现在的计算机专业（比如机器学习）已经沦为调包专业了吗？

有硕士同学问：小弟现在正在高校读硕士，目前跟着导师做自然语言处理的研究，虽说听起来高大上，但是做过的都知道，例如深度学习框架跑起来就是各种调包，运气好凑个模型出来发发论文，技术含量就比较稀少了，感觉现在的工作随便找个由点编程经验的培训一下就能上手了。

所谓外练筋骨皮，内练一口气，想请教一下各位大佬：你认为计算机专业真正的价值在哪呢？把编程部分剔除之后，计算机真正该研究的是什么呢？它的气又在哪儿？

本文来源：知乎

回答一

作者：演奏代码的程序媛
链接：https://www.zhihu.com/question/327494084/answer/1641774776

目前来看，起码在计算机视觉和自然语言处理领域确实是这样。

深度学习当前最主要的两个应用也就是计算机视觉和自然语言处理。

其一，这两个领域在专家们搞不清楚内部原理的情况下，就用不断堆叠的网络层数已经颠覆了传统算法。

对于论文作者来说，你又说不出个具体原理，大家凭什么相信你的这个结构能达到自己论文说的精度？只能发论文的时候开源代码，留给大众检验。看当前深度学习论文有没有用，先得看他敢不敢开源。

所以，现在大多数好用的深度学习算法都开源，包括目标检测的rcnn系列，yolo系列，ssd等。

其二，也正因为说不出什么道理，真正深入研究各种深度学习算法和网络结构的大牛，要不通过实验室里强大的计算资源来试凑各种有效的框架(非常烧钱)——比如谷歌提出的inception系列网络结构就是试出来的；

要不就是凭借对深度学习的深刻理解和强大的创新能力，提出了新颖的深度学习算法——比如提出反向传播和玻尔兹曼机的Hinton，以及提出卷积神经网络和将深度学习引入图像识别的Yann LeCun(这里说的提出不是拍脑袋一想就瞎说的，人家是靠数学硬生生推导出来的)，这种天才百年难遇。

而工业界又需要借助人工智能的东风提高自己公司的竞争力。但是大多数公司却没有能力自己设计好用的网络结构和算法，只能照着大牛的论文来包装。不会改只会用，这样就造成了算法少、需求多的局面。现在大牛提出的很多著名的深度学习算法，基本都被实现遍了。

其三，当前深度学习程序普遍用Python语言编写，Python以包多、调包方便而闻名，在机器学习方面有著名的scikit-learn包，在数据处理方面有Pandas、图像处理有skimage、pillow等，更别说主流的深度学习框架Tensorflow、Pytorch、keras等都主要运行在python下，copy别人的代码复用简单，只要你能找得到。

所以。在以上三个原因结合之下，目前起码在这两个领域，整个工业界都是在调包、调参。

做一个小的比喻：目前深度学习好比做中餐，师傅(论文作者)告诉你做包子要加入适当的盐、大料、味精。虽然你不明白这个适当到底是多少，但是他顺带给你把馅儿和皮儿都准备齐全了，你需要做的就是按照自己的喜好把包子形状捏一下。

再说说人才供求方面，目前做自然语言处理和图像处理的，对应于企业的岗位是「算法工程师」。通过前边所述，目前这个听起来高大上的「算法工程师」，其实技术含量并不比开发高多少(甚至只会更低)，学学吴恩达的课，就自称算法工程师的不在少数。

但是目前大多数公司给的岗位工资比开发还高不少。

长久来看，只会调包肯定是没有竞争力的，当大量「调包侠」涌入这个行业，挤掉行业泡沫的时候，算法工程师这个职位总会洗去铅华，做一些更有难度和挑战性的工作。

对于有志于未来进入这个行业的学生来说，我的建议有两条路：

1. 对于以后想做语音识别和计算机视觉的同学来说：

为了完成工作可以调包，但是趁着现在有大量的时间，最好可以自己亲手实现一下主流的算法(虽然这个过程比较难)，一来提高自己的动手编能力，二来深入理解算法设计思想，实在不行以后做开发也用的到编程能力。

2. 对于以后没有明确目标，只想从事人工智能的同学来说：

建议了解一下强化学习相关内容。强化学习算法才有可能制造出真正的人工智能，alpha go下围棋那么厉害，起决定性作用的决策算法也是采用了强化学习的思想，更重要的是，强化学习算法对于数学要求更高，进入门槛也更高。

回答二

作者：霍华德
链接：https://www.zhihu.com/question/327494084/answer/721135096
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

我想你可能做了虚假的AI，虚假的AI有以下特点：

• 从不自己收集、处理、清洗、标注数据，而是找一个现有的数据集，疯狂 过拟合数据集。

• 科研idea主要来自于各种模块的花式排列组合，包含但不限于：各种CNN，各种RNN，各种attention，各种transformer，各种dropout，各种batchNorm，各种激活函数，各种loss function

• 而不是从实际问题和自然语言的现有挑战出发来思考idea

• 总是指望靠一个算法、一个模型可以解决所有问题

想做好真实AI，必须：

• 不断反馈，分析，改进。据说谷歌的搜索质量负责人Amit Singhal博士每天要看20个以上的不好搜索结果，然后持续不断的迭代改进。

• 面对真实环境中获取数据难，数据标注成本高，数据脏难清洗等问题

• 从实际问题和自然语言的现有挑战出发，设计针对问题最适合合理有效的模型

• 从不指望一个算法和问题可以解决所有问题，所有遇到的问题会做出合理的分析和拆解，针对各个难点设计最优解决算法，各个击破。

回答三

作者：zibuyu9
链接：https://www.zhihu.com/question/327494084/answer/723626230

我当年读博的时候，机器学习和自然语言处理的好用开源软件很少，新发表论文也没有开源代码的习惯，复现别人工作总是最费时、费神、折磨人的环节。从那个时期过来的，我觉得现在开源之风大盛，能让大家方便地站在巨人肩膀上登高望远，是多么幸福的事情。

所以，在工具成熟之后，就给人更多选择的可能性，有的人满足于熟练使用现有工具，有的人致力于更好地做创新研究，各取所需而已。这就像微软等软件企业，致力于研制改进各类软件工具，而更多的人使用这些工具，整个生态就是这样慢慢成熟起来。相信未来机器学习领域也会慢慢诞生微软这样的企业，有人研制，有人使用。

回答四

作者：万盛中路摇滚乐队
链接：https://www.zhihu.com/question/327494084/answer/702810200

调参是 ML 这一领域不可避免的，但 ML 并不只是调参。

学习 ML 这一方向，最重要的，个人认为是搞懂基本数学原理。尤其是在当前各种包极大丰富的情况下。

就比如线性回归，你需要搞懂，数学公式当中，哪些部分是学习出来的，哪些部分是固定的，每一部分的“物理意义”是什么，一个公式里面，绝不会有无缘无故多出来的东西，每个东西都有其存在的意义。

然后才是尝试去写代码，比如要实现一个线性回归，你会怎么实现（这个可以看现有包的源代码）。进而可以推广到其他的模型方法。

你是做 NLP 的，那你应该至少会看 ACL / EMNLP / NAACL / COLING 的文章吧。找到自己感兴趣的文章，反复阅读。

看文章的重点在于，

1. 搞清楚文章要解决什么问题。

2. 当前这个问题存在的现状是什么样的，为什么会存在，现有的解决方法是什么。

3. 现有解决方法的不足是什么。

4. 作者提出的解决方法是基于什么思想，这一步非常重要。

5. 作者的模型是怎么做的。

从我的学习经历来看，这其中，5可能是最不重要的。而搞清楚 4 直接可以推出各种不同的5。我之前有实验室的哥们，分析了某一篇文章的4，然后在那篇文章的5上加了不到20行代码，效果提升了20%。

如果你对机器学习还是很有热情的，那你可以多专心思考一下机器学习当中一些脱离了编码的本质问题。多看论文，多写代码，写一些脱离了现有包的代码。这有助于你培养很好的问题分析 insight。

如果你对机器学习感到绝望，请像我一样，转方向吧。之所以感到绝望，是因为穷，买不起显卡。