为什么这么多 NLP 大牛硕士毕业去企业不留在学术界？ 第1页

前几天凌晨，我的一位在大厂研究院工作的高T朋友找我吐槽，说感觉最近公司部门间调整很大，说不准自己待的研究院年底会被整个裁掉。

这是一位学术上已经很有建树的大佬，和我表示说担心自己被撤员，还是有被震惊到。

确实很多大型的科技公司，他们设置research lab往往是为了吸引更多的人才。但当公司进入危机的时候，科研部门是优先考虑裁员的目标，这是很残酷的一个现象。

但我并不认为，NLP大牛很多去了企业是一个多么反常的现象。之所以这个问题成为谈资，大概是幸存者偏差效应使然。且NLP是计算机科学领域与人工智能领域中的一个重要方向，转型的人多一些也不足为奇。

其实，在学术界和工业界工作，有两种很典型的状态区别，各有优劣：

在学术界工作，优势是自由、稳定，虽然都说科研圈内卷严重，但只要不出大问题，你大概率可以呆在学校一辈子。但与此同时，从事科研最明显的劣势是：

你能够真正make different的概率特别低。至少从目前的现实来看，在学校里几乎不可能做出“改变世界的产品”。

就好比我开头提到的那位从高校去了大厂研究院的教授，之前有过这样的感慨：他说，其实自己去现在这家公司也并不完全是为了高薪，主要是和CTO谈得来，坚定了他一贯主张的“要做有用的技术”这个价值观。在学校，每年为项目和考核奔波，做的技术通常是实验室的Demo，经常半途而废。而很多被认为有发展潜力的项目，一旦结题验收结束，整个项目就完全结束了。接下来又得要另辟蹊径，想另外新的思路，申请新的课题。再加上体制内单位例行的报销、为组内创收需求等等这类杂七杂八的事务，非常劳心费力。

“而且科研圈确实太挤了，跳出去也许是个广阔天地。”

所谓围城效应，这位跳出学术圈进入大厂研究院两年之后，他又有了新的体会，认为大学教授进入企业研究院发展得也很不容易，这种转型算是一把“双刃剑”。

在我看来，之所以把从学术圈到工业界的转型称之为“双刃剑”，有一个很直观的原因：在学术界，做出的成绩与自己的努力往往正相关；而在工业界，做出的成绩与自己的努力并不一定相关。

这里有两层意思：学术界的大牛到了工业界，如果运气足够好，整个团队的研究成果算在Leader的头上，加持后成为“明日之星”的概率要大得多。但反过来，如果做不出成绩，被裁员的风险也是最高的，别看今年风生水起，保不齐明年同事们都又各奔东西了。

实锤没有安全感。

但现在这个“世道 ”就是充满着种种不确实性因素的时代，大家都在努力从这些不确定中寻找一点点确定感。

所以从学术界跳出来之后，想在工业界发展得好，几乎所有人都要首先接受一个底层逻辑：商业是为了开发技术、用户和市场。

在大厂的研究院工作，单纯发论文是不可以的，公司会不停地问你，你现在做的事情，对公司的业务有什么贡献？甚至大家都被逼着写代码。但当然，你可以做前人没做过的事情，而且有大量的数据给你用。

所以大佬去工业界的研究院工作，普遍的感叹是，自己学会了放下身段——因为公司在意的是你能不能做产品，你的研究成果能不能帮助到公司变现，而不是你写论文的学术水平如何。年终考核的时候，公司甚至会把你和RD们放到一起做业绩评估，这个是没有办法的事。

做学问，更像是“一个人的战斗”，你可以努力做到“深思熟虑、尽善尽美”；但进企业，是团队协同的事儿，个人的影响力是有限的。

事实上我一直认为，从学术圈到工业界，或者说从工业界转投学术圈，这恰恰说明了这是一个正常的人才、技术、信息自由流动的时代，是值得欣慰的。

而从更宏观的视角来看，技术的实践传统与理论的思辨传统结合，才诞生了实证科学的传统，工业化之后尽管彼此存在大学与企业的分工，却仍然存在内在的彼此关联与互动构成的偶合促进发展机制。

其实，一方面是学界大牛转投企业；另一方面，AI大牛纷纷重返学术界现象也很普遍了。

最早从吴恩达开始，接着李飞飞、张潼、张亚勤、贾佳亚等企业科学家不断离职，陆续离开工业界回归学术界。去年，字节跳动副总裁、人工智能实验室主任马维英离职，下一站将赴清华大学智能产业研究院任职，从事人才培养工作。

背后的原因，或许和现阶段人工智能行业发展相关：和前几年的大突破相比，近两年来人工智能行业在逐渐洗牌，企业短期看不到大突破的可能，科学家（纯研究岗）在企业内的地位下降。这是企业AI实验室、研究院普遍遭遇的挑战。

另一方面，中国企业相比欧美（如Facebook FAIR）更加急功近利，给科学家施加的业务压力大，研究工作与产品和业务产出绑定很深，后期需要承受内外部的巨大挑战，让科学家们干得并不开心。

但无论怎么样，未来的趋势必定是学术界和工业界在产品和应用上的深度融合。如果你选择的是搞学术，未来要思考的重要命题是如何将学术界的研究成果很快地应用到工业界，并逐渐发展起来。比如当前的深度学习就是一个例子，XGBoost 里面用了一些新的技术；再好比矩阵分解word2vec，首先都是学术界的成果。

与此相对应，今天大量一流的研发来自企业，且是一些具备了核心竞争力的技术，比如精密仪器、数据库软件、工业生产线、转基因技术和大规模的药物研发等。

关于学术界和工业界的强强联合，一个典型的例子是，在一篇标题为Underspecification Presents Challenges for Credibility in Modern Machine Learning的论文中，几十位论文作者大都来自Google，横跨了计算机视觉、自然语言处理、生物信息多个领域，他们一起分析了真实场景中的机器学习模型表现欠佳的原理。

可见，科研和应用，学术圈和工业界，相互成就，共创价值，才是最自然、最好的一种科技发展状态吧。

怎么样才能让学术界和工业界的经验成为最优解，而不是相互抵消，相互愤怒和晒惨，两个圈子中的人，大家相互进一步，相互让一步，彼此圈层的人才流动如果有一天变得非常非常的正常和自然，科技进步的格局也许就能发生很大的变化。