В настоящее время я изучаю передачу информации в биологических нейронных сетях в (довольно престижном) университете, в частности, взаимодействие между нейронами и окружающими их глиальными клетками. Большая часть моих исследований посвящена моделированию и моделированию этих клеток в виде динамических уравнений. Есть надежда, что благодаря лучшему теоретическому пониманию мозга однажды это линейное исследование позволит нам построить биокомпьютеры, которые намного превзойдут любые модели программного обеспечения, существующие сегодня. Есть гораздо больше вещей, которые может делать мозг, но не могут машины, например, сознание, избирательная память, воображение.
Однако в последние годы я обнаруживаю, что все больше и больше разочаровываюсь в своей цели заниматься исследованиями в аспирантуре, и это разочарование разделяют несколько моих коллег.
Это разочарование вызвано, в частности, быстрым коммерческим успехом, которого достигли отрасли из-за появления экспоненциально возросших вычислительных мощностей и данных (наряду со многими другими факторами). Например, носимые компьютеры, дополненная реальность для игр, распознавание речи и изображений, персональные роботы и т. д. Есть четыре «тенденции», которые постоянно отвлекают меня от полной приверженности моим исследованиям.
Похоже, что большая часть новаторских исследований проводится в исследовательских лабораториях крупных технологических компаний, таких как Google, Baidu, Facebook, или в крупных больницах, а не в университетах. У этих компаний есть деньги, ресурсы, связи с общественностью, инфраструктура, а также совокупность мозгов для производства действительно инновационных продуктов, а их продукты, как правило, оказывают большее и более непосредственное влияние на жизнь людей. Не помогает и то, что исторические академические журналы регулярно публикуют эти истории успеха .
Люди в отрасли медленно, но верно пользуются большим и более непосредственным признанием имени по сравнению с людьми в академических кругах. На самом деле кажется, что отраслевые исследователи считаются более «успешными» по сравнению с их строго академическими коллегами (особенно теми, кто не имеет престижного звания «профессора компании X»). Многие компании с гордостью публикуют свой список исследователей (на хорошо поддерживаемых веб-сайтах не меньше!). Конечно, слава не должна быть мотивом для создания хорошей науки. Но мы все хотим, чтобы результаты наших исследований получили более широкое признание.
Лестница из академии в промышленность слишком высока и становится еще выше. Многие рабочие места в отрасли (даже в области моделирования) требуют многолетнего опыта работы в промышленности, в первую очередь в программировании и написании программного обеспечения. Этим навыкам не придается особого значения в большинстве исследовательских отделов, не связанных с компьютерными науками. Знание того, как выполнять параллельные вычисления на C++, не является необходимым навыком для создания четких и аргументированных симуляций или поддержки графики, а также для продвижения вперед в исследованиях и, в конечном итоге, в человеческих знаниях. Поэтому даже один выпускник со степенью кандидата наук, он или она будут поставлены в существенное невыгодное положение, как тот, кто начинал делать, и эта тенденция не ослабевает. В целом, передаваемые навыки, полученные благодаря отраслевому опыту, намного превосходят те, которые могут быть приобретены в академических кругах.
Деньги (- вкупе с интересными исследовательскими возможностями). Например, согласно некоторым самооценкам , за работу в области машинного обучения платят 100–200 000 и даже 600 000 на самых высоких уровнях. Хотя деньги никогда не были для меня сильным мотиватором, кажется, что с таким типом финансирования любое исследование может быть значительно ускорено без стресса, связанного с подачей заявок на гранты и поиском стипендий, которые платят 1/4 от того, что вы можете получить. с работой в компании, которая потенциально может проводить собственные интересные исследования.
Обратите внимание, что это не аргумент в пользу того, почему человек должен бросить исследования и присоединиться к промышленности на основе их успеха, а скорее согласование набора навыков или исследований с отраслевыми/коммерческими целями вместо проведения исследований без промышленного спроса. Моделирование биологических систем и анализ связанных динамических моделей не так востребованы, как знание программной инженерии или машинного обучения, и я не уверен, что эта тенденция когда-нибудь изменится.
Я слышал много контраргументов по этим пунктам. Например, исследования в отрасли, как правило, ориентированы на продукт и в конечном итоге не способствуют развитию знаний.
Или большая часть коммерческого успеха, достигнутого в последнее время, является результатом инженерных разработок, а не науки.
Или что мы находимся на пике ажиотажа, и все рано или поздно уляжется, ведь на каждую историю успеха приходятся сотни неудач.
Или то, во что верит мой руководитель: хорошее исследование не зависит от того, где оно производится.
Но мне трудно признать все более несправедливые тенденции, и я не могу не чувствовать, что академики обесцениваются. Будут ли исследования, которые мы проводим в университетах, когда-либо признаны (при нашей жизни)? Или иметь влияние, сравнимое с тем, что отрасли делают на регулярной основе? Могу ли я использовать свои таланты с большей пользой, и не трачу ли я свое время впустую? Должен ли я изменить свои исследования непосредственно на получение навыков, которые более ценны в промышленности? Должен ли я бросить аспирантуру и работать полный рабочий день в промышленности?
Эти вопросы отвлекают меня от моих исследований, особенно от более теоретических аспектов, и я обнаружил, что постоянно делаю выбор, который отклоняется от моих исследовательских целей, например, посещая занятия, которые составляют основу этих коммерческих продуктов. Моя копия «Геометрии биологического времени» Уинфри медленно пылится, а копия «Как программировать на Python» лежит у моей кровати. Как я могу сохранять хорошее отношение к исследованиям, видя все эти быстрые успехи крупных и хорошо финансируемых компаний?
Мне кажется, что общий вопрос касается вкуса, личности и личного определения успеха. Поэтому, пожалуйста, позвольте мне ответить только на ваши конкретные пули:
1) Воздействие «У этих компаний есть деньги, ресурсы, связи с общественностью, инфраструктура, а также объединение мозгов для производства действительно инновационных продуктов». То же самое можно сказать о большинстве престижных академических учреждений. Только вам нужно заменить слово «продукты» на «исследования», последнее имеет более плавное значение. «... и их продукты, как правило, оказывают большее и более непосредственное влияние на жизнь людей». как академический исследователь вы, как правило, сосредотачиваетесь на долгосрочных изменениях. Как отраслевой исследователь, изменяйтесь в краткосрочной перспективе. Нет лучше или хуже - это просто то, что подходит вашей личности.
2) Признание. Я не согласен с большинством пунктов здесь. «Люди в отрасли медленно, но верно пользуются большей и более быстрой узнаваемостью имени по сравнению с людьми в академических кругах». это неправда. Всем известен успешный генеральный директор (Джобс, Маск). Только если вы действительно заботитесь об области, вы будете знать об успешных исследователях и инженерах. Спросите свою маму о Возняке или ЛеКуне и посмотрите, моргает ли она. С другой стороны, она, вероятно, слышала о Питере Хиггсе и некоторых сотрудниках ЦЕРН, которые внесли свой вклад в получение Нобелевской премии по физике в 2013 году. «Конечно, слава не должна быть мотивом для создания хорошей науки»....будем честны. Мы все идем в науку, потому что хотим делать великие дела и оставлять след, возможно, с явно напечатанным на нем нашим именем. В этом тоже нет ничего плохого.
3) Переносимые навыки. Единственная причина, по которой иметь гораздо больше докторских диссертаций, чем академических должностей, не является полностью аморальным, заключается в том, что промышленность высоко ценит академический опыт (по крайней мере, в количественных областях). Наличие докторской степени в области биотехнологии в известном академическом учреждении является идеальным пропуском на работу в отрасли машинного обучения. Конечно, вы получите больше практических навыков в промышленности. Но ваша докторская степень означает упорство в решении сложных задач на пути к нечетко определенным целям. Это золото.
4) Заработная плата начального уровня в области науки о данных/машинного обучения в денежном выражении сопоставима с заработной платой младшего профессора в США. Конечно, в академических кругах вы не увеличите свою зарплату так быстро, но вы компенсируете это стабильностью работы и гибкостью.
И более:
Удачи
Катя
Родриго де Азеведо