如何看待 2022 年秋招算法岗人间地狱？ 第1页

这说明了算法岗位的名字需要加前缀，而职责也需要进一步细分。

比如拿成熟的软件工程师而言，你有很多种分类的方法，比如前端、后端。又比如专门做移动端的，甚至移动端你还能继续分用Android studio针对安卓机的和IOS工程师。按照语言分也可以分成专门搞C++、Java、Python的等等。虽然这些分类都交叉重叠，但基本你说出一个岗位名称，我们大致都知道基本的技术栈是啥，自己合不合适，是否有机会。

那所谓的算法岗呢？有人知道具体技术栈是啥吗？

是深度学习调包搭积木？import tensorflow as torch吗？

是搞统计学推公式，证明bound吗？

是业务岗，每天部署做A/B测试吗？

是优化算法，加速现有的程序吗？

是熟知各种架构，能在底层对系统进行分布式吗？

需要发论文吗？没做过科研是不是肯定会被刷？

让我们提供一个最严格的假设，假设这些都是必备的要求，所需的能力上限为( ),。那试问全世界有几个人能完全的符合？从数学到部署到业务理解一条龙都懂，这种不给个大几百万都不合适。

让我们再提供一个最松的假设，假设这些条件满足一条即可，即所需要的能力下限为( )。那试问大部分正经学校的相关专业毕业生，从本科生到博士生，是不是人人都有机会试试？

如果你把以上这些标准都量化起来，其实是很难得到一个准确而客观的个人实力评估的。就像输入10维特征，输出1维的个人能力，再加上没多少参考案例，因此我们对个人实力的评估会很混乱。

而两个假设中间的巨大空间导致了评估难度的进一步变大，毕竟每个人都在 这个区间里，而并不知道自己在这个巨大区间上所处的位置。因为算法岗不像其他岗位我们能精确定位自己实力，了解供需，因此投岗基数大，而大概率的分布是「大部分申请人都不满足用人单位的基本条件，而少部分符合条件的人又觉得没那么难」。就像一个长尾分布，导致申请者众多，很多人觉得倍难。但又会有少数人觉得怎么offer全给我了，我真牛逼。

这种迷惑性使得个人感受两级化，要不是好难好难，要不是我拿了10个offer。

而其他岗位需求大概就看起来更加明晰，申请者对于录取标准的把握可能也更准确：

在这种前提下，如何理智的聪明的选择算法岗呢？

我的建议是参照条件是师兄师姐的去处，评估自己属于以下哪种情况。毕竟我们大概率就是师门中段班，或者往届学生中的中上水平：

1. 如果你是行内人或者出身名门条件过硬（学校、实习、论文，编程数学都不错），以前师兄师姐有相当比例都能拿到offer。那就大胆投，大概率你能赢者通吃。
2. 如果你只满足一两条以上条件，周围的师兄师姐偶有去做所谓算法岗的。大胆跳过这些岗位，把注意力放在开发的应聘上，需求更大，且更明确。

我个人的推测是未来的算法岗肯定会具体细分起来。第一步是先把搞研究的和搞开发的分流，毕竟两者真的没啥本质相似。这样没论文，没博士学位就可以不必花更多的时间。第二步就是按照方向细分，比如搜索推荐业务、比如识别又比如语音文字类的。没有相关经历就不会在这浪费感情。最终所谓的算法岗就会祛魅，至少让大家看清楚自己的背景是否和岗位匹配。而不是现在每天小马过河，人心惶惶。

地狱不好，我们应该在人间。

看到解大 @谢流远 的回答提到了算法部门的“人地矛盾”，我也来贡献一个观察到的矛盾点：汇报宣传时高大上的算法模型，与实际干活时主导成败的脏活累活之间的矛盾。理解了这个矛盾，一定程度上就可以解释，为什么一方面很多学生觉得算法岗很难找，另一方面企业又总是吐槽算法岗很难招了。

有很大一部分算法从业人员，在尚未深入一线业务落地的时候，接触到的最多的信息就是各种高大上的算法模型。大家喜欢兴致勃勃地谈论最近又出了一个什么魔改变形金刚，又出了什么即插即用的涨点神器，ImageNet又被刷爆了，XXX又被屠榜了，PapersWithCode某个Leaderboard右上角又冒出一个新的SOTA散点了，超大模型的参数量破万亿了……他们对于AI技术的理解主要来自于一篇篇顶会论文上的漂亮故事，或者是各大公众号上花团锦簇的PR稿。其中功力较为深厚者，对各种网络结构、训练技巧如数家珍，能对某个领域近年来代表模型的演进路线侃侃而谈，各种设计的insight也能阐述一二。

我说的这部分从业人员，不仅仅包括实验室里的学生，还包括一部分已经身在企业、但是偏中后台技术支持的算法工程师。事实上，一两年前的我也是这样的认知。

但是当这部分从业人员深入一线业务之后，就会发现，算法模型在实际工作中可能只占20%，剩下80%的时间都在围绕着数据做很多脏活累活。在一些成熟任务上如简单的图像分类，算法模型占据的比例可能会更少。他们会发现自己熟知的那些”黑科技“其实作用有限，有时候费了很大劲，把三年前的技术换成上个月的技术，性能也就提升了一小截，而且就到此为止了。当然，有野心的算法工程师会想，我上我也行！我也要来魔改网络结构，拼凑训练技巧，在自家业务上提点！不过这种尝试往往不是以失败告终，就是只提升了可怜的零点几个点，也许还不如毫无技术含量地调调几个超参数。

与之相反，对数据的处理往往可以带来大幅度的、持续的提升，可行的手段除了粗暴地标注更多样本，还包括重新审视原有的标注规则是否合理，现有数据集标注质量如何，要不要定义一些细粒度的类别来辅助模型学会更微妙的语义，当前的模型经常在哪些场景下出问题，能不能从其他数据渠道补充这些场景的样本……上面列举的还只是一些粗糙的思路，很多一线干活的算法工程师肯定还能举出更针对具体任务、具体场景的操作，比如做NLP的朋友就告诉我实际工作中”正则表达式yyds“，当然这种经验在CV任务上就没什么大用了。

于是，实事求是的算法工程师开始深入一线之后，顶着业务指标的压力，很快就会用脚投票，不再花费过多精力在算法模型上，而是老老实实把一些数据上的工作做好，因为他们知道，算法模型不关键，follow最新的黑科技只是锦上添花，唯有数据才决定了业务落地的成败。

但是问题就来了，算法工程师做完这些脏活累活，达成了业务指标，等到向上汇报、对外宣传的时候却傻眼了。有些领导并不关心你做了多少实在的工作，只想听到你用了什么最新技术；有些领导尽管明白业务落地的关键在哪里，精力应该放在什么环节，知道但架不住总还有更上面的领导，要求在汇报中体现出「技术水平」；就算上层领导确实很懂行，但又架不住对外宣传的时候，也没办法把那些实际的工作讲出花来，必须包装成花里胡哨的先进技术，才能体现自家的技术壁垒，对群众秀肌肉，对同行放烟雾弹。

这样一层层压力传导下来，一线的算法工程师难免就会动作走形，甚至会慢慢形成「双重思想」：实际干活时用的都是简单粗暴有效的东西，汇报宣传时又要强行包装出一个又一个fancy的故事。

既然形势如此，很多聪明人就会慢慢拥抱这种评价体系，不管实际干活的时候怎么玩，最后一定会想方设法讲故事、发论文，企业会拿着这些「先进技术」出去宣传，各种AI自媒体也乐见其成。于是很多尚未深入一线的从业者每天看到的，就都是各种高大上的算法模型，为了跟上潮流，他们也卯足了力气卷这些东西，凑成一份份光彩夺目的简历送到面试官手上。可是这个时候，一线出身的面试官可能又开始「双重思想」了：业界平常大力鼓吹的是这些东西没错，但你是要来实际干活的，我得考察你实际干活的能力如何，不然来了拖后腿，团队业绩不达标，我们也有压力啊！

于是，招人时实际考察的，与平日里大力鼓吹的，就产生了脱节。

而且这种脱节有愈演愈烈之势，因为追求高大上的业界舆论影响汇报宣传的导向，汇报宣传的压力又反过来诱导出更多高大上的算法模型，会形成一个正反馈的闭环；而另一方面，即使算法工程师从业务中打磨出了简单粗暴有效的方法，也缺乏汇报宣传这两条重要的内外渠道获得足够的激励，形不成正反馈，散落的单点进步无法连成一片，就会被一直雪藏在算法工程师自己的脑中。

可以把上述逻辑总结为这么一张图：

当然，这些只是我的一家之言，有不同观察或意见的话，欢迎在评论区留言。

德州扑克 的经验：

加注的前提是有起码的胜率；

fold的好处是较小代价扛过对方的大牌；

用1w炸胡500的行为纯属脑子有坑；

目前看 算法岗位并没有晋升和薪酬上的优势，反而易脱发、易失业；