生物轉行兩三事
4 人贊了文章
高考填志願時選擇了生物，那時候不懂社會人的苦悶，只憑著自以為的興趣與天賦填寫了這麼一個火坑專業。 進入大學以後，大一仍是懵懵懂懂，只是按部就班的聽課，吃飯，寫作業，順便在周末時玩玩P社的遊戲，後來大二，突發奇想參加了GRE考試之後，轉瞬間明了到，正確的方法加長時間的自律是能夠達成之前無法想像的成就的。
自此之後，心態大變，有些自卑，又有些狂妄。自卑的是因為之前自己對自身天賦過度迷信，經歷了大的考試之後發生了逆轉，狂妄的是明了到世間大部分的事情，只要方法正確加上足夠的投入，總是能夠做成的。抱著這樣有些矛盾的心理，大三大四收穫了頗為慘痛的兩年，雖然自己想在生物上做出那麼點成績，但因為自己始終無法在點移液槍，搖燒瓶，數細菌這些重複性的勞作中獲取任何成就感而不得不放棄。研究生時第一次轉行，說出來有些不好意思，第一次轉行時，決定其實是頗為草率的，只是抱著別人家的草坪更綠的心態想跳出來看看其他的專業研究的是什麼而已，是否和生物一樣無聊和重複。當時，專業上選擇了化學工程。這一次, 自己的選擇並不是因為興趣，而僅僅是因為它看起來數學很多，同時會大量招聘生物系學生的緣故。碩士期間補修了大量的數學課程，順便自己幾乎是從頭寫了一版專門用來計算小盒子裡面化學反應混合過程的FVM程序，用這個小程序搪塞完了畢業論文，也算是奠定了未來幾年的編程基礎吧。
博士期間，雖然換了一個大方向，但大體還是繼續研究生時的選擇，在搬磚之餘選學各類數理課程，順便提一下，國外的數學課程結構大都非常合理，總是從最基礎的數學直覺產生的ideal開始，一步步的搭建一個完整的理論框架。 這點相比於國內只是單純羅列公式的坑爹數學課，可是有趣多了。
第二次轉行是在讀完博士之後，起因是國內的行業差大的嚇人，外加預感到未來可能的技術突破方向並不在理論化學這一塊。 但此時轉起來就容易多了，相比於量化公式的推導，或者有限元裡面各種穩定性的推導，機器學習中各種演算法的導出難度其實並不高，只是各類演算法琳琅滿目，各式神經網路花樣繁多，想全部搞透是很費時間的。有些基礎課程，比如凸優化，因為沒有系統的學過，還得回來慢慢補，但這些理論，對於日常搬磚來說並沒有什麼影響。
作為轉行者，總結來說，任何行業如果從業人數超過了萬人（概數），都不太可能是多麼困難的行業。一開始的機器學習可能會很難研究，整天和數學公式打交道，證明定理什麼的，外人既沒有技術，也沒有興趣去摻和這樣一個孤高的領域。但後來，隨著大量產業應用的出現，慢慢的領域內的人多了起來，paper的主題就會蛻化成各種神經網路的改改結構，調調參數這樣的花式灌水。
計算化學也是同樣，一開始的HF，KS等方程的推導與證明非常困難，哪怕是DFT剛出現時，在積分格點上的改進，也是頗為耗費心血的，後來人多了，慢慢paper的主力就變成了各式花樣應用以及修改泛函在特定應用場景內提高精度這些可以大批量量產的文章了。
後來人想參一腿，在技術上也是並不困難的（學術領域還有門閥流派問題，但這就和本文的主題無關了）。推薦閱讀：