本文经AI新媒体量子比特（公众号ID：QbitAI）授权转载，转载请联系出处。你读过博士学位吗？满怀热情，结果却发现自己的学术天赋不够？看着别人做出顶级收割机，自己却没有发表论文？而且研究不出新的方法，只能天天套用？不知道各位博士有没有这样的烦恼呢？学生。Reddit上一位机器学习的博士生很困惑，想知道没有学术天赋他怎么能完成他的博士学位。“搞学术肯定是没用的。”本博士主要研究方向是计算机视觉、自然语言处理等深度学习技术。他自称算不上尖子生，实验室一般，只发表过一些边缘期刊，没有发表topconference。因此，学术贡献平平，没有研究出重大创新。做的最多的是一些重新利用不同领域现有方法的工程，而不是研究。例如，将ResNet用于医学成像或将Transformer用于音乐分类。之所以这样，是因为他觉得自己和别人相比，数学底子太差，别人的论文看不懂，连矩阵的秩是什么都解释不清楚，更不用说怎么用了它。他知道自己在学术领域肯定是出不来的，但他觉得自己还是擅长应用的，所以他想以后直接就业，而不是做研究。但在这个阶段，他还是希望能够有所作为，而不仅仅是“我把某种方法应用到某个数据上，结果稍微好一些，所以我就发布了”。所以他想知道如何完成他的博士学业，并做出一些并非纯粹增量和应用的贡献。或者周末可以做什么副业？不是每个博士生都能有优异的成绩。看到他诚恳的提问，很多人都说我的手学会了自己发贴？果然，不少博士生都在苦苦挣扎。有人放心：博士期间自我怀疑是正常的。但是你要知道，能够在博士期间做出突出贡献的人。难得一见，大多数人都是平庸的。所以不要和别人比较，只和昨天的自己比较。数学不好没关系，不是每个人都是陶特伦斯（著名数学家），每个人都获得过菲尔兹奖。如果你真的想做点什么，不要放弃，继续寻找机会（有趣的数据、话题和人）。博士学位只是学术生涯的开始。而大多数博士生所做的并不是想出全新的方法，而是去证实或否定别人的观察。因为如果每个人都不断地出新东西，谁来验证这些方法是否值得。另一个博士。补充说，确实有很多受试者使用现有的方法并对其进行修改，使其适合在另一个数据集上进行研究。毕竟，即使你提出一个全新的方法，如果你的实验室地位一般，能不能“广为人知”，然后研究可用性就不好说了。此外，他认为目前ML的理论并没有取得巨大的突破。以LSTM和CNN为例，它们都有超过25年的历史。因此，他的观点是，几乎所有的研究都是增量的，大家只能在这方面继续努力。而且你应该投票给更多的期刊，看到专家拒绝你的研究的原因也会鼓舞人心。针对提问者觉得自己数学不好，有人抛出链接，通过阅读里面的论文、演讲、教程学习ML相关方法的数学知识。离开学术界进入工业界是件好事。以上就是大家对如何完成博士的建议。不知道提问者和大家看完后会不会心情轻松一些。对于以后是进工业界还是留在学术界，很多过来人都表示：学术工作不是人人都适合，离开它去工业界也不错。毕竟那里的工资挺高的，竞争也没那么激烈。应该很容易找到一家要求线性回归/随机森林模型，薪水高，工作量小，生活质量高的公司。很多人也认为主机非常适合去工业界，因为利用现有的技术解决现实世界的问题在工业界是非常有价值的。“将某个模型应用到某个数据集上，得到稍微好一些的结果”正是业界所需要的。如果你能以一种稍微新颖的方式应用理论算法，为高频交易、石油勘探、保险风险、癌症检测或不撞车等现实世界的应用产生稍微更好的结果，这对整个行业！因此，建议这个博士。毕业后可以找到高薪/低负荷的数据科学工作。然后用你的空闲时间做一些有趣的技术工作并开源/发布它。最终，他可以获得比学术界更多的经济和技术回报。为什么不这样做呢？许多离开学术界的人并不后悔，这甚至是他们做过的最好的决定。没有比这更快乐的了。你怎么认为？博士毕业后选择学术界还是工业界？
