前两天回答了2020 年终于过去了，你所在的领域和行业在 2021 年有哪些值得期待的事情？，分享了一些我对于未来机器学习和数据挖掘方向的期待。今天再胡说一些我对于这个领域更宏观的观察，供大家参考。和学术界大部分人相比，我和工业界走的比较近。毕竟是搞销售咨询出身，离不开市场。所以也算是提供一个不同角度，没有对错，不必争论。
首先是当下的研究的风向有两个转变。
一个是转向更软的部分。此处的“软”指的是相对于在算法和理论上对模型准确度的死磕，而转为更“人文关怀”、“社会道义”的部分。具体来说，越来越多的人去做公平性、透明、隐私等方向，代表着技术融入了更多的社会思考。估计在未来的相当一阵子，这些方向的文章都会越来越多的出现，且门槛适中。从应用的角度来看，估计得等文章再井喷一阵子才能出现一些真正有意义的内容。吃饱饭才能干活，大概是这么个道理。对于大部分搞研究的人而言就面临这么个问题，新兴的方向好写文章，到处都是机会。但你如果毕业了找工作的时候方知市场到底认什么，可能绝大部分企业不需要过多的人文关怀。也算是给走实用主义的同学们提个醒，想清楚上学的目的是什么，再决定方向。
另一个自然是转向更硬的方向，当然“硬”也是相对于硬怼模型准确率这种老路子而言。这种转向的更硬的方向我认为有几种。第一种是越来越多的学术界团队开始生产“工具”和“大规模的benchmark”。举几个例子吧，比如在图挖掘领域常年缺少好的大规模数据和benchmark，于是斯坦福搞了open graph benchmark。同理，生物医药+机器学习领域也常年缺席类似的项目，所以哈佛大学又搞了TDC。就2020年一年，我就被邀请参与至少5个类似的项目，因为我比较擅长机器学习系统的设计。放到以前人们是不喜欢搞这种卖力不讨好的东西的，但这两年人们发现，真正的影响力也可能是底层的工具上。对于应届生或者需要求职的人而言，我觉得能搞一两个这样的项目对于码力和影响力都是提升，可以考虑一下。万一一不小心搞出一个真正卖座的内容，不仅能发个不错的文章，还能再GitHub上混不少star，说不定还有公司直接投出橄榄枝。
而另一个更硬的方向就是我在「2020 年终于过去了，你所在的领域和行业在 2021 年有哪些值得期待的事情？ 」提到的去做底层的机器学习系统和加速。不要搞混，写工具和做系统其实是两码事，侧重点差别也很大。前者是把算法实现出来，而做新的系统往往要有算法创新，比如加速、模拟、部署。虽然做系统有工程性的成分，但还是有很大的研究的组成。做系统的周期一般都比较长，虽然不像真正的系统方向需要好几年出一篇文章，但这个领域基本也得6个月以上才能做个过得去的内容。对于大部分硕士生而言，这个周期就有点危险了。从功利角度来看，找工作的加成不小，成功系数不高。对于科班出身，想要押宝挑战一下的同学也可以试试。毕竟有很多有趣的问题，比如大规模xxx，模型压缩，怎么高效的利用GPU和TPU。做好了的确有海量的应用。感兴趣的同学可以关注一下MLSys这个会议上的论文，看看大家都在做什么
追潮流这个东西可以辩证的看，最重要的就是在追的时候有没有考虑自己的存在。我举个简单例子，虽然机器学习公平性很火，但我本身不是做统计的，也不是对这个主题感兴趣，那我硬追就显得勉强，缺少顺滑感。
一定要考虑自身特质和潮流的结合，顺势而为和追逐潮流虽然听起来一样，但实则差之千里。一定不要单纯的追潮流，也不要单纯由着兴趣走。我相信中间还有一条可行之路。