好博士不一定是好牛马

博士阶段需常年深耕单一领域，张艺凡觉得这就像在狭长隧道里埋头摸索，等走到出口，才发现外面的世界和想象中全然不同。

今年年初，张艺凡进入国内某头部互联网大厂，参与多模态大模型研究项目实习。此前，他曾耗时10个月研究自监督训练原理，找到一套节省训练数据成本的方法，本期待能将这项成果在业界落地。


可认知脱节很快袭来：大厂坐拥充足的算力与数据资源，他在学校担忧的数据成本问题根本不存在，企业也不会在这类细枝末节上投入精力。

“此前的研究有用，但不多”，张艺凡无奈发现。

他在计算机视觉领域积累的专业知识，同样难在业界派上用场。当下行业聚焦商业化，大厂更倾向于打造“通用大模型”，靠全面的应用功能抢占用户入口，而非深耕单一功能的优化——就像如今各类AI应用的花式功能，多停留在“能用”层面，远未到“专业好用”。

张艺凡的研究聚焦计算机视觉细分方向，可企业更需要能整体优化模型的综合能力，这类细分研究对项目落地变现收效甚微。

实习期间，他做得最多的是根据不同场景，用现有模型微调出可落地的产品功能，而非发挥自己的专长。

即便身为AI博士，多数企业需要的仍是能助力变现的牛马。

张艺凡这类专业背景的博士，只有去到专做图像生成类模型的项目中，才有对口的用武之地。但行业里专做细分领域的大模型项目或岗位较少，或技术门槛低，不需要博士代劳。

为凑够论文发表要求，张艺凡在学校的几乎所有精力都投入到计算机视觉中的3D图像感知方向，极少关注领域外的技术。

第一次参加企业技术研讨会时，他彻底懵了：同事们讨论如何用现有大模型优化图像生成质量，他却一直纠结“多模态大模型如何理解图像”，忍不住提出疑问。

同事诧异地后仰脖子：“就是token化啊，大模型能把图像当文字一样理解。”张艺凡才意识到，这是大模型基础原理，作为AI博士，问出这话“有些愚蠢”。平日里同事聊前沿技术，比如大模型与AR技术交互，他更是完全插不上话。

实习中接触到大模型相关知识后，张艺凡本想调整后续研究方向，可听到领导说“转正需6篇研究成果”，他还是决定在熟悉领域抓紧发论文。尽管这些研究对企业应用意义不大，但无奈是入职的刚性门槛。

实习结束后，他将社交网名改成“千里烟波”，觉得自己难在多变的AI行业抓住确定性，未来迷茫辽远。

同样在“凑”论文的李睿峰，还正在努力学习维护人脉。在他看来，AI博士的不少岗位要靠“熟人推荐”。

刚入学时，他在新生群看到一位大模型博士的分享：对方仅3篇论文，却靠同组师兄内推拿到苹果面试机会，最终成功入职。李睿峰明白，个人能力固然重要，但熟人推荐是关键敲门砖。

“AI行业圈子不大”，某一方向的优秀研究者有限，与他们有关联的人自然多了层“稀缺标签”。李睿峰常听说，企业会因仰慕导师名气录用其学生。加之AI行业计算资源昂贵、博士岗位薪资高，企业试错成本大，便更愿意相信熟人推荐的人选。
--
FROM 223.104.194.*