本文分享自百度開發者中心Rethinking算法實習生

開篇老規矩，先介紹故事背景：本菜雞來自國內某末流985渣碩，拿到了澳洲博士Offer，由于新冠疫情原因，碩士畢業后暫時被gap在國內。閑來無事，便去杭州某大廠找了一份研究型算法實習生工作，目前剛入職不到一個月，負責部門內新算法的研發與設計，對接落地難題，偏前瞻性的研究側工作。本文記載了自己入職以來的一些所聞所感，供各位大佬品鑒，不足之處還望多多指正。

通常在研究為主要導向的部門，例如：騰訊AI Lab、阿里巴巴DAMO、小米AI實驗室、滴滴研究院、美團影像實驗室等，是全公司高學歷人才最密集的區域，動輒211、985院校起步，清北和海外學歷也實屬不足為奇（當然也存在我這種鐵混子種類）。

作為公司的前瞻性預研鏈路中所必需的研究型人才，往往需要充分結合工程項目中亟待解決的落地難題進行技術層面的抽象，并能夠通過自身過硬的技術本領，將其具體化為研究性質的科學問題。此外，對于大多數AI公司的原始數據樣本是臟亂且高緯的，處理起來可謂相當棘手。這個過程需要工程型算法工程師去實現數據收集、數據清晰、結構化、模型復線、緊張刺激的Debug階段、模型重新訓練、研究Bad Case、煉丹、重新研究Bad Case、再次煉丹、重新研究Bad Case、再再次煉丹……

而對于資金鏈充裕的AI公司來說，AI實驗室自身的定位更偏向于“探索難題”，充當了中流砥柱的開路先鋒角色。得益于此，公司背后的影響力也會因為科研實力而水漲船高，因此諸多公司尋求與名牌高校的頂尖實驗室跨界合作。但是，礙于近年來國際整體經濟形勢下行，多數AI實驗室轉向業務尋求生存（PS：據有限的了解國內僅有微軟亞研院獨樹一幟的苦苦支撐原始信念）。現在研究型實驗室的工作日常是：從業務需求出發，尋求潛在解決方向，調研潛在解決方案，上機刷模型，寫論文，重新刷模型，修改論文，反手再刷模型，再修改論文，如此往復一萬遍。

從高校走向公司，最大的感受就是工作強度和效率明顯提升了，可能是周邊的人太過于優秀，一種隱形壓力不斷的推動著自己向前跑。同時，在公司里給自己獨立學習的時間變短了，新需求的提出和新知識的補給往往不是同時觸發的，需要自身有足量的知識儲備和知識遷移能力，需要對于新知識的接受和學習能力需要更加過硬。

在攻讀博士學位前的這段時間里，接觸業界的好處就是使自身對于領域內的發展有了更為深層次的獨特認知，清晰知道未來的自己需要什么，需要在哪個領域去專研，需要在哪些地方提升自己的硬實力。

這段Gap時間，給了自己更多獨立思考和獨立科研的機會，也給了自己快速成長的時間。希望25歲的我，學成歸來，仍是少年。

2021年7月，于杭州

點擊進入了解更多前沿技術資訊~~

總結

以上是生活随笔為你收集整理的Rethinking算法实习生的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。