddit論壇上求助網(wǎng)友，如何讓對在學(xué)術(shù)上沒有取得特別優(yōu)秀成就的他成功取得博士學(xué)位。文中他說自己正在攻讀機(jī)器學(xué)習(xí)的博士學(xué)位，主要從事深度學(xué)習(xí)，并且還基于此有了一些會議上的論文，但是這些會議并不是公認(rèn)的頂級會議。盡管不是頂會，但是審稿人對他的要求和回復(fù)還都是相當(dāng)苛刻的。他也明白他們?yōu)槭裁催@么挑剔，坦言自己不是一個優(yōu)秀的學(xué)生，實(shí)驗(yàn)室也不是一個優(yōu)秀的實(shí)驗(yàn)室，所做的主要工作就是重新使用現(xiàn)有的方法為不同的領(lǐng)域，例如使用一個 ResNet 用來做醫(yī)療成像，或是基于Transformer的音樂分類。和其他人相比，他自認(rèn)為嚴(yán)重缺乏數(shù)學(xué)背景知識，即使努力閱讀，也經(jīng)常立即忘記那些實(shí)際上并沒有用到的概念，甚至都不會計(jì)算矩陣的秩是多少，更不用說如何使用它了。這就是為什么沒有真正想出新方法的部分原因，更擅長組合現(xiàn)有的東西，但有時感覺不像是研究，而更像是工程學(xué)。因?yàn)樨暙I(xiàn)比較平庸，所以小哥不認(rèn)為他能夠在學(xué)術(shù)界有所作為，所以未來可能會在這個行業(yè)內(nèi)找一份工作，而不是去大學(xué)謀一份教職。最后這位小哥希望網(wǎng)友們對他的博士生涯給他兩個建議（1）提高如果在周末有剩余的精力，也許應(yīng)該做一些副業(yè)？對此，網(wǎng)友表示，這不是一個簡單的問題。最終，你的博士學(xué)位就是你的博士學(xué)位。這真的只是第一步，如果你渴望在訓(xùn)練中改變世界，這可能會讓你失望。盡管要完成的必要貢獻(xiàn)微乎其微，但不要去磨練那些能讓你接受挑戰(zhàn)的技能。比如詳細(xì)的筆記，嚴(yán)格的編程，以及在一個感興趣的領(lǐng)域保持最新的習(xí)慣，包括與同齡人的接觸。這些絕不是一個完整的列表，只是那些我很高興我繼續(xù)工作。網(wǎng)友表示贊同，永遠(yuǎn)記得博士學(xué)位只是你的起點(diǎn)絕非重點(diǎn)，這只是你接受教育的一部分而已。還有網(wǎng)友表示，這簡直跟自傳一樣！看來每個人的博士生涯都很難過。進(jìn)入工業(yè)界是我做過的最好的決定。“我找到了 x 模型，并把它應(yīng)用到問題 y 上以得到更好的結(jié)果”正是公司所看重的，能夠解決問題的人才。還有的網(wǎng)友勸他要懂得平凡的可貴，每天比昨天的自己進(jìn)步一點(diǎn)，就是最大的成就。對于我們這些凡人來說，我收到的最好的建議就是“你的論文是你寫過的最糟糕的作品”。與我們部門最聰明的人設(shè)定的高標(biāo)準(zhǔn)相比，我的簡直是垃圾。但是它是完整的，并且通過了檢查。不要拿自己和別人比較，只要把自己和去年做比較，然后繼續(xù)努力。投入時間，做好工作，你就會得到一張證書，上面寫著“我可以做自我導(dǎo)向的研究”。并不是所有人都是陶哲軒，我們中的大多數(shù)人只是想在這個過程中生存下來，而不是贏得菲爾茲獎。機(jī)器學(xué)習(xí)行業(yè)從業(yè)者大多經(jīng)常困惑于自己是算法工程師還是調(diào)參俠。在深度學(xué)習(xí)浪潮下，有這種困惑也是十分正常，或許我們也應(yīng)該思考一下，為什么大家普遍會有這種困惑。看了這段話，大家可能多多少少都有所感同身受吧，高學(xué)歷，卻換來更大的失落；工作內(nèi)容重復(fù)，沒有看的見的快樂。沒入行之前，你眼中的AI是改變?nèi)祟愇磥怼?/span>入行之后，你眼中的AI變成了一個個黑盒的模型，我要更多更干凈的數(shù)據(jù)，更龐大的模型！「有多少人工，就有多少智能」，即使在深度學(xué)習(xí)時代也是如此，各大AI公司首先招聘的就是標(biāo)注員?？蒲袡C(jī)構(gòu)發(fā)布新數(shù)據(jù)集的論文也會公布自己用了多少標(biāo)注人員，時薪多少美元等。而且在互聯(lián)網(wǎng)高度發(fā)達(dá)的今天，你想要學(xué)習(xí)的任何東西都可以在網(wǎng)絡(luò)上找到，AI入行的門檻從未這么低。入門簡單，但成為大師卻要付出更多的努力，這期間會經(jīng)歷迷茫，例如在reddit上發(fā)帖，但最后有所成就的還是那些耐得住學(xué)術(shù)寂寞的人。不僅僅追隨深度學(xué)習(xí)潮流，而是在其中挖掘?qū)儆谧约旱臇|西，也許是博士學(xué)位能帶來的最大收獲。
參考資料：
https://www.reddit.com/r/MachineLearning/comments/odkdsv/d_growing_beyond_a_deep_learning_phd/
