作者丨蛋酱

来源丨机器之心

DeepMind 研究科学家和大学终身教职，极限二选一，你怎么决定？

「和 Deepmind 这类顶级公司的研究科学家职位相比，成为终身教授有什么意义？」两天前，一位 Reddit 用户在社区提出了这个疑问。

这确实是个好问题。过去十多年间，一些研究者离开学术界，尝试在工业界寻找更多的机会。也有一些研究者在工业界发展数年之后，选择回到学术界。这些选择背后，到底是什么因素在起到推动作用？

这位提问的用户表示，似乎业界在 ML/CV/NLP 领域的探索方面处于引领地位，很多突破都是在企业取得的，而不是在高校。此外，业界能支付的报酬要高得多。最重要的是，教授们没有太多时间进行自己的研究，因为他们忙于申请经费、做行政工作、教学以及为学生提供指导。像 Deepmind 这样的公司似乎为他们的研究科学家提供了相当多的自由。

如果说，当进入工业界在各个方面都更好，那么成为终身教授有什么意义呢？

在这篇帖子的评论区，我们发现了很多有趣的结论。

DeepMind 只是个例外

用户「Random Tensor」分享了自己能想到的「学界的优势」，从叙述内容分析，这位用户应该是来自高校。

我能想到的一些好处是：

• 与学生互动：有些人发现教学非常有意义，作为教授可以从众多的硕士研究生和本科生身上汲取灵感，进行合作或指导。

• 可以解决更深层次的问题：我与 Google 进行了一些合作（回报较高），但我发现对于与可货币化不太密切相关的问题，例如数学理论，几乎很少受到支持。

• 与其他领域的密切合作：如果你在大学里，周围会有很多领域内的顶尖专家。在这种环境下，发现好的新合作要容易得多。

• 博士课程：至少在美国，通常在获得学士学位后开始攻读博士学位。这意味着博士生导师可以通过指导课程和研究，真正引导学生成为某个领域的专家。如果你要加入两个高度深入的技术领域，比如将边缘计算复杂性理论与深度学习相结合，你需要一个精力充沛的年轻人来加入这些领域。我听有人提到过一种说法，需要一个博士生来架起两个领域之间的「桥梁」。

也有人分析，从业界整体情况来看，DeepMind 提供给研究者的氛围和条件已经算是比较理想的了。

「DeepMind 似乎是一个罕见的例外，这家公司更像是一个研究实验室，而不是一家公司。他们有更多的自由度进行探索，包括那些不会给公司带来直接利益的研究领域。」

用户「Random Tensor」回复：「或许是这样的。我与 Google 合作的项目也无法立即获利，他们需要在某些 Google 产品中表示出未来的潜在用途。公平地说，这在学术界也很常见，经费更优先授予对社会具有潜在未来用途的项目。但是对于学者来说，这些东西往往各方面都更加发散，进行的是更广泛的研究。例如，我在 Deepmind 没有进行多少纯数学（统计学习理论）的研究。」

而且有人认为，「很多突破都是在企业取得的，而不是在高校」是个伪命题，实际上，最好的理论突破都是在高校诞生的。

终身教授现身说法

此外，还有一位美国大学的终身教授匿名分享了自己的「躺平」生活：

我是美国某所一级大学的终身教授。我不擅长机器学习本身，而是在一个相邻的领域。但我也涉足机器学习领域，如果我愿意（我的许多学生都这样做），我可以肯定地获得一份行业 ML 工作。我可以从个人角度回答你的问题。

首先，从生活方式的角度来看：

我的基本工资为 13 万美元，加上暑期津贴之后通常接近 15 万美元。我住在美国一个物美价廉的地区，我的配偶也是一名终身教授，二人薪水大致相同。我们赚了足够多的钱来过我们想要的生活，并且积极地储蓄。我觉得很富有，虽然我可以在工业上赚更多，但老实说，我不需要更多的钱了。

那么，这份薪水对我有什么要求？几乎没有，因为我是终身教职。我每学期教一门课，每周有几个小时的行政工作。除此之外，我可以自由地做任何我想做的事情。大多数时候我会在 9:30 左右上班，经常在 4 点前离开去托儿所接儿子。我从不在下午 5 点以后工作。我经常随机休息一天去购物，或者带我儿子做一些有趣的事情或其他我喜欢的事情。如果有一天我感觉效率不高，我会放弃工作，走到大学的健身房，这太棒了。

我的家人每年大约有 2.5 个月在度假。每年夏天和我配偶的家人在海滩上呆一个月，和家人一起放两周的假，以及随机旅行到其他地方。

我们每四年有 6 个月的休假，会四处旅行，在一些美好的地方度过这段时光。所有这一切都有着无限期的保障。我大概率不会被解雇，根本不需要强调未来的工作保障。我有很好的医疗保险，而且我儿子的学费也并不高昂。

现在从专业的角度来看：

我喜欢我的工作。我喜欢每学期教授的一堂课。我正在写一本关于我热衷的主题的书，而我的大学帮助我找到了一个很棒的出版商。

你听到过很多，申请资金和管理一个大团队有多大的压力，但这不是许多教授的现实，尤其是终身教职。如果你在拿到终身教职后还过度劳累，那很有可能是你自己的问题。

我不觉得写更多论文或获得更多资金有什么压力。产量减少的唯一后果是，年底加薪从 4-5% 降到了 2-3%（注意：我们今年的加薪翻了一番多）。但我通常很高效，因为我喜欢我的研究。

我尽量让自己的研究小组人数保持在 2-4 人左右（我 + 博士生 + 博士后 + 本科生），这对我来说是完美的，这对于不经营 wet lab 的 stem 教授来说是非常常见的，我们并不是 Bengio。我不需要很多资金来支撑这样一个小团体。

当我有一个新的研究方向或我感兴趣的想法时，我会申请新的经费，在这种情况下，我喜欢写申请，因为它只是写出我脑海中漂浮的所有想法。我的申请成功率相当高（大约 40%），因为我只为我感兴趣的想法申请。

我可以从事任何我想做的研究。我的大部分工作都在同一个大方向上，但我有一些不同方向的有趣的旁支项目。我也有同事完全改变了研究领域。

基本上，我得到的报酬比我花的钱多，还可以做我喜欢的工作。

看完这位教授的分享，大家纷纷表示：「恭喜你，过上了自己梦想中的生活。」

但这位用户也提到，自己的工作有一些不足之处，比如地理位置不佳，很难招到好的博士生，所以也需要花费精力来完善自己学生的工作。此外，学生的工作津贴完全是由学校决定的，目前是每年 3.5 万美元。

不过，有人提到，终身教职也不意味着能够「划水」，特别是在机器学习这种竞争激烈的领域。

有人则从另外一个角度分析了学界的好处：

「你可以领导一个更理想主义和雄心勃勃的团队（博士生）。你可以更好地平衡工作与生活，尤其是在你获得终身教职之后。你可以和其他系的教授一起在校园里闲逛，可以做更多的跳出条框的研究。例如，我的导师曾经和国际政策、环境科学等领域的人一起做研究。而在工业界，你周围的每个人都是 ML 研究员。」

「就是这样。您可以与学生和其他学者在校园里闲逛。这是人们喜欢学术界的 90% 原因。」

不能一概而论

在评论区，也有博士生从「后来者」的角度分享了自己的观察：

我不够资深，无法透彻回答您的问题。但作为一名博士生，比起呆在我大学的实验室里，我确实更喜欢业界的暑期工作。这意味着更好的薪水和津贴，我的意思是我每天都能得到免费的食物和饮料，但在我的大学里，我必须从自动售货机购买。同时，公司的硬件支持至少不比我实验室里的差，而且通常会更好。我所做的工作与我在实验室所做的工作并没有太大不同，而且通常可以更快地对现实世界产生影响，而不只是一篇 arXiv 论文。

我认为这里有两件事值得考虑：

1、可以说，深度学习在 2012 年的 AlexNet 之后才开始产生影响，只有 10 年。科技公司在深度学习上的巨额投资甚至发生在更晚的时间。在美国，本科毕业后大约 6/7 年完成博士学位是很常见的，所以很多在热潮之后进入这个领域的博士生还没有毕业。我们会在以后看到业界和学界在就业上的差异。

2、我个人并不认为学界是在试图与行业竞争以获取人才。现状是根本没有足够的教职可供博士生选择。每年有一半的博士生从 PI 的实验室毕业，但很多 CS 部门每年并没有增加这么多教职员工。我认为大学很高兴他们的博士生能在毕业后获得好的行业实习机会。他们对仅出于某种原因自愿留在学术界的博士毕业生感到非常满意。我的 PI 有时半开玩笑地告诉我，我很适合留在学术界，所以我应该尝试一下，但我个人从来没有收到任何大学的招聘电子邮件。我不认为大学正在积极地试图说服那些想要获得业界职位的人。（这一点纯粹是我的猜测）

另一方面，我不会说业界「单方面」比学界更好。

这是根据我的经验总结的，但我认为行业研究员的学生并不总是比教授多，尤其是在秋季和春季。以工程为导向的 PI 通常在实验室中有 6 名以上的博士生，无意冒犯，但他们属于廉价劳动力，并且会承担一些非学术需求（例如维护实验室网站、在实验室中设置和维护硬件等）。我还没有见过一个行业研究员会在一个夏天带 6 个以上的实习生。

大型科技公司肯定拥有更强的算力，对于当今的基础模型研究来说，大学无法与其竞争。但通常情况下，你的研究不需要那么多算力，许多研究在资源有限的情况下能做得很好。与此同时，许多领先的大学已经或正在建设他们的 HPC 集群。虽然无法与谷歌匹敌，但对于非大规模研究工作来说已经足够了。

3. 同时担任学术和行业职位的情况并不少见。例如，LeCun 同时有 Meta 和 NYU 的职位。从他的推文来看，他在大学教课，并积极致力于 Meta 的各种研究。

最终，一位用户给出了本回合最精辟的评论：

「一旦你获得了教职，即使世界进入另一个 AI 寒冬，或者科技市场崩盘，都与你无关。」

对于这个话题，你怎么看呢？

参考链接：

https://www.reddit.com/r/MachineLearning/comments/wd7m64/comment/iiicsie/

本文仅做学术分享，如有侵权，请联系删文。

干货下载与学习

后台回复：巴塞罗那自治大学课件，即可下载国外大学沉淀数年3D Vison精品课件

后台回复：计算机视觉书籍，即可下载3D视觉领域经典书籍pdf

后台回复：3D视觉课程，即可学习3D视觉领域精品课程

3D视觉工坊精品课程官网：3dcver.com

1.面向自动驾驶领域的多传感器数据融合技术

2.面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态+多模态/数据+代码)
3.彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进
4.国内首个面向工业级实战的点云处理课程
5.激光-视觉-IMU-GPS融合SLAM算法梳理和代码讲解
6.彻底搞懂视觉-惯性SLAM：基于VINS-Fusion正式开课啦
7.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化
8.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)

9.从零搭建一套结构光3D重建系统[理论+源码+实践]

10.单目深度估计方法：算法梳理与代码实现

11.自动驾驶中的深度学习模型部署实战

12.相机模型与标定(单目+双目+鱼眼）

13.重磅！四旋翼飞行器：算法与实战

14.ROS2从入门到精通：理论与实战

15.国内首个3D缺陷检测教程：理论、源码与实战

16.基于Open3D的点云处理入门与实战教程

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

▲长按加微信群或投稿，加微信：dddvision

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、激光/视觉SLAM、自动驾驶等）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近4000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

圈里有高质量教程资料、答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~