|
一方面我是今年的应届毕业生，也面了几家公司；另一方面我在拿到return offer之后，也部分地参与了我实习所在公司今年的秋招；所以大概可以提供一个兼顾双方的视角。提前声明，我的描述只适用于部分985中上等高校学生和部分一线AI公司算法岗位招聘现状，如有不妥之处请大家指正。 概括而言，两种略显矛盾的供需不平衡同时存在，而且都很严重。一方面，有海量的同学跟随这股AI大潮转投算法岗，收到的简历量几乎是headcount的数十倍。另一方面，即使不断被HR小姐姐们要求降低录取bar，本着宁缺毋滥的原则，计划的headcount依旧用不掉。 于是展示在大家面前的现象就很有趣。学生群体里，大概都是如下的情绪：「kaggle类比赛打了一堆，连面试机会都拿不到」，「实验室里做的东西，怎么面试官都看不上」，「算法题也做不出来，数学题也做不出来」。 而researcher这边，完全是另一种反馈：「项目都是拿人家code来跑的，别说魔改了，code都没读明白，一问就露馅」，「没paper没项目就只能问你算法和数学了，再答不上来那培养成本也太高了」，「有不少也就刚够intern的bar，这full-time怎么再往下调bar啊」。
我认为这种现状是和AI领域的发展状况有关系的。现阶段的AI，尤其是Deep Learning，某种程度上是一个易上手难精通的东西。网络上有丰富的电子书、公开课、blog、code等资源可以帮助一个人入门DL，但看过一篇blog->看过原paper->跑过原code->通读过原code->从零复现过原paper，仅仅到这里，这个人和一开始就已经完全是两个水平了。而大多数人还没到这里就已经被淘汰掉了。同事面试时经常会遇到做keypoint但搞不清OpenPose细节，做detection连NMS都写不出来的学生，这样的学生也别怪竞争激烈，确实是没法要。 然而即便是做到这里都不一定意味着这个人能满足一线公司的需求，可能也就刚刚达到一线公司愿意给你个internship开始培养你的程度。一线公司需要的是能快速跟进业界新方法，并能根据产品线作出针对性改进的人。想达到这个能力，可能要阅读>50篇paper打底，且要么在实验室里扎扎实实地跑过一两年的实验，要么在公司里扎扎实实地锻炼半年以上；单凭做几场比赛拿个Top30，跑几个demo，是绝对达不到一线公司的需求的。 而且国内的高校除了几个实验室之外，大多数组里做的东西都很水，在一线公司researcher眼里就是搬不上台面。一方面，很多经费不充裕的实验室一个人只有一块GPU可用，甚至要几个人分时段用一块GPU，而多数一线公司research团队早就可以给intern配备4卡以上的计算资源了（比如我就经常独占几十块卡跑实验，我还不是用得最多的intern）。另一方面，即使是985中上等高校的很多实验室，无论是教师水平还是学长水平都too simple，sometimes naive，学生经常得不到准确和及时的指导。几个月下来，对自己做的项目的理解依旧令人捉急，这样积攒来的稚嫩经验显然是很难满足业界需求的。至于那些有知名度的实验室出来的学生，一线公司都是常年盯着，定向抢人，根本不愁出路。 因为DL的理论跟不上实践，很多东西其实是没有标准答案的，一线公司的research团队都积累了大量的经验性结论（包含但不仅限于调参）；倘若学生没有一定量的实践经验，是很难招架得住面试官的几轮追问的，而这个经验限于高校教育水平和硬件条件，不是那么容易积攒的。但另一方面，倘若在面试过程中学生体现出了他是科学地设计了他的项目，从motivation到experiments都很有条理，有一定的思考深度和实现难度，能合理地评价实验中的pros&cons，是一定能得到面试官的青睐的。
我也思考过简历上的哪些东西可以切实地打动面试官。能做到以下至少一条的基本不用担心offer的问题；都做不到的并不意味着拿不到offer，但可能就是borderline的评价，淹没在茫茫人海中，要在各家公司的waiting list里徘徊一阵。 - 在某个子领域手握有含金量的顶会paper（最好是一作），或在比赛中做到接近state-of-the-arts水平；这类人总能扫荡special offer。我这里要表明一点，Kaggle和天池一类比赛除非拿到Top5，否则很难吸引一线大厂关注，因为这种比赛平时就很难吸引到该领域最强的那批人参加，大佬们随便拿个baseline都能Top10起步。但如果是顶会workshop这种级别的challenge（比如COCO），Top5乃至Top10的含金量都会高很多。
- 专攻某个子领域半年以上，且与面试的组的方向比较契合，了解该领域的最新进展，能复现常见方法并理解细节，对该领域的常见套路有自己的见解，能对该领域的新方法做出一定程度的评价，如果有paper不能是太烂的会议期刊。方向契合非常重要，一个做Detection的组多半是不会招做压缩感知的人的；目前一线公司多数产品线也不太需要做semi-supervised的人，因为一线公司主流业务的数据量都很大，远比实验室要大。
- ACM银牌中上游起步算法水平的本科生，同水平数学类竞赛奖项也有说服力。统计结果表明，同样是没什么有说服力的项目经历的人，培养一个数学水平高或算法能力强的人要容易很多。如果是研究生，那还是需要有一些靠谱的项目经历才行。
你会发现，能做到这些的人都已经是学生们口中的大佬了，数量真的不多，各家公司都在抢，甚至一家公司里不同组都会抢，根本填不满headcount；而且这批人基本在提前批就被一线公司捞干净了。 而更多其他的人，都处在borderline和weakly reject的水平；这也没办法，公司确实需要高于这个水平线的人。一个简单的例子，我所在的组里，如果是一个比较成熟的领域，经常是周一有个需求，周二拿出个方案，周四就要给出一个初版结果，根本不会有实验室里花半个月吭哧吭哧调模型的时间；没有上述水平垫底，怎么做得到呢？ 而上述标准各自往下调，基本就是招intern的bar了；能做intern的时间越久，这个bar就越低；基本上每多3~6个月的实习期，bar就可以多往下调一档；当然也是有个底线。
关于顶会paper的事情额外多说一点。这些年顶会投递量大幅增长，但accept比例基本保持不变，再加上paper过多导致reviewer数量不足、质量也良莠不齐，这些因素叠加在一起导致有顶会paper不再是稳定的offer收割机。 面试就像现场rebuttal，现在面试中已经出现了不少虽然有顶会paper，但要么motivation很模糊，要么idea经不起推敲，要么experiments不完善甚至不科学，要么没有排除很多因素的影响，要么对比数据有猫腻，根本经不起追问。所以我上面强调有含金量，不能太水，更重要的是，要有自己的思考，而不是别人喂了你一个idea挂了个名就完事了。我被面试过很多次，也面试过很多人，相信我，一篇paper、一个项目，里面有多少干货，自己的实际贡献有多大，在面试时很容易就能试探出来。 而且不要坐井观天。有些人在很多国内高校实验室里做出来的东西，中了个CCF B/C类会议，或者侥幸中了个A类，觉得很满足；可是由于环境水平限制，没有对比，不知道自己做得其实有很多不足甚至硬伤，结果拿出去面试时被秒杀，然后在网络上在生活中宣扬面试问得太深太难，这种现象我也是见过几次了。而实际上，哪怕你做过的东西真的有很多不足（这很正常，谁还没个起步阶段），但倘若在面试时能表现出对自己做过的东西有清醒的认识，有正确的复盘，面试官是不会轻易否定这样的人的。 在一个优秀的环境里时常被大佬们challenge，其实是一种幸福，水平提升会非常快。积攒的干货多了，即使没有顶会paper又怎么样呢。
如果一线AI公司算法岗位暂时够不到，或者还剩一两年的时间打算冲击这样的岗位，该怎么做呢？我想这就像摆在你面前有一个你想够但是够不到的台子，你要做的就是搭一个梯子逐步地（而非一次性地）爬上去。 首先还是夯实基础。现在很多高校计算机系的数学和算法课程水到令人发指，跟着老师上完一学期课拿个75分的水平，跑来搞AI基本是不够用的。书该看就看，题该刷就刷。 挑实验室选导师要慎重。如果在一个实力不错的实验室，那就好好跟着老师干。这里实力不错的定义是实验室每年能稳定输出顶会paper（且不是凭借某个大神学长，而是实验室整体实力使然）。要是做不到，就尽可能出来实习，不要浪费时间精力在没有意义的项目上。要相信导师不放人并不是完全不可克服的阻碍。找不到太好的实习就先找一个次一点的实习，一点点提升。 尽可能专注于一个方向，不要方向ABC各做3个月，多数情况下都不如只做6个月方向A。如果可能，尽可能做基础的方向，做与业界需求贴近的方向。比如如果你做Detection的，那以后无论是Face Detection还是Text Detection你都能比较容易地上手，让你转做Segmentation也不会吃力，让你做Tracking也不会很难。学术界做的很多东西和工业界还是有差异，如果你很早就想好了要进工业界，那还是早做打算。 如果算法不太行，还想靠近AI行业，其实也有不少路可走。工程类岗位每年也有大量需求，DL框架的优化，分布式训练平台的开发，ARM/FPGA/ASIC平台的适配……有很多事情可以做。data management和QA类相关岗位也有不少需求，而且虽然要求不高但愿意干的人少，竞争还小。 无论是做什么方向，包括但不限于AI岗位，解决问题的能力、持续学习的态度、独立思考的意识，永远是最值钱的。具备了这些，没有什么技术类工作是永远够不到的。
update： 加个广告，旷视研究院Detection组常年招收full-time & intern，本组研究范围定义为category level的一切task，涵盖且不限于Detection、Segmentation、Keypoint、Skeleton、Tracking等，包括2D、3D、Video，近两年拿了COCO冠军若干项。有意者可投简历至yugang@megvii.com或wangjianfeng@megvii.com。对其他组、其他方向、其他岗位有兴趣者同样可以发简历过来。 （下午2点20发） | 
转播
