选自rowanzellers.com
作者：Rowan Zellers
机器之心编译
省流版：如果你的研究领域涉及大规模的基础研究，那么当下的工业界或许是个不错的去向。
对于一位想在计算机科学领域求职的博士生来说，当下的学术界和工业界，怎么选？
在求职过程中，华盛顿大学博士生 Rowan Zellers 的目标原本是找到一份教职，进入学术界是自己博士期间就定下的路线。为此，他起草了一份目标名单，写了许多份申请材料，还动用了自己在学术界的社交资源网络，寻找更多的机会。
同时，他也开始接触工业界的机会。与业界公司的交流逐渐动摇了 Rowan Zellers 的想法，他发现对于自己的研究领域——多模态人工智能——来说，在学术界做大规模的基础研究很困难且越来越难，而工业界的机会却越来越丰富。
虽然2022年前后的科技公司纷纷放缓或冻结招聘，Rowan Zellers 还是找到了更具吸引力的机会——OpenAI 向他抛来了橄榄枝。
在找工作的最后阶段，他做了一件自己完全没有想到过的事情——拒绝所有的学术职位，决定签下 OpenAI 的 Offer。2022年 6月，Rowan Zellers 正式告别了多年的校园时光，加入 OpenAI。
是什么让他在一年之内实现了观念的转变？在最近的博客文章中，Rowan Zellers 分享了自己的一些求职心得。
以下是博客正文：
Rowan Zellers 在 CVPR 2019上展示自己在视觉常识推理方面的工作。
在决策过程中，我非常紧张，压力很大— 当时感觉就像一个转折— 但最后我对事情的结果非常满意。对我来说，有两个关键因素在起作用：
1）我觉得可以在 OpenAI 从事自己热衷的工作；
2）OpenAI 公司的所在地旧金山是一个非常适合生活和工作的城市。
在这篇文章中，我会进一步讨论决策过程。
为什么要写这篇经验帖？
在求职的过程中，我从社交网络中的教授那里得到了很多关于如何申请工作、如何面试以及如何创建一份优秀申请的好建议。（在本系列的第一部分中，我尝试将这些建议提炼成一篇关于申请工作的经验文章。）
然而，真正到了决定的时候，我还是感到有些孤独。我承认，自己已经超级幸运，因为有这么强大的教授与行业研究人员的网络，可以就这些事情联系他们。但在职业道路之间的决定更像是一个定制化的个人决定，某种程度上没有正确的答案。
另一个影响决策的因素是，我认识的大多数人似乎已经在学术界和工业界之间选择了一方。我认识的大多数教授都坚定地站在学术体系中（虽然也有涉足工业界的一部分），而我认识的大多数工业界人士从未认真考虑过将学术界作为一个职业。
这对我来说感觉特别奇怪。因为在博士中期，我决定走学术路线的动机是，这样做可以让我推迟在学术界或工业界之间做出最后的决定——鉴于通常的观点是，从学术界转到工业界比从其他方面转要容易。不过，快几年过去了，我感悟到走学术路线其实是职业身份的一部分，许多同龄人也在做同样的事情，所以感觉有一股动力把我推向了学术路线。
总之，我写这篇文章是为了提供一个 N=1的、有观点的、关于我如何在一些相当不同的选择中做出自己的决定的视角。
在寻找学术工作的过程中
我对自己的工作和目标的看法发生了转变
我在疫情期间的办公室。
作为背景，我2016年到2022年期间在华盛顿大学攻读博士学位，且非常喜欢这个过程。我的研究领域是关于多模态人工智能的——建立能够理解语言、视觉以及其他世界的机器学习系统。
正如本系列的第一部分所写的那样，研究兴趣塑造了我预设的职业道路。我最兴奋的是做基础研究和指导初级研究人员。至少在计算机领域的传统层面，这是学术界的重点，而工业界则专门从事应用研究，争取把科学进展转化为成功的产品。
在学术界找工作让我了解到在许多不同机构和 CS 子领域中当教授是什么样子。我在所有的面试中与160多位教授进行了交谈。最后，我不太确定学术界是否完全适合我。
在学术界做大规模的基础研究很困难
在过去的六年里，学术界（更确切地说，是我的导师在华盛顿大学的研究小组）对我来说是一个非常好的环境。我被推动着去开辟一个令我兴奋的研究方向，在指导和资源方面得到了慷慨的支持。借助这些条件，我能够领导关于建立多模态人工智能系统的研究，这些系统随着规模的扩大而改进，然后，（对我来说）产生的问题比答案多。
相比之下，在那段时间里，大多数大的行业研究实验室都感觉不是很适合我的兴趣。我在读博士期间曾尝试申请实习，但从未成功找到一个似乎与自己研究议程一致的去处。我所知道的大多数行业团队主要是以语言为重点或以视觉为重点，而我无法选择其中一方。我在艾伦人工智能研究所花了很多时间，这是一个非营利性的研究实验室，相比之下感觉很学术。
然而，情况正在发生变化。在我关注的领域，我担心在学术界做出突破性的系统建设研究很难，而且越来越难。
现实情况是，建立系统真的很困难。它需要大量的资源和大量的工程。我认为学术界的激励结构并不适合这种高成本、高风险的系统建设研究。
构建一个人工系统并展示其良好的扩展性，可能需要研究生花费数年的时间和超过10万美元的无补贴计算费用。并且随着该领域的发展，这些数字似乎在成倍增加。所以写大量的论文并不是一个可行策略，至少现在不应该是我们的目标，但不幸的是，我知道很多学者都倾向于把论文数量作为一个客观的衡量标准。另外，论文是学界申请资助的筹码，我们需要写大量的论文，需要在会议上有东西可谈，并为学生找到实习机会等等。在一定意义上，学术事业的成功是帮助学生开拓他们自己的研究议程（他们也许可以在其他地方当教授，这样的循环可以继续下去），这与做伟大研究所需的合作形成了一种内在的张力。
然而，我认为更广泛的趋势是学界转向应用的研究。
随着模型技术变得越来越强大，构建成本越来越高，越来越多的学者试图在模型上层构建应用。这也是我在 NLP 和 CV 两大领域看到的趋势。这反过来又影响了学界关注和讨论的问题，研究者们开始关心如何解决一些实际的具体问题。
在学界，我想完成一个成功的研究需要亲身经历多个阶段，包括筹集资金、创建实验室，然后我才能正式开始科研项目。最终当我得到一个良好的研究结果时，可能已经过去了数年的时间，或许在这段时间里早就有人做出了突破性的结果，而我在这个赛道上难以脱颖而出。话说回来，过去的几年领域的进展非常迅速。
更现实地讲，如果我在一个赛道上落败，我可能需要改变我的研究方向。然而，那不是我的初衷，这可能是我最终走上业界路线的主要原因。
学界和业界的其他区别
在我的研究领域，学界教授的所有职责包括教学（和准备教材）、为学院和领域做出贡献、建立和管理计算基础设施、申请资助和管理资金等等。虽然我发现这些事情很有趣，但我不想同时应对这么多个工作场景，这需要强大的工作能力才能做到游刃有余。我希望我的工作是专注于一个重要的任务，例如教学。
类似地，在攻读博士学位期间，我喜欢一个阶段只专注于一个重要的研究问题。我认为这种专注的工作场景更多的存在于业界。作为一名教授，同时做实验和写代码真的不容易，而业界有更明确的工作划分。
我认为很多人都会下意识地被学界所吸引，因为它给人以高声望的感觉，但我反而不喜欢这些。我认为把心思用在排名和声望上会导致我追逐错误的目标，让我感到迷茫。另一方面，许多人也被业界所吸引，因为它能提供更高的薪水，这很重要。很幸运的是我找到了一个能给我更多内在满足感的环境。
工作与职业保障
我认为很多人都误解了终身教职。的确，教授等终身教职是稳定且有工作保障的。但对于面临就业的人来说，学术就业市场也是非常错综复杂的。当然，与业界研究人员不同，即使在经济萧条的大环境下，学界研究者也可以轻松地换工作。
在学术界，理论上我可以自由地研究任何课题，但实际上我可能会因为没有足够的资源或足够支持的环境而受阻。我加入 OpenAI 就是因为在这里我得到了非常好的支持来解决我最感兴趣的问题。我认为对于任何业界实验室，解决我关心的问题需要与该公司的产品保持一致，而 OpenAI 刚好有这种安排。
在 OpenAI 的团队中工作，让我有机会指导初级研究人员，并获得充足的研究资源。更重要的是，我被推动着解决对我来说很重要的、具有挑战性的问题。
这些原因让我选择全职签下 OpenAI 的职位。入职半年，事实证明我真的很喜欢在 OpenAI 工作。
0 留言