学术界科研与工业界研发有什么区别？

nkkopd

学术界的科研更多的是Novelty驱动。
- s: |8 X2 u4 ^4 V7 A: m一般看到的论文分两种。一是对于已有问题，是否有一个好的想法能够启发他人，是否通过这个好的想法能在公认的数据集上获得领先的结果。因此，在刚有deep learning方法的时候，各种简单朴实的方法，看上去都是新的好的想法，能够启发他人，也能在各种数据集上获得不错的结果。
8 Q8 }! N+ Z' [" O( `, Y: K: P比如第一次看到Fully Convolutional Network，感觉全卷积网络做分割问题就非常inspiring呀，感觉自己道理上应该也能想到呀，就是没总结的这么到位过。在NIPS Faster RCNN发表前，同师弟刘枢在办公室也在讨论类似的方案，想着开完CVPR回来试试，结果过了几天，arxiv上就刷出了做的更完备，考虑更周全，实验也非常solid的方案，真是自叹不如。
但是随着时间的推移，越solid的结果就会意味着更多的实验算力support，比如我们自己做过的很多比赛方案都是大量实验中大浪淘沙的部分，由此，这也变成了很多人啃过的硬骨头，攻克的难度在逐步提升。新方法因为已有了非常多的排列组合，也会慢慢变得复杂或套路化，能激起researcher普遍欣赏的感觉就越难。
: F4 R  L9 p) ]: W另一种是创造新问题，是否能够发现新的，有意义的问题点，帮助后来的同学找到更多值得做的课题。这个方向上，比如之前的Fine Grained Classification，Instance Segmentation等，到近期大家推的cognitively inspired AI，self-supervised的方法，都是类似思路。每次开会大组或者大公司试图构建个dataset，办场workshop、tutorial，也都是类似的想法。但是这里有个trick，历史以来大组大牛创造新问题影响力大，越不知名的实验室即使推同样的东西也难有人follow。原因自然会有不同团队本身视野的差异，更多的也在于科研本身也是要拼影响力的。影响力本身就是一个团队长期沉淀的能力背书，能进入这样的团队本身也代表了较好的reputation。
7 J# h$ v8 T$ o; @2 h9 Y当然，学术界科研另一个重要点是要会讲story。如何用简单容易听懂的语言让读者更明白你的思路，且通过详实的实验认证它的可靠程度。这个技能点其实很重要，即使是在工业界工作中也如此。在工作中非常明显的能够发现读过PhD的同学相对更会present工作，这样能够让你的partner、leader、和甚至你的团队同学更容易了解和知道你的思路，更容易得到工作上的认可
工业界的研发更多会以是否Work、高效而驱动。
抛开要把model训得很有novelty，我们就可以尝试更多更朴素的思路，即使调loss weight调lr调augmentation，只要能涨点都是好的经验。因此做起实验来会更少束缚，长期的积累中也是会发现各种不novel的knowhow中一些闪光点。如果有好的leader辅助，也是可以总结成不错的research工作（因此大家就会发现商汤各个团队每年都发非常多的paper）。
% _- B3 }" G; f2 O7 H工业界研发另外不一样的部分是，需要遇到很多多人协作，知识传承的部分，与实验室做research单打独斗不同，一个好的代码风格，一个好的开发流程，以及能够完整的记录你的思路和实验过程的文档，都是显著提升团队生产力的关键点。最近会经常发现，不少成绩好做研究的同学都缺乏基础的代码以及开发相关的培训，这一方面同学校的基础教育的内容不太跟得上变化较快的开发模式，另一方面这也与做research时，大部分同学只需要自己看懂自己和师兄的代码有关。在校期间如果能多尝试参与一些开源社区的开发，给好的codebase（比如吹一波mmdetection）多贡献几次代码，相信会对此有更深的理解。
工业界将问题实际做work，也会遇到更多从系统搭建开始的深坑，这些看似dirty的工作实际上是整个系统能够work的核心。这些是在学术界做research不大会遇到的（毕竟大家都是从前人做好的database起步）。举一些简单的例子，选什么摄像头接入、解决摄像头驱动问题、调摄像头ISP得到一个更好的成像质量、怎么给图片打tag获得准确的时间戳、不同设备之间怎么共用同一套时间体系、怎么设立数据标注原则（电线杆后的人标不标）、怎么高效的自动做数据的筛选...... 所以很多同学来公司实习，也会接触到不少这类型的工作，这其实是业界最valuable的部分，是从头做好一件事的前提。
( S# o2 d; S0 {所以总结一下，学术界的科研和工业界的研发各有各的特点，看你自己长期的兴趣更在突破技术的边界，还是更在希望利用已有知识实现实际领域的应用。长期看，去做自己最感兴趣的工作，才是最重要的
  ^8 U' H! x7 v' q) |) B# r( F9 F

kekek

一个好的代码风格，一个好的开发流程，以及能够完整的记录你的思路和实验过程的文档