AI博士,遠沒有外界想像中風光。畢業即享百萬年薪的傳奇,僅屬於金字塔尖的一小撮人。絕大多數普通AI博士並不具備市場議價權。他們中,有人為湊夠頂會論文無奈延畢,有人因缺少熟人推薦與心儀崗位失之交臂,有人因研究方向並非熱門在企業難覓用武之地。頂端人才被企業重金爭搶,平庸的AI博士則在人才魚塘裡徘徊張望。這個群體的就業圖譜,正呈現出殘酷的兩極分化。大廠夠不上,中廠養不起郵件開頭“很遺憾”三個字映入眼簾,王浩然意識到自己只是招聘方的一個“備胎”。他沒有繼續往下讀,直接刪除了這封來自心儀公司的郵件。王浩然是上海某985院校大模型演算法專業的博士研究生,這一專業方向正值AI賽道的風口。不過,由於就讀的學校不算頂尖,且論文成果僅達到畢業基本要求(兩篇頂會論文),去年參加秋招時,王浩然接連遭到多家公司拒絕。公司拒絕的方式,被他戲稱為“泡池子”。從初面到終面,走完一套面試流程通常需要一周左右。終面結束後,王浩然總會陷入漫長的等待,十天半個月的沉默期已是常態。最終等到“很遺憾”這句回覆,意味著公司在候選人比中“釣到了更大的魚”,而他則被留在了人才魚塘裡,沒被對方撈起。經歷四五次這樣的期待落空後,王浩然已逐漸習慣。但這一次被拒,還是出乎了他的意料。這個崗位來自國內一家頭部網際網路大廠。由於研究方向與崗位需求高度契合,王浩然順利進入了終面。終面時輕鬆融洽的氛圍,他至今印象深刻——直屬領導氣質親和,聊起自己在學校做的科研項目時,王浩然不止一次從領導的眼鏡片後看到肯定的目光。領導不僅明確對他表達了歡迎,甚至提前告知了他加入團隊後將擔任的具體工作,讓他有種“明天就要上崗”的錯覺。可一周後,王浩然卻收到了這家公司的拒絕信。大模型演算法崗位在行業內雖炙手可熱,但大廠放出的招聘名額通常有限。王浩然面試過的大廠,崗位招錄比至少在10:1,應聘的一家國企研究所,招錄比甚至高達200:1。想到自己僅有兩篇論文成果,王浩然沒有死磕大廠,他同時投遞中小廠作為保底。但在中小廠的面試中,他通常撐不過二面。比起大廠,中小廠更注重用人性價比,期待高薪聘請的博士人才,能直接匹配公司業務需求。在校期間,王浩然主要研究AI程式設計類課題。由於程式設計涉及AI應用的底層架構,該方向的演算法能力可遷移至不同領域,這使他獲得了醫療、金融領域大模型崗位的面試機會。然而,當面試官發現他需要時間熟悉具體業務場景時,便終止了後續流程。畢竟對中小公司而言,高薪聘請人才後還需投入時間培養業務熟悉度,成本過高。金九銀十的招聘旺季已接近尾聲,各家公司的招聘名額所剩無幾。王浩然的微信裡新增了十幾位HR聯絡人,卻仍未獲得保底offer。在社交媒體上,王浩然經常刷到同行們的 “凡爾賽貼”。貼子裡,優秀的AI博士們正被“幸福的煩惱”纏繞,不知該拿百萬年薪去大廠打拚,還是留在學界當一名高校教師。在這種對比下,王浩然自認為屬於“平庸的博士”。他仔細收藏了這些帖子,時刻關注著“大佬”們的最終選擇。因為一旦有人確定去向,其他公司就可能空出新的崗位,自己也就有了被“撈走”的機會。“平庸的博士”在魚池中徘徊觀望,處在金字塔尖的博士們正在攪動時代風浪。企業對頂尖人才的爭奪持續白熱化。字節跳動的“Top Seed”計畫、華為“天才少年計畫”、阿里T-Star計畫等,為博士人才提供了極具吸引力的條件:科研自由、資源優先、百萬年薪,這些只是最基本的誠意——前提是人才足夠頂尖。有消息稱入選這類人才計畫的應屆AI博士,綜合年薪已突破200萬元,同時還能獲得遠低於市場價的期權等額外福利。而通常能進入這類項目的博士,名校出身、有重磅研究、競賽大獎、實踐豐富等標籤幾乎一樣不少。對於這類人才引進計畫,王浩然從不點開。他覺得,如果不是剛好研究方向踩在了行業風口,自己可能連面試機會都難得到。博士4年,攢不夠入場券踏入人才市場前,論文是A博士的硬性入場券。對於非熱門研究方向的博士,則需要更多的論文來加持。在博士二年級實習時,研究電腦視覺方向的張藝凡就意識到了這一點。他在企業公開的招聘帖上看到,企業對AI博士的要求是擁有一至兩篇頂會一作論文。但正在求職的師兄師姐告訴張藝凡,要是沒參與過業界極具知名度的項目,想拿到面試機會,至少得有5篇論文成果才行。對業界來說,這是為數不多能衡量博士能力的可量化標準。博士學制通常四五年,一篇論文從實驗、撰寫到發表常需一年,時間本就緊張。為達到就業門檻,張藝凡不得不體會“湊”論文的苦。比起火熱的大模型,電腦視覺是更傳統的研究領域,研究歷史久、技術成熟,想在熟悉範圍內找創新點很難。師兄師姐說,一篇論文得有3個創新點才能中稿,有時迫於時間,張藝凡只能“為創新而創新”。他曾研究惡劣天氣下模型的環境感知,為增加創新點,他把常見的“在模型感知關鍵節點注重訓練資料一致性”改為讓模型在每一節點都注重。實驗後,雖然測出效果提升不大,但為了稿件能順利中選,他還是硬著頭皮寫進了論文。學界靠“策略”發論文的情況不少見。張藝凡發現,有些論文看似不同,實則在證明同一個已知結論,算不得真創新;有時跑通前人論文中的模型,卻發現結果或資料與論文不符,除了吐槽幾句“套路深”,也只能放棄。諷刺的是,這些質量參差的文章,不少都登在行業頂會期刊上。AI行業火熱,學術界也擁擠。頂級會議AAAI今年主要技術領域接收近2.9萬篇論文,幾乎是去年的兩倍,中國投稿佔三分之二;五年前AAAI-21僅收9034篇,還不及現在零頭。短時間內論文激增,評審系統明顯跟不上。大多期刊用“眾包”模式湊評審,發過相關論文或有導師推薦就能當上評審,部分期刊甚至允許碩士生參評。系統會按關鍵詞隨機分配審稿人,可AI跨領域研究多、單篇方向細,評審常因“摘要有共同概念”就被匹配,實則根本不懂論文內容,發表系統愈發混亂。正在紐約大學機器學專業讀博二的李睿峰,今年4月就因離譜評審栽了跟頭。他的一篇論文,遭評稿人質疑未能被期刊收錄。這篇論文由師兄帶領他完成,核心是通過演算法設計,讓機器人更精準識別需人類協助的時刻。他花半年跑通演算法,又花近一年做實驗,直到演算法能讓機器人在模擬與實體環境中完成所有任務,才進入最終測試。與同類研究中的演算法對比後,該演算法成功率高出一倍。二人對實驗嚴謹性和結果很滿意,信心十足地投稿,期待為行業出力。三個月後,李睿峰收到盲審結果:三位評審中兩人給低分,質疑點恰是他們最滿意的“實驗嚴謹性”。其中一位評審員給李睿峰發來一篇上月剛發表的論文,質問為何不測試文中演算法;另一位則認為,演算法中使用的關鍵概念沒有介紹。李睿峰又氣又無奈,測試前人演算法需先聯絡作者,可有時文中演算法、資料未公開,作者還可能遍佈全球,聯絡成本很高。因此學界共識是,可用於對比實驗的論文,發表時間至少要比投稿時間早三個月。至於演算法關鍵概念,論文子章節早已專門解釋。李睿峰覺得對方“壓根沒看懂”。學界離譜評審並不少見,甚至鬧出不少笑料。今年7月,機器學習頂會NeurIPS曾質疑研究者未解釋“Adam”——這本是行業最常用的一種最佳化演算法,只要接觸過模型訓練,就難以問出這種問題。圖 | 研究者在社交媒體上發出NeurIPS的評審意見李睿峰此次投遞的RSS(機器人科學與系統國際會議),是他敬仰的機器人領域頂會,他耐著性子委婉回覆評審,但仍被否決。李睿峰苦笑:“比起論文質量,更該反思自己的運氣。”好博士不一定是好牛馬博士階段需常年深耕單一領域,張藝凡覺得這就像在狹長隧道里埋頭摸索,等走到出口,才發現外面的世界和想像中全然不同。今年年初,張藝凡進入國內某頭部網際網路大廠,參與多模態大模型研究項目實習。此前,他曾耗時10個月研究自監督訓練原理,找到一套節省訓練資料成本的方法,本期待能將這項成果在業界落地。可認知脫節很快襲來:大廠坐擁充足的算力與資料資源,他在學校擔憂的資料成本問題根本不存在,企業也不會在這類細枝末節上投入精力。“此前的研究有用,但不多”,張藝凡無奈發現。他在電腦視覺領域積累的專業知識,同樣難在業界派上用場。當下行業聚焦商業化,大廠更傾向於打造“通用大模型”,靠全面的應用功能搶佔使用者入口,而非深耕單一功能的最佳化——就像如今各類AI應用的花式功能,多停留在“能用”層面,遠未到“專業好用”。張藝凡的研究聚焦電腦視覺細分方向,可企業更需要能整體最佳化模型的綜合能力,這類細分研究對項目落地變現收效甚微。實習期間,他做得最多的是根據不同場景,用現有模型微調出可落地的產品功能,而非發揮自己的專長。即便身為AI博士,多數企業需要的仍是能助力變現的牛馬。張藝凡這類專業背景的博士,只有去到專做圖像生成類模型的項目中,才有對口的用武之地。但行業裡專做細分領域的大模型項目或崗位較少,或技術門檻低,不需要博士代勞。為湊夠論文發表要求,張藝凡在學校的幾乎所有精力都投入到電腦視覺中的3D圖像感知方向,極少關注領域外的技術。第一次參加企業技術研討會時,他徹底懵了:同事們討論如何用現有大模型最佳化圖像生成質量,他卻一直糾結“多模態大模型如何理解圖像”,忍不住提出疑問。同事詫異地後仰脖子:“就是token化啊,大模型能把圖像當文字一樣理解。” 張藝凡才意識到,這是大模型基礎原理,作為AI博士,問出這話 “有些愚蠢”。平日裡同事聊前沿技術,比如大模型與AR技術互動,他更是完全插不上話。實習中接觸到大模型相關知識後,張藝凡本想調整後續研究方向,可聽到領導說 “轉正需6篇研究成果”,他還是決定在熟悉領域抓緊發論文。儘管這些研究對企業應用意義不大,但無奈是入職的剛性門檻。實習結束後,他將社交網名改成“千里煙波”,覺得自己難在多變的AI行業抓住確定性,未來迷茫遼遠。同樣在“湊”論文的李睿峰,還正在努力學習維護人脈。在他看來,AI博士的不少崗位要靠“熟人推薦”。剛入學時,他在新生群看到一位大模型博士的分享:對方僅3篇論文,卻靠同組師兄內推拿到蘋果面試機會,最終成功入職。李睿峰明白,個人能力固然重要,但熟人推薦是關鍵敲門磚。“AI行業圈子不大”,某一方向的優秀研究者有限,與他們有關聯的人自然多了層“稀缺標籤”。李睿峰常聽說,企業會因仰慕導師名氣錄用其學生。加上AI行業計算資源昂貴、博士崗位薪資高,企業試錯成本大,便更願意相信熟人推薦的人選。 圖 | 李睿峰提前參加企業招聘會拓展人脈國內也有類似情況,不少公司AI團隊負責人是高校導師或出自某高校實驗室,其學生、師弟師妹便更容易拿到團隊中的崗位。最近,導師告知李睿峰自己認識國內某機器人公司創始人,這讓他看到希望。若能獲得推薦,畢業後可直接入職,且借導師的業界影響力,薪資會比其他應屆生高不少。臨近畢業的王浩然,因未拿到合適offer,決定“戰術性延畢”,回校攢論文、補實習,提升競爭力明年再求職。在等待“被撈”的日子裡,他總想起四年前碩士畢業時的場景:那時他學的還是傳統NLP演算法,然而當時就業市場卻“遍地黃金”。即便沒有對口經驗,面對技術提問常坦言 “不會”,國內頭部大廠仍紛紛向他伸出橄欖枝。可如今學歷提升,崗位要求陡增,就業反而更嚴峻。不久前,組裡一位碩士師弟找王浩然聊天,執意要考大模型方向博士,對該領域就業前景充滿期待。王浩然一算,師弟博士畢業至少還要五年,不禁擔憂:屆時這個專業是否還在風口,誰也無法確定。AI行業日新月異,博士卻需長期深耕單一方向,兩條路線本就難以緊密契合。思及此,王浩然給師弟回覆:“讀博一念起,頃刻天地窄”。 (鈦媒體AGI)