论机器学习领域的内卷：不读PhD，我配不配找工作？

机器学习内卷了吗？

「没有博士学位，在机器学习领域就业会变得越来越难吗？」最近，一个 Reddit 热帖引发了大量讨论。

对于单个研究者、从业者来说，毫无疑问，机器学习领域确实「卷」起来了。这几年来，仿佛每个人都在搞机器学习，在这个领域取得博士学位的人也急剧增加。

一方面，AI 技术的高速发展并走向落地，创造了大量与机器学习有关的岗位和工作内容；一方面，大量人才的涌入，让这个领域的就业门槛被不断抬高……

有人说，人工智能将成为下一个「天坑」专业。身处浪潮之中，我们如何自处？

博士学位和 ML 工作的关系

根据发帖者的描述，发帖人认为从事机器学习的研究者太多了，如果没有博士学位，可能很难找到工作。对此，有网友表示，「这取决于机器学习相关工作的增长速度是比 ML PhD 增长速度慢还是快。但是，并不是所有的 ML 工作都需要 PhD。比如 ML 工程师工作，他们更关注 ML 模型的基础和部署，而不是开发。」

「与此同时，自动化工具和 AutoML 平台正在创建中，目前许多正在招聘 PhD 的公司可能不再需要专业知识很强的研究人员。在未来，从事 ML 工作的 PhD 很可能会为那些构建自动化 ML 平台的公司工作。」

也不是所有机器学习领域的工作都需要博士学位。机器学习领域的工作和企业种类繁多，实际上很难一概而论。最终结果取决于所从事工作的类型：

创造一种新的机器学习方法，代替 CNN、Transformers 等，主要产出是专利或发表的论文；
只是在不同数据集上使用机器学习模型，主要产出是某个数据产品（恰好开发过程中使用了机器学习而已）。

如果是前者，那这个团队确实需要几个协作推动研究的博士；如果是后者，就不一定了（尽管理想中程序员最好也具备读论文的能力）。

不唯学历论

可能大家都认为，学历高了，自然就好找工作。但是对于没有博士学位的人，工作状况又如何呢？有网友表示，「我现在的工作以及以前的工作都要求有 PhD。虽然我没有，但两个公司都接受了我。我有个朋友 ta 的公司也要求有 PhD，同样，他也没有。」

「公司会雇佣那些他们认为能够填补团队技能缺口、帮助完成工作的人，但这并不意味着有 PhD 不是一种优势。拥有 CICD 经验是一种优势，拥有领域知识也是一种优势…… 公司想要雇佣哪种员工，取决于这个人给团队带来的价值。」

「我雇佣数据科学家，我真的不在乎有没有 PhD。可以将有无 PhD 进行混合，这样会更好。我发现 PhD 不太愿意去做那些在工业上大量应用 ML 工作。他们更倾向于学术上的内容、创造性低。这是因为他们可能更依赖于学术和既定的最佳实践，并且年龄相同但具有丰富行业经验的人可能会更加务实。因此将 PhD 和非 PhD 混合使用非常有用。」

换个具体点的角度来说，从人才招聘的操作上看，世界上肯定会有很多没有博士学位的卓越人才，但 HR 为什么要费更多的精力去寻找这些人，而不是直接在丰富的博士人才库挑选呢？

「有趣的是，每当讨论类似问题时，都会有讨论试图列出大量证据，表明自己遇见过哪种不靠谱的博士。但当我们搜索机器学习领域的好工作时，仍然发现博士学位是首选。」

在这个帖子的下面，还有不少网友给出了自己的看法和建议。如果你有更好的看法，欢迎在评论区与我们分享。

参考链接：

https://www.reddit.com/r/MachineLearning/comments/mgf9tf/d_if_the_number_of_machine_learning_phd_graduate/

入门博士机器学习

相关数据

机器学习技术

机器学习是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。

来源：Mitchell, T. (1997). Machine Learning. McGraw Hill.

人工智能技术

在学术研究领域，人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体（intelligent agent）

来源：Russell, S., & Norvig, P. (2003). Artificial Intelligence: A Modern Approach.

数据科学技术

数据科学，又称资料科学，是一门利用数据学习知识的学科，其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术，包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

来源：维基百科