[[409573]]

本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯(lián)系出處。

帶著滿腔熱血讀了博，到頭卻發(fā)現(xiàn)自己學術天分不夠？

看著別人做頂會收割機，自己卻一篇論文都沒發(fā)？

而且研究不出什么新方法，只能天天搞搞應用？

不知道讀博的你是否有這樣的煩惱。

Reddit上一位機器學習在讀博士可是迷茫得不行，想知道沒有學術天分的他該如何完成博士學位。

“搞學術肯定沒戲”

這名博士的主要研究方向是計算機視覺和自然語言處理等深度學習技術。

他自稱自己不是優(yōu)等生，實驗室也一般般，只發(fā)過一些邊角期刊沒有頂會。

因此學術貢獻平庸，沒有研究出來什么大的創(chuàng)新點。

做的最多的是一些將現(xiàn)有方法重新用于不同領域的工程，而非研究。

比如將ResNet用于醫(yī)學成像或用transformer做音樂分類。

而之所以這樣是他覺得自己和其他人相比，數(shù)學背景太差，別人的論文又讀不進去看不懂，連矩陣的秩是什么都講不清楚，更不用說如何用它。

他深知自己肯定沒法在學術領域取得成功，但又覺得自己還算擅長應用，所以以后想直接就業(yè)，不搞研究了。

但現(xiàn)階段，他還是希望能干點成績，不想只是“我將某個方法應用于某個數(shù)據(jù)得到了稍微好一點的結果，所以我發(fā)布了它”。

所以他想知道如何完成博士學業(yè)，做一些并非單純增量和應用的貢獻。

或者周末可以干什么副業(yè)？

不是每個博士生都能有出色成果

看到他的真誠提問，不少人表示，我的手已經學會自己發(fā)帖子了？

果然，很多在讀博士都在苦苦掙扎啊。

有人寬慰道：攻讀博士期間自我懷疑很正常。但你要知道，博士期間能作出很出色貢獻的人都是鳳毛麟角，是例外，大部分人都平平無奇。

因此，不要和別人比較，只和昨天的自己比。數(shù)學不好也沒事，又不是每個人都是陶哲軒（著名數(shù)學家），每個人都要獲得過菲爾茲獎。

如果你真的想做出點成就，不要放棄，繼續(xù)尋找機會（感興趣的數(shù)據(jù)、課題和人）。博士學位只是學術生涯的開端。

而且大部分大多數(shù)博士生所做的并非提出全新的方法，而是確認或否定其他人的觀察結果。因為如果每個人都一直在提出新的東西，誰來驗證這些方法到底有沒有價值。

另一位博士補充道，確實很多課題做的都是采用現(xiàn)有方法，加以修改以使其適用于另一個數(shù)據(jù)集的研究。

畢竟就算你提出了一個全新的方法，如果你的實驗室地位一般，能不能“廣為人知”然后被人研究可用性都難說呢。

另外他認為目前ML的理論沒有取得巨大突破，以LSTM和CNN為例，它們都已有超過25年的歷史。因此他的觀點認為幾乎所有研究都是增量，目前大家也只能多在這方面繼續(xù)耕耘。

并且應該多投投期刊，看看專家對你的研究的拒絕理由也會有啟發(fā)的。

針對提問者覺得自己數(shù)學不好的情況，有人扔了鏈接，通過看里面的論文、演講、教程來學習關于ML相關方法的數(shù)學知識。

離開學術界進入Industry也挺好

以上就是大家對提問者如何完成博士學位的建議，不知道提問者和大家看了會不會感到輕松一點。

至于以后進入Industry還是留在Academia，很多現(xiàn)身說法的過來人表示：學術工作并不適合所有人，離開它去工業(yè)界挺好的。

畢竟那里的工資挺高且競爭力也沒有那么強。找一家需要線性回歸/隨機森林模型、薪水高、工作量低、生活質量高的公司應該很容易。

不少人也都覺得樓主很適合去工業(yè)界，因為利用現(xiàn)有技術解決現(xiàn)實世界問題在工業(yè)中非常有價值。

“將某個模型應用于某個數(shù)據(jù)集獲得稍微好一點的結果”也正是工業(yè)界需要的。

如果你能以稍微新穎的方式應用理論算法，為高頻交易、石油勘探、保險風險、癌癥檢測或不撞車等現(xiàn)實應用產生一個稍好的結果，這對整個行業(yè)來說都是一個巨大的勝利！

因此，大家建議這位博士可以畢業(yè)以后就去找一份高薪/低工作量的數(shù)據(jù)科學工作。

然后花空閑時間做一些感興趣的技術工作并開源/發(fā)布。

最后他就能獲得比學術界更多的經濟和技術回報。

何樂而不為？

并且很多離開學術界的人也都沒有后悔，這甚至是他們做過的最好決定。

沒有比這更快樂的了。

你怎么看？博士畢業(yè)的你選擇學術界還是工業(yè)界？