剛畢業的AI專業博士，滯銷了
來源：倍可親(backchina.com)AI博士，遠沒有外界想象中風光。
畢業即享百萬年薪的傳奇，僅屬於金字塔尖的一小撮人。絕大多數普通AI博士並不具備市場議價權。
他們中，有人為湊夠頂會論文無奈延畢，有人因缺少熟人推薦與心儀崗位失之交臂，有人因研究方向並非熱門在企業難覓用武之地。
頂端人才被企業重金爭搶，平庸的AI博士則在人才魚塘里徘徊張望。這個群體的就業圖譜，正呈現出殘酷的兩極分化。
大廠夠不上，中廠養不起
郵件開頭「很遺憾」三個字映入眼帘，王浩然意識到自己只是招聘方的一個「備胎」。他沒有繼續往下讀，直接刪除了這封來自心儀公司的郵件。
王浩然是上海某985院校大模型演演算法專業的博士研究生，這一專業方向正值AI賽道的風口。不過，由於就讀的學校不算頂尖，且論文成果僅達到畢業基本要求（兩篇頂會論文），去年參加秋招時，王浩然接連遭到多家公司拒絕。
公司拒絕的方式，被他戲稱為「泡池子」。
從初面到終面，走完一套面試流程通常需要一周左右。終面結束后，王浩然總會陷入漫長的等待，十天半個月的沉默期已是常態。
最終等到「很遺憾」這句回復，意味著公司在候選人比中「釣到了更大的魚」，而他則被留在了人才魚塘里，沒被對方撈起。
經歷四五次這樣的期待落空后，王浩然已逐漸習慣。但這一次被拒，還是出乎了他的意料。
這個崗位來自國內一家頭部網際網路大廠。由於研究方向與崗位需求高度契合，王浩然順利進入了終面。
終面時輕鬆融洽的氛圍，他至今印象深刻——直屬領導氣質親和，聊起自己在學校做的科研項目時，王浩然不止一次從領導的眼鏡片后看到肯定的目光。
領導不僅明確對他表達了歡迎，甚至提前告知了他加入團隊后將擔任的具體工作，讓他有種「明天就要上崗」的錯覺。
可一周后，王浩然卻收到了這家公司的拒絕信。
大模型演演算法崗位在行業內雖炙手可熱，但大廠放出的招聘名額通常有限。王浩然面試過的大廠，崗位招錄比至少在10：1，應聘的一家國企研究所，招錄比甚至高達200：1。
想到自己僅有兩篇論文成果，王浩然沒有死磕大廠，他同時投遞中小廠作為保底。
但在中小廠的面試中，他通常撐不過二面。比起大廠，中小廠更注重用人性價比，期待高薪聘請的博士人才，能直接匹配公司業務需求。
在校期間，王浩然主要研究AI編程類課題。由於編程涉及AI應用的底層架構，該方向的演演算法能力可遷移至不同領域，這使他獲得了醫療、金融領域大模型崗位的面試機會。
然而，當面試官發現他需要時間熟悉具體業務場景時，便終止了後續流程。畢竟對中小公司而言，高薪聘請人才后還需投入時間培養業務熟悉度，成本過高。
金九銀十的招聘旺季已接近尾聲，各家公司的招聘名額所剩無幾。王浩然的微信里新增了十幾位HR聯繫人，卻仍未獲得保底offer。
在社交媒體上，王浩然經常刷到同行們的 「凡爾賽貼」。貼子里，優秀的AI博士們正被「幸福的煩惱」纏繞，不知該拿百萬年薪去大廠打拚，還是留在學界當一名高校教師。在這種對比下，王浩然自認為屬於「平庸的博士」。
他仔細收藏了這些帖子，時刻關注著「大佬」們的最終選擇。因為一旦有人確定去向，其他公司就可能空出新的崗位，自己也就有了被「撈走」的機會。
「平庸的博士」在魚池中徘徊觀望，處在金字塔尖的博士們正在攪動時代風浪。
企業對頂尖人才的爭奪持續白熱化。位元組跳動的「Top Seed」計劃、華為「天才少年計劃」、阿里T-Star計劃等，為博士人才提供了極具吸引力的條件：科研自由、資源優先、百萬年薪，這些只是最基本的誠意——前提是人才足夠頂尖。
有消息稱入選這類人才計劃的應屆AI博士，綜合年薪已突破200萬元，同時還能獲得遠低於市場價的期權等額外福利。而通常能進入這類項目的博士，名校出身、有重磅研究、競賽大獎、實踐豐富等標籤幾乎一樣不少。
對於這類人才引進計劃，王浩然從不點開。他覺得，如果不是剛好研究方向踩在了行業風口，自己可能連面試機會都難得到。
博士4年，攢不夠入場券
踏入人才市場前，論文是A博士的硬性入場券。對於非熱門研究方向的博士，則需要更多的論文來加持。
在博士二年級實習時，研究計算機視覺方向的張藝凡就意識到了這一點。
他在企業公開的招聘帖上看到，企業對AI博士的要求是擁有一至兩篇頂會一作論文。但正在求職的師兄師姐告訴張藝凡，要是沒參與過業界極具知名度的項目，想拿到面試機會，至少得有5篇論文成果才行。對業界來說，這是為數不多能衡量博士能力的可量化標準。
博士學制通常四五年，一篇論文從實驗、撰寫到發表常需一年，時間本就緊張。為達到就業門檻，張藝凡不得不體會「湊」論文的苦。
比起火熱的大模型，計算機視覺是更傳統的研究領域，研究歷史久、技術成熟，想在熟悉範圍內找創新點很難。師兄師姐說，一篇論文得有3個創新點才能中稿，有時迫於時間，張藝凡只能「為創新而創新」。
他曾研究惡劣天氣下模型的環境感知，為增加創新點，他把常見的「在模型感知關鍵節點注重訓練數據一致性」改為讓模型在每一節點都注重。
實驗后，雖然測出效果提升不大，但為了稿件能順利中選，他還是硬著頭皮寫進了論文。
學界靠「策略」發論文的情況不少見。張藝凡發現，有些論文看似不同，實則在證明同一個已知結論，算不得真創新；有時跑通前人論文中的模型，卻發現結果或數據與論文不符，除了吐槽幾句「套路深」，也只能放棄。
諷刺的是，這些質量參差的文章，不少都登在行業頂會期刊上。
AI行業火熱，學術界也擁擠。頂級會議AAAI今年主要技術領域接收近2.9萬篇論文，幾乎是去年的兩倍，中國投稿佔三分之二；五年前AAAI-21僅收9034篇，還不及現在零頭。
短時間內論文激增，評審系統明顯跟不上。大多期刊用「眾包」模式湊評審，發過相關論文或有導師推薦就能當上評審，部分期刊甚至允許碩士生參評。
系統會按關鍵詞隨機分配審稿人，可AI跨領域研究多、單篇方向細，評審常因「摘要有共同概念」就被匹配，實則根本不懂論文內容，發表系統愈發混亂。
正在紐約大學機器學專業讀博二的李睿峰，今年4月就因離譜評審栽了跟頭。他的一篇論文，遭評稿人質疑未能被期刊收錄。
這篇論文由師兄帶領他完成，核心是通過演演算法設計，讓機器人更精準識別需人類協助的時刻。他花半年跑通演演算法，又花近一年做實驗，直到演演算法能讓機器人在模擬與實體環境中完成所有任務，才進入最終測試。與同類研究中的演演算法對比后，該演演算法成功率高出一倍。
二人對實驗嚴謹性和結果很滿意，信心十足地投稿，期待為行業出力。
三個月後，李睿峰收到盲審結果：三位評審中兩人給低分，質疑點恰是他們最滿意的「實驗嚴謹性」。
其中一位評審員給李睿峰發來一篇上月剛發表的論文，質問為何不測試文中演演算法；另一位則認為，演演算法中使用的關鍵概念沒有介紹。
李睿峰又氣又無奈，測試前人演演算法需先聯繫作者，可有時文中演演算法、數據未公開，作者還可能遍布全球，聯絡成本很高。因此學界共識是，可用於對比實驗的論文，發表時間至少要比投稿時間早三個月。
至於演演算法關鍵概念，論文子章節早已專門解釋。李睿峰覺得對方「壓根沒看懂」。
學界離譜評審並不少見，甚至鬧出不少笑料。
今年7月，機器學習頂會NeurIPS曾質疑研究者未解釋「Adam」——這本是行業最常用的一種優化演演算法，只要接觸過模型訓練，就難以問出這種問題。
圖 | 研究者在社交媒體上發出NeurIPS的評審意見
李睿峰此次投遞的RSS（機器人科學與系統國際會議），是他敬仰的機器人領域頂會，他耐著性子委婉回複評審，但仍被否決。
李睿峰苦笑：「比起論文質量，更該反思自己的運氣。」
好博士不一定是好牛馬
博士階段需常年深耕單一領域，張藝凡覺得這就像在狹長隧道里埋頭摸索，等走到出口，才發現外面的世界和想象中全然不同。
今年年初，張藝凡進入國內某頭部網際網路大廠，參與多模態大模型研究項目實習。此前，他曾耗時10個月研究自監督訓練原理，找到一套節省訓練數據成本的方法，本期待能將這項成果在業界落地。
可認知脫節很快襲來：大廠坐擁充足的算力與數據資源，他在學校擔憂的數據成本問題根本不存在，企業也不會在這類細枝末節上投入精力。
「此前的研究有用，但不多」，張藝凡無奈發現。
他在計算機視覺領域積累的專業知識，同樣難在業界派上用場。當下行業聚焦商業化，大廠更傾向於打造「通用大模型」，靠全面的應用功能搶佔用戶入口，而非深耕單一功能的優化——就像如今各類AI應用的花式功能，多停留在「能用」層面，遠未到「專業好用」。
張藝凡的研究聚焦計算機視覺細分方向，可企業更需要能整體優化模型的綜合能力，這類細分研究對項目落地變現收效甚微。
實習期間，他做得最多的是根據不同場景，用現有模型微調出可落地的產品功能，而非發揮自己的專長。
即便身為AI博士，多數企業需要的仍是能助力變現的牛馬。
張藝凡這類專業背景的博士，只有去到專做圖像生成類模型的項目中，才有對口的用武之地。但行業里專做細分領域的大模型項目或崗位較少，或技術門檻低，不需要博士代勞。
為湊夠論文發表要求，張藝凡在學校的幾乎所有精力都投入到計算機視覺中的3D圖像感知方向，極少關注領域外的技術。
第一次參加企業技術研討會時，他徹底懵了：同事們討論如何用現有大模型優化圖像生成質量，他卻一直糾結「多模態大模型如何理解圖像」，忍不住提出疑問。
同事詫異地後仰脖子：「就是token化啊，大模型能把圖像當文字一樣理解。」 張藝凡才意識到，這是大模型基礎原理，作為AI博士，問出這話 「有些愚蠢」。平日里同事聊前沿技術，比如大模型與AR技術交互，他更是完全插不上話。
實習中接觸到大模型相關知識后，張藝凡本想調整後續研究方向，可聽到領導說 「轉正需6篇研究成果」，他還是決定在熟悉領域抓緊發論文。儘管這些研究對企業應用意義不大，但無奈是入職的剛性門檻。
實習結束后，他將社交網名改成「千里煙波」，覺得自己難在多變的AI行業抓住確定性，未來迷茫遼遠。
同樣在「湊」論文的李睿峰，還正在努力學習維護人脈。在他看來，AI博士的不少崗位要靠「熟人推薦」。
剛入學時，他在新生群看到一位大模型博士的分享：對方僅3篇論文，卻靠同組師兄內推拿到蘋果面試機會，最終成功入職。李睿峰明白，個人能力固然重要，但熟人推薦是關鍵敲門磚。
「AI行業圈子不大」，某一方向的優秀研究者有限，與他們有關聯的人自然多了層「稀缺標籤」。李睿峰常聽說，企業會因仰慕導師名氣錄用其學生。加之AI行業計算資源昂貴、博士崗位薪資高，企業試錯成本大，便更願意相信熟人推薦的人選。
國內也有類似情況，不少公司AI團隊負責人是高校導師或出自某高校實驗室，其學生、師弟師妹便更容易拿到團隊中的崗位。
最近，導師告知李睿峰自己認識國內某機器人公司創始人，這讓他看到希望。若能獲得推薦，畢業后可直接入職，且借導師的業界影響力，薪資會比其他應屆生高不少。
臨近畢業的王浩然，因未拿到合適offer，決定「戰術性延畢」，回校攢論文、補實習，提升競爭力明年再求職。
在等待「被撈」的日子裡，他總想起四年前碩士畢業時的場景：那時他學的還是傳統NLP演演算法，然而當時就業市場卻「遍地黃金」。即便沒有對口經驗，面對技術提問常坦言 「不會」，國內頭部大廠仍紛紛向他伸出橄欖枝。
可如今學歷提升，崗位要求陡增，就業反而更嚴峻。
不久前，組裡一位碩士師弟找王浩然聊天，執意要考大模型方向博士，對該領域就業前景充滿期待。王浩然一算，師弟博士畢業至少還要五年，不禁擔憂：屆時這個專業是否還在風口，誰也無法確定。
AI行業日新月異，博士卻需長期深耕單一方向，兩條路線本就難以緊密契合。
思及此，王浩然給師弟回復：「讀博一念起，頃刻天地窄」。