為什麼說「量化窮三代，計算毀一生」？
量子化學，計算化學。
做計算的學生大概是這個節奏：
本科的時候你上了點課，覺得計算好神奇，於是決定入坑。
博士第一年，你不知道該幹什麼，你覺得vi是個很屎的編輯器，為啥大家都用它？你覺得Linux是個很屎的操作系統，有windows版的高斯為啥不用？你照抄師兄的方法和基組設置，因為你完全不懂上面寫的啥，輸出文件幾千行，你不知道結果在那行...這時候你發現做納米的同學本科就發了六篇文章...
博士第二年，你終於學會了用vi和linux工作，發現你一天的活師兄半小時就可以幹完，於是你開始學bash和python。博一學了點量化，於是對高斯的設置有了點隱約的認識。然後你發現量化沒動力學算得很扯，於是你開始自學MD，還好你本科統計物理學的不錯，自學進展順利。同時你老闆想做材料，於是你開始學習固體物理和VASP。作為一個有前途的少年，你知道光會用軟體不行，還得會寫，於是你開始自學fortran和C。這個時候你身邊做有機的同學開始談論JACS，某些人開始發掛名文章。
博士第三年，你開始熟練地使用腳本，從前師兄的那些小trick你覺得不過如此。你開始能夠聽懂理論所的seminar並有一點自己的判斷。你開始覺得高斯很無聊。你開始能自由地切換自己需要的軟體並感覺他們都是一回事兒。你開始對固體物理有感覺。你覺得你徹底理解了各種常用電子結構方法的優劣。你覺得有必要重新學習一下電動力學。你開始能看懂MD軟體的部分代碼。你自己開始寫一點模擬的代碼，不好意思拿給別人看。你前兩年的工作勉強可以形成文章，老闆讓你寫一寫準備投JPC或者JCP。你挑出了JPC文章里的錯，你覺得作者是傻b。同時你的第二個課題開始有眉目，這時候你的同學開始發JACS和Angew。
博士第四年，你開始系統性地寫蒙特卡羅程序，你學會為了自己的需要修改已有演算法甚至創造簡單的新演算法。經過六個月的審稿期，你的第一篇JPC發表。你的第二個課題開始成系統，你把一些初步的結果稍後發在了JCP上，後來你發現文章里有錯，於是你又發了一篇文章糾正。你在你的工作里看到了未來兩篇文章的雛形。你覺得時間緊迫，要趕緊寫。你開始覺得一年級的新生傻b，你開始在理論所的seminar里挑錯並以此為樂。老闆給了你機房的鑰匙和管理員許可權。你去開會，你發現做光譜的報告你聽起來一知半解，做量子動力學的在幹嘛你完全聽不懂。你很傷心，你去參加周末的文獻研討會，你跟好基友們一起研究費曼的文章，你受益匪淺，你發現你又看懂了不少文章。這時候你做有機的同學像看怪物一樣看著你，他們問你看40年前的文章有何用處？你怎麼現在還在上課學習？
博士第五年，你的課題完全系統化，你用前兩年的結果一口氣發了三四篇文章，你覺得你碉堡了。你挑出了science文章里的錯，你覺得science不過如此。你覺得對量子力學又有了新的理解，你痛感一年前的無知。你的job出了錯你的第一反應是看代碼，而不是查手冊。你的同學讓你幫他改簡歷，你發現上面的文章標號突破20，內含4篇JACS。你覺得沒有JACS還是不行，於是你找了個熱門領域精心做了點應用投了JACS，兩天後收到拒信說內容過於specific，沒有broad interest，最後發在了JPCC上。老闆終於想起來要跟實驗組合作，於是你合作了，你成功了，實驗組告訴你實驗還沒做完，要多等幾個月。你畢業了，你找了個牛組的博士後，答辯那一天你跟老闆依依惜別，老闆說你很有天賦，你很感動。
博士後第一年，你完全換了方向，你學的很快，你發了一篇小文章，你覺得你有戲。組裡木訥的師兄找著了教職，你覺得你怎麼樣也該比他強。你在做新領域的過程中用到了GW，你花一個周末把公式從頭推了一遍。你覺得你對格林函數這套語言不太熟，你對半導體理論也不太熟。你覺得你有必要進一步學習多體理論，量子電動力學或者是量子場論。你又發現你不懂spin-orbital coupling，你得去學習相對論量子化學。但你覺得沒時間，老闆讓你幫忙寫proposal，你很忙。你覺得有必要想想以後的方向，但你懶。你無師自通了並行程序，你開始改VASP添加你想要的feature。你閑來無事查了查最近理論界又招了那些faculty，你發現大家都發過n篇一區，你覺得那些文章在技術上毫無新穎之處，你覺得千篇一律，你覺得換你你也能做，你覺得只是領域不同而已。你去了一個量子動力學的workshop，你發現你還是聽不懂，你發現有些東西沒下夠功夫還是不行，但你沒時間了。與此同時你發現組裡的師弟們開始找華爾街的工作，你感到遺憾。
博士後第二年，你在博士第五年跟實驗組合作的東西終於投出去了，但投的是JPC，你是六作，前面有五個做實驗的，你很失望。你博士後的第二篇文章投了一區，你很緊張。你前老闆告訴你他把你以前的工作寫成了review，你的第一想法是review算不算一區？你發現木訥的師兄居然有三篇PRL，你很嫉妒。你開始認真琢磨申請時候用什麼課題。你的本科同學來你們學校面試faculty，你也很嫉妒。你拉了十幾篇JPC/JCP寫成CV偷偷去套了幾個學校，沒人理你，你不好意思跟別人說。你發現當年那個狗屁不懂的王二麻子靠給有機組算機理也能整出好幾篇JACS。你想當初選組的時候稍微偏一點生物會不會好一點，你覺得你在馬後炮。你覺得你現在做的東西做出來也發不了一區，你很著急。你現在滿腦袋想的都是一區，你想罵街。你刷知乎看到有人問為什麼「量化窮三代，計算毀一生」，你想教他學做人...
改編自一個真實而悲傷的故事...
--------------------------------------------------------------------------------------------------------------------------------------------
吐槽歸吐槽，題主真誠地問了，我還是認真回答一下吧。選組這種事，關鍵還是看題主自己的情況。首先應該想清楚你的終極目標是什麼。如果目標是跳出化學坑，轉行金融或者IT，那搞計算是個不錯的選擇。搞計算的數學和編程都不會太差，比較適合轉行。而且和其他方向比起來，搞計算的時間安排更有彈性，不用天天泡實驗室，空餘時間比較多，也適合你去學習一點其他的東西。如果題主的目標是找工作的話，我不清楚其他行業的情況，工業界對純做計算的人需求並不是特別大，我身邊的人多數還是成了碼工和礦工，據說高分子現在比較火，題主可以考慮。如果題主想做學術的話，就要更進一步具體分析了。
首先是儘可能搞清楚自己的實力，主要指標是這麼幾門課：高數，線代，演算法與數據結構，結構化學，物理化學，還有你所有修過的物理課，看看你這幾門課的成績如何？回憶一下你上這幾門課時候的感覺，會不會比你上有機化學分析化學或者高分子化學的時候更輕鬆一些？搞計算的和其他行業的主要區別是思維方式，你要想想自己是否喜歡物理學的思維習慣。另外，多數搞計算的學生本科的時候都把量子力學和統計力學修過了。理解多深且不論，本科的基礎還是要打好。
然後是考慮一下你要做的課題的性質坑不坑。本行業有兩個極端，一個是像KN Houk一樣，純做應用性的計算，優點是上手快，發文章快，缺點是不鍛煉人，視野狹窄，技術單一。這個領域要想有前途的話最好老闆要很牛，還要和比較牛ｂ的實驗組合作，因為做的都是low hanging fruit，所以要有人罩。還有一個極端是像Bill Miller這樣的，做的很fundamental很hardcore。缺點是上手慢，對理論素養要求高，不好發好文章（撐死發個JCP）。優點是鍛煉人，後勁大，因為做的東西很unique，別人根本沒有能力跟你搶課題，學術上更有前途。多數人都在這兩者之間，怎麼去找平衡點是一件很triky的事。個人看法是，沒有自己的特色方法，純靠拼機時做應用的組勿入，攤子鋪得太開，而技術手段又單一的組（比如一個高斯打天下）也勿入，這不是正確的發展方向。做方法這一塊，如果沒有新的physics，純粹調泛函調基組這樣的課題也勿入（腦中某組即視感，不點名了...），會很無聊。一定要問清老闆的idea，比較好的idea不一定難度高，而是在前人沒想過的地方尋找獨特的切入點。再一個idea要有後勁，不能做完一個系統就完了，最好以具體應用帶動方法發展，能解決一類的物理問題，能發展成體系。課題獨特且自成體系，這才是量產paper的王道。
然後是具體的方向問題，本行業最大的問題是不容易發好文章（參見以上對一區的吐槽）。要想發一區，選個好方向是必須的。我的經驗是，僅就文章看，偏生物體系相對容易，越偏物理越苦逼。這個最簡單的方法是去查近幾年的歷史文獻，看看別人做計算的都發在哪裡？如果一堆PNAS，JACS之類，就說明有前途，如果一堆JPC和PRB，那還是三退保平安吧。當然某些hardcore組一水的JCP，全是做方法的，那也可以考慮，如果你對你的能力有信心的話。
最後是組裡的氛圍問題。本行業上手緩慢，如果你基礎薄弱的話，前期老闆和學長的指導很重要。老闆年輕能親自帶學生是最好的，否則看看要和你合作的學長，水平是否夠高？性格是否和你合拍？本行業變態push的少，但大組放羊的多，沒人管沒人教最後廢掉的學生不在少數。另外本行業不流行打工掛名，除非合作，文章作者數一般不超過三人。建議從一年級開始就要有獨立的課題，學長要能指導，不搶課題，老闆不能急於求成，隨意更改學生課題。本行業因同組搶課題造成的血案也不在少數。
總體而言，本行業的特點是：生活輕鬆（相對的），心理健康少變態，轉行方便（相對的），缺點是對學生素質要求高，上手慢，難發好文章（發文章不難，關鍵是一區文章...），和實驗組相比處於絕對的弱勢，在現有的評價體系下找教職有很大的劣勢。另外，本行業是一個做到老學到老的行業，聽報告看文章兩眼一摸黑不知所云是常態，要習慣。和有機行業用一年把課上完然後安心做實驗截然相反，本行業要求不斷學習，不斷加深理解。且本行業學習不趕時髦，越是基礎越重要。統計力學學三回，回回都有新體驗。本行業猶重知識廣博，厚積薄發，這特別要求你對自己課題以外色領域長久的保持旺盛的求知慾，樂於和善於學習新知識。這是難點所在，也是魅力所在。
總結，本行業並非一片坦途，但也不至於窮三代。於個人而言，能力和興趣是關鍵。喜歡唯象思維，對數學物理無感者勿入。對本行業並非一片熱情者勿入。題主不喜歡傳統的化學實驗的話，去搞搞實驗物理化學光譜什麼的也挺好。that"s all@朱紅
我覺得 @吳景恆說的幾點還是蠻有道理的。
其實，就像回答中某說的，「量化窮三代，計算毀一生」這句話其實是一句調侃，認真就輸了。坦白地講，個人認為計算化學/生物學目前確實遭遇了很多的瓶頸，也越到了很多的問題。表現在很多地方：
1）幾年前，計算方面的論文在JACS， PRL，PNAS，甚至Nature/Science等雜誌上並不鮮見。而且，出現的頻率還是很高的，一期就有好幾篇計算方面的論文。記得在2000年到2005年的時候，關於水裡面的質子轉移的ab initio MD模擬就發了Nature正刊，甚至使用ab initio MD模擬水分子的氫鍵數量就一年發了N篇Nature。使用ab initio計算一下自由能就能發JACS，DFT計算表面吸附小分子構象就有發了N篇PRL這種論文。但是這個時代已經一去復返了。
原因，我覺得也很簡單，那就是計算方法發展很快，計算機的計算能力在迅速提高。很多以前只能一部分人能做的，現在很多人都可以做了。技術的發展讓計算化學的某些領域門檻變低了。這是一點。
其次，也是很多簡單的問題，容易解決的問題，經過2000年前後快10年時間，已經被人研究了，問題也基本解決了。剩下的問題，很多研究起來苦難重重，於是很難出大的成果。
2)實驗技術的發展。幾年前，計算機藥物設計是一個很火爆的概念。利用計算機篩選藥物可以很利用較小的成本，從而獲得藥物備選分子，然後再實驗進一步驗證。這樣藥物篩選成本低，對藥物設計確實有很大的幫助。但是，計算也不是萬能，計算篩選的藥物小分子，往往由於力場等各個方面的原因，效果並不好，最後大家也慢慢對這個概念沒有從前那麼大的興趣了。加上實驗技術的發展，實驗上進行藥物篩選的成本在迅速地降低而效率在迅速提高。大家對計算化學是否能在裡面取到關鍵性的作用也開始不自信了。
對計算機模擬，一個顯著的優勢就是，atomic level。那就是，我們可以在原子水平上直接觀察分子的運動和相互作用。而殘酷的現實是，實驗技術開始漸漸在接近這個尺度。比如，高分辨的AFM也能直接觀察到DNA的大小溝槽。
3）現在計算機計算能力提高了，那麼研究的內容變廣泛了。但是，發論文也變難了。一篇計算的論文，需要大量的數據才能發表。這個，很多時候，做計算，其實並不便宜。尤其是在國內。在國內，超級計算資源不是免費給科研人員使用，研究人員要使用計算機資源，必須要購買機時。一個CPU時甚至要2毛錢。現在大型計算，動輒幾十上百核並行。租用100個核，一年就要燒進去10幾萬。可是，一個自然科學基金面上，才80-100萬。而一個基金還不能完全用來租用機時，還要各種開銷哦，績效，房租，水電，管理費，出差會議費，研究生的工資等等等。。。你懂的。沒錢，根本做不了計算。
4）經過幾十年的發展，計算機模擬的理論基礎已經很紮實了。（當然還有很多還在迅速發展的領域比如激發態研究等等）要在理論上有大的突破已經很難了，要想通過這個名垂青史聲名赫赫，我覺得還是洗洗睡吧。
5）國內的評價體系，不利於計算領域的發展。單純計算機模擬方面的論文，很難發到JACS這種檔次，更別提PNAS， N/S這種了。單純模擬領域的期刊，影響因子不高，普通二區論文，3-4的影響因子，好一點的JPCC，JCTC，PLOS comput. biol這種，可以達到5-6。你費力費心發個二區，人家實驗的論文，起步發Chem. Communications啥的，同樣是二區，Chem. Communications就是6+。研究生評獎學金，老師評職稱都是大大的不利。。兩篇模擬的2區才能夠人實驗1篇的影響因子。
======================================
但是，是不是計算化學/生物學就沒用了？？？？？？
答案肯定是：不是的！！！！
對比美國就知道國內跟國外的差距。美國很多大學，尤其是高水平大學，裡面有大量的計算化學方面的研究人員和教授老師。而國內，只有很少的大學裡面有一部分計算化學/分子模擬方面的老師，個別的大學（比如北大，中國科大，吉大等）、研究所（比如大化所）有在這方面有比較強的實力，大部分學校，缺乏這方面的人才，也招不到學生。。。在這個領域，國外佔據著極大的優勢。
從科研角度上來講，計算有自己獨特的優勢。這個優勢，就是上面說的atomic level。很多實驗結果需要理論的理解，比如生物大分子的結構和功能方面。要理解生物大分子的結構和功能，就需要在分子原子水平上去研究其作用機制，比如限制性內切酶的剪切機理。採用計算機模擬，通過自由能計算，可以研究限制性內切酶的反應路徑。又比如，深入研究禽流感病毒聚合酶與小分子的結合機制，可以為藥物（抑製劑）的精細設計提供非常好的思路。又比如，採用量化計算鋰離子電池電極材料的能帶還有鋰離子嵌入機制可以為鋰離子電池設計提供理論依據和思路。等等。。。。
俗一點，就拿發論文來講。其實，現在理論和實驗方面單獨發論文都很難發。都會很辛苦。但是大趨勢就是理論和實驗相結合，實驗給現象，理論提供解釋，論文就會發的好很多。。。當然這個是很功利的。。但是大家都這樣，國內國外都一樣。這個其實也是科研的大趨勢，我覺得。感謝@肖石燕 的展開討論和補充， 以及被贊同最多的@余曠 的調侃哈哈哈
好像還沒看到正面回答。題設想表達的應該是計算化學尤其是涉及量化計算的前景問題吧。個人認為有幾方面的原因。
1、計算化學已經是理論較為成熟的一門學科。
計算化學實質還是以理論物理為基礎。與化學有關的微觀問題，包括價健軌道，電子排布等都能通過量子物理解釋，而宏觀上涉及分子運動層面的問題，分子力學也已經給出很好的解決方案。所以看歷年獲化學諾獎的科學家很多都是為化學理論奠基的物理學家。量子力學和分子力學已經是經歷多年考驗和發展的理論，很難想像會有顛覆性的新理論被提出。即使是最近幾十年很熱門的密度泛函方法，現在的發展也不斷放緩。所以在目前理論計算方法發展的限制下，一般的科研工作者很難在計算化學這個領域有突破性的發現。
2、受實際環境的局限，計算化學的預測能力有限。
關於計算化學有個笑話，大概說某雞場的雞得了瘟症，雞場老闆找來理論化學家給出解決方案，可是照做之後雞全死了，一看paper發現寫著"只對真空中的球形的雞有效"。讀此笑話，只能說又好笑又無奈。一翻開計算化學的經典教材，裡面充斥著各種剛性小球碰撞等理想模型或者忽略二階導數之類的近似。辛辛苦苦好不容易搭個模型調好參數到頭來發現可用的範圍非常有限。目前很多計算模型能算好自己的就不錯了，但偏偏學科發展大趨勢所在，不把自己的模型做到生物材料上去都不好意思說自己的研究有多好。於是計算化學的領域發展越來越窄，真正有廣泛實踐價值的東西越來越少。
3、計算水平，特別是計算機的計算能力，很大程度上制約著計算化學的發展。
在沒有計算機的年代人們對著薛定鍔方程只能是直擺手搖頭。後來摩爾定律的魔咒把量子化學推到了學術前沿，人們開始無窮止境地追求計算精度。於是，計算機的計算水平發展開始跟不上計算體系的複雜度。這年頭髮文章，動力學動輒要求多構像幾十納秒的軌跡分析，量化計算不來發CCSD(T)都不好說自己算得准，做半經驗的有條件都不能不改成DFT。沒個大集群發文章都難過登天。於是大家都知道了做計算除了耗腦細胞就是耗時，要不幹脆還是搞應用去吧文章還來得快，還有誰去願意搞理論?
4、基於第二和第三點，計算化學目前在化學領域的地位並不高。
我花錢買個集群，養一班基礎薄弱的學生，經歷長時間去發展理論和建模，到頭來預測能力能有多高?誰也不清楚。本身算不算得准已經是未知數，用來解釋點現象還可以，靠計算指導實驗還早了點。做實驗的來問:你講的我們都(不)懂，能告訴我接下來怎麼辦嗎，做計算的普遍啞口。原因在於計算的很大程度上來源於實驗基於現象，對於超過理論基礎的事情只能無能為力。理論設計藥物分子文章數起來論斤稱，什麼高通量篩選分子對接動力學模擬結合能計算篩下來十來個，拿到體外試驗死掉一半，拿到體內又死掉一半，最後發現能做葯的早上市了。不能責怪做實驗的看不起做理論的，這就是現實。
5、計算化學這門學科需要大量知識和多元人才的沉澱積累，目前國內的科研環境很難滿足這一條件。
一個合格的計算化學學者，需要掌握不少知識。基礎化學不能缺，學好數學看公式，會用物理建模型，手拿電腦寫程序，還有統計整數據。如果是學計算生物化學的，忠告你不要以大師為目標，能體面點活下去就不錯了。一個人能同時掌握兩門知識和技能就不錯了，還能指望他能在兩個領域有深刻理解和成就的，不是不可以，實在很難。國外在計算化學能取得成就的課題組，都是靠一幫知識紮實很早就進入該領域一直招入傑出人才，再加上厚實的經費支持或軟體贊助，埋頭苦幹多少年才有今日如此成就。計算化學領域從來不是靠許多單獨個人異想天開開拓出來的，但我們偏偏只能看到站在台上給我們繪聲繪色講述故事的一些代表。國內計算的發展條件還不太理想，空喊培養複合人才卻不見實質培養手段，加上教育環境和科研環境的差距計算化學領域更是落後先進國家水平一大截。不過可喜的是靠著一堆"死腦筋"的科研工作者的努力以及引進海外人才並重點培養，國內很多地方像大連物化所和廈門大學的計算化學有著不俗的水平。
很多人以為計算化學沾點計算機編程，就是化學弄不出頭，還可以轉編程嘛。 @余曠 講得已經很生動了，不過略娓婉，直白點說：也就是拿著現成的程序模塊堆來改去，跟軟體工業玩得完全不是一碼事兒……
所以要phd要去做理論物理~~理論物理的訓練對於培養物理直覺非常重要，比如如何從複雜系統中快速找出決定系統某種行為的特徵尺度，如果存在的話。如何利用尺度分離做可控的近似等等。而大多數化學家亂做近似。。。
我還以為是量化交易和計算科學。
你這標題的地圖炮開的也是666666。我想說，前兩代如果是月收入不過2000，你讀個啥到博士都能把你家窮光的…
來來來，給量化的來點正能量！貼一個我在小木蟲上看到的答案，是網友coolrainbow說的：
Charles Coulson，在1930~1975搞量化的 一個老頭，可能中國的某些大學的圖書館 里有他寫的休克爾分子軌道理論和 《Valence》一書。他手下曾經有兩個博士 和一個博士後， 先說博士後，名字叫Martin Karplus，拿了 2013年化學炸藥獎，是生物分子動力學的 先驅，祖師爺界別的人物
然後第一個博士，H. Christopher Longuet-Higgins，早年搞量化，非絕熱效 應，有個定理叫做Longuet-Higgins定理以 他名字命名。似乎後來覺得量化太簡單 了，轉行做計算機演算法，是最先搞計算機 視覺和音樂識別的先驅之一。現在IEEE專 門設有Longuet-Higgins獎，獎勵在計算機 視覺領域做出突出貢獻的人物。
第二個博士，Peter Higgs。這個英文名字 似乎不太響亮，翻譯成中文就不得了， 叫「希格斯」，沒錯，粒子物理中大名鼎鼎 的「希格斯粒子」，或者「上帝粒子」，2013 年物理炸藥獎得主。被稱為粒子物理領域 的「世外高人」。
看到了吧，難以想像這三個人居然都是一 個搞量化的學生。由此可見學量化還是有 點前途的因為押韻
我們老闆說任何領域只要你做得好就不用擔心其他的。
當然，那是我們大老闆，他是很牛的……對於我們這些普通人來說，簡直是不知道以後能幹嘛～我們組是純理論的，有的偏量化有的偏生物大分子，博士畢業要麼繼續博後要麼找一個二本教書，其他的路還沒人走過。進公司不知道能去哪……進二本也不是那麼容易，地區不偏的都不好找，工資也是很低的（博士畢業二三十歲了，在上海也就5000塊錢），也有項目科研要求……但是，作為積極的年輕人，我們還是要相信老闆的話……只能多發文章以求出路……
我還以為是quant……
我也是學化學的。第一關鍵是興趣，第二關鍵是天賦和能力，第三關鍵是飯碗。其實我，個人比較喜歡物理，結果因為成績問題，選擇了化學，所以現在走上工作崗位，有時會問自己當初如果不這樣選擇會是什麼樣？
不啊，我ex就是做計算的呢，你看現在，不在諾和諾德門口要飯呢么。
生物學到頂尖是化學，化學學到頂尖是物理，物理學到頂尖是數學，數學學到頂尖是神學，神學學到頂尖請去自殺。
鑒於人生太短，沒人能把這個圈走完，所以科研狗們好好努力吧～
順便承包門工程糊口，再找找老婆孩子浪費生命～
啥都窮三代，啥都毀一生。。
一直感覺研究生慶幸的就是選擇了量化方向，不用做實驗，真的很happy啊...當然，我老闆也很好，絕對的好老闆。
畢業答辯時，我說「無論給我多少次機會，只要我在化學系，就一定會選量化」
計算化學歸根到底是理論物理，求高人說說計算材料學DFT的前途。感覺PRB比JPC,JCP水平高不少啊。就是JACS我感覺也不過如此，還不如PRB給力呢。化學類計算大多還是計算的體系複雜而已，本身理論沒有什麼深度，整篇文章就是在算能量而已，都看不到幾個公式。當然也不排除有一些計算化學搞方法的，他們的量子力學功底很厲害。
第一反應，卧槽，量化交易還能窮三代？
看了各位的回答，在這裡說一下自己的看法和情況，供各位參考：
本人理論物理出身，去年入坑，因為對統計方向比較感興趣，所以主動入坑了，為什麼說主動呢？因為本人在入坑前，還是做了一番了解的（對本行業發文章的水平難度，混飯能力等等都有所了解），並非出於單純的無知和好奇。
先說一下這個大方向的現狀：
一，現在門檻越來越低，如果做純的沒有技術含量的模擬，那麼你的方向主要看你報的「大腿」，依賴性較高，學不到真功夫（這個貌似和很多實驗組挺像的？）。
二，這個方向，純計算的話發一區的文章比較難，這個很現實。
三，如果想做深入的話，對基本的功底要求是相當高的，上手緩慢。同時，這個方向在很多基礎方面也已經相當完善，想在基本方向上有大發展很難。
優點突出一個字：閑。
再說一下自己入坑原因：
1）理論物理現在基本都是大坑，跳到交叉學科，按照老闆的說法，坑還是小一點的。哈哈，學理論物理好苦逼。（玩笑）
2）本人對統計物理比較感興趣，但是深知這個方向現在純物理上很難有質的進展（維持現狀很多年了，不細說），同時這個方向特點又決定了它很容易和別的很多別的學科搞到一起。
3）轉行相對容易（這是後路）。個人覺得這個方向對基礎能力的要求主要分四個大塊：數學，物理，計算機和化學生物方面的知識（我敢說計算化學其實對化學知識的要求相當的低嗎？不敢）。哈哈~
學得好的話轉行還是相對容易的（這個只是和做實驗的人比，轉行難度感覺和數學專業差不多）。
本人大四後半年在現在地方做畢業論文呆了半年，比較早的接觸到了這個方向的實際工作。我們組條件還是比較好的，理論方向有自己的研究，也有幾個自己組內比較熟悉的模擬方向和實驗組的合作也挺多。本人大三的時候開始接觸Linux，很多軟體的原理也都是以物理為基礎，所以上手也挺快。除了做老闆的任務，目前主要課外精力放在計算機和數理統計上，學這些都是為了提高自己做科研的能力（我會說學好了這些以後跳坑也方便嗎？）。至於以後是否繼續呆在坑裡，很難說了。。。
本人目前在國內五流高校教基礎課，每學年課時800左右，每年能用量子化學計算整出1篇1.5左右的SCI論文，基本可以保住飯碗。
所以主要精力是教學的人做量化是個不錯的選擇，畢竟其他實驗學科的經濟投入不是小青椒能承受的。（當然，沒工作的話最好慎重選擇進入這個行業）
推薦閱讀：
※你學過的最難的一門計算機課程是什麼？這門課對你的工作有什麼幫助？
※蘇聯發明過俄語編程語言嗎？
※如何在保持高GPA的同時讓大學生活真正有意義？
※為什麼克萊因藍可以申請專利？色彩可以申請專利么（請結合中國、美國和法國的法律分別回答）？
※圖形學的學術路線該怎麼走？