原贴地址：
https://www.zhihu.com/question/316135639
作为一个 AI 方向的在读博士生，实在是过的蛮闹心，无意中逛知乎发现了这个帖子，发现很适合现在的自己，于是转载到这里，以作收藏。
----------------------------------------------------------------------------
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。
链接：https://www.zhihu.com/question/316135639/answer/626310136
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
-----------------------------------------------------------------------------------------