一、職場中的三個重要階段

關于職業(yè)生涯路徑的思考，涉及到一個哲學問題：我從哪里來，要到哪里去？作為一名算法工程師，在職業(yè)生涯中一般會面臨以下 3 個階段的挑戰(zhàn)。

1、挑戰(zhàn) 1：學生到職場的轉(zhuǎn)變

這是所有職場人的必經(jīng)之路。在學校里，導師和學生之間關系相對簡單和單純；而在職場中，會遇到很多復雜的、先前沒有接觸過的事情。對此，有如下幾條建議：

① 在正式入職前參加至少一份實習，提前適應職場生活。

② 在職場中要保持好奇心，多和資深人士請教交流，少說多看多做。

③ 在職場中要保持學習力，注重基礎知識和能力的積累，并與職場實際問題結(jié)合。

④ 擺正心態(tài)，不要嫌棄 dirty work，在小事中也可以積累經(jīng)驗和 Credit。

2、挑戰(zhàn) 2：從 Junior 到 Senior 轉(zhuǎn)變

這也是大部分資深職場人士經(jīng)歷的成長路徑。以國內(nèi)大廠為例，騰訊的 Junior 職級大約是 6-9 級，大約對標阿里的 P5-P7，對應 Junior 工程師到 Senior 工程師的成長過程。這個階段正是積累業(yè)務本領和技術深度的重要階段。每個人在此階段經(jīng)歷的時間長短不一，取決于職場機遇、個人狀態(tài)和業(yè)務成長空間等。對此，有以下幾條建議：

（1）深入了解業(yè)務本質(zhì)?

相對于天馬行空的想法和研究，想法“落地”更重要一些。近期互聯(lián)網(wǎng)行業(yè)的前沿發(fā)展方向，包括 Chat-GPT、AIGC 等大模型的出現(xiàn)，都是緊貼用戶需求和相應產(chǎn)品進行技術創(chuàng)新的產(chǎn)物。近期流行的 Chat-GPT，其背后的大語言模型其實很早就出現(xiàn)了，但是由于早期缺乏應用“引爆點”，沒能通過產(chǎn)品進行“落地”，因此一直未能得到大規(guī)模的應用。作為一名算法工程師，一定要從產(chǎn)品和業(yè)務本質(zhì)出發(fā)，去了解并挖掘算法帶來的價值。

（2）深挖技術?

不斷拓展和提升自己的技術能力。以推薦系統(tǒng)為例，需要全棧式了解召回、排序（包括混排和精排）等模型的建模能力，以及 SOTA 模型的優(yōu)缺點、頂會前沿模型進展等。

（3）T 型人才發(fā)展?

T 型人才是一個常常被提及的概念，指的是在自己的技術賽道確保技術深度的同時，提高自己的技術延展性。延展性包括兩個方面，一個是業(yè)務層面，一個是技術層面。仍然以推薦系統(tǒng)為例，推薦系統(tǒng)方向的算法工程師建議更多地了解 CV 和 NLP 的基本原理，從而更好地賦能相關的業(yè)務。

總的來說，Junior 工程師的工作更多地偏向任務的執(zhí)行，而 Senior 工程師的工作更多地偏向具體的問題思考與解決。例如，某 APP 的 DAU 出現(xiàn)下滑，需要找到下滑的原因并提出解決方法。這是個很大的 topic，可能是由于某個頁面某個場景的轉(zhuǎn)化率比較低所導致，也可能由其他各種復雜的原因?qū)е?，這就是一個 Senior 工程師需要系統(tǒng)考慮的問題。首先通過數(shù)據(jù)分析定位關鍵問題，進而設定目標、搭建模型、構建評價指標，進而提出解決方案，最終將問題解決。而在這樣的過程中，靠個人往往難以達成目標，需要協(xié)調(diào)各類外部資源共同完成。

3、挑戰(zhàn) 3：從員工到 Leader 的轉(zhuǎn)變

第三個挑戰(zhàn)，可能有些工程師已經(jīng)經(jīng)歷過，但是大部分工程師可能尚未經(jīng)歷，那就是從員工到 Leader 的轉(zhuǎn)變。這是一個很大的跨越，因為 Leader 需要帶領團隊達成目標，因此責任更加重大。另一方面，如今互聯(lián)網(wǎng)公司管理模式逐漸扁平化，因此留給 Leader 的崗位其實并不多。如果有幸成為 Leader，首先要相信自己，大膽帶領團隊達成目標。初做 Leader，往往會面臨一個棘手的問題，就是業(yè)務和技術的平衡，這里就涉及到管理的藝術。管理的本質(zhì)其實離不開三大要素：責、權、錢?！柏煛贝碡熑蔚膭澐趾徒缍ǎ弧皺唷贝砣藛T工作的安排；“錢”代表對員工的激勵機制。

從員工到 Leader 的轉(zhuǎn)變，是個非常有挑戰(zhàn)性的工作，而隨著閱歷的增長，隨著溝通能力的提升，這些能力都會潛移默化地形成。此外，作為 Leader，需要不斷地向外拓展，最大程度地調(diào)動其他團隊的資源，而不能只是向內(nèi)索取甚至壓榨。

以上是算法工程師常常面臨的 3 個階段的挑戰(zhàn)，每個階段都有各自棘手的問題，但同時也都存在相應的解決辦法。作為一名算法工程師，在每一個階段都要有足夠的耐心，沉下心來打磨自己，沉淀自己。

二、算法工程師如何做好規(guī)劃

算法工程師的職業(yè)生涯規(guī)劃，有 3 個關鍵點：

① Vision：做規(guī)劃之前要看清楚局勢，否則可能會做出不正確的規(guī)劃。

② Self Evaluation：做規(guī)劃之前要對自己進行一個全面的自我評估，“知己知彼，百戰(zhàn)不殆”，從而選擇適合自己的方向進行規(guī)劃；

③ Action：行動起來！規(guī)劃得再完善，都不如行動來的實際。

1、Vision

對局勢的把控，需要做到以下幾點：

① 首先要保證看得清，清晰地認清當前的局勢。

② 其次要保證看得全，從更全面的視角審視當前行業(yè)的前景。

③ 最后要保證看得遠，這里提到的“遠”不僅指的范圍，也包括時間跨度；只有看到更遠的時間周期，才能更清晰地對未來進行規(guī)劃。

（一）國運層面?

上圖截取自美國著名風險投資專家雷·達里歐的著作《原則》，書中作者建立了一個模型用來衡量帝國的興衰，上圖中的曲線體現(xiàn)了帝國的興衰指數(shù)隨時間的變化。圖中藍色的曲線代表美國的國運，和實際的情況相比是具備比較高的吻合度的：在上世紀 50 年代，美國的國運到達了一個頂點，實現(xiàn)了很多科技的突破；反觀中國（圖中紅色曲線），彼時剛剛實現(xiàn)解放，國家一窮二白，正處于低谷時期；時間軸再往前推進到 1500 年（大約明朝時期），彼時中國是處于全球領先地位的；到了近代，中國的帝國指數(shù)一直處于較低的水平；到了 1950 年，中國開啟“狂飆式”飛速發(fā)展；直至現(xiàn)在，中國的帝國指數(shù)已經(jīng)逐步逼近美國，而美國則正在走下坡路。

當然，不同專家基于自己的理解會建立不同的模型，也會有不同的理解。同理，在進行行業(yè)的 Vision 的時候，也要結(jié)合自己的認知與專家的理解，全面、綜合地分析。

（二）移動互聯(lián)網(wǎng)行業(yè)層面?

具體到互聯(lián)網(wǎng)層面，尤其是移動互聯(lián)網(wǎng)行業(yè)層面，可以參考下圖。下圖是來自 QuestMobile 的月活躍用戶規(guī)模。

圖中可以看出，在過去的 3 年時間，整個互聯(lián)網(wǎng)規(guī)模并沒有出現(xiàn)大的增長，每年 DAU 凈增長只有 2000 萬的水平（某款產(chǎn)品的 DAU 過億），因此這樣的增長水平很難支撐起一個 APP 的成長。由此看來，互聯(lián)網(wǎng)的用戶規(guī)模早已穩(wěn)定，因此早先利用人口紅利、通過人海戰(zhàn)術獲得收益的方式現(xiàn)在已經(jīng)行不通了，而整個互聯(lián)網(wǎng)行業(yè)已經(jīng)成為一個存量市場，這是一個目前需要認清的現(xiàn)實。

互聯(lián)網(wǎng)行業(yè)進一步細分成如下賽道：

（1）電商

① 早年拼多多、阿里、京東等電商企業(yè)使用人海戰(zhàn)術，利用補貼得到大規(guī)模發(fā)展。

② 近幾年，用戶增長空間越來越小，人口紅利逐漸消失，因此類似的補貼會越來越少；以雙十一為例，近年電商購物企業(yè)已不再追求當天 GMV 成交量，而是更加理性地追求利益的最大化。

③ 近期電商行業(yè)唯一的人口紅利可能來自下沉市場，但是增長空間仍然有限。

④ 因此，電商的未來發(fā)展方向會偏向于品質(zhì)化電商，以及垂直電商。

（2）社區(qū)

① 社區(qū)近年發(fā)展迅猛；以小紅書為例，小紅書的社區(qū)氛圍非常好：用戶不斷被小紅書的內(nèi)容“種草”，形成心智；隨后用戶會主動參與相關話題討論，并產(chǎn)生共鳴，進而形成收益轉(zhuǎn)化。

② 社區(qū)是個正在發(fā)展中的賽道，比較看好未來的發(fā)展；對于一些小眾的垂直社區(qū)，雖然規(guī)模不大，但是質(zhì)量很高。

③ 社區(qū)的發(fā)展靠的不是人口紅利，更多是靠滲透而非瘋狂增長，因此是個可被看好的發(fā)展方向。

（3）游戲

① 游戲賽道的前景是比較看好的，除了國內(nèi)的游戲業(yè)務持續(xù)增長，游戲賽道還有一大藍海在于海外的業(yè)務，國內(nèi)很多游戲運營經(jīng)驗可以移植到海外，這也是騰訊近來的一個業(yè)務方向。

② 總體來看，游戲賽道不受互聯(lián)網(wǎng)人口紅利的影響，同時又有廣闊的海外發(fā)展空間，是個比較看好的賽道。

（4）社交網(wǎng)絡

① 微信的用戶規(guī)模已經(jīng)接近國內(nèi)網(wǎng)民和人口的數(shù)量，這是個非常大的規(guī)模。

② 社交網(wǎng)絡的護城河很深，用戶很難從原有社交平臺輕易遷移到另一社交平臺，因為牽扯代價很高，這也是字節(jié)跳動多次嘗試社交網(wǎng)絡業(yè)務卻始終未能成功的一個原因。

③ 雖然社交網(wǎng)絡在一定程度上會受到人口紅利的影響，但是由于其壁壘高，因此未來很大概率會維持穩(wěn)定現(xiàn)狀，即以微信為核心，逐步形成基于微信生態(tài)的各類延展。

④ 社交網(wǎng)絡涉及的算法主要是基于圖和社區(qū)傳播的方法，這類方法對于小規(guī)模的社交網(wǎng)絡帶來的價值非常有限，只有對于微信這種體量下的社交網(wǎng)絡，才會發(fā)揮出圖模型、社交網(wǎng)絡傳播鏈、社團發(fā)現(xiàn)這類算法相應的價值。

⑤ 綜上所述，社交網(wǎng)絡相對發(fā)展會比較穩(wěn)，短期內(nèi)很難有太大的機遇。

（5）資訊平臺

① 資訊平臺近期同樣在走下坡路，用戶在一定程度上對資訊平臺確實有所依賴，但是依賴的程度并不強烈。

② 近兩年，資訊平臺受到短視頻的沖擊很大，被短視頻搶占了很多的用戶市場。

③ 在這樣的背景下，資訊平臺將會回歸其本質(zhì)，即分發(fā)資訊信息，滿足用戶特定領域資訊的需求。

④ 而對于消遣、娛樂、kill-time 以及其他長尾信息，用戶一般會通過短視頻平臺獲取，這樣給資訊平臺帶來了更大的挑戰(zhàn)。

⑤ 由于資訊平臺的介質(zhì)復雜，規(guī)則繁多，監(jiān)管力度嚴格，用戶眾口難調(diào)，再加上外界短視頻領域的沖擊，使得資訊平臺的難度“更上一層樓”。

⑥ 此外，資訊平臺也比較依靠人口紅利，如今人口紅利趨于飽和，進一步限制了資訊平臺的發(fā)展。

⑦ 綜上所述，資訊平臺賽道的選擇要謹慎。

（6）短視頻

① 近期短視頻的發(fā)展如日中天，用戶時長最長、用戶行為最豐富、用戶的正負反饋最密集的產(chǎn)品形態(tài)最頻繁。

② 短視頻賽道的數(shù)據(jù)類型豐富，用戶量極大，因此數(shù)據(jù)潛在價值高，未來發(fā)展空間大。

③ 近期短視頻廣告乃至直播帶貨日益普遍，這些跡象表明短視頻正在逐步與電商模式相結(jié)合，變現(xiàn)潛力巨大。

④ 綜上所述，短視頻是一個機遇很多、潛力很大的賽道。

（三）AI 產(chǎn)業(yè)層面?

上圖是 AI 技術的生命周期形態(tài)隨時間周期的變化趨勢：

① 處于左側(cè)曲線爬坡階段的是新興的 AI 技術，技術前景還有待觀察。

② 處于中間曲線低谷階段的是帶有不確定性的 AI 技術，這些技術還需要時間和市場的檢驗，相當一部分 AI 技術會面臨“泡沫破碎”。

③ 處在右側(cè)的曲線說明 AI 技術已經(jīng)突破了“泡沫破碎”，展現(xiàn)并沉淀出來 AI 技術的價值，如果未來幾年內(nèi)結(jié)合更好的用戶需求和產(chǎn)品應用該技術會“東山再起”。

④ 曲線右端是 AI 技術發(fā)展最理想的階段，技術產(chǎn)品化持續(xù)帶來客觀的增長和收入。

以幾個近期熱門的 AI 方向為例，展開詳細介紹：

（1）AIGC

近期 AIGC 非常流行，例如 Stable Diffusion、Midjourney 等 AI 繪畫工具。Chat-GPT 出現(xiàn)也顛覆了 CV 和 NLP 領域的很多模型，體現(xiàn)出了大模型極強的產(chǎn)品力。很多工程師擔心這類大模型的出現(xiàn)會對算法工程師，甚至對全人類構成威脅，實際上距離“威脅”還有很遠的距離，通用人工智能（AGI）的實現(xiàn)還有很長的路要走，無論是 AI 作畫還是 ChatGPT，算法暫時還不具備邏輯和意識能力。一項技術發(fā)展到一定階段，遇到一個好的產(chǎn)品 idea，一定會爆發(fā)，因此不管是 AI 作畫還是 ChatGPT，背后都有用戶需求和產(chǎn)品 idea 做支撐。由此帶來的啟示是：技術和業(yè)務永不分家，只有充分了解業(yè)務，才能將算法技術帶來的價值最大化。

（2）自動駕駛

自動駕駛是個比較看好的方向，其旨在解決一個終極問題：如何實現(xiàn)道路交通流量最優(yōu)化。自動駕駛分為很多層級的目標，最先要實現(xiàn)的是“單車智能”，目前已經(jīng)有很多公司做到了令人比較滿意的效果，如特斯拉自動駕駛。在國外，F(xiàn)SD 自動駕駛已經(jīng)做到比較成熟的階段；而在國內(nèi)，無論是新銳車企的小鵬，還是獨立第三方平臺百度 Apollo 等第一梯隊的自動駕駛企業(yè)的自動駕駛技術也日趨成熟。自動駕駛本身就是個產(chǎn)品，輔助甚至取代人，在一定程度上解放人工，讓人覺得更安全。綜上所述，自動駕駛這一賽道潛力巨大、前景明朗，而且該方向的愿景也很偉大，因此是個值得考慮的方向。

（3）CV/NLP?

CV 和 NLP 是傳統(tǒng)深度學習的兩大主流研究方向，可類比于基礎學科中的物理和化學，是很多 AI 模型的基石。CV 解決的是“我看到了什么”，NLP 解決的是“我聽到和說了什么”。如果將 CV 和 NLP 這兩個方向攻克，機器將會更好地學習和理解人類，具備了很多“通感”能力。因此，CV 和 NLP 這兩個方向是常青的，特別是 AI 作畫和 Chat-GPT 產(chǎn)品 idea 的爆發(fā)，會反過來促進 CV 和 NLP 領域的發(fā)展。綜上所述，CV 和 NLP 是值得持續(xù)深耕的兩個方向。

（4）AI for Science（AlphaFold2）

AI 在科學領域的應用，這個方向大家的關注可能會少一些，但是同樣具備不錯的價值和前景。其中一個應用方向是量子計算，利用物理學界的特性解決超級計算的能力；另一個應用方向是蛋白質(zhì)基因結(jié)構預測（AlphaFold2），對新藥研發(fā)尤其是癌癥靶向藥的研發(fā)具備非常重大的意義。大數(shù)據(jù)醫(yī)療技術，以及 AI 在醫(yī)療健康領域的應用，前幾年還更多地還是停留在理論層面，近兩年已經(jīng)出現(xiàn)了很多的模型成果，初見成效。因此，AI for Science，尤其是醫(yī)療領域，未來的愿景還是非常美好的，未來幾十年，人類的壽命很可能因為 AI 技術的突破而得到延長。綜上所述，AI 科學甚至 AI 醫(yī)療領域未來的價值是可觀的，只是這部分的研究尚處于初步階段，距離產(chǎn)品化落地的周期相對較長，年輕的算法工程師可以考慮嘗試這類前沿的賽道，占得先機。

（5）推薦系統(tǒng)和計算廣告

推薦系統(tǒng)和計算廣告屬于比較傳統(tǒng)的“搜廣推”賽道，近兩年，暫時沒有實現(xiàn)方法論層面的突破，近年頂會論文更多是針對一些小的問題點進行的突破。搜廣推賽道更多地依賴業(yè)務，如果業(yè)務層面沒有出現(xiàn)更大地突破，那么算法發(fā)展前景也相對比較有限。另一方面，該領域的人才相對比較飽和，競爭也比較激烈，因此謹慎考慮這一賽道。

2、Self Evaluation

除了提升 Vision 層面的理解外，還要充分地做好自我評估。自我評估主要從 3 個維度考慮：

（1）你擅長的是什么？?

自己最擅長的點往往并不是自己所判斷的，一般可以參考過往的工作經(jīng)歷中哪一部分真正得到了其他人的認可。別人印象中的自己和自己眼中的自己可能會不太一樣，而自己擅長的東西一定是來自別人認可的東西。

（2）你的興趣在哪里？（Follow your heart）?

找到自己的興趣點是非常重要的。每個人都有自己的迷茫時期，這樣的時期還是更多要 Follow your heart，找到屬于自己內(nèi)心真正感興趣的領域。

（3）是否能夠給你提供體面的收入??

職場生活其實是個比較單純的自身價值和公司需求進行匹配的過程，公司通過報酬換取個人價值，因此，合理的、足夠體面的收入是非常合理也是非常必要的。但是也不要只關注收入這一個點，工作價值、成長空間等各個方面也要綜合考慮。

三、明確路徑，打磨技術

規(guī)劃做得再詳盡，最終還是要通過行動來落實。

1、路徑

行動的第一步是明確自己的行動路徑： 

（1）制定一個短期規(guī)劃和一個長期規(guī)劃?

① 如果只有短期規(guī)劃而缺乏長期規(guī)劃，則計劃達成之后容易陷入迷茫。

② 如果只有長期規(guī)劃而缺乏短期規(guī)劃，則容易變成空想家，缺乏實踐落地的方式，長期規(guī)劃會變得遙不可及。

③ 一定要將短期規(guī)劃和長期規(guī)劃結(jié)合起來作為自己的行動路徑；。

④ 短期規(guī)劃和長期規(guī)劃之間界定的時間點因人而異，一般建議短期計劃以半年為周期，長期計劃以 2-3 年為周期。

（2）換個視角看成長路徑?

① 以前文所述的職業(yè)生涯挑戰(zhàn) 2（從 Junior 到 Senior）為例，工程師在大廠獲得了職級的提升（例如從阿里 P7 逐步升到 P9），而該職級背后應該具備的能力，是需要工程師內(nèi)心非常清楚的。

② 成長的本質(zhì)就是經(jīng)歷 4 個階段：

a）Troubleshooter - 解決瑣碎的問題：能夠解決足夠瑣碎的問題，才能有能力去解決更大的問題。

b）Problem Solver - 系統(tǒng)性解決一類問題：以某 APP DAU 下滑為例，如果能夠把 DAU 下滑的問題分析路徑拆解清楚并給出相應的解決方案，那么就從 Troubleshooter 階段成長到了 Problem Solver 階段。

c）Growth Hacker - 帶領團隊向正確的方向前進：更進一步，將所有的 DAU 下滑原因分析清楚并一一加以解決，就已經(jīng)具備了帶領 APP 團隊實現(xiàn) DAU 增長的能力。

d）Business Pilot - 業(yè)務領路人：當成長成為一個業(yè)務領路人，就會有足夠的能力和權限去決定資源和方向。

③ 明確自身成長路徑，比明確 P5 或 P8 這樣的職級更具指導意義。

2、技術

作為算法工程師，過硬的技術是先決條件：

（1）保持技術領先 - （器，術，法，道）?

① 強大的工程開發(fā)能力：作為一名工程師，開發(fā)能力是最基本的能力。

② 扎實的機器學習原理：機器學習的原理具有普適性，會引領一些分析思路，同時機器學習也是深度學習模型以及更大模型的基礎。

③ 頂會和尖端方向跟蹤：雖然學術界頂會的方向和工業(yè)界的方向未必同步，但是學術界的尖端方向往往能夠給工業(yè)界提供解決思路的啟發(fā)。

④ 行業(yè)中的“最佳實踐”：每一名工程師都需要在各自行業(yè)中積累適用于特定場景的“最佳實踐”，通過積累和沉淀逐步形成寶貴的行業(yè)經(jīng)驗。

（2）保持強大的執(zhí)行力?

所有的計劃，最終都要靠執(zhí)行力來落地，因此強大的執(zhí)行力以及自驅(qū)力是非常必要的。

3、心態(tài)

其實不僅職場，在很多領域都是如此：將心態(tài)調(diào)整好，很多事情最終都會迎刃而解。良好的心態(tài)主要包括如下幾個部分：

（1）Focus Collaborative?

溝通協(xié)作要聚焦在少數(shù)幾個關鍵問題的解決上，從而減少無意義的會議。

（2）往前走?步?

作為算法工程師，一定要往前多走一步。多了解產(chǎn)品和運營團隊的訴求，站在對方的角度考慮問題。要有“補位思維”，和產(chǎn)品、運營等其他合作伙伴協(xié)作前進，各自取長補短，最終協(xié)作將事情做成。不要排斥甚至對抗產(chǎn)品、運營團隊提出的訴求；也不要因為對方的經(jīng)驗不夠豐富、考慮不夠周全等原因而忽略對方的一些 idea，從而錯過一個產(chǎn)品落地的機會。

（3）清零心態(tài)?

面對棘手的問題時，不妨嘗試清零心態(tài)，拋棄固有思維模式，重新思考業(yè)務的核心。卸下固有包袱，可能就會覺得眼下的問題實際上可能并沒有那么復雜，是可以逐步得到解決的。

（4）保持?顆相對強大的內(nèi)心?

互聯(lián)網(wǎng)行業(yè)普遍壓力較大，業(yè)內(nèi)競爭非常殘酷，因此要保持一顆強大的心，從容面對困難和挑戰(zhàn)，不要被外界所干擾

4、平衡重要關系

（1）家庭親子關系

家庭的關系非常重要，“家和萬事興”，多陪伴家人是很重要的事情。

（2）Work-Life Balance?

工作只是生活中的一部分，因此還是要更好地平衡工作和生活，做到高效工作、用心生活。

（3）個人興趣?

建議每個人都能夠發(fā)展一兩樣屬于自己的興趣愛好，讓大腦換一種方式運轉(zhuǎn)，對狀態(tài)的放松是非常有幫助的。

四、總結(jié)

本文重點講述了 3 個部分：

① 職場三個重要階段所面臨的挑戰(zhàn)。

② 如何做好規(guī)劃：Vision，自我評估，行動起來。

③ 明確路徑，打磨技術，積極心態(tài)，處理好重要關系。

五、問答環(huán)節(jié)

Q1：如果崗位面臨“35 歲優(yōu)化”這樣的問題，有必要深耕鉆研嗎？

A1：這個問題就涉及到前文所述的“心態(tài)”問題：“不以物喜，不以己悲”?！?5 歲問題”其實每個人都會面臨，這個是由環(huán)境和市場決定的；而我們決定不了外界，但是能夠決定自己；因此努力做好自己，一切都不會差的。至于是否有必要深耕鉆研，關鍵還是在于自己的職業(yè)規(guī)劃方向，以及自己深耕鉆研的方向和程度。如果希望走工程師這個發(fā)展路徑，那還是有必要在自己的領域持續(xù)深耕的，夯實基礎，對未來會很有幫助；此外，還要考慮業(yè)務和管理方向的擴展，正如文中所提到的 “T 型人才”。綜上所述，“35 歲是否被優(yōu)化”這個問題的決定權不在自己，與其焦慮，不如不斷提升個人能力，讓自己在職場中更加積極和主動。

Q2：如何看待大模型的發(fā)展給算法工程師帶來的沖擊？

A2：一方面，大語言模型利用足夠量級的訓練數(shù)據(jù)確實產(chǎn)生奇幻的效果；但是另一方面，大模型的發(fā)展其實離不開產(chǎn)品的“包裝”，拋掉產(chǎn)品的“外衣”，其本質(zhì)還是一個經(jīng)典的算法模型，只不過參數(shù)量級巨大，訓練語料更豐富。大模型的主要優(yōu)勢還是在于訓練數(shù)據(jù)更多，并融入了部分強化學習的算法，將數(shù)據(jù)訓練的每一個細節(jié)做到極致。因此，對于算法工程師而言，無需太過焦慮，而是積極看待這些大模型：首先，大模型給整個 AI 算法行業(yè)帶來了“提振”，即從資本層面得到市場的廣泛認可；其次，大模型給算法工程師們指明了方向，即將產(chǎn)品、業(yè)務和技術結(jié)合才能找到出路。至于利用 AI 模型自動寫代碼，可以將其看作生產(chǎn)力的輔助，而不會取代人。

Q3：推薦搜索領域一般人和高手之間最大區(qū)別是什么？

A3：任何一項技術，都可以分成器，術，法，道這 4 個 level。一般人可能更多處于器和術這個層面：使用很 fancy 的模型，使用各種 trick 來調(diào)參，最終達到較為滿意的效果；而高手往往已經(jīng)經(jīng)歷過這兩個層面，發(fā)現(xiàn)這兩個層面雖然能解決一部分實際的問題，但是不能解決一些更高層次的問題，這里就涉及到道和法，涉及到更深層次的本質(zhì)問題。以推薦為例，如何提升用戶滿意度這類問題：因為用戶滿意度的刻畫是相對主觀的，如何將其拆解成若干個客觀的、可量化的指標，這個很考驗算法工程師的功力。舉一個具體例子：CTR 是個常用的指標，在一定程度上可以衡量出用戶的滿意度；但是如果僅僅優(yōu)化 CTR 這個單一目標，則可能會帶來大量的“標題黨”；因此，需要借助其他指標來平衡這個問題；而指標的選擇，一方面需要經(jīng)驗的積累，另一方面也需要對業(yè)務的深刻理解，這就涉及到法和道這一層面。因此，要理性看待“級別”，回歸本質(zhì)：我們作為算法工程師，要做的是用工程能力來解決實際的問題從而帶來價值，而不是“炫技”玩模型；能夠高效解決問題，才是對公司最大的價值。

Q4：如果要帶徒弟，您會教他更多關注哪些魔鬼細節(jié)？

A4：這個首先要看徒弟的能力水平定位。如果徒弟是應屆生，那其實不能有太多的要求，還是要循序漸進；如果徒弟是個業(yè)內(nèi)資深人士，在行業(yè)內(nèi)已經(jīng)形成了自己的方法論，如果能夠達成任務目標，則也無需進行太多的額外要求。從團隊管理的角度，由于每個人都有自己的閃光點，同樣也有自己的缺點，因此很難進行統(tǒng)一的要求；作為團隊領導，我會更多關注員工的思考方式、解決問題的思路等，這些方面如果存在不完善、不周全甚至偏差和錯誤，需要第一時間加以指出和糾正。此外，涉及到交付物的規(guī)范性，例如上線模型規(guī)范、代碼結(jié)構規(guī)范、代碼注釋完整性這類問題，會進行較為嚴格的要求；其他方面的問題一般不會進行太過嚴苛的要求，也就不會涉及到太多的“魔鬼細節(jié)”。

Q5：文中提到搜廣推領域近年來沒有太大的發(fā)展，那么未來會有哪些發(fā)展方向？

A5：近兩年搜廣推領域并不是沒有發(fā)展，而是在技術領域方面沒有出現(xiàn)重大的突破，在細分的方向還是有很多發(fā)展的。不過近兩年的發(fā)展更多在于業(yè)務層面，因為這個領域方向主要是由業(yè)務來支撐；因此，如果在業(yè)務方面沒有產(chǎn)生革命性的“爆發(fā)”，則很難帶動技術產(chǎn)生重大突破。至于未來的發(fā)展方向，大的方向上應該不會有全新的、顛覆性的模型框架出現(xiàn)；對于細分的領域和方向還是會有很大的發(fā)展空間，主要還是取決于具體的行業(yè)，以及行業(yè)內(nèi)的業(yè)務方向，可以多關注業(yè)內(nèi)相關的頂會來找答案。

Q6：某工程師在推薦方向有 3 年大廠經(jīng)驗，切換到哪些方向比較合適？

A6：算法賽道的切換，首先要進行自我評估，對自己的興趣和優(yōu)勢有個準確、全面的認識，比如自己是更喜歡鉆研模型方法還是更喜歡解決業(yè)務問題，比如在 3 年的大廠經(jīng)驗中有沒有哪個細分方向足夠擅長和精通；此外，還要考慮哪些發(fā)展方向天然具有競爭力，比如文中提到的自動駕駛方向就是個有競爭力的方向，未來可期而且接近落地。一般來說，由于推薦算法直接對接業(yè)務，因此推薦算法工程師的業(yè)務敏感度會比較強，因此轉(zhuǎn)行到各個方向都很容易成為解決問題的好手。

Q7：目前算法崗位大多是高層次院校的碩博在競爭，普通院校學生如何參與競爭？是否需要更換崗位方向？

A7：大廠可能會對院校和學歷有較高的要求，但是入職參與業(yè)務之后，更多的還是依靠個人能力；普通院校學生可以多爭取實習機會，積累更多項目經(jīng)驗，不用過多在乎學校出身。

Q8：工作太忙沒時間 follow paper 該怎么辦？

A8：選擇少數(shù)幾個感興趣的頂會 paper 持續(xù)跟蹤；同時多多關注知乎等平臺，以及一些行業(yè)技術論壇，會有相關博主幫忙分類整理頂會文章并撰寫摘要，可以多閱讀來找到自己感興趣的方向。時間是擠出來的，每天花半小時到一小時實際研讀 paper 并提煉關鍵技術點，然后定期進行歸納和整理，長此以往就能達到很好的效果。

Q9：如何看待長視頻推薦？

A9：長視頻平臺和短視頻平臺的運行機制有較大不同。長視頻推薦更多還是關注視頻的內(nèi)容，因此需要算法工程師從業(yè)務角度反向思考用戶消費長視頻的痛點；此外，部分單位的做法是將長視頻進行短視頻化，提取長視頻中的高光亮點，通過“碎剪”的方式將長視頻轉(zhuǎn)化為短視頻，從而用短視頻的思路進行推薦。從產(chǎn)品的角度，可以借助短視頻的思路，通過“長視頻帶短視頻”的方式進行長視頻推薦；具體來說，將長視頻的片花和預告進行剪輯，用來吸引用戶觀看，進而通過產(chǎn)品路徑來引導用戶觀看完整版，最終引導用戶成為會員，提升用戶的 up 值。由此帶來的啟示是，算法工程師還是要回歸到產(chǎn)品和業(yè)務的角度實現(xiàn)突破，而不能僅局限于算法角度。

Q10：算法對學歷要求很高嗎？社招是否很看重過往的經(jīng)歷對口？如果對目前技術方向不感興趣，如何轉(zhuǎn)型？

A10：如果一個行業(yè)足夠內(nèi)卷，競爭壓力很大，那學歷問題還是無法逃避的；如果學校和學歷不占優(yōu)勢，則可以通過增加項目經(jīng)驗的方式來“曲線救國”。社招方面，企業(yè)方確實更多看重過往的經(jīng)驗，希望引入候選人過往的工作經(jīng)驗來賦能公司眼下的業(yè)務；其次也要考察候選人的基礎素質(zhì)，包括自驅(qū)力、學習力、思考方式、coding 能力等。對于職場中轉(zhuǎn)變方向，可以先考慮在從公司內(nèi)部轉(zhuǎn)變方向，給自己爭取到一個嘗試期和過渡期。

Q11：推薦算法已經(jīng)進入瓶頸期，是否需要向數(shù)據(jù)底層（如 Hadoop、SQL 等）進行深耕？

A11：從工程化的角度來看，Hadoop、SQL 等確實是數(shù)據(jù)的底層架構；但是作為算法工程師，更應該從產(chǎn)品和業(yè)務方向?qū)で笸黄?，而不是深耕和?yōu)化底層結(jié)構。

Q12：老板是研究院出身，缺乏工程化落地經(jīng)驗，卻又在工作中過分關注細節(jié)，并且用競品的優(yōu)勢進行否定和打壓員工，如何改善這種處境？

A12：其實好的老板應該更多地向外拓展而非向內(nèi)壓榨。如果不幸遇到這種習慣于向內(nèi)壓榨的老板，可以反向引導老板向外看看；勤于溝通，了解老板的痛點，做好向上管理工作。此外，如果真的老板不好相處，無法溝通，而工作內(nèi)容又不擅長、不感興趣，且工作不能帶來滿意的收入甚至影響自己的生活，那么還是建議換一份工作。

Q13：搜廣推和 NLP，未來哪個方向就業(yè)更好？

A13：搜廣推更加貼近業(yè)務，而 NLP 是個相對基礎的方向。近年來，搜廣推的業(yè)務發(fā)展已經(jīng)較為成熟，而 NLP 方向則面臨著一大難題，就是難以實現(xiàn)產(chǎn)品化落地。如果能夠從業(yè)務角度找到良好的落地方向，可以嘗試 NLP；否則還是建議搜廣推?？傊褟V推領域會有現(xiàn)成的業(yè)務應用課題，只需要使用算法來“解題”即可；而 NLP 領域相反，原始問題非常簡單，然而答案非常復雜。

Q14：工作期間切換算法方向會有很高門檻嗎？

A14：門檻是有的，具體要看個人基礎和切換方向。例如，如果是搜廣推內(nèi)部切換，難度相對較??；而如果是 CV/NLP 和搜廣推之間的切換，則難度相對較大。因此，工作期間切換算法方向還是有很大成本的，尤其是社招更加看重過往經(jīng)驗。不過，如果自身綜合素質(zhì)較強，學習力、自驅(qū)力都很優(yōu)秀，而公司的業(yè)務剛好需要這樣的人才，也會有很多這樣切換方向的機會。如果確定自己要切換方向，則需要選好路徑、做好計劃并持續(xù)行動。

Q15：時間序列預測領域的前景如何？是否有哪些熱門方向推薦？

A15：量化交易場景和時間序列預測相關性較高；搜索推薦領域用到時間序列技術的地方不多，可能在用戶行為序列建模方面有所涉及；自動駕駛領域可能也會涉及部分時序預測，如 FSD 的路徑規(guī)劃、多幀串聯(lián)等場景；視頻領域的很多技術和時間序列有較強的相關性；流量預測、客戶價值預測等場景和時間序列預測相關性較強。

Q16：某算法工程師從業(yè)3年，仍然覺得工作吃力，因此想了解算法方向更多是依靠天賦還是后天努力？

A16：首先需要明確“吃力”的關鍵是在于閱讀 paper 還是在于解決業(yè)務問題。從業(yè)前期難免會有迷茫期、挫敗期和焦慮期，這種情況因人而異，因此很難做出明確的回答，更多的還是在于 Follow your heart，找到自身的興趣和優(yōu)勢。

Q17：推薦算法與數(shù)據(jù)挖掘有什么區(qū)別？

A17：數(shù)據(jù)挖掘是更加基礎的技術，推薦算法是更上層的應用；推薦算法中會用到很多數(shù)據(jù)挖掘的技術。

Q18：從社招角度來看，電商推薦算法方向 3 年工作經(jīng)驗應該達到什么水平？

A18：3 年經(jīng)驗一般能夠達到準 senior 水平，對應阿里的 P7，以及騰訊的 9 級水平；進一步發(fā)展 2 年，一般可以達到阿里 P8 或騰訊 10 級的水平。