计算机视觉的职业规划

Hi，大家好。我是茶桁。

今天这节课呢，咱们先不着急讲原理，先来讲讲职业规划的话题。

如果想要直接上手企业级的 AI 项目，可以看看咱们的「AI 人工智能企业项目实战」。

趋势和薪资

首先，先来讲讲就业的趋势。其实学完算法基本上就是工程师了，当然也会有产品经理或其他的，不过这个就比较少了，大部分还会是工程师。那我们就按工程师去分析，就是图像算法工程师，图像处理工程师，人工智能、计算机视觉工程师等等。这些工程师基本上是分布于互联网行业、垂直行业以及研究院，基本上就三个方向。

互联网上吧，主要还是社交，或者是互联网教育。当然 K12 可以说是被严格控制了，那几乎就主要是社交。比如说各种各样的短视频的社交，什么短信息的社交等等这些行业。

垂直行业比如工业质检、智能制造等等这些行业。比如说智能制造方面，要做一些异常的检测，要做一些物体的分拣等等。再比如说做一些专用设备：考勤设备，或者是工业上应用的场景。主要是潜入式的应用，人脸识别。其实有专门的人脸识别机，考勤机也是。还有一些专门做文字识别的，专门做OCR的。还有比如无人驾驶也属于垂直行业，等等。

研究院呢，其实高校或者研究院这些，本身我们主要是从这里面学习的，有一部分同学就会留校任教，有部分同学留研究院。

主要的就业方向呢就是这些。

就业的薪资就稍微提一下，像图像处理工程师，计算机视觉工程师呢大概是 20-30 万左右，这个是初级，就我们如果入门之后出去找工作大概是这样一个范围。

互联网行业当然是薪资最高的，不过最近两年互联网行业是有些下行，但是也是要看职位的。

一般来说，计算机视觉这种高新科技人才的需求还是很紧缺的。前两年行情好的时候，一年总包应届生达到48了。不过就今年的行情来看，普通程序员大批的离职下岗，薪水下调，但是算法工程师，特别是计算机视觉 CV 算法工程师的薪资依然还是很高。

而这其中，互联网能给到的薪资比起研究院或者其他垂直行业，也并不占优势了，甚至于可能还会略低。

好像人工智能一直在卷，但是你看这薪资却没有下降。这说明什么问题呢？

能够去基本的复现一个模型，而不是说很精准的复现。所谓的基本的复现就是你把 github 上作者放出的代码印证出它的一个基本结果就可以了。这种复现其实就是非常基础的复现。它不是说你从 0 去写一个论文中所写的算法，能运行，能 control + c 和 control + v 就行了。

当然知识面要广一些，不能只会一个 LeNet 或只会一个 ResNet，然后就想拿20万30万，那是有点困难。

然后再到高级的图像处理工程师和计算机视觉工程师会拿到50万左右，基本上这部分的能力要求是要你理解这个模型。你要能优化已有的算法，模型不用你去重新写，能做一些优化就行了。这个优化还不是特别高级的，就是基础的优化。

如果想要对我们的模型做一些改动，就要对模型的原理前前后后要做很清晰的了解，不了解、不清晰，那改动通常是无效的，并且是错的，所以这要求其实也不低了。能用自己的理解有效的，去因地制宜的做一些小的改动。其实你从 0 写一下就更好了，学习速度就更快了，不过这个没有要求那么高。

然后资深的，就50万朝上了。这种薪资的变动就比较大了，有的人就发展非常快，有的人可能就一直不发展了。我也就是卡在了这个位置一直也没有大的突破。

基本上这种是要求针对问题设计方法，统筹解决问题。就是说，业务上提出一个问题的时候，业务不会告诉你我是用分类方法去做、用检测方法去做，用什么模型去做，他就说我要解决这个问题，你看你用什么办法。

我们实际生活中要解决一个问题可以选用各种各样的方法，我们可以用分类模型去做，回归模型去做，可以用机器学习模型、深度学习模型去做，可以用目标检测问题去做。目标检测也有各种各样的模型，那你如何去选，哪种方法才是更适用于我们当前的情况，我们这个公司发展一段时间之后这个模型是不是要换掉等等，都需要你去统筹去设计。这就需要你有大量的积累。

OK，这是职业薪资方面大概的一个趋势，不同的人有不同的可能，起点不一样，到最后发展的过程也不一样。那么这个基本上在所有的行业中还是比较有竞争力的，特别适合家庭经济基础不是那么好的同学毕业后去做一个前期的经济积累。

那互联网行业基本上职级晋升的路线会有两个路线，一个叫技术岗位，一个叫管理岗位的晋升。技术岗位应该就是P级，这个或多或少大家应该都有了解，比如阿里 P8 就非常高了，这个P级就是技术岗位的晋升。

还有一个岗位是管理岗位的晋升，就是 M，比如 M7 一类的，这个是管理岗位。

大部分人可能就是 P 级，有一部分人可能到时候就转成管理岗位，那我后来就是转为了管理岗。就我个人经验来说呢，两个岗位其实薪资高了之后都还行。

基本上互联网公司好像都会这样去分，即使你所在的公司现在没有分，以后也要分。随着它的发展壮大，基本上都是按照这个套路去分的。因为互联网发展都是投资机构和投资人给你投资的，一投资，它会对你有些要求和监管。我发现到最后要求的监管啊，各种规范化流程化起来之后，大家对人才的管理，公司人才梯队的建设，都会给你定级了。各个公司可能级别叫法不一样，但是基本内核是一样的，都是给你定完级，薪资范围，然后过一两年给你评审一下，进行升级。

这个升级其实最主要的，要求你技术掌握的要好，技术是一个核心的基础知识。当然说如果其他方面，比如社交方面经营的好，那就肯定晋升更快一些，但是技术是一个核心的基石。

只要是计算机视觉的岗位，一般应届生毕业就是P4，P5了。毕业之后再去换工作的话，那你可以直接稍微高一点，因为你有其他工作的经验的加成。基本上这个薪资范围大概 P3 就是 20 左右。那再往上呢也就不跟大家继续画饼了，我猜测来购买我课程的应该至少在计算机视觉这一个赛道上都是起步没多久，还是需要好好的打好基础。

但是话说回来，技术提升总会有个上限，大概也就100万左右。现在纯做技术的，超过 100 万的就比较少了。到P7、P8以上，其实就是影响力的提升了。

技术是我们影响力提升重要的基础，除了技术还是需要其他方面。影响力的提升它不是那么快，不是说我每个月都会显著的提升，还是有一些机缘，或者你需要长期经营。

所以影响力这个事情主要是可以从几个方面去提升，我想先稍微说一下，你要社区的影响力，就是整个做技术这个社区内，比如说某些论坛，或者某些网站，在领域内经常出现。大家都知道你是做这个的，非常专业，有什么事情可以问问你，有什么事情是不是可以找你来做，有什么业务是不是可以找你。我需要什么人才也可以找你，或者相信你给介绍。这就是影响力。

我们做的事越到后面，越要靠这种信任关系，这种影响力。所以说如果后续你需要长时间在人工智能这个方向发展的话，提前要去布局。

策略和方法

OK，那么现在我们再稍微说一下技术能力的提升和社会影响力提升的一些策略和一些方法。

技术能力的提升

首先技术能力的提升，这是我们现在课程同学大部分、或者绝大部分要面临的一个事情。该怎么做呢？我这里有些建议。

首先第一个是制定的短中长期的计划去学习和提升。

短期的计划，可能是把咱们的这个课程内容拿下，或者再短点，把今天的课程消化掉；那中期的就是近半年或近一年，你要找到一个工作；长期的就是你在计算机视觉要做什么事情，你可以定一个比较高的目标。

为什么要定一个高的目标？就大志得中，中志小得，小志不得。定一个大的志向，就是长期目标，长期目标它会优化你。

回顾一下你今年做了什么事情，它会优化你每年做事情的方向，这是长期。没有长期目标，可能有些地方你就打转了，不是朝着一个方向去发展。可能慢慢你就淹没到人群中了，就不能突出来。

所以长期目标对你自己是一个长期的引领。短期目标就是较短的一个周期内的目标，它作用主要是保持热情。比如说短期目标设定的不合理，今天这节课上完你发现这节课讲的内容跟不上，那好像这节课就劝退了。那如果你的目标定的合适了，这节课上完之后，我超过我学习的目标了，那就非常有热情了，就非常希望尽快的去学下去。

所以说热情的管理很重要，因为我们计算机视觉本身它属于人工智能一个分支，相对来说搭上人工智能都是比较难的，是所有人中比较前沿的这些人去学的。所以说学习的过程中难免会遇到各种各样的困难，如果目标定的过高或者目标不知道适时去调整，保持自己学习的热情，很容易被劝退。比如看一篇论文被劝退了，看一篇资料被劝退了，对吧？所以热情一定要保持住，保持住就需要定一个合适的目标。

另外就是要注意，你自己和别人是不一样的。就有的同学本身基础就好，所以这个课程他根本没有什么问题；有的同学可能之前没有接触过，基础比较差一些，就会一看到别的同学很专业，别的同学进步的很快，自己又不会，就觉得备受打击了。没必要，你要跟你自己比，这个定目标的要求是你要跟你自己比，咱们又不是眼看着要去参加高考，必须要有一个名次。你别定完目标了，自己做的没有别人好就被打击了，就不行了，这样热情就没了。热情没了你以后学习动力就没了，可能就跟这个无缘了。

所以说定个适合自己的目标，自己跟自己比，这个目标很重要，这就叫热情的管理。

还有就是最好及时跟着我的课程走，我们的课你不能攒。比如说我发了四五篇课程了，那每节课其实都需要不少时间来消化的，你想一天把它看下来，这一天看下来你整个就看得非常烦了，人的热情要消失。

所以做这个热情管理，我们就是一周只有一节课或者两节课，每次都好好的把这节课消化了，消化完之后就不要再接触这方面内容了。你要去强迫自己去做一些别的事情换换脑子，然后你就会非常想上这个课，或者非常想去学习人工智能方面的知识。你看到谁给你推送一个消息，你就想去看，利用热情保持住了这种状态。

如果热情保持不住，谁给你推送一个人工智能的消息或者论文、或者文章，你看都不想看就划走了，这种热情没有保持住。

想些办法把它保持住，一种办法就是规定自己学习时间就那么多，不能过少。比如一周就10个小时，学完之后就不学了，然后等下周再去学这10小时，你学习起来就热情非常高。要注意的两个事情，一个是目标，一个是要做好这个热情管理。不能学习的时间过少和过多，一定要均匀。一周就那么多时间，不能很长时间不学了，突然学个十几，二十多个小时，再很长不学，再突然学二十多个小时。这种三天打鱼，没有持续性。

我们之前有个讨论，如果说你一直做这个事情，它最后的结果是不好的，那就不值得一直做，你需要换方向。那么我们计算机视觉和人工智能这个方向目前看来是适合去一直做。虽然它有时候可能有发展的高潮，有几年可能薪资比较高，有几年可能薪资比较低，但因为这部分难度比较高，总体上只要你学入门之后，一直做了，你这个后续的薪资的收入应该是不低的。可能会辛苦一点，有个好身体是主要的对吧？但是收入一般是不会低的。

并且你无论是后期转岗，不想做开发了，做做别的岗位什么的，因为你是一直在学难的东西，要做一个其他岗位其实也就相对容易一些，比如做个教师什么的。其实没必要，这个行业应该一直还是比较不错的，起码比起其他大部分赛道来说都占有一定的优势。

然后第三，学习人工智能可以看到网上资料非常多，但是主流的算法其实不多。无论是NLP、CV或者是BI，或者是其他各种方向，你会看到机器学习那些模型基本上是相通的对吧？比如说CNN中的 ResNet 都在用，注意力机制都在用。你会发现大家都是相同的，无论它外表披着什么样的名字，它应用在什么领域上，内部都是相同的，核心并不多，把核心的学会之后就可以了。然后就逐步的掌握，逐步精通就行了。

具体的领域，比如说咱们的 CV，多经历一些项目，把这些模型应用的熟练一些就可以了。这是技术能力的提升方面要注意的事情。

影响力的提升

还有咱们第二个事情就是社会影响力。

影响力的提升要注意的第一个就是朋友的经营，交友圈子，人脉这些的经营。因为各种资源的减少，各种工作机会的减少等等。本身做计算机视觉这个圈子虽然现在在扩大，但是也并不多。不要做一些非常伤害这个圈子中名声的事情。

另外一个就是要认识到一个事情叫时间的宝贵性。怎么去认识时间的宝贵性？首先我们每个人，上班的时候老板都是按你上班的时间给你钱的，日薪、月薪、年薪。请假一天就扣多少薪资。这是时间直接和收入联系上了。不同的能力面试进来之后有不同的薪资，所以你时间就卖的不同的价格。这是从我们收入上来体现时间的宝贵性的。

然后另外一个，为什么我们要通过互联网来上课、去订外卖，去通过互联网去做那么多事情？因为互联网给我们节省了时间，提升了效率，这是为什么它能够发展起来，大量人应用它的一个原因。它还是为了提升了效率，节省了时间。就像我们为什么有时候要付费，就是买时间了。所以说时间对我们每个人是平等的，我们每个人能力可不一样，但时间都是一样的。

所以要做一些事情，我们对管理者的要求，或者说管理者的一个基本素质就是对各技术能力人员适当的安排和统筹，尽量高效的利用他们的时间。各种能力的时间我们要把它统筹起来，运用起来，要认识到这个事情。包括自己的时间。

还有一个提高社会影响力要做的事情就是分享技术。比如说我现在写这些文章给大家也是分享技术，当然还有一个目的就是赚钱，哎，就是这么耿直：「挣钱嘛，生意，不寒酸」。

我从去年写到现在了，之前基础课程基本上都是免费的，也是为了能让自己保持写作的一个热情，自然是想挣点钱的。跟着我课程学习的小伙伴也有很多了，知道我的人应该也是有点了，这个也就是影响力了。

这就是分享技术，一种是讲课，另外一种就是去做一些自媒体，写文章总结，各个技术社区的圈子。然后还有就是paper，出版物，这些周期就长一些。

要注意，一开始就去做。并不是要到 P7 之后才能去做，不如从一开始入门就开始去整理，开始去提升。其实总结和讲课除了会提升影响力之外，对自己技术的理解和提升也是很大的，会让你的技术进步更快，它是相互促进的。就这个技术的提升和影响力的提升它是相互促进的。你去做一些技术分享或做一些社区影响力的事情并不会导致你的技术下降。你会发现你可能觉得理解了某个技术点，但你跟别人沟通的时候发现别人是那么理解的，会发现有时候理解不了别人的说法。为什么？因为你还没有完全理解。所以相互沟通的时候技术提升是非常快的。我们做技术的一定要要空杯心理，或者是开放的心态。

你就大胆的把自己的说出来，不论是对是错，有人会指出来。错了无所谓，你再想想对吧？如果是对的，大家觉得你说的挺不错的，做技术的本身就是大概有1%的时间是对的，很多时间都是错的。一定要多说，多把错误暴露出来，慢慢的，修改bug就少了。

OK，这是我们职业规划的部分。今天的文章也就到这里了，希望对大家的职业路径规划有所帮助，为什么要写这篇文章呢？是因为我不想你迷迷糊糊的去学，不知道在学什么，不知道学完能做什么，不知道怎么学效率最高。

好，下一节课咱们来讨论一下 computer vision，计算机视觉的发展过程。

那咱们下节课再见，拜拜。