现在机器学习工业界和学术界的差别越来越大了吗？尽早实习和踏实科研各有什么利弊？ 第1页

谢邀。此处的工业界应特指将机器学习用于商业行为的机构或企业，可以排除大型企业的研究分支(如谷歌的DeepMind)。这些机构以发表科研成果为目标，本质上不属于工业界。

1. 现在机器学习工业界和学术界的差别越来越大了吗？

学术界和工业界的距离没有变大，一直都是相对恒定的。这个理论适用于大部分的行业，程度高低有所不同而已。那为什么我们总觉得学术界更超前呢？这个感觉的主要是是因为研究成果商业化周期的滞后性。学术界的研究成果，在能够商业化前还有很长的路要走，如下图所示一般要经历多个步骤并且不同的环节之间都有“门槛”，很多研究成果往往走不到商业化那一步。而能够成功商业化的研究成功往往都是历经考验，被大家认为真实有效，并可以为社会提供价值的。检验这个过程一般有漫长的周期，短则几个月，长则很多年，这个周期给了很多人错觉工业界很落后。其实不然，工业界只是更加保守。和有政府拨款的研究机构不同，企业的主要任务是盈利而不是探索科技的边界，同时还得考虑到人力成本、产品痛点等复杂的因素。

原图链接：Innovation Diffusion From University R&D

学术界成熟的算法和成果，只要能在应用领域上落地，很快就会被商业化走入我们的生活。换句话说，学术界的成功经过自己的内部筛选和沉淀，能够存活下来的就会进一步被商业化。举个例子，现在大热的深度学习随着研究突破和硬件/数据环境改善，得到了很大的发展并衍生出了各种结构的神经网络(如残差网络等)。但大部分这些特定结构的神经网络都是昙花一现，而真实有效果的卷积网络CNN和循环网络RNN(LSTM)因为其可重复性和良好的效果才走入了工业界。

可能短时间内某个领域学术界走的快一些或者工业界走的快一些，但总体来讲很少有极端滞后性。作为一个已经身在工业界的人，我们也紧跟学术界的潮流，尽量了解下一个可能大热的技术是什么。很多公司还会安排员工去参加学术会议，争取将可靠的技术尽快商业化落地。

再举个极端的例子，很多教授自己会带着学生搞创业公司，而他们的技术能力在学术界和工业界都是顶级的。比如深度学习之父Hinton就曾和自己的学生创立了后来被谷歌收购的DNNresearch，我想大概没几个学术界的人敢说自己比Hinton的研究水准更高。吴恩达也是往返于不同的领域，做的都很厉害，所以学术界和工业界从来就没那么清晰的划分。综上，从广义角度的来说，学术界比较超前，但不会将工业界远远甩在身后，而是一套生态系统中的不同环节。

2. 尽早实习和踏实科研各有什么利弊？

我的看法是，尽早找科研机会，发觉不适合自己就赶快转向于工业界，流连忘返很容易两手空空。

直白的说，一般人更适合工业界，学术的路不好走也很难走通。我现实生活中有很多朋友找不到教职而离开学术界，甚至搜一下知乎常常能看到诸如 PhD 第三年还没有发 paper 是怎样一种体验？的讨论。所以走学术路需要坚持勤奋、良好的家庭条件、和一点点运气来遇到好的导师和适合的期刊会议。再加上机器学习如果做到比较深入，大部分时候也需要不错的数学基础，至少试图要假装从理论上解释自己的工作，对一般人来说要求还是比较高。说一个残酷的事实吧，做学术投出产出周期很长，很多人看到同龄人早早步入职场买车买房很容易心态失衡，这也为什么很多科学家其实出身名门贵族，望决心投身科研前三思。

因此，应该先试着做科研，再尝试工业界实习。对待科研机会，有则就上，没有也不是太大的遗憾。比较合理的安排应该是大三试着跟着学长学姐或者教授进实验室，这种机会一般都是免费的不要计较。当你离开学校以后，你会发现再找科研机会就很难了，所以不管怎样请给自己一次尝试的机会。在这个过程中，教授和你是双向选择，很快你就知道自己是否适合做学术了。如果花了1-2个学期发现科研不适合自己，马上去找实习为就业做准备，不要可惜已经花掉的时间，或许将来你会发现对自己的工作也有帮助。

而已经读硕士/博士的朋友，争取在考过资格考试，差不多第二年暑假的时候尝试去做一份工业界实习。比较现实的考虑除了能够防止一身屠龙之技，还可以通过实习缓解一下经济压力，同时远离实验室和导师也是一种“舒压的方式”...

我建议大部分做机器学习的朋友尽早实习，主要出于以下几个考量：

• 打破幻想，了解工业界的主流模型。在其他很多答案中我都提到过，其实工业界用的大部分技术并不酷炫，你很少能看到深度强化学习那种AlphaGo一样酷炫的模型。不夸张的说，广义线性模型(generalized linear models)还是占据了大壁江山，这要归功于其良好的解释能力。从神经网络角度出发，一般也逃不过普通任务深度网络、视觉任务卷积网络CNN、语音和文字任务LSTM的套路。
• 补上学术界忽视的内容，比如可视化和数据清洗。工业界的最终目的是输出商业价值，而获得商业洞见的过程其实是非常痛苦的，比如第一步就是令人深恶痛绝的数据清洗。毫不夸张的说，工业界百分之六十的时间都在清理数据，这和学术界干净且规则化的现成数据完全不同。没有在工业界体验过的人，无法真的了解原来机器学习从头到尾有那么多陷阱，泛化能力只是终极目标，而往往我们连规整的数据都无法得到。
• 了解技术商业化中的取舍，培养大局观。做技术的人往往一头扎进技术里面，而忽视了从全局思考。举个例子，模型A的准确率95.5%，每次训练时间是3天，需要6台有GPU的服务器。而模型B的准确率是百分之95.2%，但只需要一台普通的macbook训练4个小时就可以了。从学术角度出发我们往往追求更好的模型结果选A，而工业界还要考虑到训练开销、模型可解释性、模型稳定度等。到工业界实习不仅可以培养大家的宏观掌控能力，对将来自己带学生控制开销或者选题也大有帮助。

3. 总结

二八理论也适合这个问题：做科研的人占少数，大部分人应该致力于把理论落地，把它们应用于我们的生活当中。而学术界和工业界从来都不是割裂或者对立的两部分，而是一个生态平衡系统。因此不必觉得做学术就可以高人一等，或者投身工业界就只是为了钱缺乏理想。

对于还在选择阶段的学生朋友，先试试自己对研究是否感兴趣再投身职场是明智的选择，而选定学术界的朋友时不时来工业界游历一番也有助于获得大局观，更好的思考怎么将研究商业化。

不过退一步说，人的命运真的很难靠自己掌控。我见过很多致力投身科研的朋友最后在工业界混得很好，也有一开始为了混文凭却莫名其妙爱上了科研的朋友。

所以说啊，做人面对无边无际的不确定性，不用那么功利，随缘吧 ʕ•ᴥ•ʔ