随着人工智能技术的不断发展，可应用领域也越来越广，国内外AI人才的薪酬也是水涨船高。
动辄年薪10万美元，年薪30万人民币的白菜价，互联网也到处充斥着造富神话，为了财富自由，不止各个领域的程序员，各行各业的人几乎都转行伴着浪潮涌入AI行业。
但如果你不喜欢机器学习，又舍不掉如此高薪，你会舍得换一份工作吗？
大部分人的选择可能都是选择向生活妥协，毕竟他们给的实在是太多了。
最近，Reddit论坛上就有一个小哥却做出了一个与众不同的选择，他表示：永远退出机器学习界！
下面是他介绍自己的一些相关情况，并向网友求助如何找到自己喜欢的下一份工作？
我是那种以机器学习为生但对机器学习没有兴趣的人，可能在业内比较少见吧。
我工作内容就是使用经典和深度学习方法开发模型，从业7-8年了，其中很多模型在我工作过的公司中产生了不错的影响。
我觉得我也很擅长做这些事，而且我的工资也很高。
但现在，机器学习或者深度学习领域没有什么能让我兴奋的了。
我发现在数学课本上解决问题更快乐。实际上，我想要一个某种和数学搭上边的职业，但我不想一辈子都做机器学习。
在我「为了钱」投身机器学习之前，我在卫星系统工程方面做了很多工作。在硕士学习期间，我也选修了很多物理和EE课程（光学、量子力学和固态设备）。
我正在考虑从事量子信息方面的工作，但我还没有博士学位。另外，我的计算机科学技能还不够强，无法转到密码学。
所以网友们，我该如何走出机器学习界？
帖子一经发出，立刻引起网友热议。
网友pruby表示，我太懂这种无聊的感觉了，但你应该换一个工作方向，而不是离开。思考下一步的方向可能需要几个月或几年才能彻底确定下来，所以最好不要「裸辞」。
网友shot_a_man_in_reno也赞同这个思路，并补充说你完全可以再学另一门知识，并且在那里应用机器学习的技术。他表示，我就不想在通用的机器学习领域进行研究，比如人脸监测或者NLP之类的，因为计算机毕业的人基本都是研究这些纯粹的内容，所以竞争很激烈。一个在机器学习领域有双重专长的遗传学家或者人类学家可能会做更有趣的工作。·
也有人表达了他认为作者讨厌机器学习的原因。
网友MinLikelihood表示，我喜欢统计学/机器学习，但我不想在这个领域有一个长期职业的原因就是：我觉得处理和分析数据很无聊。我喜欢理论上的东西，喜欢探索estimators，研究抽样方法，开发新的优化技术，而非使用它们。单纯地使用是重复性的，几年后肯定会让你感到很无聊的。
还有人建议说，放心地追求自由吧！
网友beexes表示，你应该永远只做让你感觉快乐的事。我有一个朋友，他就不干软件工程师了，转头开了一个餐馆，他现在应该是世界上最快乐的人了。
也有人觉得，职场也是围城，你向往的地方，对于别人来说也很无聊。
网友EdAlexAguilar分享说，我在量子信息领域读了硕士、博士和博士后，但现在这个领域的研究已经不能让我兴奋了。我在过去的一年里一直在做强化学习，我很喜欢这个新领域。但这并不是一夜之间发生的，事实上，我在读博士期间就已经知道我很可能会转型离开，但希望能尽可能顺利地过渡。我的猜测是，你也是如此。你不需要一个博士学位，只需要额外的精力来学习。如果你有财务压力的话，就在业余时间开始为新目标奋斗。这可能需要几年的时间，但你可以设法在有工作的情况下跳到不同的领域。
也有网友从社会的角度来分析数学职场问题。
网友cookiemonster1020表示，在数学/应用数学领域找不到工作的部分原因是大数据背后的炒作。当我在著名的大学做博士后毕业以后，进入学术市场时，我发现在我所在的应用数学子领域几乎没有空缺位置；相反人们即使只是做一个压缩传感的应用，也能得到教职。
听取大家的意见后，帖子的发起人表示，感谢网友的分析，他目前已经开始看关于离散微分几何的网课了，未来打算探索微分几何学（ differential geometry）和机器学习结合的问题。
他表示自己更愿意在应用物理学或遗传学等领域从事ML工作，而不是银行、社交媒体分析或电子商务等公司。
至于讨厌机器学习的原因，主要是厌倦了那些标题为「X is all you need」的技术论文。我并没有反对发表论文的任何人，而且我绝对相信作者比我更有水平，但我对这种华而不实的论文标题感到非常不舒服。因为我在物理学或数学领域没有看到过如此浮夸的标题，这也是我不想攻读机器学习博士的一个原因。我讨厌那种风格！!
并且从任何平台上学习任何在线课程都不会使你成为数据科学家或ML研究人员。很少有AI从业人员愿意花时间和精力去学习机器学习算法背后的基本数学知识。当我在面试中要求候选人解释什么是PCA时，他们只回答说PCA是一种降维技术，根本没有提到特征值、特征向量或协方差矩阵。
无独有偶，在知乎上也有关于「为什么不喜欢人工智能」的讨论。
大体就是黑盒模型、炒作概念，深度学习的垄断让「算法工程师」这个名称也引发争议。
有研究者曾总结过人工智能研究的四宗罪：
1. 技术更新过快，三天不看论文就out了
学习是一件好事，但过快的迭代速度和海量的论文让研究者焦头烂额，一天的专注学习可能到了明天就落伍了。
并且很容易就会idea撞车，或者手里的sota模型还未发表就已经夭折。
2. 资金耗费过大
大规模预训练的范式确定后，普通的研究者很难再在排行榜上分一杯羹了。
收集、下载大规模训练数据要钱，标注数据要钱，训练模型所需的硬件设备更是金钱堆起来的。
甚至只要数据够大，资源够强，即便方法不够出类拔萃，你的模型可能也比别人学的更快，性能更强。
3. 艰难地改进模型
深度学习的黑盒模型是一个老生常谈的问题了，但对于程序员来说却是一种精神折磨。
性能不够强、没收敛、预测结果不符合预期，「炼丹师们」面对着模型和参数只能欲哭无泪。创造代码可以让人快乐，但调参却不会：性能提升了，但怎么提升的？没人知道！
比如有时候辛辛苦苦改模型，没有任何性能提升，把激活函数从relu换成selu，就出了一个新的sota模型，这个时候你是该高兴呢，还是该怀疑自我？
4. 数据决定一切
目前的AI模型就像一个无情的刷题机器，只要给的数据够多，他就能回答一些试卷内的问题，但对于知识的理解、逻辑来说，模型没有任何进步。
吴恩达曾经提出二八定律：算法工程师应该把80%的精力用在收集、清洗数据上，剩下的20%才是研究模型。
这样的话，对于专门研究模型的科研人员来说，被数据支配的感觉太不友好了！
其实AI仍然是一个有巨大潜力的应用领域，深度学习将模型性能抬到了前所未有的高度，语音助手、智能推荐、人脸识别等等都在让生活变得更方便。
但任何事物都有缺陷，你觉得人工智能「惹人嫌」吗？
