算法岗有没有泡沫
新近组了个饭局，发现来的各大厂的算法leader，都一副萎靡不振的模样，一问，都忙着筛秋招的简历呢，今年这秋招，投算法的像雪片一样飞过来，大抵高校计算机类的导师，都纷纷转型深度学习了，而候选人也个个刷过比赛，不拿到前几名都不好意思说出来，算法原理更是倒背如流。于是算法岗的面试官都是筛简历筛到老眼昏花，来左边儿一起画个顶会，在你右边再画个Kaggle，繁重的业务之外，面试更是一场接一场，面人面得头痛欲裂。
有人说，这是算法岗的泡沫，一触即破，好比回溯几年前的客户端开发，随便上个培训班就可以收割offer了，等风潮一过铁定凉凉。
面对层出不穷的劝退帖，我嘿然一笑，短期泡沫肯定是存在的，但是放长到十年维度的时间来看，投算法岗有没有问题？我觉得依然是应届生较好的一个选择，理由有三。
存储在云端的数据仍然处于迅速增长之中
算法的实质，无非就是更高效更精准的实现数据之间的匹配。AI爆火的根本原因，既不在于神经网络的崛起，也不在于分布式计算的普及，而是数据量的暴增使得依赖算法匹配数据成为一个划算的生意。放眼未来，虽然互联网人口的红利已经接近饱和，数据这个基础引擎仍然维持着超过50%的年增长率。这一方面得益于创造内容的门槛被极大拉低，另一方面也说明数据的价值得到了普遍的认同，对数据的收集和利用越发精细。数据越多，处理和提炼数据的复杂度就越高，自然会产生更多更大的算法需求。数据增长的引擎不熄火，持续有数据匹配的需求，就持续有算法岗的空缺。
算法岗的入门门槛更高
算法工程师处在研发和研究两个领域的交叉点，难以想象有哪个技术岗位对于学术论文阅读的要求，可与算法岗相匹敌。哪怕撇开学历绩点、学术履历、实践经验等方面的硬性要求，公式的理解和推导仍然是顶级的智力游戏。这就决定了算法岗的入门门槛本来就相对要更高，而随着AI的爆火，越来越多的候选人涌入，算法岗的竞争残酷程度上升了好几个量级，前刷刷题背背西瓜书就能手抓一把好offer的时代一去不复返了。
但凡竞争激烈的岗位，哪怕不是最优的选择，也肯定是一个较好的选择。因为能跨越入门门槛的，本来就是智力和勤奋程度更出色的候选人，有机会和更聪明更努力的人一起工作，会对你的职业生涯有非常正向的推动。多年前做高考咨询，有位小朋友问我，A高校专业排名第三但分数较低，B高校专业排名第五但分数较高，该选哪个？我建议去B，因为录取分数决定了同学的智力与勤奋程度，而专业排名更多取决于实验室的研究实力，不是向着留校任教这条路没必要考虑。选择职业也是如此，从前最聪明的学生都在考CFA准备进投行咨询，现在最聪明的学生都在忙着神经网络调参打比赛，本质上是一样的。只要具备追逐泡沫的条件，就应该投身其中，因为全局最优对于应届生的阅历绝对是一个NP难问题，倒不如梯度下降法这类朴素的优化思路来得实际，找准一个方向，先做到极致。我见过顶会可以打牌但最终转型的美女产品经理，也见过连续Top绩效然后转岗做算法的后台开发，都不影响他们华丽转身之后大杀四方。
算法岗的成长曲线更陡峭
优秀的算法工程师，必须在数学、编程、数据分析、业务理解四个方面的能力沉淀上都不可有短板，挑战难度更大，学习曲线更陡峭。当然，更陡峭的成长曲线除了意味着只有极少数人能走到顶端，能独当一面的人才永远是一将难求，也意味着技术成长的上限更高周期更长，你不需要在步入职场的五到十年之后就遇到技术成长的瓶颈，只能依靠转管理来延长职业寿命，如果你愿意在技术领域持续精进，算法岗是一个非常好的方向。
但是，对于有志于算法岗的应届生，我仍然有以下三个求职建议给你们：
从大平台开始，尽量逼近流量中心
许多年前互联网的江湖还是后台开发薪资最高，HR习惯用不同量级的DAU对应不同的薪资：千万级别的要比百万级别的差一截，亿级别的那就是江湖罕见的大牛了，如果有愿意动的都是抢着开价。后台开发的技术本身并不是什么奥秘，但随着用户数的上涨，再合理的架构也会遇到各种意料之外的挑战，而解决问题的方法往往充满灵光一现的巧妙，不经历是永远不会知道的。拥有市场上稀缺的经验，是一个职业履历的加分项。算法岗也是类似，你所服务的用户越多，分众越细，算法匹配能产生的额外价值越大；线上对资源和耗时的要求也更加严格，面临算法效果和算法性能的trade off也更加复杂。当选择offer的时候，不妨暂把薪资条件放一边，优先看哪个offer有机会（不一定是现在，也许是未来）去创造服务到更多用户的算法，为长远的职业发展构筑更坚实的基础。
选择搜索或推荐等与用户关系更密切的领域
深度学习这一轮的发展，是从图像和语音这类相对通用的领域发起的，面向通用领域的算法工程师，算法味会更浓一些，和学术研究挂钩更紧密一些，具体到工作内容，更多需要独自攻坚某个课题，和产品、运营横向打交道的机会少一些，发展空间偏纵向求深度，当然产出论文的机会更多。这类岗位更适合目标比较明确、能静下心花很长时间把一个问题搞深搞透的人。当然，对于算法岗的这一分支，我仍然觉得最合适的做法是先读取相应领域的博士，在学术界积累够做研究的方法论以后再到工业界来。此外，这一类岗位面向通用领域的算法岗，因为业务特殊性不显著，容易出现赢家通吃的局面，给小平台或小团队的生存空间很小，选择平台之时要更加谨慎。其实对于算法岗的候选人，更广袤的天地在于搜索或推荐等和用户息息相关的强业务领域。这类领域没有一招鲜的万金油方法，更多需要埋首于业务之中，从业务目标、数据、特征、算法、策略等多个维度找到最优的结合点，通过实验系统快速试错与提升指标。这才是大部分优秀算法工程师脱颖而出的残酷丛林，也是更适合普通人升级打怪的成长路径。
有机会的话去做在线算法吧！
在线算法是指它可以以序列化的方式处理输入，也就是说在开始时并不需要已经知道所有的输入。与离线算法相比，在线算法的链路更长，涉及到多个上下游模块的配合，对计算性能、抽象能力、数据一致性都提出了更高的要求。提供在线算法服务的过程中，需要和工程团队紧密配合，有机会感受到算法和工程在思维模式、能力栈之间的差异，找到算法和工程的最优平衡点，是一个项目能否成功的关键因素，而感受两种思维方式的碰撞，对算法工程师的工程能力和架构能力的成长大有助益。在线算法的另一挑战来自线上线下效果不一致的问题，离线AUC提升爆表，一上实验正向寥寥，一曲凉凉送给自己。在线算法牵涉的链路过长，排查起来异常费力，十分考验算法工程师的业务理解能力和问题Debug能力，对于从实验室的空中楼阁步入工业界的钢筋水泥的应届生来说，在线算法是一个能让你快速进入状态的领域。
最后，祝大家在泡沫中玩得愉快。