nlp（自然语言处理）找工作竞争激烈、内卷严重吗？还建议入坑吗？

2021级保研本硕末流985软件工程

cv是否真的很卷，nlp目前如何？预测四年后呢？算法有什么方向推荐吗？建议开发还是算法？

感谢各位分享~

从21届校招来看，很多占坑推荐算法岗位的并不是研究推荐算法出身，而是硕士阶段研究cv、nlp的。这里可能会有个疑问，为何如此？
事实上，工业界的推荐算法很多都是多模态推荐，即需要从各种模态内容（图片、描述、文本评论等等）中挖掘特征进行建模。然而，国内目前基于多模态内容推荐的研究较少，而推荐算法中的很多技术基本是cv、nlp中玩剩下的。因此，cv、nlp研究出身的人可能很容易向下兼容到推荐算法上。当然，研究的深的话，推荐算法还是有很多属于自己的特性（可解释推荐、图关系网络挖掘等等），如果题主后续计划读博的话，还是得从自身兴趣出发了。

人工智能领域之所以内卷还不是站了几年的风口，互联网企业开的薪酬高，导致不好找工作的、薪酬低的行业大量学士、硕士、博士报个培训班、参加个比赛、看几个开源项目就来找相关的工作。

在当前历年高校毕业生屡创新高的大背景下，毕业找工作越来越难，找一份好工作更是难上加难。互联网作为新兴技术的代表，开出诱人的高工资，虽然面临996等各种问题，还是不乏年轻的毕业生前赴后继。在这种前提条件下，只要人工智能领域的工资水平超过平均工资，伴随着毕业生的增多与技术门槛的降低，势必会越来越卷，直到工资水平待遇与人才的供需关系达到一个平衡。

既然会越来越卷，还有没有机会？我个人觉得还有机会，甚至是人工智能的潜力还没有完全发挥出来。尤其是与特定领域的结合上，这也是非科班出身选手的一个值得投入的方向---那就是将人工智能技术与自己目前所在领域行业结合。为何这么说呢。我从两个方面简要陈述。

1. 从人工智能技术发展现状上。当前人工智能的还是属于统计学习的范畴，基本没有任何智能、理解能力。相当于我们幼儿园、小学阶段死记硬背的阶段。所以给它的数据越多，它背的越多，效果越好。这里不得不提人工智能的发展的三个阶段：运算智能、感知智能、认知智能。当前正处在从感知智能迈向认知智能的过度阶段。我们人类在生活中会总结经验规律形成知识指导后续工作，机器目前没有这个能力，只能给出输入输出让学习两者的映射关系。所以一个想法就是能不能我们人类总结好知识然后给机器用呢？事实上当前的研究火热的知识图谱就是基于这样的一个思想：自动的抽取大量海量的知识，形成大规模知识库，用于机器的决策和推理，提高机器的认知能力。知识分为两种，一种是常识知识，一种是领域知识。常识知识，我们每个人经过在人类社会生活学习，自然而然的就具备了，但是机器却很难拥有，常识知识的获取是一个难点，这里我们点到为止。另外一个是领域知识，这就是各位跨界跨行选手在人工智能应用领域可以大显身手的地方。人工智能短期内想在通用领域有所突破非常困难，但是在各个领域内还是能够有所作为的。就拿nlp领域的命名实体识别来说，每个领域关心的实体类型都不太一样，不太可能用一套通用的实体识别程序，而应该结合各个领域的知识构建领域内使用的实体识别应用。

2. 从政府规划与个人竞争力上。在今年两会发布的十四五规划纲要中，提到人工智能相关技术要逐步成为 “事关国家安全和发展全局的基础核心领域”。 人工智能技术未来会逐渐成为各个行业的基础技术，就像数学是很多学科的基础一样。现在很多小学和中学都开始学习人工智能了，所以只会点cv、nlp算法显然难以有核心竞争力。cv也好、nlp也罢，都还是属于技术范畴，技术的发展从根本上上是为业务服务，不可本末倒置。除了技术能力以外，一个高级的算法工程师最重要的业务能力。业务就广了去了，人工智能为各行各业赋能，都离不开对应用领域业务的了解。想搭人工这能这班车的，自己感兴趣的方向领域与人工智能的交叉学科是比纯人工智能更有前景的方向。对于cs 出身的工程师而言，也要在找工作时看准一个具体的业务领域应用，在这个领域深耕，不仅成为一个算法专家，更要成长为一个业务专家，才是根本。

基于以上的两点认识，简要回答题主的四个问题：
1. cv是否真的很卷，nlp目前如何
确实很卷，nlp也一样，而且会越来越卷

2. 预测四年后？
用论文量化下卷的程度：硕士打底一篇顶会，博士三篇起才有竞争力

3. 算法有什么方向推荐吗？
越来越卷也会要求你懂得越来越多，目前很多企业都在做多模态，未来cv、nlp分不分家都难说，所以基本知识都得了解

4.建议开发还是算法？
建议根据自己的兴趣选择，尤其是要结合特定领域

改一下把，时代变化太快，最近在做大模型相关工作，nlp绝大部分子任务都能被大模型cover，nlp需要的人将会急剧减少，只需要很少一部分精英。除非真爱，不建议入坑了。
未来可能绝大部分nlp工程师就是做prompt， 极少数人训练模型，如果能接受每天prompt也可以，其实和写正则差不多。

cv很卷，主要就是模型大一统，需要规则的地方不多。
nlp现在就算有了bert还是很难one model handle all，大量规则仍然需要，这部分就有很多工程师红利。
然后，nlp好就好在很容易转行，推荐 搜索 广告 语音都能转。nlp代表了序列建模的最高水平。很多技术是通用的。

nlp，包括人工智能整个行业 ，整体来说还是很缺人才，尤其是优质人才。由于深度学习的和github等各种开元项目的存在，拉低了整个ai行业的门坎。内卷其实指的是会使用开源项目/代码解决问题(已解决问题)的ai工程师。但行业最需要的是，调研能力强，工程能力强的ai算法工程师。具体大概有以下几个方面。

• 基础知识掌握:大脑中有着清晰的知识体系，遇到问题后轻松将问题分解，并用已有知识一一破解。知识包括ai 相关背景和算法数据结构相关。尤其是在nlp领域对算法有更高的要求
  
• 调研能力:对于一个课题，可以分解成若干个子问题，对困难子问题能够在短时间内通过阅读文献等方法找解的方法。 对于课题可以提出至少两种解决方案。
  
• 工程/落地能力: 低标准-能够比较容易将文献内容实现成代码。理想-需要从工程角度来解决问题，如 资源角度，产出时间(忌讳憋大招)，架构/是否可重复利用等。
  

整体来说的一个优质的ai算法工程师必须具有解决问题和落地两种能力。

按题主的问题一个个来答吧。
cv现在是比较卷的，nlp在bert出来2年之后也开始卷了。 用一个可能不太恰当的类比，nlp中的bert和cv里的resnet的地位是有点类似的，都是可以容纳大规模的通用领域预训练数据来训练出一个大型通用的预训练网络，结构比较优雅（resnet的残差模块，bert的self-attention模块都是可以简单的重复堆叠）易于扩展。当bert出来之后大家都拿bert做backbone的时候，过了两年后很多创新其实都更像是微创新，都在围绕bert做文章。等于你读研的时候，如果做nlp大概率也是在这里找创新点，和别的组一起来卷。
但是四年之后，不好说。如果又有类似bert一样的里程碑式的创新出来，那又能养活不少的组，但是如果没有这种创新的话，估计nlp会继续卷。从另一个角度来说，如果开上帝视角回到4年前，也就是16，17年的时候，你可以看看当时的知乎关于nlp的问题，当时在问的是类似“深度学习在nlp有哪些应用”之类的问题，当时总的来说就是大家都有尝试但是并没有太多相比规则/传统机器学习有大幅超越的方法。但当时谁也没想到一年之后就有ELMo，GPT以及bert的横空出世，使得深度学习在NLP的多个子领域都大幅超越传统方法。所以未来四年，难以预测。
对于算法的方向，如果不你做和别的行业交叉的方向的话，那现在基本都是集中在CV NLP 搜广推等。从工业界的角度来说，CV NLP 搜广推，大家真正落地模型，很可能都是两年前甚至几年前出来的模型了，换句话说，很多新模型的提升并不是普遍的work，而是在特定场景/特定数据集上work。在理论前进整体变得缓慢甚至停滞的时候，卷是不可避免的。在这个情况下，遵循自己的内心，找到感兴趣的方向就好。或者换句话说，找到感兴趣的方向能让你的卷的时候不那么痛苦。
关于是选开发还是算法。其实现在算法卷归卷，但你看看21届的秋招最近也开始逐步进入开奖期，但大厂的算法还是比开发会高一些的。所以算法的卷主要还是说，现在这一行赚钱不如前几年好赚了，从前几年的众星捧月回归到正常的预估值而已。大厂的算法是不好进，但大厂的开发门槛也没有你想象的低。仅此而已。
PS：对于选实验室，一定要选机器资源足的实验室。对于那种10个人共用一张卡（有点夸张）甚至连卡都没有的实验室，要赶紧避开。