Rethinking算法实习生

开篇老规矩，先介绍故事背景：本菜鸡来自国内某末流985渣硕，拿到了澳洲博士Offer，由于新冠疫情原因，硕士毕业后暂时被gap在国内。闲来无事，便去杭州某大厂找了一份研究型算法实习生工作，目前刚入职不到一个月，负责部门内新算法的研发与设计，对接落地难题，偏前瞻性的研究侧工作。本文记载了自己入职以来的一些所闻所感，供各位大佬品鉴，不足之处还望多多指正。

通常在研究为主要导向的部门，例如：腾讯AI Lab、阿里巴巴DAMO、小米AI实验室、滴滴研究院、美团影像实验室等，是全公司高学历人才最密集的区域，动辄211、985院校起步，清北和海外学历也实属不足为奇（当然也存在我这种铁混子种类）。

作为公司的前瞻性预研链路中所必需的研究型人才，往往需要充分结合工程项目中亟待解决的落地难题进行技术层面的抽象，并能够通过自身过硬的技术本领，将其具体化为研究性质的科学问题。此外，对于大多数AI公司的原始数据样本是脏乱且高纬的，处理起来可谓相当棘手。这个过程需要工程型算法工程师去实现数据收集、数据清晰、结构化、模型复线、紧张刺激的Debug阶段、模型重新训练、研究Bad Case、炼丹、重新研究Bad Case、再次炼丹、重新研究Bad Case、再再次炼丹…..

而对于资金链充裕的AI公司来说，AI实验室自身的定位更偏向于“探索难题”，充当了中流砥柱的开路先锋角色。得益于此，公司背后的影响力也会因为科研实力而水涨船高，因此诸多公司寻求与名牌高校的顶尖实验室跨界合作。但是，碍于近年来国际整体经济形势下行，多数AI实验室转向业务寻求生存（PS：据有限的了解国内仅有微软亚研院独树一帜的苦苦支撑原始信念）。现在研究型实验室的工作日常是：从业务需求出发，寻求潜在解决方向，调研潜在解决方案，上机刷模型，写论文，重新刷模型，修改论文，反手再刷模型，再修改论文，如此往复一万遍。

从高校走向公司，最大的感受就是工作强度和效率明显提升了，可能是周边的人太过于优秀，一种隐形压力不断的推动着自己向前跑。同时，在公司里给自己独立学习的时间变短了，新需求的提出和新知识的补给往往不是同时触发的，需要自身有足量的知识储备和知识迁移能力，需要对于新知识的接受和学习能力需要更加过硬。

在攻读博士学位前的这段时间里，接触业界的好处就是使自身对于领域内的发展有了更为深层次的独特认知，清晰知道未来的自己需要什么，需要在哪个领域去专研，需要在哪些地方提升自己的硬实力。

这段Gap时间，给了自己更多独立思考和独立科研的机会，也给了自己快速成长的时间。希望25岁的我，学成归来，仍是少年。

2021年7月，于杭州