為什麼矽谷對演算法和 AI 方向的人才需求遠遠沒有國內這麼大？

01-19

先澄清下問題：
最近幾年國內對演算法工程師這個崗位的人才需求越來越大，應屆碩士畢業生里大量是以演算法/數據挖掘/自然語言處理/計算機視覺工程師的title進入公司的，相比之下，矽谷對演算法人工智慧人才的需求卻僅限於PHD和部分項目經歷豐富、發表過論文的碩士。舉幾個例子，很多曾在國內BAT核心組演算法崗位實習的同學（碩士）都很難在美國找到一個滿意的演算法方向的職位；知乎上的陳然前輩也曾經寫過在北美找data scientist崗位的經歷，相信以他的背景在國內找相應崗位肯定是被哄搶的；這位Google的答主也提到北美對機器學習碩士的需求沒有大家以為的那麼大。
國內和矽谷應該都很重視AI的發展，優秀的AI人才在兩邊都很搶手，但為什麼國內對碩士演算法工程師的需求這麼大，美國卻還把招聘範圍限制在PHD呢？美國Machine Learning Engineer這個崗位和國內演算法工程師這個崗位區別是什麼呢？

國內情況不清楚，主要說說矽谷。在我看來master覺得ml相關工作難找是比較正常的。

從需求量來說，相關職位的需求在不斷增加但目前不會超過software engineer總量的10%。

在矽谷ML相關的職位大體可以分為四種：

1. ML research

2. machine learning engineer

3. ML platform / infrastructure

4. data scientist

其中（1）、（3）的數量少且要求高；（4）則定義較為模糊，這裡不做討論；絕大部分碩士瞄準的應該是（2）偏應用的machine learning engineer，其中涵蓋了search, feed ranking, ads等各種recommendation system以及少數computer vision, NLP，甚至交叉學科的應用。但即使對於這些應用，machine learning有時候也僅僅起到錦上添花的作用。實際上一個完全沒有machine learning的search, feed ranking system是可以取得不錯效果的。這導致很多中小型公司把大部分headcount用來搭建系統而不是優化machine learning演算法。以我們組為例，ads相關的工程師一共有五六十個，做machine learning演算法的大概只佔四分之一左右。

此外，學界做computer vision之類研究的PhD遠超出業界需求，一方面使得vision職位的bar水漲船高，另一方面讓不少做vision的PhD轉方向做recommendation system, 進一步加劇了競爭。

從candidate的角度來說，美國的大部分碩士項目是純授課型，很多master僅僅上過machine learning課並沒有真正意義上的項目/科研經歷。這一點上國內碩士由於項目時間長、參與導師科研項目、讀過paper練過手，反而和博士的差距更小一些。

最後，在矽谷「演算法工程師」（algorithm developer）這個說法並不特別常見。畢竟machine learning只是方法，不是目的。所謂「machine learning engineer」最根本的仍是engineering --- 代碼要進產品，對產品有impact，很少有人會只盯著演算法做。

謝邀

看到問題詳情中貼出來了我當年畢業的艱辛求職經歷，還是一定要來回答一下避免誤導大家。

先說結論：矽谷大小公司狀態不同，兩者對於機器學習相關人才的需求都極大：大公司體系成熟門檻高，優先招資深工程師，New Grad 以優秀 PhD 為主；而小公司往往機器學習業務剛剛開始，組都不大，主要招能夠獨當一面的資深工程師，對於業界經驗偏少的 New Grad 需求並不大。

那篇經驗文章寫於2014年底我作為碩士畢業生艱辛地找工作的階段，那時候的我沒有太多的工業界經驗，雖然趕上了時代的浪潮，依然找工作非常坎坷。如今 New Grad 的畢業生浪潮不再，自然抱怨聲四起：

所以看起來，灣區哪怕是搞最火熱機器學習的也不容易找到工作。但事實並不是這樣。

2016年底到2017年，我帶著2年多的工作經驗，在灣區看了不少中小型公司的機器學習崗位，火熱程度令人驚嘆。雖然媒體把 AI 相關理念炒的很熱，但很多中小企業中到底如何讓機器學習落地，如何搭建體系結構幫助數據驅動，如何使用機器學習改變核心用戶體驗這些問題，都沒有答案，而他們，都熱切地期待有人能夠解決這些問題，願意開出極高的薪資水平。換句話說，他們期待找到的人，是一個知道如何結合技術需求與商業需求，幫助演算法上線的人。而對於這樣的人的需求，一般以有3年+的工作經驗為基本條件。

另一方面，雖然不少新銳公司的規模已經慢慢變大，但是很多和機器學習相關的業務的組卻並不大，組越小，就越不容易招沒有工作經驗的 New Grad。組小就需要每個人都能夠獨當一面，而沒有工作經驗的人不僅僅是很難帶來貢獻，還有很大的風險帶來負輸出，可以參考以前的答案陳然：2017年美國CS就業形勢差的原因（根本、直接）是什麼？。所以為了保證產品質量，公司願意花極大的成本招聘有工作經驗的人，而基本不看工作經驗較少的人。

總體來說，我感覺矽谷雖然就業火熱，但是招聘相對於國內的激烈程度還是偏保守。更多地還是追求科學可持續的項目管理，在相關業務小的時候高薪招資深大牛搞好基礎設施建設，隨著業務飛速地擴張，很難找到足夠多的資深工程師時，再考慮招聘經驗不夠的自己培養。一開始就 All-In，不看行業經驗瘋狂招人的情況並不多見。

對於剛入行機器學習的從業者，想辦法通過任何方式積累行業經驗，努力成為可以解決實際問題的專家。市場永遠期待那些有真材實料、可以幫助公司解決實際問題的人。

by @陳然

我猜是因為國內大量的勞動密集型產業。很適合這一輪AI的應用。

還有一個就是國內人多數據多，新一輪AI基於大量的數據。

問題裡面其實已經有答案了，稍作思考就知道大概為什麼會這樣。

首先，美國跟中國一樣對AI人才的需求非常大，但畢竟中國人多，企業多，所以需求的絕對數量應該是大於美國的。但相反，目前的情況是美國的AI人才數量是國內人才的好幾倍。從這兩點就大概能推斷出為什麼國內對這批人才這麼重視（因為很缺），相反美國對AI人才的要求會相對高一些。

樓上的答案都忽略了一個問題。國內股權投資現在比較受到政策鼓勵，國內公司上市後在二級市場溢價明顯，再加上國內做事情比較浮躁，很多公司搞AI其實是假搞AI，他們是想成為」AI概念股」而已，這樣可以在融資時獲得更高的溢價。國內現在凡是一個跟軟體沾邊的公司，都聲稱自己在搞AI，或者已經用AI技術提升了某種能力。招聘一些AI人才，成立幾個AI小組，搞一搞，可以更好的向投資人畫餅。

小公司是這樣，再說說大公司。國內BATJMD，幾乎每個部門都有一個AI團隊，或類似功能的團隊。其實有時候並不是他們真的需要AI技術，而是如果自己的工作和AI相關，那麼在晉陞述職的時候可以獲得更多的青睞，更有利於自己的職位提升。對於小兵是這樣，對於經理、總監也是一樣的。所以中層在分配HC的時候會刻意拿出一部分人招聘所謂的AI人才。至於入職後是不是真的干AI，只能說概率很低，大部分時間還是擼規則（但述職的時候要說成是用深度學習做的），因為有些應用其實不適合用AI技術。

就連國內金融界，公募基金都聲稱自己在搞AI，搞大數據，搞沒搞不知道，但這樣宣傳的確可以增加募集資金的能力，至於業績嘛，不說了。如果一個基金公司招聘了幾個AI博士，那麼投資者就會認為這家公司與眾不同，會聯想到AlphaGO的神跡。其他行業也類似。相對而言，國內更喜歡追逐風口。

結論：透過現象看本質，兩國的演算法工程師，乾的活，並不是一樣的。

國外的演算法工程師，有相當部分精力，用在創新性演算法的開拓上，偏向研究型開發。

國內的演算法工程師，主要精力用在將國外已有的開源演算法，應用到具體的領域中，並隨之進一行一些演算法的調整和適配，偏嚮應用型開發。

研究型開發和應用型開發，能一樣嗎？

國內需要很多調參員以及sql工程師啊

國內需求大的原因不是為了搞研究，是為了忽悠資本注入，其實研究不出來什麼玩愣，很多所謂的AI方向公司都是在掛羊頭賣狗肉，然後ABCDE輪，上市，圈錢，套現跑路，回頭再來一個循環。

個人一點不知道是否合理的看法，國內人多，對隱私不在乎，信息密集產業非常多，而且很分散，再小的組織甚至個人都能輕易獲得大量的數據。不像美國一般公司和產業並不方便收集人們的數據，成本也高。另外就是勞動密集容易激發新的應用。就像你做火鍋吃，一個人你是沒有興緻做火鍋的，人多你才有動力煮火鍋。結合之前說的情況，我們更容易獲得火鍋食材，所以我們對於做火鍋的人的需求更大，門檻也更低。

因為美國AI泡沫沒有中國的大。

如果業務為主的公司專做ML的工程師其實沒那麼多 facebook內部有個很強大的fb learner工具讓不會ML的也能玩各種演算法這間接減少了工程師需求

只是AI title的程序員而已，數量當然大。大部分做的不是AI核心工作。

因為各種公司不管是不是需要都搞一個人工智慧部，大部分的水貨演算法師，只會跑一跑Demo。

我是最近才知道algorithm developer這麼高大上的title實際上就是調參的意思。。。

看來以後說搞演算法和AI的時候，得說清楚到底是洗數據的，調參的，做產品的，做model的，還是做研究的。。。

調參不就是正常的SDE的活的一部分么？跟debug、performance tuning啥的有多大區別？做產品的當然最後的outcome最重要。不管是效果上升是因為你數據洗好了feature抓好了model建好了參數調好了還是fix了一個bug，抓到老鼠就是好貓~

我的看法是。。。。因為現在AI的基礎重點工作就是標註。。。然後我們又當了把底層製造者上層演算法的研究開發並不是現在這麼多的多的人做的當然我們互聯網的發展到現在這一步了遙遙領先。。。。嗯數據可以繞地球各種圈未來就看我們和美國的

國內公司規模發展很快，公司數量也特別多，需要大量調參數的同學，商業模型的很多參數只能通過實驗對比看效果啊，沒別的辦法。由於業務擴張，當然也很需要很多會套用已有模型解決業務問題的同學，其實技術難度並不是特別大。矽谷公司幾個大巨頭和中小型公司總的需求量沒有國內那麼大很正常啊，不過缺口仍然挺大的，中國和美國都是。

如果是依據ms和phd來看，感覺美國ms相對水而phd相對強，top30的phd和top10的ms比還是前者更有能力，跟最top（CMU放水不算）的ms比，最差也半斤八兩吧。當然那些top ms也有做ds的。

國內top30的學校是哪個？他家phd敢跟清北碩士比？敢跟華五碩士比？

我做的這個方向

都在悶聲發大財

領先幾十年的演算法直接做成系統拿來賣成利潤

國內有這種公司嗎？

這種典型的知識經濟，人才的量沒有質重要。

掛個名就可以混補貼，需求那能不大嗎