对我们领域比较熟悉的朋友多少都会发现，科研和技术落地之间，是存在很大gap的，很多科研里面聊的红红火火的东西，到了现实应用的时候，就会有各种各样的问题，甚至最近在知乎里也有类似“你是什么时候对深度学习失去兴趣的”之类的问题，适逢国庆假期，就来聊一些轻松的，来探索这种差别背后的逻辑以及我们应对的办法。
叠个甲，这里会指出论文中可能存在的缺点，有点扎心，求大家轻喷。
科研和论文的特点
首先，科研，从论文角度，有一个很难避开的槛，就是创新，如果一个研究不够“新”，是没有发表意义的，所以很多研究者，包括学生时代的我们，为了发论文，会绞尽脑汁的去思考创新点，方案思路要创新，最后的预测效果也要有提升，这个思路其实没什么毛病，毕竟科研就是要探索，有尝试性的创新才会推动整个领域发展。
其次，科研是更关注优点的，一个是优，一个是点。所谓的优，强调的是，需要比原来的方案优秀，这就是所谓创新所需要围绕的关键，而隐含的另一点，却是个问题，那就是这个“点”字，科研并不要求全面领先，而只要求在某个方面优于原有的方案，例如现在我们领域里非常关注的一些效果指标，准确率、AUC、相关系数等，这会导致，为了某个方面的提升，而牺牲了其他方面，例如预训练模型需要牺牲性能等其他问题，这是论文很难避免的局限性；另一个角度，有些问题，可能已经被发现并且已经解决，但是因为这些指标不高，很可能就发表不了，毕竟指标没有提升，这个没有提升不见得是因为方法不够好，而是这个数据集或者指标不能体现这方面的优势，又受限于这些所谓的标准数据集，其实就很尴尬。
第三，这是人群导致的问题，科研人绝大部分来自在校的老师，甚至是学生（帮老师审过文章的都懂），这一批人有一个比较尴尬的局限性，就是很少有经过特定领域的实践经验，这导致他们很难发现一些落地场景下遇到的问题，取而代之的，更多是关注指标的提升，于是开始千方百计尝试各种方式来提升这些指标，当然这种方式的优势是有的，毕竟能进一步探索模型在某个方向上的极致，但缺点同样明显。
科研在落地上存在局限性
因为上面的问题，科研成果在落地的尝试中，是存在一定的局限性的，这些问题最直接的，是可能会导致这个方案无法落地到现实场景的。
就以我现在关注的比较多的NLP领域而言，大部分的研究，尤其是比较成熟的领域，都非常关注开源数据集及其对应的和准确相关的指标，如果开放数据集下的指标没有提升，注意只是没提升而已，根本无法发表。但是在现实的技术中，一方面，我们不会遇到很标准的数据集，数据里面被下了一堆毒，需要清洗和优化，另一方面，我们并不只是关注最终的准确与否，还有很多落地的限制，这是论文里所没有体现的。
先来聊聊数据，之前其实我有在一篇文章里面聊过（心法利器[68] | 数据指导技术优化与提升），数据集其实是在牵引技术发展的，在现在大部分人其实都在追分，追分的同时大家其实会研究各种数据内存在的问题，如果数据内存在迫切需要解决的问题，则指标的提升其实非常有效，然而如果是只追这些分，就会忽略很多其他的问题，用我们算法的说法，其实就是“过拟合”，只关注眼前的数据集了，甚至数据集里面一些标错的样本，也会被模型学到，从而使得指标提升，这就不健康了。另外，所谓的分，如果没有关心到一些现实场景其实很重要的东西，就会出现梦想很丰满，现实很骨感的情况。
再者，科研的创新往往是比较细小的一个点，追求某一个方面的极致，而现实的落地，需要关注的东西会更多，在保证综合可行性是最根本的，耗时、内存不达标，那就是上不了，这点是无法考虑的。
算法工程师该怎么看论文
科研上因为一些客观因素，确实会存在一些问题，但是，我们借助论文进行学习，是非常有效的，主要是这几个原因：
科研所代表的是最前沿的东西，好坏是需要多次试验验证的，但是新的想法总归会和我们产生碰撞，产生新的想法。
论文前面的文献综述和介绍，能把目前相关领域的情况给解释清楚，我们通过学习，其实能了解到更多方案。
最终的实验，其实仔细看里面的数据，能了解各个方案的差异，也可以为自己进行方案选择提供参考。
那些经常被用来当靶子的方案，很可能是非常靠谱的。
因此，我们还是需要进行论文阅读。那么，论文的过程，我们需要注意些什么：
有关论文的核心亮点：
明确该篇论文的创新点以及创新点的来源和思路历程。
该方案可能的优点和缺点。
对应领域的研究现状，看哪些论文工作会被提到最高，后续有机会也读一读。
关心一下现在的科研现状，大家所在的领域都在关心什么问题。
实验结果，看和现在主流方案的优化程度。
如果能吸收这些东西，其实一篇论文我们就算啃的比较干净了。
如何从论文到落地
如果我们开始有想把论文的一些方案用在现实场景中，因为实验是场景和应用场景终究存在一些差距，我的建议是考虑以下几个问题：
明确目前的方案的短板在哪里，是否明确。而论文方案是否对症。
论文方案的缺点是什么，这个方案的缺点是否会影响到自己的最终实施。
例如耗时、内存之类的要求，最好提前试试，这个类型的缺点，很可能不会提及。
仔细分析论文中使用的数据和方案，和自己的数据是否有差距，是否很大，越大，用起来没什么用的风险更高。
确认好自己的数据，一些类似数据质量之类的问题没解决之前，最好不要考虑太前沿的方案了。
然后就是自己尝试重现并利用了，一般地自己都会有一个比较标准的pipeline进行训练和效果评估，一般会比较快速有一个结论，然后就可以开始考虑部署上线了，这个流程反而是比较快速的，难的是前期的预判，后续的效果和上线前的评估。
想法
现实应用本身不是一个炫技的舞台，考验的更多应该是我们解决问题，最终提升效果的能力。论文中能够提炼出很多对我们有现实应用意义的想法，不应不由分说地接受或者拒绝，应该从实际出发来判断是否合适：
现在的主要问题就是模型方面的问题吗，数据质量和数量是否有问题。
如果质量和数量都有问题，那其实换谁来差距都不大。
甚至，换了更复杂的模型，有些错误被模型学了去，指标上看不出来，后患无穷。
大模型的性能问题，真的不得不防，已经看了不少人在这踩坑了，可依旧前赴后继。
KPI导向和晋升导向，能理解，但是优先还是要解决关键的指标问题后再来考虑炫技，否则只能是花拳绣腿了。
但是使用和了解又是需要分开来看的。平时的学习，是需要我们了解更多的方案，以便我们在真正解决问题的时候能多点选择，但是在使用的时候，实事求是，从简单和实用出发，才是最扎实的。
推荐阅读：
我的2022届互联网校招分享
我的2021总结
浅谈算法岗和开发岗的区别
互联网校招研发薪资汇总
2022届互联网求职现状，金9银10快变成铜9铁10！！
公众号：AI蜗牛车
保持谦逊、保持自律、保持进步
发送【蜗牛】获取一份《手把手AI项目》（AI蜗牛车著）
发送【1222】获取一份不错的leetcode刷题笔记
发送【AI四大名著】获取四本经典AI电子书