佬友们，AI时代下，普通算法工程师的方向是什么？
- 内容介绍
- 文章标签
- 相关推荐
佬友们，大家都是怎么从“拿来主义算法工程师“向”工程化算法工程师“转变的，直接用Claude code 端到端生成工程化代码，心里有点虚。
image1708×414 26.9 KB
网友解答：--【壹】--：
门槛也不算高，而且方向很多，比如传统运控，强化学习运控，路径规划，导航感知等
--【贰】--：
佬，机器人行业门槛是不是有点高，硬件一窍不通，只玩过小智
--【叁】--：
对，不过还是得懂点代码吧，玩AI主要是需求 规划
--【肆】--：
如果只懂算法的话，AI完全可以取代。横向发展下，别纵向发展了
--【伍】--：
确实，现在的工具太强了。其实最好的转变就是把 AI 当成你的初级开发，只要你还能定义问题并验证结果，工具怎么迭代都没关系。加油佬友！
--【陆】--：
普通算法工程师感觉没什么出路了，就和初级程序员一样，你能干的AI都能干，并且干的比你好多了，那么接下来迎接的就是裁员
--【柒】--：
我从本科读到博士毕业，再到现在高校工作十几年，一直在做算法研究。从我的经验来看，哪怕在大模型出现之前，衡量一个算法工程师能力的也不是代码实现能力。算法研究和工程岗位的代码量其实非常少，大部分情况下，纯写代码的活儿扔给实习生就能干好。当然，我不是说代码不重要，它是基本功。
回到正题，我觉得一个合格、成熟的算法工程师/研究员，应该具备这样的能力：遇到问题后，能独立抽象问题、归类问题；自主阅读论文、博客和同行最佳实践；设计出解决方案；最后通过实验验证并真正解决问题。
如果你能凭借经验、学习能力，甚至人脉，快速找到一个靠谱方案把问题解决，那你就值高价。中间具体怎么实现其实没那么重要。具体而言，能用传统规则解决的，就别调包；调包能实现的，就不要去微调模型；微调模型能搞定的，就不要从头训练模型；训练模型能解决的，就不要去改模型架构。
这其中每个层级都需要花大量时间和成本，做大量实验。你的课题、组织或项目未必能给出足够的资源和时间去支撑最优但最贵的方案。优秀算法的价值，恰恰在于平衡各方成本，找到一个被所有人最能接受的解决方案。
你是研究员，可能追求的就是SOTA，那么怎么创新、怎么复杂、怎么牛逼怎么玩，你论文才发的出去。你有高算力背景，直接调用旗舰大模型，找几千人帮你标注数据、微调到过拟合，在你的场景和问题上效果就不可能差。但如果你是在超低算力、甚至只有古董CPU的极端场景下，那就得各种奇技淫巧、屎上雕花，打各种莫名其妙的补丁去硬刚目标。
至于怎么培养这种能力，从你做算法的第一天开始，就要养成从0到1的习惯。无论在学术界还是工业界，都别只盯着leader，导师给你拆的那点活儿。要主动去了解问题原貌，挖掘问题本质，和客户面对面交流，别听搞传统产品/项目经理扯淡，顺便说一下沟通能力我也觉得是算法很核心的能力，很多情况都需要算法亲自上阵去和客户沟通需求的。从0到1地设计方案、做实验、设计测试集、分析结果、记录成败。闭环几个项目下来，能力自然就上来了。
--【捌】--：
就像交叉课题容易发论文，专精某个领域的期刊要求更高强度的投入。
果然，还是横向水论文好毕业啊
--【玖】--：
来做机器人行业的算法，跟硬件结构强相关就没那么容易被代替
--【拾】--：
谢谢老师的悉心分享，确实受益匪浅，一个人不管身处什么岗位，核心还是解决问题的能力决定其自身价值。
--【拾壹】--：
感觉是懂业务，懂市场，可以快速落地，一人公司。
佬友们，大家都是怎么从“拿来主义算法工程师“向”工程化算法工程师“转变的，直接用Claude code 端到端生成工程化代码，心里有点虚。
image1708×414 26.9 KB
网友解答：--【壹】--：
门槛也不算高，而且方向很多，比如传统运控，强化学习运控，路径规划，导航感知等
--【贰】--：
佬，机器人行业门槛是不是有点高，硬件一窍不通，只玩过小智
--【叁】--：
对，不过还是得懂点代码吧，玩AI主要是需求 规划
--【肆】--：
如果只懂算法的话，AI完全可以取代。横向发展下，别纵向发展了
--【伍】--：
确实，现在的工具太强了。其实最好的转变就是把 AI 当成你的初级开发，只要你还能定义问题并验证结果，工具怎么迭代都没关系。加油佬友！
--【陆】--：
普通算法工程师感觉没什么出路了，就和初级程序员一样，你能干的AI都能干，并且干的比你好多了，那么接下来迎接的就是裁员
--【柒】--：
我从本科读到博士毕业，再到现在高校工作十几年，一直在做算法研究。从我的经验来看，哪怕在大模型出现之前，衡量一个算法工程师能力的也不是代码实现能力。算法研究和工程岗位的代码量其实非常少，大部分情况下，纯写代码的活儿扔给实习生就能干好。当然，我不是说代码不重要，它是基本功。
回到正题，我觉得一个合格、成熟的算法工程师/研究员，应该具备这样的能力：遇到问题后，能独立抽象问题、归类问题；自主阅读论文、博客和同行最佳实践；设计出解决方案；最后通过实验验证并真正解决问题。
如果你能凭借经验、学习能力，甚至人脉，快速找到一个靠谱方案把问题解决，那你就值高价。中间具体怎么实现其实没那么重要。具体而言，能用传统规则解决的，就别调包；调包能实现的，就不要去微调模型；微调模型能搞定的，就不要从头训练模型；训练模型能解决的，就不要去改模型架构。
这其中每个层级都需要花大量时间和成本，做大量实验。你的课题、组织或项目未必能给出足够的资源和时间去支撑最优但最贵的方案。优秀算法的价值，恰恰在于平衡各方成本，找到一个被所有人最能接受的解决方案。
你是研究员，可能追求的就是SOTA，那么怎么创新、怎么复杂、怎么牛逼怎么玩，你论文才发的出去。你有高算力背景，直接调用旗舰大模型，找几千人帮你标注数据、微调到过拟合，在你的场景和问题上效果就不可能差。但如果你是在超低算力、甚至只有古董CPU的极端场景下，那就得各种奇技淫巧、屎上雕花，打各种莫名其妙的补丁去硬刚目标。
至于怎么培养这种能力，从你做算法的第一天开始，就要养成从0到1的习惯。无论在学术界还是工业界，都别只盯着leader，导师给你拆的那点活儿。要主动去了解问题原貌，挖掘问题本质，和客户面对面交流，别听搞传统产品/项目经理扯淡，顺便说一下沟通能力我也觉得是算法很核心的能力，很多情况都需要算法亲自上阵去和客户沟通需求的。从0到1地设计方案、做实验、设计测试集、分析结果、记录成败。闭环几个项目下来，能力自然就上来了。
--【捌】--：
就像交叉课题容易发论文，专精某个领域的期刊要求更高强度的投入。
果然，还是横向水论文好毕业啊
--【玖】--：
来做机器人行业的算法，跟硬件结构强相关就没那么容易被代替
--【拾】--：
谢谢老师的悉心分享，确实受益匪浅，一个人不管身处什么岗位，核心还是解决问题的能力决定其自身价值。
--【拾壹】--：
感觉是懂业务，懂市场，可以快速落地，一人公司。