工业界和学术界最大区别是什么？-技术圈

提问：鄙人能源类工科博士在读，正在面临工业界和学术界的抉择，想知道两者的区别，以便提前做好准备。科研状态自我感觉挺舒适，习惯了自由自在，没有太大约束的生活，但是感觉自己做的东西浮在空中，落地会摔粉碎。学术圈目前应该是越来越难了吧，人才多，评职称艰难。隔壁实验室的讲师每天走得比我还晚（一般12点走)，所以很想知道工业界又是怎么样一种状态?

蛤蟆仙人（搬砖的小码农）回答：

我的背景更偏学术界，我对两边都有了解，我谈一点自己粗浅的看法。我的讨论范围限定在（1）机器学习领域，（2）能力在前10%~50%的正常人，不讨论改变世界的大神。

简单粗暴的结论：

（1）高校的研究能力在工业界很有用，但是高校的成果几乎（99.9%）在工业界都没有用。或许高校的education的作用更大，期望高校做出改变工业界的学术成果不太现实。

（2）工业界的研究院其实属于学术界，本质跟高校区别不大。他们比高校做的东西更有用，但是研究院做的不是核心技术，只是外围、边缘的技术而已。

先说说高校的科研。高校绝大多数的研究都是各种问题的corner case，在公开的数据集上跑几个实验，claim自己是SOTA，发篇论文。但这些东西在工业界用途非常非常小。我举几个例子。

近年来学术界搜索、推荐的论文不少，但在工业界能用的几乎没几个。学术界的做法是“改进模型，在MovieLens等数据集上做个实验，提升几个点，发表论文”。但学术界的成果在工业界几乎都不work。在工业界真正能改进模型效果的方法大多是标注数据、处理数据、调特征、修bug。少数能用的学术成果都是Google等公司发表的。
最近几年联邦学习很热门，每个会议都有上百篇联邦学习的投稿。这些文章中90%以上都是在解决corner case，比如XXX设定下的收敛、XXX设定下的XXX差分隐私方法、用XXX方法防御XXX假设下的拜占庭错误。有脚指头想想也知道，这些corner case在工业界是没有用的。工业界用的是简单、好调、scalability能上得去的方法，而且要考虑自身系统平台的支持。
最近一两年，有N篇基于vision transformer的论文，都是对vision transformer做一点改进，在公开数据集上top-1 accuracy提升一点点。在绝大多数工业应用里面，没人在乎一点点准确率的提升。好好处理数据、标注数据、再加点小trick，带来的提升比模型大得多。说实话，ResNet之后所有的模型带来的提升全加起来，还没JFT一个数据集带来的提升多。

工业界里重要的问题非常多，但是没有足够的人力去解决，只能挑收益最大的做。而高校乌央乌央的人扎堆挤到一些很小的问题上，研究各种各样的corner case，比如上面讨论的几个问题。这就是为什么我打算离开高校。

再说说工业界的研究院。

工业界研究院有一部分人做纯科研，做出了非常牛逼的工作。Google、Deepmind、MSR、NVIDIA等公司的研究院都有非常厉害的成果。Transformer、AlphaGo这些成果确实改变了世界。其余影响力小一些的论文也起到了PR的作用。
工业界研究院有相当多的人在为业务、技术部门服务。可惜的是研究院做的通常不是核心技术，而是可有可无的边缘技术。研究院的人看不到完整的核心技术。举几个例子：

推荐算法团队跟研究院合作，希望“试一试”强化学习、图神经网络这些技术。重点在“试一试”，也就是说可有可无，不是核心技术。能带来零点几个点的增长最好，没有也无所谓。
技术部门发现强化学习在网约车派单上好用，收益挺大。上线之后，让研究院做进一步的探索，目标是用更fancy的技术取得marginal improvement。

为什么工业界研究院接触不到完整的、核心的技术？核心技术肯定在业务部门手里，重要性次一级的工具在技术中台手里。由于利益原因，没人愿意把自己重要的东西交给别人做，除非是自己不愿做、没精力做、没能力做。

说一下工业界的技术团队。工业界的工作并不美好，有很多脏活累活要干，没有学术界看起来高大上，而且KPI压力很大。有一部分人在推着技术走，这种工作的成就感会比较高。另一部分人被业务推着走，比如这个地方掉点了，那个地方有个bad case，要修一下。。。很明显，前者的技术含量高，成长更快，在就业市场上很抢手；后者的技术含量低，是高档人肉电池，容易被换掉。

最后说说人。学术界的人才密度远远大于工业界。拿到985学校的讲师（所谓助理教授）职位，比公司SP offer还难。工业界研究院里各个都是有不错成果的博士。而工业界的技术部门里，人才密度低得多。哪里更容易出头是显而易见的。在跳槽的时候，研究院出身的不那么受欢迎，跟核心技术团队的人差距巨大。

我打算去中国某互联网公司。在核心业务部门的核心技术团队，负责机器学习。我们的上海、北京office正在招ML算法工程师，校招、社招都要，薪资很有竞争力。

金海峰（谷歌keras团队工程师）回答：

工业界在建设当下，学术界在描述未来。

二者的主要区别都是是基于这个不同的定位。

未来充满了不确定性，所以学术界想要有比较显著的成果，要依仗更多运气，课题和方法都刚刚好才行。工业界则主要是在做道路已经相对比较清晰工程，比谁完成得又快又好。所以，有合适的环境和足够的资源投入就好。

学术界由于描述的是遥远的未来，不是当下，所以通常也不涉及到巨大的经济利益，主要是争夺学术影响力和话语权，所以经常会产生谁是第一发明人的纠纷。而工业界则主要为了经济利益而产生合作和竞争。竞争的是实实在在的资源，比如用户、人力、算力、投资等等。

学术界由于描述的是遥远的未来，不是当下，所以很多说法很难在当下完全验证对错，主要就靠争论来决定谁对谁错。所以，反正也不损失钱，不如放开了争论，比如各个学派之间争论谁的研究方法更对路等等。而工业界的大部分内容很快能通过实践验证，争论的余地就小了很多。

当然，现在学术界和工业界也出现了一定的结合地带，比如高校的应用研究，以及公司里的研究部门。这些组织机构则同时具有建设当下和描述未来的属性。

工业界和学术界最大区别是什么？

添加附言