學術界和工業界如何選擇

『壹』 為什麼說一個國家學術界的水平決定了工業界的水平

最近網上很多人在詬病大學里的博士，教授解決實際問題的能力不足，一到現場遇到實際問題，往往是眼高手低，在現場的工人師傅眼裡並不能服眾。在萬文籌劃看來，這已經引發人們對高校科研「實用性」質疑，國家每年投入那麼多科研經費，除了發表的SCI論文越來越多，到底能解決多少實際問題？到底能為國家的科技發展起到多大的推動作用？到底有多大意義？

老實說，這一系列問題實在太復雜了，不是三言兩語就能說清楚，而且也不是我能回答了的。但這並不妨礙我從某一個角度，以自己的一些切身體會，談談自己的理解。

首先，面對這樣的一個情況，高校以搞基礎研究為主的，善於發表高水平SCI的教授學者，通常瞧不起那些搞應用研究，不太容易發高影響因子的學者，這里當然也包括工業界很多搞應用的科技人員，理由是他們搞的那些東西太沒技術含量，水平相比太低。另一方面，那些搞應用研究為主的學者則認為，發再多SCI有什麼用？紙上談兵而已。這里的問題其實是大家對基礎研究和應用研究的關系問題的爭論。到底哪個更重要？這里我不想談了，因為單純把這個關系拿出來，稍微受過學術訓練的理解起來都不是問題。我想說的是，我們換一個角度想，對調一下，讓那些擅長發高影響因子的教授學者去做應用研究，讓那些擅長搞應用，解決企業實際問題的工程師類型的科技人員去搞基礎研究，去發SCI，會怎麼樣？

這樣一個假設，一個換位，會有一個怎樣的結果呢？很多人可能會看笑話，這兩撥人馬可能，都會不適應，都會抓瞎，甚至出洋相。當然，這只是一個假設，並不是要強制執行。然而，我們再進一步設想一下，一旦這個假設強制執行，也就是必須從自己擅長的領域出來從事自己不熟悉的研究，否者就沒飯吃。目的是讓大家發揮最大的潛能做這個實驗。我猜想的結果是，無論是搞基礎研究的，還是搞應用研究的，只要是本身素質足夠好，是搞科研的那塊料，同樣會在自己不熟悉的領域做的出色。相反，一個領域做得平平淡淡，換個領域就一下子做到最頂級，這樣的概率不能說沒有，應該很低。因為任何領域，入門可能會相對容易，但要想達到一個很高的水準，靠得還是自己的能力，自身的科研素養。

『貳』 計算機科學學術界，和相關領域工業界的工作內容有什麼不同

任何學科學術界和工業界（包括技術實現與工程設計與實施）的區別都是銀鄭襲一樣的：
學術界主要負責從理論上（通常是數學推導）論證一種認識的正確性，比如建一鋒兄座樓房，它的地基需要能夠承受哪些方向的力，推導出計算各自的最小值的近似公式等，而工業工程界則根叢困據理論公式去計算，然後建造出滿足設計要求樓房來。

具體到計算機學術界，他們則是研究跟計算機軟硬體以及利用計算機信息處理、人工智慧等相關的理論；而工業界則是依據理論來設計或實現計算機軟硬體系統或者各類的信息處理系統

『叄』 學術實驗室和工業實驗室區別

學術界的科研更多的是Novelty驅動，工業界的研發更多會以是否Work、高效而驅動。
學術界的科研更多的是Novelty驅動。一般看到的論文分兩種。一是對於已有問題，是否有一個好的想法能夠啟發他人，是否通過這個好的想法能在公認的數據集上獲得領先的結果。因此，在剛有deep learning方法的時候，各種簡單朴實的方法，看上去都是新的好的想法，能夠啟發他人，也能在各種數據集上獲得不錯的結果。比如第一次看到Fully Convolutional Network，感覺全卷積網路做分割問題就非常inspiring呀，感覺自己道理上應該也能想到呀，就是沒總結的這么到位過。在NIPS Faster RCNN發表前，同師弟在辦公室也在討論類似的方案，想著開完CVPR回來試，結果過了幾天，arxiv上就刷出了做的更完備，考慮更周全，實驗也非常solid的方案，真是自嘆不如。但是隨著時間的推移，越solid的結果就會意味著更多的實驗算support，比如我們自己做過的很多比賽方案都是大量實驗中大浪淘沙的部分，由此，這也變成了很多人啃過的硬骨頭，攻克的難度在逐步提升。新方法因為已有了非常多的排列組合，也會慢慢變得復雜或套路化，能激起researcher普遍欣賞的感覺就越難。另一種是創造新問題，是否能夠發現新的，有意義的問題點，幫助後來的同學找到更多值得做的課題。這個方向上，比如之前的Fine Grained Classification，Instance Segmentation等，到近期大家推的cognitively inspired AI，self-supervised的方法，都是類似思路。每次開會大組或者大公司試圖構建個dataset，辦workshop、tutorial，也都是類似的想法。但是這里有個trick，歷史以來大組大牛創造新問題影響力大，越不知名的實驗室即使推同樣的東西也難有人follow。原因自然會有不同團隊本身視野的差異，更多的也在於科研本身也是要拼影響力的。影響力本身就是一團隊長期沉澱的能力背書，能進入這樣的團隊本身也代表了較好的reputation。當然，學術界科研另一個重要點是要會講story。如何用簡單容易聽懂的語言讓讀者更明白你的思路，且通過詳實的實驗認證它的可靠程度。這個技能點其實很重要，即使是在工業界工作中也如此。在工作中非常明顯的能夠發現讀過PhD的同學相對更會present工作，這樣能夠讓你partnerleader、和甚至你的團隊同學更容易了解和知道你的思路，更容易得到工作上的認可：)工業界的研發更多會以是否Work、高效而驅動。拋開要把model訓得很有novelty，我們就可以嘗試更多更樸素的思路，即使調loss weight調lr調augmentation，只要能漲點都是好的經驗。因此做起實驗來會更少束縛，長期的積累中也是會發現各種不novel的knowhow中一些閃光點。如果有好的leader輔助，也是可以總結成不錯的research工作（因此大家就會發現商湯各個團隊每年都發非常多的paper）。工業界研發另外不一樣的部分是，需要遇到很多多人協作，知識傳承的部分，與實驗室做research單打獨斗不同，一個好的代碼風格，一個好的開發流程，以及能夠完整的記錄你的思路和實驗過程的文檔，都是顯著提升團隊生產力的關鍵點。最近會經常發現，不少成績好做研究的同學都缺乏基礎的代碼以及開發相關的培訓，這一方面同學校的基礎教育的內容不太跟得上變化較快的開發模式，另一方面這也與做research時，大部分同學只需要自己看懂自己和師兄的代碼有關。在校期間如果能多嘗試參與一些開源社區的開發，給好codebase（比如吹一波mmdetection）多貢獻幾次代碼，相信會對此有更深的理解。工業界將問題實際做work，也會遇到更多從系統搭建開始的深坑，這些看似dirty的工作實際上是整個系統能夠work的核心。這些是在學術界做research不大會遇到的（畢竟大家都是從前人做好的database起步）。舉一些簡單的例子，選什麼攝像頭接入、解決攝像頭驅動問題、調攝像頭ISP得到一個更好的成像質量、怎麼給圖片打tag獲得准確的時間戳、不同設備之間怎麼共用同一套時間體系、怎麼設立數據標注原則（電線桿後的人標不標）、怎麼高效的自動做數據的篩選...... 所以很多同學來公司實習，也會接觸到不少這類型的工作，這其實是業界最valuable的部分，是從頭做好一件事的前提。所以總結一下，學術界的科研和工業界的研發各有各的特點，看你自己長期的興趣更在突破技術的邊界，還是更在希望利用已有知識實現實際領域的應用。長期看，去做自己最感興趣的工作，才是最重要的

『肆』 學術界與工業界收入差很多嗎

其實在我看來學術界和工業界的收入差別肯定是有的，有教授說過，學生畢業的薪資就比自己的高，這是事實，學術界由於制度繁瑣、收入較低、技術落地性差等原因已呈現出一定弱勢；而作為工業界，它們靈活的用人機制、財務機制、創新機制，使得工業界成為了更富吸引力的土壤。

所以說，這些就是我所看到的差距，而這就引起了一系列的反映，導致學術界現在越來越薄弱。