年入15万美元,每天4点下班:终身教职是我想要的生活吗?

2022-08-07 星期日

机器之心报道

编辑:蛋酱
DeepMind 研究科学家和大学终身教职,极限二选一,你怎么决定?

「和 Deepmind 这类顶级公司的研究科学家职位相比,成为终身教授有什么意义?」两天前,一位 Reddit 用户在社区提出了这个疑问。


这确实是个好问题。过去十多年间,一些研究者离开学术界,尝试在工业界寻找更多的机会。也有一些研究者在工业界发展数年之后,选择回到学术界。这些选择背后,到底是什么因素在起到推动作用?

这位提问的用户表示,似乎业界在 ML/CV/NLP 领域的探索方面处于引领地位,很多突破都是在企业取得的,而不是在高校。此外,业界能支付的报酬要高得多。最重要的是,教授们没有太多时间进行自己的研究,因为他们忙于申请经费、做行政工作、教学以及为学生提供指导。像 Deepmind 这样的公司似乎为他们的研究科学家提供了相当多的自由。

如果说,当进入工业界在各个方面都更好,那么成为终身教授有什么意义呢?

在这篇帖子的评论区,我们发现了很多有趣的结论。

DeepMind 只是个例外

用户「Random Tensor」分享了自己能想到的「学界的优势」,从叙述内容分析,这位用户应该是来自高校。


我能想到的一些好处是:

  • 与学生互动:有些人发现教学非常有意义,作为教授可以从众多的硕士研究生和本科生身上汲取灵感,进行合作或指导。

  • 可以解决更深层次的问题:我与 Google 进行了一些合作(回报较高),但我发现对于与可货币化不太密切相关的问题,例如数学理论,几乎很少受到支持。

  • 与其他领域的密切合作:如果你在大学里,周围会有很多领域内的顶尖专家。在这种环境下,发现好的新合作要容易得多。

  • 博士课程:至少在美国,通常在获得学士学位后开始攻读博士学位。这意味着博士生导师可以通过指导课程和研究,真正引导学生成为某个领域的专家。如果你要加入两个高度深入的技术领域,比如将边缘计算复杂性理论与深度学习相结合,你需要一个精力充沛的年轻人来加入这些领域。我听有人提到过一种说法,需要一个博士生来架起两个领域之间的「桥梁」。


也有人分析,从业界整体情况来看,DeepMind 提供给研究者的氛围和条件已经算是比较理想的了。

「DeepMind 似乎是一个罕见的例外,这家公司更像是一个研究实验室,而不是一家公司。他们有更多的自由度进行探索,包括那些不会给公司带来直接利益的研究领域。」

用户「Random Tensor」回复:「或许是这样的。我与 Google 合作的项目也无法立即获利,他们需要在某些 Google 产品中表示出未来的潜在用途。公平地说,这在学术界也很常见,经费更优先授予对社会具有潜在未来用途的项目。但是对于学者来说,这些东西往往各方面都更加发散,进行的是更广泛的研究。例如,我在 Deepmind 没有进行多少纯数学(统计学习理论)的研究。」

而且有人认为,「很多突破都是在企业取得的,而不是在高校」是个伪命题,实际上,最好的理论突破都是在高校诞生的。


终身教授现身说法

此外,还有一位美国大学的终身教授匿名分享了自己的「躺平」生活:

我是美国某所一级大学的终身教授。我不擅长机器学习本身,而是在一个相邻的领域。但我也涉足机器学习领域,如果我愿意(我的许多学生都这样做),我可以肯定地获得一份行业 ML 工作。我可以从个人角度回答你的问题。

首先,从生活方式的角度来看:

我的基本工资为 13 万美元,加上暑期津贴之后通常接近 15 万美元。我住在美国一个物美价廉的地区,我的配偶也是一名终身教授,二人薪水大致相同。我们赚了足够多的钱来过我们想要的生活,并且积极地储蓄。我觉得很富有,虽然我可以在工业上赚更多,但老实说,我不需要更多的钱了。

那么,这份薪水对我有什么要求?几乎没有,因为我是终身教职。我每学期教一门课,每周有几个小时的行政工作。除此之外,我可以自由地做任何我想做的事情。大多数时候我会在 9:30 左右上班,经常在 4 点前离开去托儿所接儿子。我从不在下午 5 点以后工作。我经常随机休息一天去购物,或者带我儿子做一些有趣的事情或其他我喜欢的事情。如果有一天我感觉效率不高,我会放弃工作,走到大学的健身房,这太棒了。

我的家人每年大约有 2.5 个月在度假。每年夏天和我配偶的家人在海滩上呆一个月,和家人一起放两周的假,以及随机旅行到其他地方。

我们每四年有 6 个月的休假,会四处旅行,在一些美好的地方度过这段时光。所有这一切都有着无限期的保障。我大概率不会被解雇,根本不需要强调未来的工作保障。我有很好的医疗保险,而且我儿子的学费也并不高昂。

现在从专业的角度来看:

我喜欢我的工作。我喜欢每学期教授的一堂课。我正在写一本关于我热衷的主题的书,而我的大学帮助我找到了一个很棒的出版商。

你听到过很多,申请资金和管理一个大团队有多大的压力,但这不是许多教授的现实,尤其是终身教职。如果你在拿到终身教职后还过度劳累,那很有可能是你自己的问题。

我不觉得写更多论文或获得更多资金有什么压力。产量减少的唯一后果是,年底加薪从 4-5% 降到了 2-3%(注意:我们今年的加薪翻了一番多)。但我通常很高效,因为我喜欢我的研究。

我尽量让自己的研究小组人数保持在 2-4 人左右(我 + 博士生 + 博士后 + 本科生),这对我来说是完美的,这对于不经营 wet lab 的 stem 教授来说是非常常见的,我们并不是 Bengio。我不需要很多资金来支撑这样一个小团体。

当我有一个新的研究方向或我感兴趣的想法时,我会申请新的经费,在这种情况下,我喜欢写申请,因为它只是写出我脑海中漂浮的所有想法。我的申请成功率相当高(大约 40%),因为我只为我感兴趣的想法申请。

我可以从事任何我想做的研究。我的大部分工作都在同一个大方向上,但我有一些不同方向的有趣的旁支项目。我也有同事完全改变了研究领域。

基本上,我得到的报酬比我花的钱多,还可以做我喜欢的工作。


看完这位教授的分享,大家纷纷表示:「恭喜你,过上了自己梦想中的生活。」

但这位用户也提到,自己的工作有一些不足之处,比如地理位置不佳,很难招到好的博士生,所以也需要花费精力来完善自己学生的工作。此外,学生的工作津贴完全是由学校决定的,目前是每年 3.5 万美元。

不过,有人提到,终身教职也不意味着能够「划水」,特别是在机器学习这种竞争激烈的领域。


有人则从另外一个角度分析了学界的好处:

「你可以领导一个更理想主义和雄心勃勃的团队(博士生)。你可以更好地平衡工作与生活,尤其是在你获得终身教职之后。你可以和其他系的教授一起在校园里闲逛,可以做更多的跳出条框的研究。例如,我的导师曾经和国际政策、环境科学等领域的人一起做研究。而在工业界,你周围的每个人都是 ML 研究员。」


「就是这样。您可以与学生和其他学者在校园里闲逛。这是人们喜欢学术界的 90% 原因。」

不能一概而论

在评论区,也有博士生从「后来者」的角度分享了自己的观察:



我不够资深,无法透彻回答您的问题。但作为一名博士生,比起呆在我大学的实验室里,我确实更喜欢业界的暑期工作。这意味着更好的薪水和津贴,我的意思是我每天都能得到免费的食物和饮料,但在我的大学里,我必须从自动售货机购买。同时,公司的硬件支持至少不比我实验室里的差,而且通常会更好。我所做的工作与我在实验室所做的工作并没有太大不同,而且通常可以更快地对现实世界产生影响,而不只是一篇 arXiv 论文。

我认为这里有两件事值得考虑:

1、可以说,深度学习在 2012 年的 AlexNet 之后才开始产生影响,只有 10 年。科技公司在深度学习上的巨额投资甚至发生在更晚的时间。在美国,本科毕业后大约 6/7 年完成博士学位是很常见的,所以很多在热潮之后进入这个领域的博士生还没有毕业。我们会在以后看到业界和学界在就业上的差异。

2、我个人并不认为学界是在试图与行业竞争以获取人才。现状是根本没有足够的教职可供博士生选择。每年有一半的博士生从 PI 的实验室毕业,但很多 CS 部门每年并没有增加这么多教职员工。我认为大学很高兴他们的博士生能在毕业后获得好的行业实习机会。他们对仅出于某种原因自愿留在学术界的博士毕业生感到非常满意。我的 PI 有时半开玩笑地告诉我,我很适合留在学术界,所以我应该尝试一下,但我个人从来没有收到任何大学的招聘电子邮件。我不认为大学正在积极地试图说服那些想要获得业界职位的人。(这一点纯粹是我的猜测)

另一方面,我不会说业界「单方面」比学界更好。

这是根据我的经验总结的,但我认为行业研究员的学生并不总是比教授多,尤其是在秋季和春季。以工程为导向的 PI 通常在实验室中有 6 名以上的博士生,无意冒犯,但他们属于廉价劳动力,并且会承担一些非学术需求(例如维护实验室网站、在实验室中设置和维护硬件等)。我还没有见过一个行业研究员会在一个夏天带 6 个以上的实习生。

大型科技公司肯定拥有更强的算力,对于当今的基础模型研究来说,大学无法与其竞争。但通常情况下,你的研究不需要那么多算力,许多研究在资源有限的情况下能做得很好。与此同时,许多领先的大学已经或正在建设他们的 HPC 集群。虽然无法与谷歌匹敌,但对于非大规模研究工作来说已经足够了。

3. 同时担任学术和行业职位的情况并不少见。例如,LeCun 同时有 Meta 和 NYU 的职位。从他的推文来看,他在大学教课,并积极致力于 Meta 的各种研究。

最终,一位用户给出了本回合最精辟的评论:

一旦你获得了教职,即使世界进入另一个 AI 寒冬,或者科技市场崩盘,都与你无关。


对于这个话题,你怎么看呢?

参考链接:
https://www.reddit.com/r/MachineLearning/comments/wd7m64/comment/iiicsie/

博世中国-自动驾驶多任务网络学习挑战赛


挑战赛围绕多任务学习命题,基于博世开源数据集,构建一个多任务学习神经网络模型,同时完成车道线检测和目标检测两个任务。

赛事福利:
  1. 最高可获奖金10万元,总奖金20万
  1. 获奖选手均可获得含世界人工智能大会组委会盖章证书
  1. 获奖选手受邀参加2022世界人工智能大会WAIC · AI开发者日举行的颁奖典礼
  1. 报名即可参与抽奖,博世吸尘器、面包机等超多礼物等你拿
点击阅读原文,了解赛事详情及报名。

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道:[email protected]

原文地址:点击