前兩天回答了2020 年終於過去了，你所在的領域和行業在 2021 年有哪些值得期待的事情？，分享了一些我對於未來機器學習和數據挖掘方向的期待。今天再胡說一些我對於這個領域更宏觀的觀察，供大家參考。和學術界大部分人相比，我和工業界走的比較近。畢竟是搞銷售諮詢出身，離不開市場。所以也算是提供一個不同角度，沒有對錯，不必爭論。
首先是當下的研究的風向有兩個轉變。
一個是轉向更軟的部分。此處的“軟”指的是相對於在算法和理論上對模型準確度的死磕，而轉爲更“人文關懷”、“社會道義”的部分。具體來說，越來越多的人去做公平性、透明、隱私等方向，代表着技術融入了更多的社會思考。估計在未來的相當一陣子，這些方向的文章都會越來越多的出現，且門檻適中。從應用的角度來看，估計得等文章再井噴一陣子才能出現一些真正有意義的內容。喫飽飯才能幹活，大概是這麼個道理。對於大部分搞研究的人而言就面臨這麼個問題，新興的方向好寫文章，到處都是機會。但你如果畢業了找工作的時候方知市場到底認什麼，可能絕大部分企業不需要過多的人文關懷。也算是給走實用主義的同學們提個醒，想清楚上學的目的是什麼，再決定方向。
另一個自然是轉向更硬的方向，當然“硬”也是相對於硬懟模型準確率這種老路子而言。這種轉向的更硬的方向我認爲有幾種。第一種是越來越多的學術界團隊開始生產“工具”和“大規模的benchmark”。舉幾個例子吧，比如在圖挖掘領域常年缺少好的大規模數據和benchmark，於是斯坦福搞了open graph benchmark。同理，生物醫藥+機器學習領域也常年缺席類似的項目，所以哈佛大學又搞了TDC。就2020年一年，我就被邀請參與至少5個類似的項目，因爲我比較擅長機器學習系統的設計。放到以前人們是不喜歡搞這種賣力不討好的東西的，但這兩年人們發現，真正的影響力也可能是底層的工具上。對於應屆生或者需要求職的人而言，我覺得能搞一兩個這樣的項目對於碼力和影響力都是提升，可以考慮一下。萬一一不小心搞出一個真正賣座的內容，不僅能發個不錯的文章，還能再GitHub上混不少star，說不定還有公司直接投出橄欖枝。
而另一個更硬的方向就是我在「2020 年終於過去了，你所在的領域和行業在 2021 年有哪些值得期待的事情？ 」提到的去做底層的機器學習系統和加速。不要搞混，寫工具和做系統其實是兩碼事，側重點差別也很大。前者是把算法實現出來，而做新的系統往往要有算法創新，比如加速、模擬、部署。雖然做系統有工程性的成分，但還是有很大的研究的組成。做系統的週期一般都比較長，雖然不像真正的系統方向需要好幾年出一篇文章，但這個領域基本也得6個月以上才能做個過得去的內容。對於大部分碩士生而言，這個週期就有點危險了。從功利角度來看，找工作的加成不小，成功係數不高。對於科班出身，想要押寶挑戰一下的同學也可以試試。畢竟有很多有趣的問題，比如大規模xxx，模型壓縮，怎麼高效的利用GPU和TPU。做好了的確有海量的應用。感興趣的同學可以關注一下MLSys這個會議上的論文，看看大家都在做什麼
追潮流這個東西可以辯證的看，最重要的就是在追的時候有沒有考慮自己的存在。我舉個簡單例子，雖然機器學習公平性很火，但我本身不是做統計的，也不是對這個主題感興趣，那我硬追就顯得勉強，缺少順滑感。
一定要考慮自身特質和潮流的結合，順勢而爲和追逐潮流雖然聽起來一樣，但實則差之千里。一定不要單純的追潮流，也不要單純由着興趣走。我相信中間還有一條可行之路。