電子發燒友App
【導讀】一份不喜歡的工作，卻擁有著行業頂薪，是去還是留？最近一位reddit小哥發帖表示永遠退出機器學習界，只因行業風氣太浮夸，更喜歡和數學相關的工作。
隨著人工智能技術的不斷發展，可應用領域也越來越廣，國內外AI人才的薪酬也是水漲船高。
動輒年薪10萬美元，年薪30萬人民幣的白菜價，互聯網也到處充斥著造富神話，為了財富自由，不止各個領域的程序員，各行各業的人幾乎都轉行伴著浪潮涌入AI行業。
但如果你不喜歡機器學習，又舍不掉如此高薪，你會舍得換一份工作嗎？
大部分人的選擇可能都是選擇向生活妥協，畢竟他們給的實在是太多了。
最近，Reddit論壇上就有一個小哥卻做出了一個與眾不同的選擇，他表示：永遠退出機器學習界！
下面是他介紹自己的一些相關情況，并向網友求助如何找到自己喜歡的下一份工作？
機器學習干膩了
我是那種以機器學習為生但對機器學習沒有興趣的人，可能在業內比較少見吧。
我工作內容就是使用經典和深度學習方法開發模型，從業7-8年了，其中很多模型在我工作過的公司中產生了不錯的影響。
我覺得我也很擅長做這些事，而且我的工資也很高。
但現在，機器學習或者深度學習領域沒有什么能讓我興奮的了。
我發現在數學課本上解決問題更快樂。實際上，我想要一個某種和數學搭上邊的職業，但我不想一輩子都做機器學習。
在我「為了錢」投身機器學習之前，我在衛星系統工程方面做了很多工作。在碩士學習期間，我也選修了很多物理和EE課程（光學、量子力學和固態設備）。
我正在考慮從事量子信息方面的工作，但我還沒有博士學位。另外，我的計算機科學技能還不夠強，無法轉到密碼學。
所以網友們，我該如何走出機器學習界？
網友建議：不要裸辭
帖子一經發出，立刻引起網友熱議。
網友pruby表示，我太懂這種無聊的感覺了，但你應該換一個工作方向，而不是離開。思考下一步的方向可能需要幾個月或幾年才能徹底確定下來，所以最好不要「裸辭」。
網友shot_a_man_in_reno也贊同這個思路，并補充說你完全可以再學另一門知識，并且在那里應用機器學習的技術。他表示，我就不想在通用的機器學習領域進行研究，比如人臉監測或者NLP之類的，因為計算機畢業的人基本都是研究這些純粹的內容，所以競爭很激烈。一個在機器學習領域有雙重專長的遺傳學家或者人類學家可能會做更有趣的工作。·
也有人表達了他認為作者討厭機器學習的原因。
網友MinLikelihood表示，我喜歡統計學/機器學習，但我不想在這個領域有一個長期職業的原因就是：我覺得處理和分析數據很無聊。我喜歡理論上的東西，喜歡探索estimators，研究抽樣方法，開發新的優化技術，而非使用它們。單純地使用是重復性的，幾年后肯定會讓你感到很無聊的。
還有人建議說，放心地追求自由吧！
網友beexes表示，你應該永遠只做讓你感覺快樂的事。我有一個朋友，他就不干軟件工程師了，轉頭開了一個餐館，他現在應該是世界上最快樂的人了。
也有人覺得，職場也是圍城，你向往的地方，對于別人來說也很無聊。
網友EdAlexAguilar分享說，我在量子信息領域讀了碩士、博士和博士后，但現在這個領域的研究已經不能讓我興奮了。我在過去的一年里一直在做強化學習，我很喜歡這個新領域。但這并不是一夜之間發生的，事實上，我在讀博士期間就已經知道我很可能會轉型離開，但希望能盡可能順利地過渡。我的猜測是，你也是如此。你不需要一個博士學位，只需要額外的精力來學習。如果你有財務壓力的話，就在業余時間開始為新目標奮斗。這可能需要幾年的時間，但你可以設法在有工作的情況下跳到不同的領域。
也有網友從社會的角度來分析數學職場問題。
網友cookiemonster1020表示，在數學/應用數學領域找不到工作的部分原因是大數據背后的炒作。當我在著名的大學做博士后畢業以后，進入學術市場時，我發現在我所在的應用數學子領域幾乎沒有空缺位置；相反人們即使只是做一個壓縮傳感的應用，也能得到教職。
聽取大家的意見后，帖子的發起人表示，感謝網友的分析，他目前已經開始看關于離散微分幾何的網課了，未來打算探索微分幾何學（ differential geometry）和機器學習結合的問題。
他表示自己更愿意在應用物理學或遺傳學等領域從事ML工作，而不是銀行、社交媒體分析或電子商務等公司。
至于討厭機器學習的原因，主要是厭倦了那些標題為「X is all you need」的技術論文。我并沒有反對發表論文的任何人，而且我絕對相信作者比我更有水平，但我對這種華而不實的論文標題感到非常不舒服。因為我在物理學或數學領域沒有看到過如此浮夸的標題，這也是我不想攻讀機器學習博士的一個原因。我討厭那種風格！!
并且從任何平臺上學習任何在線課程都不會使你成為數據科學家或ML研究人員。很少有AI從業人員愿意花時間和精力去學習機器學習算法背后的基本數學知識。當我在面試中要求候選人解釋什么是PCA時，他們只回答說PCA是一種降維技術，根本沒有提到特征值、特征向量或協方差矩陣。
人工智能惹人嫌
無獨有偶，在知乎上也有關于「為什么不喜歡人工智能」的討論。
大體就是黑盒模型、炒作概念，深度學習的壟斷讓「算法工程師」這個名稱也引發爭議。
有研究者曾總結過人工智能研究的四宗罪：
1. 技術更新過快，三天不看論文就out了
學習是一件好事，但過快的迭代速度和海量的論文讓研究者焦頭爛額，一天的專注學習可能到了明天就落伍了。
并且很容易就會idea撞車，或者手里的sota模型還未發表就已經夭折。
2. 資金耗費過大
大規模預訓練的范式確定后，普通的研究者很難再在排行榜上分一杯羹了。
收集、下載大規模訓練數據要錢，標注數據要錢，訓練模型所需的硬件設備更是金錢堆起來的。
甚至只要數據夠大，資源夠強，即便方法不夠出類拔萃，你的模型可能也比別人學的更快，性能更強。
3. 艱難地改進模型
深度學習的黑盒模型是一個老生常談的問題了，但對于程序員來說卻是一種精神折磨。
性能不夠強、沒收斂、預測結果不符合預期，「煉丹師們」面對著模型和參數只能欲哭無淚。創造代碼可以讓人快樂，但調參卻不會：性能提升了，但怎么提升的？沒人知道！
比如有時候辛辛苦苦改模型，沒有任何性能提升，把激活函數從relu換成selu，就出了一個新的sota模型，這個時候你是該高興呢，還是該懷疑自我？
4. 數據決定一切
目前的AI模型就像一個無情的刷題機器，只要給的數據夠多，他就能回答一些試卷內的問題，但對于知識的理解、邏輯來說，模型沒有任何進步。
吳恩達曾經提出二八定律：算法工程師應該把80%的精力用在收集、清洗數據上，剩下的20%才是研究模型。
這樣的話，對于專門研究模型的科研人員來說，被數據支配的感覺太不友好了！
其實AI仍然是一個有巨大潛力的應用領域，深度學習將模型性能抬到了前所未有的高度，語音助手、智能推薦、人臉識別等等都在讓生活變得更方便。
但任何事物都有缺陷，你覺得人工智能「惹人嫌」嗎？
參考資料：
https://www.reddit.com/r/MachineLearning/comments/t45n67/d_quitting_machine_learning_for_good/
編輯：黃飛
工商網監
評論