在职研究生机器学习

首席科学家拍了下桌子，“你们就说想实现多少收入，这个指标我来扛。”文 | 姚胤米采访 | 姚胤米 余洋洋编辑 | 宋玮| 重新证明自己的价值要学习和适应的东西真的很多——当一个科学家决定走进大公司、或是成为创业者时——这可不是换个名片title那么简单。必须重新证明一件事情：你有什么价值？2016年，阿里云杭州办公室，几位高层正在召开一场战略会，气氛并不怎么样，每个人音量都不小，且情绪分明：“你这个方案姿势就不对！”“这根本就不可放量！”“你是在瞎搞！”已经记不得是第几次当面吵了。矛头的中心——阿里云机器智能首席科学家闵万里下定决心，定了定声，说：“你们就说想实现多少收入，我扛住这个指标。”闵万里是数据科学家，曾经在IBM、Google就职。他博士毕业时就写出了受到学术界广泛认可的知名公式。但尝试用它帮一家公司赚到钱，还是第一次。那原本是一个用于交通流量预测和优化的理论。闵万里的设想是，它可以在一些有大量数据积累的传统行业优化生产流程。他必须要证明自己的理论在实际场景中可以奏效。第一个挑战是自己找客户。杭州背靠江浙沪发达的制造业优势，有许多数据量大的头部工厂。闵万里和同事专门整理出一张列表，总共六七十家企业，他决定一一拜访，向他们销售自己的解决方案。第一个客户的名字现在仍然记得：江苏协鑫，一家光伏企业。闵万里带着一位工程师一起赶往徐州。和这样一家公司谈判，他的经验值是零。同事介绍完他们的身份和来意后，轮到闵万里证明自己和团队的技术能力。他从电脑包里掏出一叠A4纸——是他最引以为傲的论文，里面有一大堆令人眼花缭乱的数学公式。“我这个论文拿过很多奖，我们的技术很厉害。”一讲到公式和原理，闵万里就滔滔不绝。对方听完。问：“你们是不是来偷数据的？”列表上前四十几家公司，每一个都碰了壁。闵万里的团队当时只有6个人，每个都很沮丧——平时，大家都是天之骄子，突然摇身一变成了“求着别人的乙方”。印象最深的是，曾有位老总说话很不客气地说：“我们这行和你们互联网不一样，我们还是脚踏实地的。”“言下之意，我们都是玩虚的。”闵万里说。挫折感真的非常强烈。有人承受不住这种心理落差，选择离职。（闵万里）闵万里是那种把“不能降低对自己的要求”当成人生信条的人。他给团队打气，“同学们，这件事情是可以work（生效）的”。留下的人选择相信他，毕竟，他的学术能力和技术水平都摆在那儿。经过团队的坚持和努力，第一年，他们完成了将近一千万的指标。2017-2018年度，这个数字变成了6.7亿。2019年6月，闵万里从阿里离职，创立北高峰资本和坤湛科技两家公司，以“技术+资本”的形式与传统产业做数字化、智能化合作，继续用他的理论对这个社会的一些环节施以作用。坐在深圳自贸中心的办公室，闵万里总结转型经验：“作为一个已经在学术界成功过的人，当你走进产业的时候，能否成功的关键是，你还有勇气撸起袖子加油干、走到最底层？”如今，每见一个新客户之前，闵万里都要求员工把演讲PPT带到他的办公室，花一两个小时听他们现场演示，模拟谈判时的状态，他不仅会看每一张演示文稿的内容、用词、字体和字号大小，也纠正员工的表述、表情和精神状态。在一家公司里，技术只是生产链条的其中一环，必须务实，要能带来实实在在的增量。公司和学校的逻辑完全不一样。快手AI Lab首席科学家刘霁对此感触深刻。在学校，环境相对单纯，找到一个学术问题（输入），花时间从各个角度去研究（输出），就好了。而到了快手，“很多时候输入输出还得自己去定义”。对公司也缺乏全面的认知。 “做技术的人总觉得把技术打磨好了，什么事都解决了，但其实在公司里你更多的是要去理解技术所处的环境、解决技术问题成本有多高、这个事情本身处于什么战略位置”他说。2018年，快手商业化成立FeDA智能决策实验室，刘霁兼任这支团队的负责人，跟多个一线业务部门都有过深度合作。这个团队曾开发了一个名为Persia的基于GPU的广告推荐训练系统，单机效率提升640倍，意味着，以往用50台计算机一天只能尝试一个新想法变成只需一台计算机一两个小时就能尝试一个新想法，极大地提高了开发效率。刘霁觉得Persia证明了他们这些掌握最前沿技术的科学家所能对公司贡献的特殊价值。（刘霁）刘霁出生于1983年，是威斯康星大学博士。在学校搞理论研究时，他就和别的同学不太一样，他最喜欢解决的是“工业界的人真正关心的问题”。刘霁曾帮IBM、NEC解决许多系统上真实存在的问题，毕业后直接选择加入大公司。在一家公司里，科学家的价值是要用业务产出而不是学术成果来计算的。他的思维转变很快，给研究院制定的OKR都是可量化的，比如：提升广告主投资回报率XXX，提升广告的收益XXX，提升用户点击率XXX……“如果有研究员提出一个比较有前瞻性、有学术价值的问题，你会鼓励他们去研究吗？”“这样的问题，说实话，它的价值首先要打个问号。”刘霁说。| 曾经，大公司和科学家都没想清楚几乎每一个赫赫有名的互联网公司都有一个人工智能研究院，吸纳了包括李飞飞、张潼、余凯、吴恩达、何晓飞等在内的知名科学专家。但每当谈起研究院的价值，许多互联网从业者都打出一个大问号。一个很可能的原因是，相当长的一段时间里，大公司没想清楚为什么要招科学家、怎么用好科学家，科学家也错误预期了大公司能提供的资源和空间。前腾讯某部门知名科学家宋航（化名）是一位知名人工智能教授。几年前，他想把手上掌握的一个技术点做成APP，他试图说服几个学生，“学生基本上都翻我白眼”。“老师，我是做研究的，你要做软件的话不要找我，我做不了，也没有时间。”学生回复。宋航好说话，就答，“好哇。”但这件事情很长时间以来都成为他脑子里一个强烈的愿望：他想到商业界去看一看。几年前，腾讯向宋航发出邀请时，他感到很开心，那个等待的机会终于出现了。虽然一直强调“腾讯对我很好”，但现在复盘那段经历，宋航觉得“和预期的有比较大的差别”。有一些问题他和公司都很难直接解决。一个是公司给的时间包容度不够。研发有成本压力，“短期内不是特别能看得出经济效益的话，它的发展显得就没有那么快”。另一方面，人手也不够。宋航希望自己主导的产品能做得更大，理想状况下，他需要500人，“其实任何一家公司都很难满足我的设想”他说。能拿到的招人指标有限，高层也要去平衡各个部门，“比如我需要这么多人，其他部门也想要这么多人，老大怎么办？”而内部其他部门的人员和资源也做不到完全掌控和调度。经过一段时间的权衡，宋航决定创业。创业的一大优势在于，宋航能获得比公司内更多的资源，钱和人和体系，他作为CEO对团队的掌控感也更强，技术空间也相对更大。商业要求技术落地，背后的要求是科学家本人也要落地。看上去只是换种方式用技术做事，但这个转变对于科学家们来说，其实特别难。创新工场AI工程院执行院长王咏刚接触过许多从大公司出来的科学家，他们所讲述的片段可以拼凑出当时他们所遭遇的困境。（王咏刚）首先，命题变得非常直接：如何在下一次产品上线时，带来X亿的收入。需要开各种各样的会，所有产品经理、市场经理、销售经理的问题都提到你面前。“你很可能认为这是一个非常垃圾的功能，但你必须要按照客户的要求做出来。”王咏刚说。其次，很多事情科学家们搞不懂。比如，把一个视觉算法包装成手机摄像软件里的一个功能，这里面包含大量产品化的东西：怎么和硬件结合？怎么突破手机CPU的限制？怎么让用户和真实的场景发生关系？之后这款手机怎么定价？如何占有市场？采用什么销售策略？在这些和业务紧密结合的讨论里，他们可能没有太多发言权。“科学家会觉得：这已经超出我的理解和能力范围了。”王咏刚说，“他就会感到孤立，会无所适从。”“虽然绝大多数科学家非常愿意入世，愿意追求长远的社会贡献，但这种贡献没有那么容易。”王咏刚用了一个类比：做学术是站在非常高的山顶去寻找阳光，而做商业是站在草丛里把路修出来。“你知道，那些站在山顶看阳光的人往往会觉得：修路、搬石头，这不是我要干的事儿。”以科学家的头脑，他们一定能把商业的问题考虑得非常清楚。“但很多时候他就是不喜欢，他不愿意去想钱的事情。”王咏刚说。最后，他们中的一些像宋航一样选择离开，有的干脆重新回到学校教书。| 大公司往往缺什么招什么2016年，AlphaGo战胜围棋世界冠军李世乭九段，让整个行业经历了一场火山爆发。一夜之间，所有人都在讨论人工智能。大公司们非常恐慌，焦虑地布局AI。当时，市场上很少有人懂这门技术，只能开高价（年薪几百到上千万）去学校招科学家。研究院搭起来后，这些科学家应该怎么用、怎么考核？当时，公司们都没经验。被借鉴最多的是微软亚洲研究院（MSRA）。它1998年就在北京成立，是国内出现最早的互联网公司研究院。旷视首席科学家、旷视研究院院长孙剑曾在那里工作13年。他告诉我们，MSRA对研究员的考核标准是“年底说出三件你做的了不起的事情”。而怎么算“了不起”？标准是：同行认可、同行考评。其他模仿MSRA的大公司也一度把论文、专利、科研成果当作考核科学家和研究院的标准，甚至不是定量的。许多科学家之所以愿意加入大公司，是因为看中那里的数据宝藏。可实际开展就会发现困难重重。大公司重流程管理，部门之间壁垒较高。大量数据都掌握在业务线，研究院想直接拿来用，有的也不情愿交出来。曾就职于百度某业务线的高级技术陈飞（化名）解释：假设研究院做一个东西去帮助业务，业务方做出收益，那这个收益到底是归我业务方还是归你？之后我要升职加薪时很可能扯不清楚，那这边就会排斥。而且，“说白了，我们业务也可以自己招科学家来搞。”因此，真要说进公司比在学校有什么具体优势的话，一位曾就职于MSRA的科学家总结：可能就是不用花时间去申请funding（科研资金）。业务层对研究院的贡献也并不满意，在职期间，陈飞“确实没有感觉到研究院对自己有多大帮助”。“可能早期会提供一些工具，但后来发现那个也不足以解决问题，最后我们还是自己做的。”陈飞说。两个部门在技术理念上也有差异，谁也不服谁，“研究院的人觉得自己很厉害，认为你们业务上用的这些算法都是很简单的东西，可能就不那么愿意投入。业务的人觉得你都是阳春白雪，能实际投产的太少。”时间一长，大家都心照不宣，墙越来越高，再后来，“可能研究院做出来个项目，啪往对面一扔，也不管你接不接得住。”而更隐秘的心思是：科学家们也可能目的并不单纯。AlphaGo出来后，有机器学习经验的技术人才一下子成了市场上的抢手货。王咏刚记得，当时，整个硅谷的机器学习工程师跳槽率极高，且工资都“一下子能翻好几倍”——要知道，从前这帮人是技术部门里的“边缘人物”，有的甚至“感觉入错了行”。几乎所有公司里最值钱的工程师都是搞AI的，而做C++、Java的技术人员那段时间心态“被打击得也很厉害”。学术界里，peer pressure（同辈压力）也让科学家们心态失衡。闵万里就曾听到过同行感慨：XXX那小子都到某个大公司当CXO了，他当年还抄我作业呢。很多留在学校的科学家也想走出去，到底是利益驱动型的还是价值驱动型的不好说。“这其实是对科学家价值观的一种挑战。”他说。大公司目的也不单纯。不止一位受访人说，有的公司之所以招入或仍然留着某些厉害的、知名的科学家，是为了“把他们当吉祥物”：向市场证明公司重视AI，愿意为此投入，还能吸引更多崇拜他们的优秀年轻人（可以干活）。“吴恩达过来之后，为百度带来的价值是，估值蹭地上去了。”陈飞说。| 从冷门到抢手货如果把时间向前截取20年，科学家们谁都不会料到人生剧本会有如此大的变化。回忆起自己的学生年代时，滴滴人工智能研究室负责人叶杰平总共用了五次“低谷”。2001年，他到明尼苏达大学计算机系读博时，人工智能是“很多人根本就不愿意学”的领域，整个明大计算机系一个专门研究机器学习的老师都没有。叶杰平坚定地选择这个方向，是因为“确实感兴趣”——他聊技术的语气和方式、讲到这几年工作时所流露出的满足感让你丝毫不怀疑这一点。（左二为叶杰平）从前在学校搞科研时，叶杰平的工具只有一台电脑和一支笔。缺场景、缺数据，研究样本只有一千个，“这已经算很大的数据量了”，他说。第四范式主任科学家涂威威2009年在南京大学读研时，用得最多的是NASA在几十年前公布出来的老数据。现实条件给研究带来很大制约。涂威威曾经听说过一个课题：如何用机器学习改进软件开发。倾注了很多时间得到的测试结果里，关联度最高的特征是：代码越长越容易出现bug（缺陷）。“当时我就对这个方向有点失望了。”涂威威说。在那个人工智能=冷门的年代，选择在这个方向走下去的大多数是出于真诚的热爱。刘霁是叶杰平在亚利桑那州立大学做教授时带的研究生。他非常聪明，数学底子很好，选研究方向时，特别钟情机器学习。机器学习是人工智能的核心。它研究的是让计算机通过算法，模拟或实现人类的学习行为，并获取新的知识和技能。它有极强的创造性，探讨更本质的东西——很难不让技术极客们为之着迷。刘霁认为它“有一种抽象意义上的美感”。我请他详细描述这种“美”，他描述得非常理科：“我想主要是因为，它的本质是用数据辅以人类的非结构化认知，通过学习形成一种结构化的智能。”——仔细琢磨，能从中体会出一种理科式的朋克和浪漫。叶杰平能感觉到刘霁的热情，但出于老师的责任感，他跟刘霁说：“你选这个能力上应该没问题，但是要谨慎，以后可能不好找工作。”这并非孤例，2013年，吴恩达在接受《连线》采访时提及自己读书时的经历：小时候，吴恩达就梦想能创造出“能像人一样思考的机器”，但当他上了大学，面对当时的人工智能研究状况，他选择了放弃。后来，身为教授的吴恩达也会劝阻学生追求同样的梦想。谁也没想到后来AI“搞出了这么多事情”。随着互联网公司的规模迅速扩张，软硬件设施以极大的效率更新换代，更能支撑超大算力的芯片的出现，规模化用户群积累起的海量数据，让工业界正在演化成使机器学习生根发芽的沃土。变化首先从硅谷发生，很快传到国内。2013年，北京中关村微软中国总部。孙剑注意到Google Photos已经能做到把上传的几百张照片自主分类，分类结果“大多数还都没错”。“当时就是一个瞬间，深度学习改变了我对图像语义理解的认知，它来得比我想的更早”孙剑说。接着，他赶紧领导团队加大了对深度学习的研究。（孙剑）2014、15年，一小波人工智能科学家“下海创业”：汤晓鸥创立了商汤，朱珑创立依图，余凯创立地平线……宋航和他的学生很早就收到过这些公司邀请，但基本都拒绝了，理由是“看不懂。不知道这样的公司到底能不能走下去，能走多远。”而到了2016年，AlphaGo带来的那股热潮让这批公司估值再次大涨，他的学生心里泛起波澜：“就觉得我靠，以前我这帮同学们马上就财务自由了，我当时怎么就没这样。”第二年，他们一起加入了BAT中的一家公司。工资、融资额、公司估值、身价……这一个个实打实的数字让许多仍在学界的科学家们经历了一场内心的风暴。有些四处托人打听：“创业这条道路到底怎么样？”某高校旗下基金的投资经理韩东经常接触有创业意愿的科学家，他评价那几年科学家创业热：很多都是跟风的。一个表现是：老师们特别在意估值，内心深处是在和同行比较，“我学术成果不比他差，凭什么我的估值低？”“对一些科学家来说，走学术路线，升副研、副教授也比较累，甚至已经是正研、正教授的也没什么奔头了——那还不如趁早把手上的资源和技术成果变现。”韩东说。| 科学家在大公司如何发挥价值叶杰平之前从来都没想过离开学校。坐在西二旗钻石大厦的办公室里，讲述自己前后两段人生路径时，那种割裂感让他自己都曾经感到意外。2014年，被密西根大学聘用为教授时，叶杰平想的是：我应该待在这里十年不动。尽管互联网公司们早就因技术而广泛施加影响力，但他更愿意留在学术界一个安静的角落搞科研。仅仅一年之后，叶杰平的平静就被打破了。2015年暑假，滴滴向他发出邀请，约定回国后好好谈谈。反正也要回北京，叶杰平没想太多。从底特律上飞机的前一个小时，他突然接到滴滴的求助。对方在一个项目上碰到难以攻破的技术难点。当时，滴滴希望把抢单模式变成派单，但究竟怎么设计算法才能让司机更好地接受和适应指派规则、保证派单成功率，他们还不确定。“我本来想轻轻松松回来旅游一下，那不是没得休息了嘛。”叶杰平心里犯嘀咕。但他很愿意去琢磨一个有难度的问题，脑力挑战能带来快乐。在飞机上安顿好，他掏出纸笔，十几个小时的飞行时长，一直都在琢磨。那时的叶杰平对网约车毫无了解，唯一知道的是“听说过Uber这家公司”，还是因为有个学生被聘用了。网约车是什么逻辑、怎么运作、要经过多少环节、平台是怎么吸纳和调配司机的……这些业务细节他几乎全不知道。“那时候很想打个电话，让别人给我讲一讲。”他回忆道。在机舱这个封闭空间里，叶杰平思维高速运转，用一个高度抽象的数据模型把问题简化出来。计算结果写出来时，他自己也忍不住内心的兴奋。一下飞机，他就直奔上地附近的滴滴总部。滴滴的工程师们早就在等他了，一间特别小的房间里挤满了人。叶杰平把电脑上的PPT打开，他在设计的主公式里加了一个参数变量，通过动态调整参数值，让司机在一两个月内适应派单逻辑，实现从抢单到派单的平滑过渡。那是叶杰平第一次用算法试着解决一个生活中实实在在的问题。方案上线测试时，他每天都关注数据的变化。之后的一次复盘会，滴滴高层总结：派单项目是过去几个月最大的功臣之一。“啊，这个事情影响力竟然这么大！”叶杰平感慨。这件事情让叶杰平的想法发生了颠覆性的转变，他觉得，公司是座富矿，“遍地都是机会”。以当时滴滴的体量，这套算法能影响成千上万人的出行。要知道，在学术界，要想达到同等的影响力，“除非你能拿诺贝尔奖”，他说，“而且诺贝尔奖也要等二三十年”。返程的飞机上，叶杰平做出了改变后半生人生路线的决定。一回到学校，他马上把手下的博士生叫过来，说：“你们做好找工作的准备吧，我可要走了。”本以为加入研究院是“一半研究，一半落地”，但在滴滴的头两年，叶杰平根本就没时间看文章，“全是落地”。业务很忙，“天天打仗”。这种感觉让他觉得新奇，战场是直接拼刺刀，技术的优势立竿见影，有“非常强的愉快感”。公司慢慢稳定起来之后，从18年开始，叶杰平终于又有时间读论文，用科学家们的技术优势帮公司建立壁垒。最近三年他投入精力最多的一个项目是：将AlphaGo的强化学习方法用于网约车派单和调度。向我们描述项目原理时，叶杰平像是一个深思熟虑的棋手：整个城市是一个“大型棋盘”，等待调配的司机像是棋盘上的棋子，决定留下来还是往东南西北开出去是落子决策，引入AlphaGo的算法，像决策落子位置一样给来给司机进行调度。“最后只是通过算法，在不影响用户体验的情况下，部分参与AI调度的司机收入提升了8-9个点。”叶杰平的语气里充满成就感。曾因学术感到沮丧的涂威威也选择进入公司。临近毕业时，他经老师引荐，认识了百度搜索引擎营销平台、百度凤巢的负责人戴文渊。入职后，他们用机器学习方法理顺了平台的底层逻辑，带来的效益是老方法的八倍。看到收益往上涨的那个瞬间，涂威威觉得非常震撼，“没想到机器学习在公司竟然可以被用得这么好”。涂威威出生在1988年，小时候信息比较闭塞，听到最多的是“美国包装出来的一些二十世纪最伟大的科学家”，比如，爱因斯坦等等。和那一代很多小朋友一样，涂威威从小被灌输的思想就是长大要当科学家，“这很伟大，很有逼格。”读书时，涂威威特别喜欢物理，还参加过物理竞赛，取得一些成绩。长大后，他发现，基础科学基本都是预测未来几百年，可能都没人能活着看到这些问题被解决。“实际上，那个理想是非常虚的。你想做爱因斯坦，但你并不知道爱因斯坦意味着什么。”他说。（图右为涂威威）人的一生是有限的。涂威威想，爱因斯坦之所以能被人记住，一方面是他确实让人重新认识了世界，另一方面是他改变了很多人的想法，对这个世界影响很大。“做技术的其实都会有这样的想法，希望自己做的东西能够去影响更多的人。”他转变了思路，用另一种方式去改变世界。2015年，涂威威从百度离职，跟戴文渊一起创立了第四范式，公司定位是人工智能技术与服务提供商，目的是帮助各行业的企业低门槛地用上AI，影响更多的人。| 科学家们决定走进商业2017年3月，北京西二旗附近的百度公司总部。时任前百度研究院院长林元庆和吴恩达坐在一起讨论一个宏大的命题：AI怎么样才能真正称得上第四次工业革命。——这是当时人们对AI最大的期待。他们得出一个结论：AI要落到“互联网以外更广阔的各行各业去”。就在他思考这件事情如何在百度内部推动时，吴恩达突然离职宣布创业。这给林元庆带来一定的冲击。当时市场环境好，投资人都看好AI项目，林元庆有些心动，经过两个多月的评估和纠结，他最终也决定创业。（林元庆）真格基金投资总监尹乐对林元庆的第一印象是：充满激情。描述创业想法时，林元庆说：“我要做AI to B”，下一句是，“我的公司就叫Aibee(AIB)”。但具体要深入到哪个行业、哪些场景，他都还没想清楚。第二天，林元庆就被引荐给了徐小平，三个人吃了顿晚饭，真格马上就决定投了。他们信任林元庆的学术能力，而他的职业经历也是很关键的加分项。如果不是当时那个节点——市场上一切大门都为他敞开，林元庆不太可能出来创业。回国时，他想的是“在百度干到退休”。2018年初，林元庆获得了1.65亿人民币的天使轮融资，在那个时间点刷新了中国AI初创企业天使轮的融资记录。见过大量科学家的投资人都会在意商业敏感度这一点：科学家们往往会低估商业。在交流时有时能明显感到老师们把创业想得太简单：“这个事情基本市场有多大、增速有多快，他们可能都是没太大概念的。”科学家们需要商业上的帮助，这成为一个共识。王咏刚所负责的创新工场AI工程院创立的目标是连接科研和商业化场景，经常有科学家专门向他请教创业经验。王咏刚总结了几个科学家创业要注意的“雷区”，其中一条便是劝他们——一定要扭转心态：一旦决定要撸起袖子创业了，一定要补足产品化和商业化的能力。或者引入商业背景的CEO或合伙人，按需组建商业化团队——这是如今很多科学家主导创业的公司最常见的搭配模式，负责商业化角色的很多是他们的学生、前下属，或者投资人们也会主动帮科学家寻找和推荐合适的人选。不管是科学家还是工程师创业，最终都要变成一个企业家创业。在一个新的社会角色里，他们必须重新开始学习。一大堆名词扑面而来：HR、融资、业务、财务、商业运作、政府关系、媒体关系……每一个都跳出原来的认知体系，完全是另一个宇宙。得快速搞懂。并且，“光懂是不够的，还都要很懂。”林元庆说。现在，林元庆70%、80%的时间用来管理团队、见客户。他把公司位置选在北京中关村壹号：一个距离地铁中关村站还有14公里的新产业园区，靠近西北六环。周围除了一组组拔地而起的新写字楼之外，没什么商业基础设施，显得空洞无聊——这倒是能让人更专注于工作，林元庆对这一点表示很满意。他就住在公司附近，经常骑车上下班，通勤单程时长20来分钟。这段时间，不太会想“宏大的、务虚的问题”——“创业没有这样的机会”，更多还是关心最近的业务。6月初的一个下午，我们在林元庆的办公室第一次见面。他的电脑桌面上平铺了四五版公司简介PPT，他对它的熟练程度可以说是“超级精通”。每当我们抛出一个针对业务的问题，他都能在三秒内迅速滑出某一页，“快乐且滔滔不绝”地讲解起来。64页PPT，从想法到结构再到中英文表达都是他自己弄的，再由同事美化。“干一行学一行嘛”，他性格很开放，率直，说完这句后率先笑起来，对这变化欣然接受。精确而高门槛的技术名词换成了模糊而重价值的创业话术：愿景、创新、革命、赋能、社会责任——在商业世界，只会讲技术要点是不行的。“一旦的身份是一个创业者，讲技术就必须要搂着点。”创新工场南京AI研究院执行院长、倍漾科技创始人冯霁说。（冯霁）拥有“创业者”这个社会身份7个月来，冯霁努力让自己“去学者化”，具体表现是：要懂得忽略细节（搞计算机的人控制感都很强，毕竟要让程序遵从自己的指令，以至于公司刚成立时，他连地毯是什么颜色都想管）；要学会杀伐果断（第一次裁掉员工时，他两天都没睡好）；要忘了自己是技术专家（不能总把算法挂在嘴边儿，“如果个人的技术对创业的重要性只占20%到30%的话，那么在和别人沟通的时候就不应该用超过20%的时间聊技术”）。外出谈事，冯霁就假装自己不懂技术，以至于曾有人表示担心：“冯霁，你招一个技术时要怎么沟通？万一被骗了怎么办？”去年一次国际会议上，还有位朋友特地来问：“今天聊的技术你怎么都听懂了？看你跟别人说得头头是道的，是从哪个公众号上学的吗？”冯霁一听，“心里挺高兴”。然后，拿出来自己曾经写的“一堆论文”。跟我们重复这个故事时还是很沾沾自喜。不过也都是昨日回忆了。现在，他每天使用最多的软件是Office。“想不到我一个天天推公式、写代码的也有今天。”他笑着感慨。| 今天，科学家影响世界的新方式科学家创业的模式在国外已经比较成熟。今天，国内体制和机制也在不断给科学家松绑，这个模式也在慢慢跑通。一位投资人告诉我们，这几年，高科技公司是重点扶持对象，“这也是科创板设立的原因”。他说：“中国科技成果转化率太低，亟需提升，科学家创业是其中一个比较好的形式，国家也是也有砸钱的决心。”对于科学家们来说，自己创业的风险当然很高，但一个绝对优势是可以调配更多的钱和资源。环境和投资人也愿意提供帮助，创业成功的可能性也比之前更高。但科学家们要忘掉自己是科学家。做好这件事不仅需要耐心，更关键的是，一个科学家要有意愿去俯下身来。比如，怎么让不懂技术的人听懂技术？如今，消费互联网早就是一片红海，可供新入局者找到的场景太少，科学家们把目光投向产业互联网。那里都是些和互联网有很大距离的人， 比如：传统公司里的销售、运营、渠道人员；或者，面板厂商、光伏厂厂长、制鞋厂老总、煤老板；甚至是高中生、甚至是大专生、初中生……大部分“对AI的基本理解都没有”。一位科学家说，曾客户直接问他：“AI不是万能的吗？”“AI就是应该达到100%的正确率啊。”（显然都是错误的认知）科学家们只好先以一个专家的身份，花两个小时给对方科普“AI的来龙去脉”。在很多人看来，这对于科学家来说意味着一种牺牲，而冯霁不愿意这么理解。他师从著名人工智能科学家、南京大学周志华教授，曾得到“情绪极度内敛”的周老师这样的评价：“假以时日会在学术界成为someone”。冯霁是85后，刚30出头，和他的老师所处的那个时代不一样，他更能敏感地捕捉到商业机会，是周志华门下唯一一个创业的博士生。冯霁明显不是那种看上去就“很科学家”的性格。他非常外向、喜欢表达、组织能力强，被李开复和王咏刚都判断为适合创业。他给自己取的网名叫“冯牡丹”，有点戏谑味道。这种感觉也体现在他想要创业这件事情上。冯霁非常喜欢的科学家是被誉为“天才数学家、赌神”的爱德华·索普，理由是：“这类人能利用数学工具（如：机器学习）干翻一众传统做金融的人。这是the right way of doing investment（正确的变革方式）。”博士还没毕业时，他就坚定地想要用机器学习和深度学习算法在金融领域创业，早早下定决心。放弃科研，有遗憾，但绝对不是一个后悔的选择。“有时候科研是一件蛮自我的事，因为它最大的乐趣来自于你的内心。但是创业是，我可以去聚集一群最优秀的人共同去颠覆一个行业固有的范式。”他说。如果真要拷问内心，林元庆最喜欢的还是钻研技术。平时在公司，如果条件允许，他就跑去旁听技术的讨论会，那是他最熟悉和喜欢的氛围。但成为CEO就是要调动出商业的那部分。1999年，海淀黄庄最大的十字路口有一块超大的广告牌，那上面的第一个广告就是被林元庆卖出去的，客户是联想，那一单他赚到了6万。是因为对商业的不那么热爱和对技术的真诚喜爱，他才在之后的许多年里，成为一名技术科学家。现在，他要重新变成一个拥抱商业的人。他的公司Aibee成立的第一年，100多个员工每一个都直接汇报给林元庆，这样决策链条最短、速度最快。他在两三个月里以极高的效率见了将近40家各垂直行业的CEO，果断而迅速地决定打入零售行业。Aibee的第一个大客户，广州K11购物中心就是林元庆亲自谈下来的。这个落地速度超出投资人们的期待，“没想到元庆是个商业奇才”。去年下半年，林元庆召开了一次股东会，几十个股东代表坐在一间咖啡厅里。林元庆向他们展示公司项目的最新进展，全程说了许许多多次powerful（强大的）。现在，“技术理想”也更务实，一切都要回归商业，能变现的场景是最重要的。林元庆熟悉的那份PPT上，公司已经投入使用的案例包括在K11等大型购物中心上线的智慧停车、智慧VR导航导购等应用。我们最后一次见他是在六月初一个星期日的晚上。那天，林元庆和同事一起从早上开会到晚八点，接受采访前，他吃完一桶泡面，跟我们一直聊到深夜十一点。采访结束，林元庆送我们到电梯口，整个办公区，所有工位都是空的，只有他的办公室亮着灯。林元庆穿着方便又舒适的拖鞋，还三言两语讲着公司今年的目标。电梯门开了，林元庆向我们笑着挥手，看上去不知疲倦。（记者马子轩、万佩、房宫一柳对本文亦有贡献）-FIN-

【TechWeb】近日，任正非连续签署2019新年017、018、019号总裁办电子邮件，针对研发体系2018年离职的82名博士员工和104名在职博士员工、制造部11名在职博士进行访谈与数据研究，详细阐述了华为为什么留不住高精尖人才。数据分析显示，华为公司博士类员工近5年累计平均离职率为21.8%，入职时间越长累计离职率越高，2014年入职的博士经过4年，只有57%留在公司。华为认为，博士人才留不住，主要有以下几点原因：第一，进入公司的博士工作安排随意，“用非所学”，浪费了长期累积创造价值的资源。第二，转岗难，内部转岗过程政策的不透明、种种的过程潜规则、部分主管人才的“私有化管理…”让他们心有余而力不足。第三，博士认为部分领导水平不行，有些“外行指挥内行”的意思，如果不能理解与指明技术发展的方向，将严重束缚了团队与自身技术能力的发挥。第四，华为本身存在的问题，公司层级太多、缺乏自由度、没有让高水平人才实现自我成就感。以下为三封电邮全文：打造引领战略领先的“华为军团”，怎样才能避免“叶公好龙”？之一作为公司创新主体的2012实验室及研发体系的博士员工群体为什么流失近期公司总裁办转发了《Google的秘密军团》一文，引发了网上热议，Google在发展初期为实现敢为人先、创新驱动、战略领先的溢价优势，在人才管理上实施了“杀鸡用牛刀”的策略，大量获取既能研究又能动手、既能创造又极富主动性的优秀博士，通过研究与开发一体化的过程，迅速地将人才优势转化为了技术优势、竞争优势和商业优势。从某种程度上看，这就是公司5年来一直在谈的“精兵战略”的一种实例。需要澄清的是，本文在谈精兵战略时，并不意图矮化当前硕士、本科以及一切为公司创造价值的员工对公司的积极贡献。只是聚焦我司从事研究工作的博士群体，见微知著，有利于我们更直接、深入地去分析该如何调整好人才策略与管理，让每个优秀人才能充分发挥其才智与创造的主观性，并促进我们相关部门日常业务与人力资源管理的改善。心声社区上的一个回帖给我们提供了研究的初始线索：“华为的土壤是否适合高精尖的博士的生存？其实每年公司都投入大量的专职人员在专职搞博士招聘，但是高精尖的博士入职进来的很少（待遇、口碑、岗位等因素），进来的博士留下来的也很少，留下来的博士是不是真正的有让其发挥的空间、岗位和机会？以我个人遇到的情况来看，我招的3个博士，进来一年后有两个离职了，一个就在研发干普通的开发和测试工作，很难形成独特优势。”为此，公司咨询委员会、人力资源秘书处和人力资源部人才管理部从不同视角进行了联合独立调研，选取研发2018年离职的82名博士员工和104名在职博士员工、制造部11名在职博士员工进行了一对一的深度访谈调研和数据分析，形成以下三份对比调研报告。本报告聚焦2012及研发体系从事研究工作的博士员工为什么离职。1、人才土壤“肥力”的持续流失，怎能沉淀出战略领先的基础数据分析显示公司博士类员工近5年累计平均离职率为21.8%，入职时间越长累计离职率越高，2014年入职的博士经过4年，只有57%留在公司（如下图表所示）。而其中更令人担忧的是特招博士的离职情况。特招博士主要来自国家重点实验室、已有成功项目研发实践经验的优秀博士或重点院校重点专业的优秀博士，在校招时定位为公司未来各领域内技术领军人物。但从下表数据看，33%-42%的离职率也很难说我们对这类优秀人才苗子的管理处于较好的状态吧。2、“英雄无用武之地”是人才土壤“肥力”流失的主要因素在愿意接受访谈的82名离职博士员工中，有56人反映离职的主要原因还是岗位与个人技能不匹配、主管技术能力弱导致自身发挥受限、自身特有优势无法发挥等。尤其是入职2年内的博士员工，满怀激情而来，而在一次次学无所用的心灰意冷中离去（参见下图所示）。3、华为这么大，英雄为何没有用武之地？——工作安排随意，“用非所学”，浪费的不仅是一个员工一段时间，更是一个已经完成长期积累的价值创造资源让我们来听听离职博士员工的心声：“原先说是硬件岗位的，来了却安排做算法”，“我研究的专业方向是图像及深度学习，入职后从事偏硬件和落地的岗位”，“学图像的博士转去做知识图谱，完全要重头学起”，“研究方向是系统架构/硬件/嵌入式，入职后从事内存测试算法”，“我的方向是偏算法和基础研究的、进去之后做的工作偏维护和运维”，“研究方向信号处理，进来做网络传输方向的创新和攻关”，“激光雷达是我的核心专业，来华为太偏数字集成，当前岗位只用了我硕士学习的东西，当前岗位再做下去，相当于我几年博士都白读了”，“我是安全方向的，新部门和安全一点关系都没有”，“我之前是做芯片设计的，进去后安排我做后仿，媒体仿真，完全将自己当成白丁开始做”，“我想分到一个和学校研究相似的架构组继续做，结果分到了另外一种架构，不太熟，失去竞争优势”，“博士方向是做激光通信的，入职后一直做信道估计，太窄了学不到东西，离职后现在在做系统架构，现在做的东西范围更广，成长更快”，“岗位偏测试偏验证，可靠性的验证，偏研究的东西少，这个东西不太适合学历太高或比较专研的人”，“我是做机器学习的，来华为做数据库，没有用到专业能力”，“我是学IC设计的，入职后让我做测试而且是操作类测试”，“华为分的太细，部门墙，部门领域就是这块业务，非自己部门的不能去涉猎。博士想要在自己所在的领域发挥，在华为挺受约束的，一直在找，2年也没找着” ，“事少人多，一件事好几拨人在做就会产生内耗（当前有5拨人在做同一件事），而且当前内耗很严重，不能为了招博士而招博士，不能因为不差钱就拼命扩招”……——转岗难，转岗难，人尽其才只是传说中的故事在访谈中离职博士员工也坦诚地说，其实他们还是非常希望能在公司内找到能学有所用、发挥一技之长的岗位的，但是内部转岗过程政策的不透明、种种的过程潜规则、部分主管人才的“私有化管理…”让他们心有余而力不足，一走了之成了无奈之举。他们反映：“2012内部是不能转的，据说有政策限制。但离职沟通时，HR又说没有这样的政策”，“部门主管明确和我说了，要么离职，要么留在这”，“在华为，申请转部门不是一件容易的事，一提就会留给领导的印象不好，后面会影响绩效”，“转部门很难，如果转不成，新的部门没去成，原部门就会进入资源池，风险太大，还不如离职了”，“入职不满1年，不符合内部人才市场的条件”，“我和领导提了，领导不想解决这个问题，说是技术负责人，不愿意放我走”…竞——“武大郎”的庙，无法提供“武二郎”的发挥空间很多离职博士谈到当前随着技术种类的增多、技术变化的加快，部分主管自身技术能力的南郭化，不能很好的理解与指明技术发展的方向，严重束缚了团队与自身技术能力的发挥。比如：“项目组空降了一个主管是做软件的，不懂算法，只是push进度，从赛马里找bug，跟踪是否符合规范，也把握不住重点，不懂业务，对我们的工作指导都是副作用”，“基层LM/PM能力参差不齐，没法对博士的能力做出客观的评价，包括技术方向的判断，但高层领导水平还是挺高的”，“内部导向风气不太喜欢，基本上领导说了一句话，大家一窝蜂的都说对，如果是用户导向或技术导向也行，但如果根据某个人的意志去行，我觉得不合适的。我离职的时候，私下交流，大家也都这样认为，部长的想法，基层PL,PM只会PUSH我们不计代价去执行，从下到上基本都这样”，“整个公司在软件模式，软件人才培养或未来方式上，水平不是很高，包括领导的水平，都比较落后，不管技术水平还是管理水平，和领导做朋友平时都挺好的，但在业务上技术上的水平一般，PL也有，包括4级部门主管在内也有，当前在A公司，感觉A公司在软件方面比华为高一大截”，“领导也不懂技术方向，感觉就是瞎指挥，他以前做的比较杂，从固网过来的，我们这开拓一些新方向新领域，他可能还是追求老一套的观念，技术上也不愿太多去了解，又要去指挥”，“因为要做岗位轮换，部分中层领导在技术方向判断上不是很专业，导致他们的施政方针上前后有不同，在项目的延续性和新项目的论证上，判断不专业，出现外行领导内容，对项目基本一拍脑袋，很多时候是无法实现的，为了所谓进度要求提出一个不切实际的要求，会加大项目难度，让下面疲于奔命”，“红蓝军变成彩虹军,很多团队在干同一件事，大部分人在做无效的事，资源浪费，外行领导内容，领导判断一件事不是基于技术或客户价值判断，而是看上级的脸色，我所在的部门至少有一半的博士处于精神离职的状态，有了机会肯定会走”……——富有挑战的机会、结果导向的简单氛围、相对宽阔的发挥空间、活跃的学习环境、能将技术想法变成实际贡献，是博士员工能真正发挥作用的组织土壤离职的博士员工不约而同地对当前与在华为时的工作环境进行了对比，提到了很多他们认为能真正发挥自身才干的组织氛围要求。比如：“现在在A公司，各部门各自创业发展的氛围比较浓，有挑战也有空间，可以自己尽力发挥。而华为类似庞大精确的机器，靠大量的人力物力投进去，大兵团，军队一般的纪律，将东西做出来。而当前公司虽然很大，但崇尚小兵团作战，在一个小团队内认为1个单兵能力强的可能顶的上3-4个能力不强的个体，可能每个组织都有各有优势吧！”，“在B公司做软件，工作比较有挑战，比较有前沿，软件比华为高一大截，包括预期收入和未来成长都比华为好一些”，“我在C公司，和现在差不多，以前在华为做平台，现在在交付线，和华为不一样，做虚头巴脑的事情比较少，领导所有的决策基于专家的技术判断。在华为没法接触到3级领导，但在这里，你交付的这个项目，交付的很有价值，你可以汇报到VP，甚至一级部门总裁，华为是3级部门要看2级部门领导的脸色，不是基于价值判断，不是看市场到底有没有需求“，“当前在D公司，更偏向落地，不会像华为一样，好多团队在争抢一个项目，这个项目交给你，认为你能做好，配套好，把相关的人都做这个方向”，“在E公司，从事现在的工作和华为一样，最核心是更自由一些，如果你觉得有问题，大家讨论后知会相关人就可以改，改完后上线测试，整个运营效率会非常高，你会感觉一直在往前推动，没有将时间花费在无用的流程，文档，一堆问题单，一堆对齐会议上，一旦事情很高效你整个工作状态就会不一样”，“华为制度比较完整，什么事都按照流程来，调研1个月，立项3个月，选择技术路径3个月，开发3个月；给个人发挥的余地不是很大，每个人都是制度下的螺丝钉，制度非常好，做什么事都经过评审，但对个人也就限制了范围，B公司偏自由，给你发挥的空间也更大，刚好是两个极端”，“在F公司很明显的不同，学习氛围不一样，华为研究院是一个比较闲的地方，没有业务压力，没有Deadline，但在F公司，我同学也在做很偏工程的事，学习劲头很足，学习新知识的氛围很浓厚，我觉得现在公司比较有自己的性格和坚持，对技术讨论更活跃，不仅仅是着手于眼前的工作，工作是暂时的，他们会挤出时间来学习，比如偏工程，因为缺乏学术的专业知识，比如几十年前就有研究过，他们就会去学，因为我是博士，他们就会来找我，他们看了之后，就会组织讨论会分享会，看这个论文的感想，做些改进，但都是自发的，自己都会有一种紧迫感，自主自发，看别人在做什么，看相关研究在做什么，即便这个研究不是他们的KPI，在华为研究院这个氛围不浓厚，可能也是太忙了，本身可能也没时间，当一个项目投入是朝9晚9的时候，你根本不会有心思投入去做别的事情”，“华为的博士招聘有点盲目的，G公司和我讲的非常清楚，来做什么、待遇是什么？包括能报销什么，你来了就是这些钱，包括你做的事是什么，都很清楚。我在华为工作几年，感觉华为真的很有钱，都浪费了，招的人都不能干活，招这些人干嘛，没想清楚就招进来，我来G公司干的活比在华为2年都做的多，但我也并不感觉到累”,“在H公司，我的技术想法能快速实现到产品上。但在华为，比如中软是预研，做的东西看不到要多久才能落到产品。”打造引领战略领先的“华为军团”，怎样才能避免“叶公好龙”？之二从制造部实践看如何用好博士员工群体的经验前文分析了当前公司创新活跃的2012实验室及研发体系博士员工的离职情况，那么是否华为就不善于使用博士员工呢？是否是华为严格的管理流程与作业规范，天然就限制了博士员工的创造性发挥呢？答案显然不是！在咨询委员会深入走访制造部、学习调研公司先进制造转型的过程中，我们却发现在最需要严格规程管理，传统上感觉创造性并不很强的公司制造部，所遇到的博士员工却都是两眼放光，精神面貌极好。我们看到一群来自各专业的博士员工，集中在先进制造实验室，有学图像处理的博士正在利用光照相技术研究如何让线路板上的机械手更好地完成器件自动化插拔；有学算法的博士，正在研究如何利用先进算法提供解像度来提高自动化设备识别板件的能力；有学机器人的博士，正在研究如何让机械手模拟人手柔和的动作，以保障机械手能进行更精密的装配…学有所用、用以促学，不仅是我们在与他们访谈时获得的信息，更是在现场看到的实际工作场景。这样的博士团队应该是被高度激励的团队，应该是稳定的吧？带着这个假设，我们立即调取了制造部的博士离职数据，果不其然，制造部博士员工的离职率很低，具体数据如下：制造部15-19年累计招聘博士54人（已离职4人、调岗2人、在岗48人），博士整体离职率仅为7.7%。到底是什么原因，使传统意义上并不是创新高地的制造部的博士能安居乐业，学以致用，不断做出贡献呢？有什么经验值得我们总结并可以给公司相关部门分享呢？带着这些问题，我们邀请人力资源部人才管理部的专家，随机抽取了制造部的11名博士员工，进行一对一访谈，实践案例与分析发现如下:一、典型案例：案例1：招聘前深入调查经历，入职后人尽其用，岗位职责很match我16年入职，刚好满三年。当时是公司制造部的副总裁专门去华科面试我，就是为智能制造专项项目。他说他们有几个项目，刚好跟我之前做的非常之吻合，我才知道他们招聘我之前，已经深入调查过我的经历，我本、硕、博包括在A国留学，一直学习智能制造方面的核心算法，我做了十几年的东西居然跟这个岗位职责这么match，然后有人可以这么的赏识我，我学到的东西是可以得到认可的，有一个好的应用，这一点其实是我一直想要做到的。有很多小一点的公司不愿意，或者没有必要引进这种很高深的算法去帮他做，小公司流程很简单，也没有那么多的复杂场景，反倒不需要这种人工智能，但是华为这个平台够复杂，足够的场景，反倒对我们学这种复杂算法的人提供了一个机会，我觉得公司这种应用场景跟我学的是很匹配。毕竟千里马常有伯乐不常有，所以我二话不说，想都没想，就来了华为，只面试了华为一家企业，也没有找过别的公司，也没有看其他的岗位。入职之后算是人尽其用吧，我做的那些算法就是他们项目需要的，我觉得特别好，就挺开心的，在读博士阶段开发的研发成果就可以很好的带过来用，这样的研发就会更快，不用从头开始起步。案例2：我觉得我来晚了我17年入职，我个人觉得在华为制造部感触最深的就是领导非常尊重知识、尊重人才，这是吸引我大部分的原因，我觉得我来晚了。我的领导非常支持我的工作，比方说有一个不良率，我参与进去分析这个原因。我提出来一个假设，然后领导说，你就是要坚持你的观点，要大胆假设小心求证，错了也没关系，错也能吸取经验教训。最后证明我的分析判断还是对的，我们把这个原因找出来，对其他的项目是非常有借鉴作用，我觉得领导的观念和眼光非常棒。案例3：增加博士群体并集群使用，可进一步提高效益，现在有价值的东西，缺人手，只能忍痛割爱我的团队只有一个博士，有很多项目缺人手，我实在负担不起，只能忍痛割爱，按照项目优先程度、项目时间紧急程度，把Top3或者Top5的先做。一些现场问题看着好像很小，但是很紧急，也是有需求的，只好先快速给一个方案，但是这个方案其实不够好，我只能先把这个不够完美的方案给出去，但我自己心里其实是很愧疚的….. 现在人的资源不够，如果有个帮手，至少不会像现在这样拖着别人，我希望专家和博士的队伍可以更壮大一些。还有，我们这边虽然也有一些博士，但都分散在各个领域，是一种单打独斗的模式，我一直都喜欢团队合作的感觉，因为之前在实验室、在学校里就是需要有一个team，大家在一起群策群力，然后也有很多思想的碰撞跟火花，更多的同仁加入进来，这样做事情效率也会高一些。案例4：要加大博士间的交流互助，武林高手要过招，功夫才有进步手机显示技术进步非常快，日新月异，我觉得再过一年我可能out了，就要落伍。因为这个行业进步太神速，我们P20、mate20现在卖的供不应求，马上就要P30了，如果我只吃过去的老本，却没有思想、知识的更新迭代，我很快就会落后，这也是我的危机感。我觉得多一些互动交流，有助于我们日常工作中遇到的问题的解决。现在博士聚在一起互动交流的机会还要增加，如果博士多一些交流互动和思想碰撞，即使不是同一个领域的，但是某一方法论或者一个借鉴的案例，也可能会帮助问题的解决。武林高手要过招，功夫才有进步。通过以上有益尝试及待改进场景的访谈与分析，我们试图小结出业务部门有效利用博士专业知识的一些经验。第一、要差异化理解博士所具有的典型专业特征，技能与责任匹配是用好博士员工的基础1、优秀博士敢于挑战未知、思考方式更系统全面，对学科前沿技术方向了解更多在学业研究阶段，博士接触的资源会很多、很好。我自己的导师是院士，能接触这个领域世界顶级的科学家。我觉得优秀的博士更合适做大系统的架构设计，因为博士是自己思考问题，自己解决问题，自己找资源做出来。我当时的导师跟我说过一句话我非常有感触：一个博士能不能毕业，不是老师觉得你能不能，而是你自己觉得你能不能。当你真正研究到达一定的阶段，你自己是有感觉的，你会觉得在这一块我自己已经是专家了才能毕业。博士多学了几年，而且是在这个行业里面浸染，参加行业交流，对这个学科前沿方向技术点了解地比硕士更多，面对工作的时候更加游刃有余；另一方面，博士受过系统的思维训练，在解决问题上更有优势。硕士一般大体知道有答案，去寻找答案，博士的难度在于，导师也不知道有没有答案，也可能找不到，找到就毕业，找不到就再找问题去找答案。所以博士在研究未知问题上更有优势，比如，我以前在北航的时候，参与一个国家级的“九五计划”的课题，编写一个可靠性的工具套件，当时我们实验室有5、6 个人参加，只有我一个人是博士，其他都是硕士，每个人负责一个模块，最后代码编完了，导师拿去演示，回来说只有我这个没出错，其他人都出错了，其实我就是在编代码的时候加了一些容错机制。2、制造部门的博士要懂产品，也要懂制造，才能提供更好的研究方法去实现产品的质量与可制造性制造部不做产品，但是我们提供更好的方法去实现产品。我们既懂产品，又懂制造。制造发现了研发没有发现的问题。我们要发出自己的声音，有理有据，倒逼前端思考，告诉前端设计产品按照我的路线设计，我让你信服！我们车间其实有很多的问题点，打个比方，这是一条河，研发是上游，制造在下游，鱼从上往下流，上游把鱼基本上捕的差不多了，下游量产阶段时候鱼已经很少了，但还是有漏网之鱼。这就是研发工作也有很多不太扎实的地方，还有可能改善的空间。我的工作其实就捡这个漏，有些比较疑难杂症，我们就介入进去了。制造部的博士日常既有研究，又有交付，解决生产工程师们遇到的问题，提高效率，改善质量，我的工作是搞优化算法。优化的概念就是针对我们制造交付成本跟质量方面的技术交付，提供算法优化，包括机器参数的对接调整都属于优化。主要目的就是在我们资源的调配上，找一个优化组合方案帮助改善业务，主要是帮我们解决一些比较复杂的决策逻辑。有些复杂的决策问题，需要决策的时候，可以用这些优化算法去做一个工具，辅助人去做一些快速计算。平时的工作需求主要是针对于生产工程师们遇到的复杂问题，或者是他们会想提高效率，或者是改善质量的一些问题，他们觉得有困难会提到我这里，然后看是不是用大数据的方式来解决。现在我们在建这个数字化的能力，还有就是一些大数据技术能力平台，那这些工作会有一些涉及到研究方面的工作。第二、从源头上保障博士员工使用的有效性。招聘时定位是很清晰的、了解需求的高管招高端，博士来后发挥作用，招聘过程体验好，自然就更能筑巢引凤。1、我们制造部招聘感觉首先是对人的定位是很清晰的，招人比较准，所以配合起来很不错。我在美国留学的时候，一直学习智能制造方面的核心算法…..招聘时候是根据项目，对照我的简历才把我招进来的，因为他是等米下锅，所以我一进来就直接进了项目组，负责算法开发，这个项目其实还跟我还蛮对口。当时是公司制造的副总裁，专门去面试我，就是为智能制造专项项目，入职之后的话也算是物尽其用。他说他们有几个项目，然后我一听刚好跟我之前做的非常之吻合，就挺开心的，因为毕竟千里马常有伯乐不常有。招聘面试要全面考察，重点看曾经的经历是否与岗位职责和工作内容相关。2、华为的大平台+有竞争力的薪酬应该是可以的，其实很多博士生的学科实践性比较强，所以也想来企业看看，自己在这里能发挥作用，所以也愿意推荐同学进来。今后建议进一步改进博士招聘的体验，比如当时华为去我们学校座谈，宣讲，后来不知道怎么，博士这块就没有下文了。后来问招聘那个人，回复说我们主要招硕士，后面等通知。我发邮件又问了联系人，才给我转过来。当时我们三个同学一块去看的，都等了很久，也没有消息，后来一个人出国了，一个人留校了。一直听说华为很多硕士都是随机分的，专业可能不对口，博士招聘也会受到这种口碑的影响。第三、博士员工的使用专业匹配，产出明确，工作就有价值感。而直接主管在专业上放手要让博士员工处理，在资源、组织、协调上给与帮助，这种赋能型而非管控型管理，更容易促进博士员工的产出。1、博士所学即所用，是最有利博士研究积累发挥的途径。比如有访谈者谈到，他当前在制造部，大部分博士的所学专业与工作匹配度相对较高，制造领域的博士大都是工程类专业，产出较为明确，工作有价值感。我博士时读的专业叫系统可靠性，现在的岗位与专业完全匹配，北航我当时所在的学院叫可靠性系统工程学院，来华为就做可靠性工程师。还有访谈者提到，他主要是承接制造部重大项目，通过做一些模型的算法开发，就会发现有很多合作点和机会点，刚好用到这个刀刃。2、直接主管并不一定在技术上很强，但是在专业上放手让博士处理，在资源、组织、协调上给与帮助，就能充分发挥博士的特长。在访谈中，很多博士提到，主管不一定要在技术上很强，当然博士在技术上也需要人指导和帮助。一个合格的管理者一定会发挥下面人的力量，主管对专业的部分基本上都比较放手处理，主要是在华为内部的资源、组织、协调、求助上来帮助下属。把下面的人搞定，不需要靠技术来压下属，虽然管理者大部分是技术高手，实际上，只要思路清晰，把下属能力发挥出来，不管是博士还是硕士做主管都可以。四、尊重专业、创新容错、沟通学习的团队氛围，是博士员工更容易发挥的组织土壤1、博士员工在专业研究方面的积累以及社会接触较多的现实，客观上使他们比一般员工更看重组织对个体及专业的尊重。比如访谈中，有博士提到：“制造这边对博士还挺高看一点的，在制造还是挺看学历的，比如昨天的制造部年会，博士还作为被邀请对象参加晚会，不管有没有获奖都列席晚会。作为制造部的博士，还是感觉到差异化对待的，比如在二级部门，即使没有到19级也是和19级专家作为一个群体来对待，参加晚会，列席一些业务的会议，是对人的关注和关心比较好。感觉比较被尊重，很多事情会尊重我的想法。比在台湾感觉好。在台湾T公司世界各地的人才很多，自己去了容易被稀释掉，去了就是听公司的。“，也有博士重点提到：”工艺工程部每年会组织团建，副总裁请我们吃饭。很佩服他的眼光，他的资源协调和分析能力很强，把握得很准，很有启发。感觉公司比较尊重人才，制造部会组织博士和专家团队，搞一些团建活动。制造部的各级领导都非常非常尊重知识，尊重人才，我觉得这也是吸引我的大部分原因”2、减少不必要的过程协调，让博士能专注工作，不同专业博士员工能更多交流，是博士员工有效管理需要进一步提高的方面。部分博士员工也谈到：“当前跨部门的项目、部门之间沟通协调花费时间较多，一个项目如果涉及多个部门，需要跟各方沟通；每个环节管理的段很短，超出这个领域一点点的东西，就需要跟相关部门去沟通，很多时间用来开会沟通。身边有个博士转到产品与解决方案去了，还有两个离职，感觉不同部门之间协助性差一点。”，很多博士也提到，希望不同部门的博士之间可以多一些非正式的交流。比如“在台湾T公司，当有新的议题涉及未来5-10年的技术发展，公司会找到相关领域的博士专家来讨论未来的方向，一起头脑风暴。组织头脑风暴的人是集团副总级别，他们都清楚博士的领域，对不同的议题能找到相关领域的博士一起讨论。但是现在的岗位比较偏制造，感觉很多是2012实验室规划，我们只是执行。我们跟2012实验室沟通很密切，但是我从业界过来我很清楚业界怎么做的，其实跟2012 不一定要是上下游，应该是平行的”，“在日本也有个模式，会定时把某个专业领域的人才聚在一起交流。每周比较轻松的时候（例如周五）一起举行非正式的交流，办一些内部的讲座，提供小点心喝咖啡，类似内部研讨会。上周在开一个会议交流时遇到一个南洋理工的博士，他的项目对他来说很有挑战，但是他后来通过他的主管，知道我很熟悉这个领域，才找到了我”。打造引领战略领先的“华为军团”，怎样才能避免“叶公好龙”？之三对于差异化管理，打造冲击领先的“华为博士军团”的大胆思考面对变化的营商环境，公司只有通过技术/产品/商业模式的战略领先、通过为客户与行业提供不可替代的价值，才能最终战胜挑战，赢得和平与发展的机会。为抢占技术制高点、补齐战略性短板，公司已连续数年投入大量人力物力进行博士招聘，优秀博士员工正在成为我司追求行业领先的精兵来源，或许在不久的将来，如谷歌那样，在华为战斗成长起来的优秀博士会成为公司在各专业领域向领先发起新一轮冲击的核心力量。从当前对于多个部门对于博士员工使用实践的经验与教训调研出发，我们需要进一步思考：优秀的博士员工到底与其他员工有什么样的差异？我们该怎样面向这个人群提供差异化的管理方案？又该如何优化我们的组织土壤，筑巢引凤，让凤愿意来，发挥得好呢？一、我们认为优秀博士员工的特点是，理论功底扎实、掌握独立的系统工程和研究方法，自驱力和学习能力强，更适合从事研究创新及验证性的探索引领工作1、博士的能力优势在于理论功底扎实，掌握一定的系统工程和研究方法，掌握最新的前沿技术和发展趋势，研究探索能力、系统思考能力、发现和解决问题能力强，而且有比较强的自驱力和学习能力。当前的院校体系强调博士的宽进严出，毕业要求很高，论文和创新若达不到要求，就不能毕业。正如我们访谈中发现的那样，很多优秀博士谈到在求学过程中，是在一路挣扎中走过来的，抗压能力要很强，必须沿着创新的方向去做；有韧劲，经受过持续在一个方向上去钻研长时间的训练，否则，有可能发不出研究成果和论文来。所以，博士做探索与研究的理论积累、过程耐心特征实际上是被磨炼而逼出来的本事。长期的积累让博士在一个专业领域有了完整的认识，专业理论积累比较丰富，这个技术到底是个好技术、坏技术，博士看一眼就大体心里有数。而过程的磨炼，让博士强在学习能力、架构建模能力和系统思考的能力，能够把简单问题先复杂化，抽丝拨茧，然后把复杂问题再简单化，一点一点地看出来，到底是应该从哪方面开始改进。独立的研究环境让博士在面对问题时，倾向于独立去思考，或者是搜索文献，或者自己去思考或讨论，自己闭环验证，其实有一套自己的工作方法论了，所以，在工作中，其实主管并不需要管太多了。当然，不是所有博士都是如上述那样优秀的，我们在招聘中也要注意识别滥竽充数的南郭博士。2、总体上看，博士员工更适合不确定性、需要研究探索的工作。以创新探索为龙头、端到端验证工作可能是最能发挥博士员工作用的场景。博士员工对于长期从事重复性交付工作是排斥的，因为对于确定性事情，做起来没有挑战，博士员工会感觉被荒废，不愿意继续待下去。他更希望能独立交给他一件事情，能体现自己的作用，一个人把它搞定了、把它闭环了。在工作内容上，需要一些带有探索性的不确定性，需要挑战性，但在工作中，能给予一定的自主权。比如在研发工作分配上，博士员工能在标准研究、算法预研和仿真上的各段上都有工作承载，而不是只做标准研究一个点，以充分发挥其善于探索，惯于建模分析、解决复杂问题的能力。调研发现，博士员工研究能力强、硕士员工工程能力强，工作时候分工合作就能高效产出。而优秀的博士需要有强的工程能力，好的硕士需要有好的研究能力，只有充分了解好每个人的知识背景、知识体系，以及做什么事情会让他很亢奋如打了鸡血，才能为他们安排合适的工作或搭好业务班子。当前由于我们管理的粗放，找了很多博士员工去做交付，不一定合理，浪费了人才，浪费了宝贵的投资。博士员工拥有隐形的学术资源优势，因为他连接学术圈和导师。我们要看到博士员工后面的导师是他的独特优势，博士导师的品牌、博士跟导师之间的联系，是有利于公司充分享用学术界的研究进展，以及接触到其他优秀的博士和行业俊才。优秀的博士员工将是公司追求战略领先的重要力量，那么人力资源该如何从人群特点出发，以发挥人才价值创造作用为基点，需要解决什么问题，形成什么样的差异化管理解决方案呢？二、围绕战略短板提升、技术制高点攻克，以差异化的人力资源机制，构建冲击战略领先的“华为博士军团”。当前从调研访谈中发现博士员工在我司各部门作用发挥各异，无论是有效使用的经验、还是遗憾流失的教训，都清晰地告诉我们，要充分发挥博士员工的价值，那么部门必须在以下几个方面有深入和成熟的思考：1、对于博士员工的使用原则，是入职后学历清零，纳入群体中赛马？还是作为特殊关键人才，针对性使用？显然让经过更深入研究探索训练，但年龄稍长的博士员工与本科硕士员工去单纯拼编码，拼交付，是能力与责任错位安排的一种体现。2、是否建立了“业务战略—>技术规划—>技术制高点与战略性技术短板—>针对性作战阵型—>博士员工获取与使用”的主动性人才规划路径。当前很多部门由于机械满足博士招聘要求，经常出现前端招聘与后端使用脱节的问题，导致博士员工岗位与专业方向不匹配，这已经是最影响其价值发挥和工作热情的因素。3、针对具有较为精深的专业理论水准、很强的探索钻研和工作主动性的博士员工，当前管理者自身的专业技术水平及擅长的管控型管理方式是否能领导好博士员工团队？要避免武大郎带领武二郎去打虎的情况。4、如何消除相互隔绝的部门墙、牵引短期的考核、复杂冗余的过多管理消耗，让博士员工有一个安静持续的研究空间，适应探索性工作的特点？研究探索工作更需要极简的工作关系和工作流程，繁琐管控不仅消耗着创新者的时间，更打击着创新者的动力。在此，我们大胆提出一种新的“华为博士军团”的使用方法，或许用这个新的脑洞，来给公司各部门及人力资源做些参考。1、避免为博士而博士的无效做法，将优秀博士定位为公司攻克技术制高点、提升战略短板的核心突击力量，充分发挥其专业积累深、研究探索强、自驱力足、业界资源广的优势。2、梳理好公司面向战略领先的技术制高点和战略短板清单。瞄准每一个“城墙口”，构建以少量顶尖人物为先头部队、以集群投入的优秀博士为主战队伍、以优秀硕士为支撑保障组织的战略攻击阵型，进行压强突击，争取用可能的最强力量和最短的时间来突破难点，形成战略领先的优势。3、战略攻击队伍采用极简管理。极简管理可以体现在激励方面，对于顶尖人物、全球或国内某领域业界公认的真正大拿或大牛，不惜代价地予以获取或合作,这方面我们可以大胆地学习欧美的企业如谷歌等的做法，他们招来的学术团队带头人，给的薪水非常高，然后他们会去吸引有才华的年轻人，就是说能跟到大牛学到新的东西。我司真正NB人才结构应该是任何一个技术或专业领域都有几个22-25级专家，这些专家都是行业里非常厉害、非常资深、让人心服口服的，这才能吸引优秀的年轻人来，愿意跟着他干，去解决一些真正的难题，而不是说仅仅靠钱来吸引的人才。然后围绕这个城墙口和大牛，获取并集群投入专业对口的优秀博士，这些博士员工可以采用年薪制，也就是一开始就按18或19级水平来确定年度薪酬水准，三年不动，三年后根据实际贡献来确定其个人职级，这样让博士员工在攻坚阶段不用去顾虑薪酬待遇，潜心研究攻坚，即使最后证明看错了，也就三年的薪酬代价；担任辅助支撑的优秀硕士可以是各部门的技术或业务高潜，一旦在项目中做出突出贡献，则可以破格提拔，让一代代年轻的精英尽快成长起来。极简管理还可体现在考核上，由于组建了具有高度自驱动力的优秀团队，打破了待遇按职级评定的惯有模式、采用按贡献评价的机制，因此，考核也就完全可以去除过程督促的考量，按项目里程碑来评估，聚焦在最后的突破价值上，极大地简化管理消耗。4、当然，这种模式对于部门及管理者最大的挑战首先就在于建团队、搭班子的能力，其次在于自身需要从管控型领导风格转向赋能型领导风格。根据人力资源管理实践的最新研究成果，针对不确定性的环境，越来越多的企业正在采用“优秀人才组团队+赋能型领导风格”的模式，这或许也是未来公司打造战略领先能力需要构建的新的组织能力。公司咨询委员会、公司人力资源秘书处、公司人力资源部人才管理部2019年2月

- 01 -自动机器学习（AutoML）：方法、系统与挑战作者：[德]弗兰克 · 亨特 [德]拉斯 · 特霍夫 [比利时]华昆 · 万赫仁 著何明 刘淇译定价：89.00ISBN：9787302552550- 推荐有话说 -本书全面介绍自动机器学习，主要包含自动机器学习的方法、实际可用的自动机器学习系统及目前所面临的挑战。在自动机器学习方法中，本书涵盖超参优化、元学习、神经网络架构搜索三个部分，每一部分都包括详细的内容介绍、原理解读、具体运用方法和存在的问题等。此外，本书还具体介绍了现有的各种可用的AutoML系统，如Auto-sklearn、Auto-WEKA及Auto-Net等，并且本书最后一章详细介绍了具有代表性的AutoML挑战赛及挑战赛结果背后所蕴含的理念，有助于从业者设计出自己的AutoML系统。本书英文版是国际上第一本介绍自动机器学习的英文书，内容全面且翔实，尤为重要的是涵盖了最新的AutoML领域进展和难点。本书作者和译者学术背景扎实，保证了本书的内容质量。对于初步研究者，本书可以作为其研究自动机器学习方法的背景知识和起点；对于工业界从业人员，本书全面介绍了AutoML系统及其实际应用要点；对于已经从事自动机器学习的研究者，本书可以提供一个AutoML最新研究成果和进展的概览。总体来说，本书受众较为广泛，既可以作为入门书，也可以作为专业人士的参考书。- 02 -区块链DApp开发：基于以太坊和比特币公链作者：林冠宏定价：99.00ISBN：9787302563952- 推荐有话说 -本书以Go编程语言为例，从必要的理论知识到编码实践，循序渐进地介绍了当前区块链两大公链应用—以太坊和比特币DApp开发的技术要点。全书共分为7章，第1章介绍区块链的重要基础知识；第2章介绍以太坊公链的基础知识，内容包含但不限于以太坊的大量概念与术语；第3章介绍以太坊智能合约的开发与部署实践；第4章和第5章以以太坊DApp中继服务作为范例，介绍以太坊区块链DApp的开发流程；第6章介绍比特币公链的基础技术；最后的第7章介绍基于比特币公链的DApp开发实例，包括钱包和交易所应用中的内存池解析器与去中心化数据存储系统的开发。本书技术先进，注重实践，代码注释详尽，适合广大IT技术开发者阅读，对于想了解以太坊和比特币DApp开发技术的开发者尤为合适。- 03 -体验文化：社会化·生态化·智慧化作者：胡晓定价：99.00ISBN：9787302555537- 推荐有话说 -本书基于作者多年潜心思考及高考辅导经验总结,从1978—2019年的42年全国各地共计588份试卷12627道真题中遴选出800余道题,根据新课标考纲分门别类。这些真题有很强的代表性和系统性,同时,本书所有真题按难度循序渐进,力求用真题取代模拟题让考生实战练习,让考生吃透每个考纲基础知识。本书所选真题均是难题和压轴题,特别适合于冲击名校的学生修炼使用。- 04 -大话数据结构[溢彩加强版]作者：程杰定价：119.00ISBN：9787302564713- 推荐有话说 -《大话数据结构【溢彩加强版】》以一个计算机教师的教学过程为场景，讲解数据结构和相关算法的知识。全书以趣味方式来叙述，大量引用各种各样的生活知识来类比，并充分运用全彩色图形语言来解读抽象内容，对数据结构所涉及的一些经典算法做出逐行分析、多算法比较。与同类图书相比，《大话数据结构【溢彩加强版】》内容有趣易读，算法讲解细致深入，是一本非常适合自学的读物。对于学习数据结构来说，难点之一是对相关算法的理解。《大话数据结构【溢彩加强版】》创新性地采用全彩印刷，图表、流程、代码等内容结合色彩来重新进行约定和归纳，使得对一些难以理解的知识点的解析更加清晰顺畅，极大提升了阅读体验。《大话数据结构【溢彩加强版】》主要内容包含：数据结构介绍、算法推导大O阶的方法；顺序结构与链式结构差异、栈与队列的应用；串的朴素模式匹配、KMP模式匹配算法；二叉树前中后序遍历、哈夫曼树及应用；图的深度、广度遍历；最小生成树两种算法、最短路径两种算法；拓扑排序与关键路径算法；折半查找、插值查找、斐波那契查找等静态查找；稠密索引、分块索引、倒排索引等索引技术；二叉排序树、平衡二叉树等动态查找；B树、B+树技术，散列表技术；冒泡、选择、插入等简单排序；希尔、堆、归并、快速等改进排序。《大话数据结构【溢彩加强版】》适合学过一门编程语言的各类读者，包括在读的大中专计算机专业学生、想转行做开发的非专业人员、欲考计算机专业研究生的应届生或在职人员，以及工作后需要补学或温习数据结构和算法的程序员等。- 05 -企业级AI技术内幕：深度学习框架开发+机器学习案例实战+Alluxio解密作者：王家林 段智华定价：168.00ISBN：9787302561774- 推荐有话说 -《企业级AI技术内幕：深度学习框架开发+机器学习案例实战+Alluxio解密》分为盘古人工智能框架开发专题篇、机器学习案例实战篇、分布式内存管理Alluxio解密篇，分别对人工智能开发框架、机器学习案例及Alluxio系统进行透彻解析。盘古人工智能框架开发专题篇，通过代码讲解多层次神经网络、前向传播算法、反向传播算法、损失度计算及可视化、自适应学习和特征归一化等内容。机器学习案例实战篇，选取机器学习中最具代表性的经典案例，透彻讲解机器学习数据预处理、简单线性回归、多元线性回归、多项式回归、支持向量回归、决策树回归、随机森林回归等回归算法，逻辑回归、k近邻算法、支持向量机、朴素贝叶斯、决策树分类、随机森林分类等分类算法、ｋ均值聚类、层次聚类等聚类算法，以及关联分析算法，并对回归模型、分类模型进行性能评估。分布式内存管理Alluxio解密篇，详细讲解Alluxio架构、部署、底层存储及计算应用、基本用法、运行维护等内容。

特许金融分析师难考吗？这也许是很多考生最关心的问题了，被誉为金融第一考的CFA认证，它的考试难度自然不会低。事实上，CFA的考试难度从历年CFA考试通过率上便能略窥一二。可能对于在职金融人士和金融专业的考生来说，难度会稍微低一点。但有一点要清楚的是：CFA考试的知识对于所有CFA考生都是全新的，所谓难度低一点也只是有金融基础上手会相对容易一点。所以千万不能掉以轻心，对于有金融基础的考生也要认真备考，毕竟CFA考试难度摆在那里。至于成为CFA持证人难度有多大，特许金融分析师很难考吗？可以一起去看一下。CFA全称特许金融分析师，是由美国“特许金融分析师学院”(ICFA)发起成立。想要成为CFA持证人需要顺序通过CFA全三级考试，然后认证四年相关工作经验才能成为CFA持证人，并不是简单通过考试就可以的。其中CFA一级考试每年的6月、12月各有一场，而CFA二级、CFA三级考试只有每年6月份开考。这就意味着CFA考试备考周期很长，即使CFA全三级考试每次都能一次性通过也至少需要两年半的时间。就CFA考试题型来看：CFA一级都是独立的选择题CFA二级是基于案例的选择题CFA三级是essay和基于案例的选择题CFA考试难度有多大呢？其实CFA各级别考察的知识点都比较独立，相互之前关联不大。其中CFA一级主要讲的是金融学的一些常识，难度比较低，金融专业的考生比较容易通过。二级主要讲的是估值，知识水平大概在金融学研究生课程难度，如果有固定收益、投资估值方面的知识，应该应付难度也不大。三级主要讲的是组合管理，这个知识的难度水准比较难描述，但我觉着过了二级，应付三级问题不大。其实特许金融分析师CFA考试主要考查偏理论偏内容比较多，少计算。其中CFA二级考试计算量是相对来说比较大的，所以高顿CFA老师提醒各位备考的考生对于CFA考试指定的计算器使用要熟练。特许金融分析师很难考吗？因为CFA是一门全英文考试，所以可能很多人会问到关于英文水平的要求。CFA考试对于英语水平的要求并不高，主要的是一些金融专业术语的英语需要熟悉。在CFA考试中，道德部分往往有较高的阅读要求，能不能快速准确地读“懂”题，必然是能不能快速准确的做“对”题的基础。教材和notes用词规范，语法简单，短句多，有六级水准完全应付绰绰有余对于一些英文基础不好的考生，强制自己每天保证30000-40000词的阅读，比如每天看原版书40-50页，本身就是最好的专业英语训练。CFA对于数学其实从来没有什么太高的要求，基础数学知识就够用了有的考生会咨询到CFA考试新加入的Fintech内容，这里也可以给诸位分享一下：Fintech是个广泛的科目，按照CFA部门主席Lisa Plaxco的说法，Fintech科技会被分成4个组别：第1组别包含：金融分析，大数据分析，人工智慧，机器学习与演算法证券交易。第2组别包含：科技对于投资组合与资产管理的影响，尤其是机器人建议系统的引用。第3组别包含：同侪借贷、影子银行与群众募资的崛起。专注于资金如何流入经济系统里。第4组别包含：市场基础建设、行动付款、区块链技术、高频交易、比特币等付款系统以及监管机构如何使用科技把关。”特许金融分析师很难考吗？其实不然。最后，高顿CFA老师预祝各位考生早日成为CFA持证人！来源：高顿

每到研究生入学考试出分的时候，网上都会有一波要不要读研究生的争论。争论分为正反两个方面，辩手包括本科在读学生、本科毕业生、研究生在读学生、职场人士......争论的焦点在于读研三年和工作三年哪种方式更能促进个人的发展。有人认为研究生学习就那的就那几本书，职场人士在网上学习也能获得个人技能的增长。另一部分人认为读研重要的不是知识，是思维，是关系，是平台。当然不同的专业、行业针对论点的论据不同，但围绕的几点无非是：资源、技术、人脉、钱。下面AI科技评论想谈谈：既然机器学习相关课程都能在网上学，那还有必要读研究生吗？技能获取：网课VS读研网课的定义是能用电子设备通过互联网学习知识、技能的线上课程，有视频、图片、音频等方式。这种定义本身就意味着知识学习门槛的降低，毕竟买一台电脑，连接一个快速点的网络的成本还是比较低的。另外，疫情下的这几个月，虽然在线网课遭受了很多吐槽，但这一定程度上也证明了此种教育模式的可行之处。所以，上网课学习知识并不是假命题。具体到机器学习相关专业，读研所接受知识的模式和网上学习模式两者唯一不同的是一个“面授”，另一个是网络授课。研究生如果想看网上的课程的门槛和非学生的成本一样，如果非学生想接受“面授”，即使是蹭课，往往也需要付出一定的成本。从技能进阶的角度来看，机器学习研究生的培养模式往往都是由本校学院制定，这些学生如果想自学网课，那么就先要完成学校规定的学分，老师指派的论文，有时候这些论文，学分很大程度上可能是与专业知识无关的思政教育。（雷锋网）南京大学AI本科培养体系而只进行网课学习的机器学习爱好者的技能进阶模式当前也是比较清晰，先从吴恩达教授的机器学习入门，然后可以看看李宏毅教授的深度学习，然后在啃一遍周志华的西瓜书巩固基本知识......如果仅仅不清楚学习课程的顺序，知乎高赞回答有一大把。（雷锋网）另外，在网上自学机器学习课程的人大多数都是在职从业者，其所选择课程也更有自主性、针对性，所以，如果不考虑毅力等因素，单从学习技能的角度，或许网上机器学习能够代替研究生教育。人脉获取：导师制度VS公司平台不同于人文社科，机器学习作为工科类目下的专业，更加要求实操经验。毕竟无论是相关从业者还是研究生都要求一定的编程能力。（雷锋网）研究生在校期间，学生一般都是跟着导师做项目，所能接触到的人脉和资源直接取决于导师的“咖位”，导师在学术界越有名气，学生身旁的师兄和师姐以及合作者就越优秀。另外，研究生学校所在的地方也很能决定问题，如果在北京，学校之间的交流肯定少不了，借着导师平台，能迅速接触到大牛，遇到更优秀的人。从网课的角度来说，去上网课不会和授课人做朋友。但是在大学，你就是导师的学生，有一位导师对未来职业发展会有好处，不管是直接给你一份工作，哪怕是给你提供一些建议，这都是很宝贵的。虽然说在公司，一个好的团队，学的东西并不比在学校少。也有可能本科毕业的你能力吊打同龄研究生毕业生。但关键是，国内的互联网巨头，明星AI创业公司，算法岗基本都是标配研究生，除非你是本科生里很强的那种人，例如ACM获奖者，或者有不错的算法比赛成绩。否则很难进去。除非选择小公司，但小公司入坑的概率比巨头高一些。[1]最后，我们考虑下极端的情况，一段有毒的硕士生历程，比一份有毒的工作，毒性更强。毕竟，读研期间换实验室、换专业，比在职场上换工作难很多。毕竟，对许多人来说，读研并没有那么有趣。待遇不高，就业前景未知，多个需求存在矛盾之处，不被尊重…..许多因素都可能影响到研究生的心理状态。在研究生中，体重波动、疲劳、头痛、胃痛、神经质和酗酒，也都不少见。金钱的获取：公司招聘更看重学历还是更看重项目和经历？从解决信息不对称的角度来看，公司在招聘的时候都会加大对学历的考察。毕竟在网上学习课程的门槛比较低，而从网上“毕业”的门槛也比较低，而不论研究生的进入门票，还是毕业限制，在企业心中都是衡量一个人能力的标准之一。虽然进入公司之后，才发现那些没读研究生的同事，生产力往往更强，也更能帮到其他同事。看看招聘要求，很多公司都希望从事机器学习工作的员工有硕士及以上学历。因为对于机器学习、人工智能之类的技术导向的工作，确实已经有了一些成熟的技术方法，但是这些技术方法还在持续改进发展，几乎每天都有无尽的新论文出现，每过一两个月各种新技术就会跑出来一堆……更何况很多很多领域之前并没有使用这一类AI技术，需要让既有技术适应新的应用目标，这也需要不小的实践与研究能力。而最简单能用来证明这种研究能力的方式，而且便于HR筛选的方式，就是硕士学历。也就是说，开发型工作、研究性工作，更多的是看重学历。而大多数人在网上学习的机器学习课程，也更多的是针对技术研究型的工作，所以如果没有“大公司”丰富的工作经历加持，仅仅依靠一套机器学习网上教程，或许很难拿到高薪职位。那么，除了读研就没有更加清晰展现自己能力的方式了么？肯定是有的！kaggle上的一些数据科学比赛，就是很好的切入点，如果在学完吴恩达的机器学习课程之后，如果能积极参赛，和别人交流经验，并且能够拿到名次，你的简历不比一些毕业研究生差。另外，阿里主办的数学竞赛也已经开始，据爆出来的题目，极大的考察了数学应用能力，而机器学习也比较看重数学的应用......不管是读研还是自学，都需要积极上进的心思，当前拥抱最新技术的“姿势”，还是读一些顶会论文，固定的做一些读论文的工作，然后把自己的心得体会开源出来，这对于自己成长的帮助不言而喻。不读硕士学位也能获得科研能力：读上面说了这么多，那么读个硕士学位有用么？答案是肯定的，但是考虑到时间成本和金钱成本等具体情况，每个人的选择都会不一样。例如，吴恩达教授曾在一次采访中说过，不是所有的机器学习都需要硕士、博士背景做支撑，但是如果能有机会去斯坦福，麻省理工的学习背景也是极棒的。而在国内，能去北大、清华等超一流高校有一份求学经验，能带给你眼界、金钱、机会的激励也会超出你的想象。那么，不读硕士学位如何快速提升自己的科研能力，答案是读论文：5-20篇论文(在选择的领域，比如语音识别)=>这可能是足够的知识，你可以实现一个语音识别系统，但可能不够研究或让你处于前沿。50-100篇论文=>你可能会对这个领域的应用(语音识别)有很好的理解。如何高效的读论文？在 CS230 课程中，吴恩达对于研究规划与如何读论文也提出了他的一些建议。（雷锋网）课程地址：https://www.youtube.com/watch?v=733m6qBH-jI1、阅读文章标题、摘要和图：通过阅读文章标题、摘要、关键网络架构图，或许还有实验部分，你将能够对论文的概念有一个大致的了解。在深度学习中，有很多研究论文都是将整篇论文总结成一两个图形，而不需要费力地通读全文。2、读介绍+结论+图+略过其他：介绍、结论和摘要是作者试图仔细总结自己工作的地方，以便向审稿人阐明为什么他们的论文应该被接受发表。此外，略过相关的工作部分(如果可能的话)，这部分的目的是突出其他人所做的工作，这些工作在某种程度上与作者的工作有关。因此，阅读它可能是有用的，但如果你不熟悉这个主题，有时很难理解。3、通读全文，但跳过数学部分。4、通读全文，但略过没有意义的部分：出色的研究意味着我们发表的东西是在我们的知识和理解的边界上。参考资料：[1] https://www.hu.com/question/62482926/answer/2105313863[2]https://www.youtube.com/watch?v=733m6qBH-jI

关于人工智能技术领域这块，目前还算是比较火热，这个概念也有年头了，一些与时俱进的人士都开始向这方向靠拢了，但是呢，从目前来看，人工智能领域还是未开发出来，好多技术还为成熟，目前市面上还没有出现特别让人眼睛一亮的产品，这方面的技术还是摸索阶段，至于未来前景如何，会发展到什么样的程度还是一个未知数，关于这方面的争论还是不断，近期一名百度员工向网友们分享了他的一个个人规划。据这名百度员工说，他今年28岁了，从事了5年的后端开发工作，目前想转型机器学习，他打算考一下中国科学院的人工智能在职研究生，我个人对他的想法还是挺佩服的，有目标，有具体行动和措施，而不是只是想转就盲目的去转，而是准备深造一下，武装一下自己在往这方面转，感觉这名网友是挺有思想的一个人，不过，他对自己的这一规划也没有十足的把握，他想向大家征求一下意见，想看看这样的规划是否靠谱，针对他的想法，让我们一起看看其他网友们都是怎么说的吧！ 字节跳动员工：感觉不是很有必要，机器学习的前景没有想象中那么好，后端研发5年经验浪费太可惜了，而且后端也很吃香啊上世是朵花：至于前景如何，不好说，不能只看眼前的状态去评估未来，因为未来总是会给人意外，后端开发5年经验浪费谈不上，一些思想经验都是可以借鉴的，而且快30岁的程序员考虑以后的规划也是正常的事情了，没有谁一直是做后端的。阿里巴巴员工：你发现读完研进不了百度上世是朵花：没有好好审题啊，人家是在职研究生，也就是说边工作边学习改造，以后在百度里面转型人工智能方领域相关岗位。百度在人工智能方面也挺超前的呀，人家为啥要去其他公司。商汤科技员工：有什么必要呢 你真的适合吗 上世是朵花：我想这名网友是提醒一下，多考虑一些因素再做决定吧，当然，我想楼主也不是一时之兴致，也会考虑了很多，并且还怕有漏，这不找大家来给点建议。网友四：看你考哪个研究所，好点的所难，差点的没意义，浪费时间上世是朵花：是这样的，选一个好点的，尽最大努力去学习就行了，用心就行了，既然能进百度相信能力也差不到哪里去，相信 你能成功的。网友五：看哪个所的。国科大本部的别去了，这个方向电子所自动化所计算所都不错。在职研究生的情况不太清楚。上世是朵花：这名网友的建议可以参考一下。网友六：后端可以做架构啊上世是朵花：没错，后端转架构是一个方向，也是最常见的一种发展方向，楼主网友的选择也是一种发展方向吧，他看好未来人工智能。网友七：在职学历一般就是为了镀金…你这没必要…而且感觉互联网也不认在职学历吧上世是朵花：这种说法有点片面了吧，这也要看是哪所学校啊，另外看是否学到了真本事，如果是真才实学，确实学到了本领，又能胜任这方面的工作，为什么就不可以呢。网友八：机器学习会慢慢平台化，像云一样上世是朵花：这名网友的观点我赞同，不过，不论以后这个领域发展成什么样的形态，都还是需要相关的人才啊！人工智能是未来的一个发展方向，至于未来发展成什么样的形态，发展到什么样的一个程度都是未知的，正因为是未知的才让人充满了神秘感，让人去向这方面奋斗，正因为是未知的，未来才充满了机会，好多事情，不去试试怕遗憾，如果去试了又怕走错方向，如果选择了又一味的去患得患失，这种做法是最不可取，正确的做法是，在选择前充分的去分析，去思考，根据自身的情况去做出选择，只要选择定下来了，那就什么都不用去想了，只去做一件事，那就是用心去做出行动，让自己这个选择成为最正确的选择，不要让自己为自己的选择而遗憾，只去想一件事情，那就是一定要成功，这样足矣，有的时候本来方向是正确，可往往因为在行动的过程中还在纠结，患得患失，导致了一个失败的结果。因此，我想楼主只需要遵从自己的内心想法去走出第一步即可，千里之行始于足下，行动的过程不必纠结，勇往直前，最后祝福楼主能够顺利转型。 以上所有图片均来之互联网 大家好，我是“上世是朵花”。如果你有什么好的看法或者观点可以在评论区展现你的才华，互动交流，如果想进一步了解我，那就关注我吧！

对于Java程序员来说，如果想充分利用自己的业余时间，客服自身的学习惰性，可以采取以下几种学习方式：第一：读一个在职研究生。对于Java程序员来说，如果想在软件开发的道路上走得更远，一定要注重不断提升自身的岗位级别，而通过读研能够在很大程度上促进自身的岗位升级。读研会有较为充实的时间安排，这会在一定程度上克服自己的惰性，在职研究生的考核要求也是非常严格的，如果不能保证学习时间，往往会导致延期毕业。第二：加入一个开源项目。目前不少程序员会利用业余时间参与某个开源项目，这也是提升自身开发能力的常见方式。目前采用Java语言的开源项目还是比较多的，可以根据自身的知识结构和兴趣爱好进行选择。目前大数据、机器学习等领域的开源项目具有较高的热度，可以重点考虑一下。第三：加入一个技术协会。目前不少程序员也会通过加入各种技术协会的方式来与更多的行业专家进行交流学习，这也是一个促进自身不断进步的重要方式。目前各种技术协会还是比较多的，通过参加技术协会不仅能够及时把握行业动态，同时也能够获得更多的资源整合能力，对于未来的职场发展也会起到一定的促进作用。最后，一个详细的自主学习计划往往也是能够坚持持续学习的重要动力，自主学习计划可以基于自身的工作岗位来制定，目前采用Java从事大数据开发是一个重要的方向，可以重点关注一下。另外，重视一下自身外语能力的培养。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言！

毕业季，毕业生们坐下来时总免不了讨论毕业去向的话题：你毕业去哪里？签了哪里的工作？年薪多少？……小白作为一个工科狗，班上有的同学主要有如下三种选择：本校硕博连读/考外校的博士；选择去公司做开发；考公务员/考事业单位；……有的人更看中年薪30万的工资，所以选择类似996的开发；有的人重视福利待遇，去到新华社，还管北京户口/管住房；还有的人寻求安稳，选择公务员/事业单位，觉得月薪1万（甚至不到）也还不错。每个人都有自己的选择，也都有自己的考虑，没有孰好孰坏，适合自己才最重要。而研究生毕业的去向、研究生毕业薪资等，想必也是广大考研er在意的，甚至是自己踏上考研这条路的目的。01研究生工资普遍更高2019年考研人数破290万，20考研破300万不在话下，考研人数逐年激增，造成这一现象有以下几种原因：1、就业形势严峻；2、在职研究生纳入统考；3、大学生越来越多，读研提升自己的起点（甚至考博也越来越热）；4、高校不断扩招，国家政策支持。不管大家考研的目的是什么，其实归根到底都是为了我们的“钱”途。而研究生的具体薪资和专业、个人选择、个人能力等都有关系。因此以下的分析只针对某个群体的总体水平，而不是单独个例。2018年大学生就业蓝皮书通过不同学历的工资水平对比，我们可以看到：学校越好，薪资越高学历越高，薪资越高一般高校博士生的薪资水平可以和名校本科毕业生一致，妥妥通过学历实现逆袭呀。小白的研究生同学年薪二十多万似乎也很平常，并不算多高。但询问本科（双非）已工作三年后同学的情况，排除个别情况，同在一线城市，本科同学的月薪基本在1万~1.5万左右，基本是996式的加班，而且天花板也很明显。研究生毕业的起点和天花板都要高很多……02你的专业适合读研吗？学历可以提升薪资，但这也与行业有关。对有的行业而言，读研可以极大提升价值，有些行业也是现在的热门，因此“跨考”也占了不少群体。从图中我们可以看到，不管什么专业，读研后的价值都是明显上升。研究生薪资涨幅较大的是医学，外语，财经，法学等专业。那么，你的专业是否适合读研呢？不同专业的人又该如何选择？下面小白就自己了解到的情况和大家分析一些专业的情况：1、医学一方面，医学本科生和研究生收入差很多。另一方面，对于医学生来说，如果没有足够高的学历，仅仅经过5年本科学习是不可能进入三甲医院工作的，而去基层医院又会不甘心。而且，对临床来说，本科毕业生在毕业后，必须进行为期三年的规培。但选择读医学专硕研究生就可以直接四证合一了。不仅提升了学历，还在读研期间取得了必要的证件。2、金融金融类也是考研热门专业之一，发展前景十分广阔。而像会计这类需要资格证书的专业，如果本科就考了，那么本科找工作就会容易很多。小白的一个同学，只考了初级会计证，但本科毕业时收到了几家公司的offer，虽然都是小公司，但待遇还不错。不过金融类专业的研究生要更吃香，而且薪资较本科也大有涨幅。硕士毕业后的选择也多样化，比如银行，信托，证券，保险，咨询等大公司，不仅高薪而且高福利。很多金融硕士的工资基本超过万元，越是名校，越抢手。所以大家在报考这类专业时，尽量优先选择985或者211院校。3、法学考研不是法学生唯一出路，但确实是一个不错的选择。非名校的毕业生没有人脉和资源，在法律圈子不太好混。知名律师事务所的准入门槛高，不仅要求名校，还要求外语能力。而通过考研，不仅可以收获学历，还可以拥有校友资源，工作起点更高。另外，本科的法学教育只是大类的，并没有培养对某一个专业领域的深刻理解。而通过读研，可以很好的提升我们的理论水平。最后还有很重要的一点就是法考了。法考只能在大四报考，而又对从事法律职业对口工作极为关键，因此读研给予法学生更多的时间准备该考试。再过几年法考改革彻底完成后，非法学本科生就只有通过读法律硕士才能参加法律职业资格考试。这也是读研的另一个必要性。4、工科：计算机，通信类目前最火的趋势可能就是计算机相关的专业了，人工智能、机器学习、物联网等成了大家的老生常谈。任何行业也都要“AI+”。因为计算机类的相关专业不仅是考研的热门，也是高考的热门。虽然计算机相关的专业哪怕不读研也不愁找不到工作，而且薪资相对其他行业比较高（基本1万以上），但996很累呀，戏称“拿命赚钱”，而且天花板明显（尤其是本科双非），否则也不会叫“码农”了。小白就是一名工科狗，开篇也介绍了读研和不读研的情况。如果有一个名校研究生的学历，起点和未来发展空间都会更大。以上只对4个专业进行了采访和分析欢迎大家在留言区补充哦O(∩_∩)O回归到个人，目前就业形势越来越严峻，研究生也面临了找工作难（也存在对一般的工作也不满意的情况）。对于刚考上研究生或者因为“钱”途想要考某个专业研究生的小小白来说，考上并不意味着万事大吉，学历也仅仅只是敲门砖，更多还是要看自身的实力。读研期间，尽快确定自己的职业规划，研究生毕业之后，是读博，考公，还是去公司？然后提前做一些相应的准备！无论你是什么专业，什么学历，最后想和你分享一句鸡汤话：从来就没有正确的选择，我们只不过努力让自己的选择变得正确。

整理 | 郭芮责编 | 唐小引出品 | CSDN（ID：CSDNnews）“求知若饥，虚心若愚”——这个原本出自《全球概览》的俳句，因为乔布斯在斯坦福大学毕业演讲中的引用而备受推崇，流传成为 IT 界的至理名言之一。在编程界，亦有“代码胜于雄辩”、“Done is better than perfect”等警句，寥寥数语将编程工作者的形象特质描摹到了极致。程序员，就是技术至上、唯代码是瞻且必须不断武装自己的群体。21 世纪，高薪、高端、高技术范儿已成为程序员的固有标签，在这个新的元年，CSDN 将基于一年一度的开发者大调查数据，以全新的视角深入发掘中国开发者群体的整体现状、应用开发技术以及开发工具/平台的发展趋势，呈现更真实、更全面且更有学习价值的开发者画像。CSDN 最早从 2004 年开始针对中国开发者进行大规模调查，是迄今为止覆盖国内各类开发者人群数量最多，辐射地域、行业分布最广的调查活动。2019-2020 年中国开发者大调查针对软件开发技术、应用开发领域等方面对问卷进行了重新设计，在本次调研中有如下主要发现：30 岁以下开发者人数占比超八成，全国有 19.6% 开发者月薪超过 1.7 万元；六成开发者在使用 Java 语言，近五成开发者近期最想学 Python 语言；Spark、Redis 和 Kafka 正在成为企业大数据平台通用技术组件；区块链技术近两年是热点，比特币和以太坊是两种主流的区块链开发平台；人工智能技术日益受到企业和市场的关注，但 64% 企业尚未实现智能化，机器学习/深度学习算法工程师最为急缺；近七成开发者认为未来 5G 网络的传输速率能达到 4G 网络的 10 倍以上；Apache 项目和 Linux 是开发者较为喜欢的开源项目；半数开发者很少参与开源项目的开发、维护、运营和社区发展等。软件开发准入门槛持续降低，近 2 成开发者月薪超过 1.7 万30 岁以下开发者人数占比超八成，软件开发从业门槛持续降低从 2015 年到 2019 年的调研数据来看：30 岁及以下的开发者人群占比在 8 成以上，一直是软件开发领域的主力军；全国近半数的开发者工作在一线城市（北京、上海、广州、深圳、天津）；物联网、软件、IT 制造三个技术领域涵盖了国内 84% 以上的开发者；本科及以上学历占 8 成；92% 的开发者是男性。和国外开发者年龄分布趋势大概一致，国内的软件开发群体一直呈现出越来越年轻化的特点。这是因为，一方面软件开发行业蓬勃发展，各行各业都需要软件开发相关人才，也有越来越多的毕业生选择从事该行业；另一方面，是因为编程语言、框架、云服务等基础设施的持续完善，从事软件开发的门槛在持续降低，更容易接纳新鲜血液，报告统计发现，本科学历是开发者的主力军，66% 的开发者拥有本科学历，而硕士研究生、博士研究生仅占 11%、1%。八成以上开发者月薪在 5 千~3 万元之间，19.6% 开发者月薪超过 1.7 万元通过结合受教育程度和薪资水平的数据特点来看，学历越高的人群中，月薪 1.7 万元以上的高收入比例越高。在一线城市（北京、上海、广州、深圳、天津）中，月薪超过 1.7 万元的开发者占比为 30%，该比例远高于国内其它城市。开发者属于相对高薪的职业，尤其是在一线城市中，但不同开发者之间收入差距较大。软件开发是一个智力密集型的工作，不同开发者能够提供的价值差别很大，这就使得一个优秀开发者的收入远高于普通开发者：硕士和博士毕业的高收入者比率要远高于本科及以下的；金融和互联网行业的高收入比率最高。自学是开发者持续学习的主要路径软件开发行业日新月异，只有保持持续学习才能跟上技术变化的脚步，终身学习是现代人保持竞争力甚至是维持生存的必要手段。从调研中可以看到，53% 的开发者会通过在未参加正式课程的情况下，自学一门新语言、框架或工具。但同时，也有半数的人参加过在职培训或者线下课程，相对于自学的灵活性而言，这类培训会更为系统和完整，对于长期的个人提升有所裨益，开发者可以适当选择。但与之相悖的是，只有不到 40% 的开发者，愿意为学习付费，这可能会导致参与的课程质量不够高。Java 雄踞语言榜，Visual Studio 受开发者欢迎Java 长盛：使用最多，开发者最想学从编程语言来看，Java 是最多人使用的语言，而 JavaScript 和 SQL 分别是第二第三位。这三门语言，使用场景都很广泛，Java 一方面后端开发最常使用，生态成熟度无人可比；另一方面，Java 依然是 Android 上最重要的开发语言，与之相比 ，新兴的 Kotlin 只有 2% 的开发者在使用。而 JavaScript 不仅是前端开发的必备语言，还用在 Web 开发、小程序开发等场景下。Java 和 Python 依然是开发者最希望学习的语言之一，只是相比之下，Python 的热度有所降低，这可能和机器学习没有去年那么火热有所关联。变化比较大的是 Go 语言，与去年相比，今年的调研中想学 Go 语言的开发者降低到了 4%，与之相似，Kotlin、R 的学习意愿也大幅降低。从这个趋势也可以看到，如今的开发者更意愿去学习一些相对成熟度、用途更为广泛的语言，对一些代表新模式的语言乐衷程度有所降低。七成以上在使用 Windows 操作系统，83% 在使用 MySQL 数据库72% 开发者在使用 Windows 操作系统，18% 在使用 Linux 系列操作系统。在存储服务的使用上，MySQL 继续扩大其使用率到达了 83%，几乎是开发者必备的技能。和去年相比，Elasticsearch 出现在数据库使用的调研中，在大数据时代，Elasticsearch 作为提供搜索服务的第一选型，也必然会被越来越多的开发者学习和使用。Node.js 是相对使用普遍的技术框架在 Web 开发上，前端使用 Vue.js 后端使用 Spring 是最常见的选型方案，与之相对应，Node.js 是最多被用到的框架，这和当今多端开发的趋势密不可分。后端用微服务架构，中间用 Node.js 粘合出适合 Web、Android、iOS 等不同端和场景使用的 APIs，是当下主流的部署方案之一，既可以前后端分离提高开发效率，又可以在保障服务稳定性的同时提升灵活性。而TensorFlow 成为开发者最期望学习的框架，这说明开发者依然对机器学习保持关注和热情。Visual Studio 是最为普遍使用的开发环境在开发环境的选择上，Visual Studio 是最为普遍使用的开发环境，这和微软对开发者的投入密不可分。微软投入了大量的研发力量，使得 Visual Studio 可以在各种操作系统进行各种编程语言的开发，其强大且完善的插件系统可以满足开发者的各种需求，使其可以超过 IntelliJ。大数据平台以私有云部署为主，Spark 使用率高达 44%私有云部署解决方案是企业构建大数据平台的主要方式随着分布式计算和云平台的逐步成熟，目前大部分公司都有能力搭建自己的大数据平台。调研数据显示，81% 企业在进行大数据相关的开发和应用，50% 的企业选择私有云解决方案来部署大数据应用，28% 的企业选择自主研发。仅 19% 企业使用商业发行版 Hadoop 版本搭建数据平台调查报告发现，有 30% 以上的企业并没有使用相对成熟的 Hadoop 技术搭建数据平台，这些企业的算法性能会很大程度上受限于低效的平台，更不可能开发出更高效的数据分析算法。但幸运的是大部分企业都基于商业版或者社区版 Hadoop 搭建了数据平台，这些公司的侧重点主要在应用发现和算法的设计层面，更有可能在不久的将来实现大数据的价值。Spark 是企业大数据平台最普遍的组件Apache Spark 是一个处理大规模数据的快速通用引擎，它可以独立运行，也可以在 Hadoop、Mesos、云端运行，它可以访问各种数据源包括 HDFS、Cassandra、HBase 和 S3，可以提升 Hadoop 集群中的应用在内存和磁盘上的运行速度。Spark 生态系统中除了核心 API 之外，还包括其他附加库，可以为大数据分析和机器学习领域提供更多的能力。本次调研中，Spark 是使用最普遍的大数据平台组件，使用率达到44%，而MapRece使用率仅为21%。分布式文件系统 HDFS 作为核心组件之一，使用率也达到了 39%。企业对大数据平台应用最多的场景是统计分析、报表生成及数据可视化，38% 企业使用ELK（ElasticSearch + Logstash + Kibana）实时日志分析平台。综上所述，目前大数据的发展热潮令人欢欣鼓舞。一个优秀的大数据团队，需要有对产品开发具有高敏感性同时对技术有一定理解的人才，同时需要理论基础极其扎实，能对实际问题进行抽象建模和算法设计的人才。只有双管齐下，在产品和技术方面进行深层次探索，才能真正实现大数据产业的繁荣。区块链质变，比特币逆袭以太坊成 TOP 1 开发平台22% 的开发者正在用或者准备用区块链技术解决技术问题区块链技术的发展，是一个量变到质变的过程。相比于 2018 年，对区块链和加密货币了解的人从 22% 增长到 32%，准备尝试用区块链技术解决一些问题的人数从 14% 增长到 16%，仅有 4% 的人对区块链完全不了解。43% 的受访者在从事公有链（比特币、以太坊等）的开发本次调研中，43% 的受访者在从事公有链（比特币、以太坊等）的开发。目前行业侧重发展的方向为解决方案、公链及联盟链，公有链由于其自带激励机制，对于普通开发者有直接的回馈，所以上面开发者占比高也比较合情理。行业解决方案从去年的 27% 增加到今年的 36%，说明传统行业开发者对区块链的认可度在增加。区块链本质上是技术，落地场景及实际应用才是连接社会效益的关键。比特币和以太坊是当前两种主流的区块链开发平台在行业开发者的印象中，以太坊一直是开发平台领域的头号玩家。但今年数据显示，以太坊从 2018 年的 44% 占比第一，降到 24%；比特币从 2018 年的 28%，上升到 35%，占比第一。比特币在行业内外仍然拥有最强共识，在闪电网络的加持下，大家也似乎感受到比特币离商用也不再遥远了。金融是普遍认为的行业应用方向金融行业是普遍认为的行业应用方向，占 36%。区块链本身具备的防篡改、可追溯的特点，能大大降低金融行业监管成本，不过金融的进入门槛相对也较高，需要各方面技术的配合。其次，智能硬件和物联网也被认为是主流应用方向，占 14%。不过相比其他众多已经很成熟的技术，依托区块链的解决方案在实际使用中，往往面临必要性缺失的问题，因此区块链应用发展仍任重道远。在区块链结合行业之前，更加要重视与其他新技术的结合和协同：物联网设备能够提供大量数据，5G 能够提供高速传输，存储可以解决区块存放的问题等。算法工程师最急缺，TensorFlow 占据 AI 深度学习框架榜首64% 的企业尚未实现智能化在经历了 2019 年的行业低谷期之后，无论是行业巨头还是新兴独角兽，都开始审视 AI 能够切实落地的场景。调研数据显示，14% 的企业尚无信息化基础，27% 的企业实现了事务处理数字化，22％ 的企业具备商业智能基础设施，实现描述性分析。使用机器学习实现预测性分析和决策优化的企业占 16%，而在业务中全面使用 AI 系统、机器人和其他自动化工具的仅占 12%。机器学习/深度学习算法工程师最急缺在岗位分布上，由于深度学习是以大数据为基础的，而感知智能中的计算机视觉又是目前深度学习较为成熟的应用，所以，机器学习和深度学习工程师，以及数据工程师、计算机视觉工程师排行在前三位。当前最急缺的岗位也是机器学习/深度学习算法工程师、数据科学家/数据分析师/数据挖掘工程师岗位。53% 的开发者表示其团队急缺机器学习/深度学习算法工程师，37% 表示急缺数据科学家/数据分析师/数据挖掘工程师。TensorFlow是人工智能领域主流深度学习框架此次调研中，TensorFlow 使用普及率达到 48%。从技术本身的角度来看，较为成熟的 TensorFlow 成为 AI 工程师的首选深度学习框架，Torch/PyTorch由于其开发效率较高，也得到了较多支持。35% 开发者选用国产 AI 芯片应用于自己的 AI 开发在 AI 芯片领域，国内厂商也开始弯道超车，越来越多的开发者也开始关注国内 AI 芯片的进展。调查数据显示，选用国产 AI 芯片应用于自己的 AI 开发时最看重的因素方面，对主流 AI 框架的支持能力是最普遍的因素，占 35%。联网云平台三足鼎立：阿里物联、华为云、百度 IoT69% 的开发者认为未来 5G 网络的传输速率能达到 4G 的 10 倍以上每一代新型的通信系统总是能带来更大的带宽。据报告显示，近七成开发者认为未来 5G 网络的传输速率能够达到 4G 网络的 10 倍以上。影响 5G 普及的三大因素：5G 套餐价格未定、运营商的开发程度、需要更换手机由于目前 5G 网络使用者较少，费用较低廉的套餐还没有推出，第一代 5G 终端不太成熟等原因，目前 87% 的开发者认为 5G 套餐费用过高，并且大部分开发者认为 5G 网络目前覆盖范围有限，因此将近 40% 的开发者正处于观望阶段。值得一提的是，本次调查中 62% 的开发者认为，5G 时代应该加强对个人隐私的保护，这反映出目前社会对数据隐私越来越重视的整体趋势。阿里物联和华为云是应用相对普遍的 IoT 云平台根据调查，2019 年物联网云平台呈现三足鼎立的趋势：阿里物联、华为云、百度 IoT 成为用户最多的三种物联网平台，并且和第四名中移物联远远拉开了差距，这和我们的实际使用体验一致。未来的基础物联网平台可能会继续呈现以偏硬件实现为主的华为云和以偏软件体验为主的阿里、百度物联平台的三足鼎立局面。物联网技术开发：Linux 和 Windows 是使用较多的操作系统Linux 和 Windows 是较普遍的操作系统，使用率分别为 51%、44%。目前在物联网设备开发过程中，Linux、Windows 和 Android 较为普遍，依然延续了 PC 平台的开发者操作系统份额。虽然华为、阿里等公司在 2019 年均发布了自己的物联网专用操作系统，但还并未得到开发者的大规模认可，大公司的物联网操作系统发展之路依然任重而道远。Wi-Fi 是应用最普遍的物联网通信技术在本次调研中，近距离通信（比如 Wi-Fi 和蓝牙）是现存物联网开发者最主要的通信方式。然而这种比重可能会随着未来 3~4 年内车联网的大规模商业化产生变化，汽车、工业物联、智能电网这类高移动性、高可靠和低延迟物联网场景会更适合需要整体规划的运营商网络。物联网行业和传统互联网行业不同，相比而言更加需要注重 “软硬结合”。物联网产品的硬件维护成本远远大于传统互联网行业，因此设计、实现出真正可靠、用户喜欢且实用的产品不仅仅涉及软件服务，也需要考虑硬件可靠性和实用性。这对于直接面向用户的物联网企业，特别是从传统互联网厂商或者硬件厂商转型的企业来说存在非常严峻的挑战，需要静下心来深入了解垂直市场的需求。六成开源开发者无收入，Apache 项目最受喜欢77% 开发者每周在开源上投入时间不超过 5 小时无论是大数据、区块链、人工智能还是物联网领域，其中最为重要的、最受欢迎的技术都是开源的。但是报告统计发现，有超过一半的开发者很少参与开源项目，每周在开源上投入不超过 5 小时的占 77%，其中，1 小时以内的占 31%。此外，65% 的开发者不曾在开源上获得收入，获得不错收入的仅占一成。开发者最喜欢的开源项目是 Apache25% 开发者最喜欢 Apache，24% 开发者最喜欢 Linux。作为全球最大的软件基金会，开发者用过的诸多项目，例如 Dubbo、Log4j、Maven、RocketMQ 和 Tomcat 等，均孵化自 Apache。国内开源的现状虽然近年来已经有了很大的发展，但是一个残酷的事实是，老兵正在离开这个行业，离开一线开发的队伍：报告数据显示，30 岁以下的开发者人数超过 82%，接触开源的时间在 5 年以内的开发者超过 83%。随着那些经验丰富的老兵转行或是进入管理层，不再写代码、也不再参与开源的事实也就凸显出来.....未来开源的建设，依然任重而道远。