对于一位想在计算机科学范畴求职的博士生来讲，当下的学术界和工业界，怎么选？
在求职流程中，华盛顿大学博士生 Rowan Zellers 的目标原本是找到一份教职，进入学术界是自己博士期间就定下的道路。为此，他起草了一份目标名单，写了许多份请求材料，还动用了自己在学术界的社交资源网络，寻找更多的时机。
同时，他也开始接触工业界的时机。与业界公司的交流逐渐动摇了 Rowan Zellers 的想法，他发现对于自己的钻研范畴 —— 多模态人工智能 —— 来讲，在学术界做大规模的基础钻研很困难且愈来愈难，而工业界的时机却愈来愈丰富。
虽然 2022 年前后的科技公司纷纷放缓或冻结招聘，Rowan Zellers 还是找到了更具吸引力的时机 ——OpenAI 向他抛来了橄榄枝。
在找职责的最后阶段，他做了一件自己完全没有想到过的事情 —— 拒绝所有的学术职位，确定签下 OpenAI 的 Offer。2022 年 6 月，Rowan Zellers 正式告别了多年的校园时光，加入 OpenAI。
是什么让他在一年之内实现了观念的转变？在最近的博客文章中，Rowan Zellers 分享了自己的一些求职心得。
以下是博客正文：
Rowan Zellers 在 CVPR 2019 上展示自己在视觉常识推理方面的职责。
在决策流程中，我很是紧张，压力很大 — 当时觉得就像一个转折 — 但最后我对事情的结果很是满意。对我来讲，有两个关键因素在起作用：
1）我觉得可以在 OpenAI 从事自己热衷的职责；
2）OpenAI 公司的所在地旧金山是一个很是适合生活和职责的城市。
在这篇文章中，我会进一步讨论决策流程。
为什么要写这篇经验帖？
在求职的流程中，我从社交网络中的传授那里得到了很多关于如何请求职责、如何面试以及如何创建一份优秀请求的好建议。（在本系列的第一部分中，我尝试将这些建议提炼成一篇关于请求职责的经验文章。）
然而，真正到了确定的时候，我还是感到有些孤独。我承认，自己已经超级幸运，因为有这么强大的传授与行业钻研人员的网络，可以就这些事情联系他们。但在职责道路之间的确定更像是一个定制化的个人确定，某种程度上「没有正确的答案」。
另一个影响决策的因素是，我认识的大多数人似乎已经在学术界和工业界之间选择了一方。我认识的大多数传授都坚定地站在学术体系中（虽然也有涉足工业界的一部分），而我认识的大多数工业界人士从未认真考虑过将学术界作为一个职责。
这对我来讲觉得特别奇怪。因为在博士中期，我确定走「学术道路」的动机是，这样做可以让我推迟在学术界或工业界之间做出最后的确定 —— 鉴于通常的观点是，从学术界转到工业界比从其他方面转要容易。不过，快几年过去了，我感悟到走学术道路其实是职责身份的一部分，许多同龄人也在做同样的事情，所以觉得有一股动力把我推向了学术道路。
总之，我写这篇文章是为了提供一个 N=1 的、有观点的、关于我如何在一些相当不同的选择中做出自己的确定的视角。
在寻找学术职责的流程中
我对自己的职责和目标的看法发生了转变
我在疫情期间的办公室。
作为背景，我 2016 年到 2022 年期间在华盛顿大学攻读博士学位，且很是喜欢这个流程。我的钻研范畴是关于多模态人工智能的 —— 建立能够理解语言、视觉以及其他世界的机器学习零碎。
正如本系列的第一部分所写的那样，钻研兴趣塑造了我预设的职责道路。我最兴奋的是做基础钻研和指导初级钻研人员。至少在计算机范畴的传统层面，这是学术界的重点，而工业界则专门从事应用钻研，争取把科学进展转化为成功的产品。
在学术界找职责让我了解到在许多不同机构和 CS 子范畴中当传授是什么样子。我在所有的面试中与 160 多位传授进行了交谈。最后，我不太确定学术界是否完全适合我。
在学术界做大规模的基础钻研很困难
在过去的六年里，学术界（更确切地说，是我的导师在华盛顿大学的钻研小组）对我来讲是一个很是好的环境。我被推动着去开辟一个令我兴奋的钻研方向，在指导和资源方面得到了慷慨的支持。借助这些条件，我能够领导关于建立多模态人工智能零碎的钻研，这些零碎随着规模的扩大而改进，然后，（对我来讲）产生的题目比答案多。
相比之下，在那段时间里，大多数大的行业钻研实验室都觉得不是很适合我的兴趣。我在读博士期间曾尝试请求实习，但从未成功找到一个似乎与自己钻研议程一致的去处。我所知道的大多数行业团队主要是以语言为重点或以视觉为重点，而我无法选择其中一方。我在艾伦人工智能钻研所花了很多时间，这是一个非营利性的钻研实验室，相比之下觉得很学术。
然而，情况正在发生变化。在我关注的范畴，我担心在学术界做出突破性的零碎建设钻研很难，而且愈来愈难。
现实情况是，建立零碎真的很困难。它须要大量的资源和大量的工程。我认为学术界的激励结构并不适合这种高成本、高风险的零碎建设钻研。
构建一个人工零碎并展示其良好的扩展性，可能须要钻研生花费数年的时间和超过 10 万美元的无补贴计算费用。并且随着该范畴的发展，这些数字似乎在成倍增加。所以写大量的论文并不是一个可行策略，至少现在不应该是我们的目标，但不幸的是，我知道很多学者都倾向于把论文数量作为一个客观的衡量标准。另外，论文是学界请求资助的「筹码」，我们须要写大量的论文，须要在会议上有东西可谈，并为学生找到实习时机等等。在一定意义上，学术事业的成功是帮助学生开拓他们自己的钻研议程（他们也许可以在其他地方当传授，这样的循环可以继续下去），这与做伟大钻研所需的合作形成了一种内在的张力。
然而，我认为更广泛的趋势是学界转向应用的钻研。
随着模型技术变得愈来愈强大，构建成本愈来愈高，愈来愈多的学者试图在模型上层构建应用。这也是我在 NLP 和 CV 两大范畴看到的趋势。这反过来又影响了学界关注和讨论的题目，钻研者们开始关心如何解决一些实际的具体题目。
在学界，我想完成一个成功的钻研须要亲身经历多个阶段，包括筹集资金、创建实验室，然后我才能正式开始科研项目。最终当我得到一个良好的钻研结果时，可能已经过去了数年的时间，或许在这段时间里早就有人做出了突破性的结果，而我在这个赛道上难以脱颖而出。话说回来，过去的几年范畴的进展很是迅速。
更现实地讲，如果我在一个赛道上落败，我可能须要改变我的钻研方向。然而，那不是我的初衷，这可能是我最终走上业界道路的主要原因。
学界和业界的其他区别
在我的钻研范畴，学界传授的所有职责包括教学（和准备教材）、为学院和范畴做出贡献、建立和管理计算基础设施、请求资助和管理资金等等。虽然我发现这些事情很有趣，但我不想同时应对这么多个职责场景，这须要强大的职责能力才能做到游刃有余。我希望我的职责是专注于一个重要的任务，例如教学。
类似地，在攻读博士学位期间，我喜欢一个阶段只专注于一个重要的钻研题目。我认为这种专注的职责场景更多的存在于业界。作为一名传授，同时做实验和写代码真的不容易，而业界有更明确的职责划分。
我认为很多人都会下意识地被学界所吸引，因为它给人以高声望的觉得，但我反而不喜欢这些。我认为把心思用在排名和声望上会导致我追逐错误的目标，让我感到迷茫。另一方面，许多人也被业界所吸引，因为它能提供更高的薪水，这很重要。很幸运的是我找到了一个能给我更多内在满足感的环境。
职责与职责保障
我认为很多人都误解了终身教职。的确，传授等终身教职是稳定且有职责保障的。但对于面临就业的人来讲，学术就业市场也是很是错综复杂的。当然，与业界钻研人员不同，即使在经济萧条的大环境下，学界钻研者也可以轻松地换职责。
在学术界，理论上我可以自由地钻研任何课题，但实际上我可能会因为没有足够的资源或足够支持的环境而受阻。我加入 OpenAI 就是因为在这里我得到了很是好的支持来解决我最感兴趣的题目。我认为对于任何业界实验室，解决我关心的题目须要与该公司的产品保持一致，而 OpenAI 刚好有这种安排。
在 OpenAI 的团队中职责，让我有时机指导初级钻研人员，并获得充足的钻研资源。更重要的是，我被推动着解决对我来讲很重要的、具有挑战性的题目。
这些原因让我选择全职签下 OpenAI 的职位。入职半年，事实证明我真的很喜欢在 OpenAI 职责。
原文链接：https://rowanzellers.com/blog/rowan-job-search2/