作者：Rowan Zellers

(資料圖片)

省流版：「如果你的研究領域涉及大規模的基礎研究，那么當下的工業界或許是個不錯的去向?！?/p>

對于一位想在計算機科學領域求職的博士生來說，當下的學術界和工業界，怎么選？

在求職過程中，華盛頓大學博士生 Rowan Zellers 的目標原本是找到一份教職，進入學術界是自己博士期間就定下的路線。為此，他起草了一份目標名單，寫了許多份申請材料，還動用了自己在學術界的社交資源網絡，尋找更多的機會。

同時，他也開始接觸工業界的機會。與業界公司的交流逐漸動搖了 Rowan Zellers 的想法，他發現對于自己的研究領域 —— 多模態人工智能 —— 來說，在學術界做大規模的基礎研究很困難且越來越難，而工業界的機會卻越來越豐富。

雖然 2022 年前后的科技公司紛紛放緩或凍結招聘，Rowan Zellers 還是找到了更具吸引力的機會 ——OpenAI 向他拋來了橄欖枝。

在找工作的最后階段，他做了一件自己完全沒有想到過的事情 —— 拒絕所有的學術職位，決定簽下 OpenAI 的 Offer。2022 年 6 月，Rowan Zellers 正式告別了多年的校園時光，加入 OpenAI。

是什么讓他在一年之內實現了觀念的轉變？在最近的博客文章中，Rowan Zellers 分享了自己的一些求職心得。

以下是博客正文：

Rowan Zellers 在 CVPR 2019 上展示自己在視覺常識推理方面的工作。

在決策過程中，我非常緊張，壓力很大 — 當時感覺就像一個轉折 — 但最后我對事情的結果非常滿意。對我來說，有兩個關鍵因素在起作用：

1）我覺得可以在 OpenAI 從事自己熱衷的工作；

2）OpenAI 公司的所在地舊金山是一個非常適合生活和工作的城市。

在這篇文章中，我會進一步討論決策過程。

為什么要寫這篇經驗帖？

在求職的過程中，我從社交網絡中的教授那里得到了很多關于如何申請工作、如何面試以及如何創建一份優秀申請的好建議。（在本系列的第一部分中，我嘗試將這些建議提煉成一篇關于申請工作的經驗文章。）

然而，真正到了決定的時候，我還是感到有些孤獨。我承認，自己已經超級幸運，因為有這么強大的教授與行業研究人員的網絡，可以就這些事情聯系他們。但在職業道路之間的決定更像是一個定制化的個人決定，某種程度上「沒有正確的答案」。

另一個影響決策的因素是，我認識的大多數人似乎已經在學術界和工業界之間選擇了一方。我認識的大多數教授都堅定地站在學術體系中（雖然也有涉足工業界的一部分），而我認識的大多數工業界人士從未認真考慮過將學術界作為一個職業。

這對我來說感覺特別奇怪。因為在博士中期，我決定走「學術路線」的動機是，這樣做可以讓我推遲在學術界或工業界之間做出最后的決定 —— 鑒于通常的觀點是，從學術界轉到工業界比從其他方面轉要容易。不過，快幾年過去了，我感悟到走學術路線其實是職業身份的一部分，許多同齡人也在做同樣的事情，所以感覺有一股動力把我推向了學術路線。

總之，我寫這篇文章是為了提供一個 N=1 的、有觀點的、關于我如何在一些相當不同的選擇中做出自己的決定的視角。

在尋找學術工作的過程中

我對自己的工作和目標的看法發生了轉變

我在疫情期間的辦公室。

作為背景，我 2016 年到 2022 年期間在華盛頓大學攻讀博士學位，且非常喜歡這個過程。我的研究領域是關于多模態人工智能的 —— 建立能夠理解語言、視覺以及其他世界的機器學習系統。

正如本系列的第一部分所寫的那樣，研究興趣塑造了我預設的職業道路。我最興奮的是做基礎研究和指導初級研究人員。至少在計算機領域的傳統層面，這是學術界的重點，而工業界則專門從事應用研究，爭取把科學進展轉化為成功的產品。

在學術界找工作讓我了解到在許多不同機構和 CS 子領域中當教授是什么樣子。我在所有的面試中與 160 多位教授進行了交談。最后，我不太確定學術界是否完全適合我。

在學術界做大規模的基礎研究很困難

在過去的六年里，學術界（更確切地說，是我的導師在華盛頓大學的研究小組）對我來說是一個非常好的環境。我被推動著去開辟一個令我興奮的研究方向，在指導和資源方面得到了慷慨的支持。借助這些條件，我能夠領導關于建立多模態人工智能系統的研究，這些系統隨著規模的擴大而改進，然后，（對我來說）產生的問題比答案多。

相比之下，在那段時間里，大多數大的行業研究實驗室都感覺不是很適合我的興趣。我在讀博士期間曾嘗試申請實習，但從未成功找到一個似乎與自己研究議程一致的去處。我所知道的大多數行業團隊主要是以語言為重點或以視覺為重點，而我無法選擇其中一方。我在艾倫人工智能研究所花了很多時間，這是一個非營利性的研究實驗室，相比之下感覺很學術。

然而，情況正在發生變化。在我關注的領域，我擔心在學術界做出突破性的系統建設研究很難，而且越來越難。

現實情況是，建立系統真的很困難。它需要大量的資源和大量的工程。我認為學術界的激勵結構并不適合這種高成本、高風險的系統建設研究。

構建一個人工系統并展示其良好的擴展性，可能需要研究生花費數年的時間和超過 10 萬美元的無補貼計算費用。并且隨著該領域的發展，這些數字似乎在成倍增加。所以寫大量的論文并不是一個可行策略，至少現在不應該是我們的目標，但不幸的是，我知道很多學者都傾向于把論文數量作為一個客觀的衡量標準。另外，論文是學界申請資助的「籌碼」，我們需要寫大量的論文，需要在會議上有東西可談，并為學生找到實習機會等等。在一定意義上，學術事業的成功是幫助學生開拓他們自己的研究議程（他們也許可以在其他地方當教授，這樣的循環可以繼續下去），這與做偉大研究所需的合作形成了一種內在的張力。

然而，我認為更廣泛的趨勢是學界轉向應用的研究。

隨著模型技術變得越來越強大，構建成本越來越高，越來越多的學者試圖在模型上層構建應用。這也是我在 NLP 和 CV 兩大領域看到的趨勢。這反過來又影響了學界關注和討論的問題，研究者們開始關心如何解決一些實際的具體問題。

在學界，我想完成一個成功的研究需要親身經歷多個階段，包括籌集資金、創建實驗室，然后我才能正式開始科研項目。最終當我得到一個良好的研究結果時，可能已經過去了數年的時間，或許在這段時間里早就有人做出了突破性的結果，而我在這個賽道上難以脫穎而出。話說回來，過去的幾年領域的進展非常迅速。

更現實地講，如果我在一個賽道上落敗，我可能需要改變我的研究方向。然而，那不是我的初衷，這可能是我最終走上業界路線的主要原因。

學界和業界的其他區別

在我的研究領域，學界教授的所有職責包括教學（和準備教材）、為學院和領域做出貢獻、建立和管理計算基礎設施、申請資助和管理資金等等。雖然我發現這些事情很有趣，但我不想同時應對這么多個工作場景，這需要強大的工作能力才能做到游刃有余。我希望我的工作是專注于一個重要的任務，例如教學。

類似地，在攻讀博士學位期間，我喜歡一個階段只專注于一個重要的研究問題。我認為這種專注的工作場景更多的存在于業界。作為一名教授，同時做實驗和寫代碼真的不容易，而業界有更明確的工作劃分。

我認為很多人都會下意識地被學界所吸引，因為它給人以高聲望的感覺，但我反而不喜歡這些。我認為把心思用在排名和聲望上會導致我追逐錯誤的目標，讓我感到迷茫。另一方面，許多人也被業界所吸引，因為它能提供更高的薪水，這很重要。很幸運的是我找到了一個能給我更多內在滿足感的環境。

工作與職業保障

我認為很多人都誤解了終身教職。的確，教授等終身教職是穩定且有工作保障的。但對于面臨就業的人來說，學術就業市場也是非常錯綜復雜的。當然，與業界研究人員不同，即使在經濟蕭條的大環境下，學界研究者也可以輕松地換工作。

在學術界，理論上我可以自由地研究任何課題，但實際上我可能會因為沒有足夠的資源或足夠支持的環境而受阻。我加入 OpenAI 就是因為在這里我得到了非常好的支持來解決我最感興趣的問題。我認為對于任何業界實驗室，解決我關心的問題需要與該公司的產品保持一致，而 OpenAI 剛好有這種安排。

在 OpenAI 的團隊中工作，讓我有機會指導初級研究人員，并獲得充足的研究資源。更重要的是，我被推動著解決對我來說很重要的、具有挑戰性的問題。

這些原因讓我選擇全職簽下 OpenAI 的職位。入職半年，事實證明我真的很喜歡在 OpenAI 工作。

關鍵詞： 華盛頓大學博士生 OpenAI