年薪80W演算法工程師經驗

『壹』 演算法工程師是青春飯嗎以後的發展路線是怎樣的

演算法工程師不是青春飯。

在入職的年齡中，演算法工程師的入職年份越多，就有越多的公司要你。由於演算法工程師對於知識結構的要求比較豐富，同時演算法工程師崗位主要以研發為主，需要從業者具備一定的創新能力，所以要想從事演算法工程師崗位往往需要讀一下研究生，目前不少大型科技企業對於演算法工程師的相關崗位也有一定的學歷要求。

提到人工智慧，就不得不提人工智慧領域最炙手可熱的演算法工程師。演算法即一系列解決問題的清晰指令，演算法工程師就是利用演算法處理事物的人。演算法工程師主要根據業務進行細分，常見的有廣告演算法工程師、推薦演算法工程師、圖像演算法工程師等等。

但作為熱門領域和人才供不應求的人工智慧，開出的薪資依舊讓人羨慕眼紅。獵頭Jony表示「人工智慧科班出身的博士，50萬年薪僅僅是起步價，優秀的開到80萬、100萬都不一定能搶到。」

『貳』 年薪80萬的程序員有多厲害

你好，如阿里網路騰訊等互聯網大廠的工程師，資深（架構師水平）工程師是非常有實力的。

以阿里為例：

1、阿里工程師崗位職級

阿里巴巴集團採用雙序列職業發展體系：

一套體系是專家路線【P序列=技術崗】，程序員、工程師，某一個專業領域的人才，一共分為14級，從P1到P14，目前校招最低從P4開始。

一套體系是M路線，即管理者路線【M序列=管理崗】，從M1到M10。

考核因素是上一年的績效分數+直屬領導的打分+晉升委員會打分，這里的委員會一般由直屬領導+合作方的高管+懂業務的HRG組成。HRG：HR多面手，base在業務下面，在阿里話語權比別的互聯網HR高。

晉升標准：績效滿足3.75、主管提名、技術答辯通過。

P8架構師作為阿里「IT架構靈魂人物」的角色，他們不僅做著架構師的本職工作，還同時做程序開發，寫核心代碼的工作。另外，架構師依舊是技術高手，編程能力依然是一流的。

但根據當前的市場需求，互聯網大廠們對於普通Java開發人才需求逐年銳減，而對互聯網架構師人才的需求招聘量已經上升到50%，因此薪資更是不可同日而語。

對於想學習互聯網架構師的同學來說，北大青鳥、課工場等優秀品牌都是不錯的選擇。課程根據招聘需求制定，包含全部分布式微服務技術，對標阿里P8級別架構師。

希望我的回答對你有所幫助！

『叄』 找了一個計算機演算法工程師的工作，工資才1500，不包吃住，是不是低了點，能不能幹啊

找了一個計算機演算法工程師的工作，工資才1500，不包吃住，這不是一般的低，當然不能幹。不用腦的活兒，凈賣力氣都比他高。快遞，外賣，飯館服務員等等的活工資都比這高，趕緊走吧。

『肆』 100萬年薪的演算法工程師在能力素質模型上有哪些差距

100W及以上的演算法工程師，基本屬於科學家了，大多數在這個領域的知名公司擔任leader的角色。知乎這樣的人其實挺多的，保護別人的隱私，我也不一個個艾特出來。這些人大多是名校博士，導師在業界非常有名。博士期間發表了很多頂會論文，拿過Google PhD fellow/Microsoft Fellow，或者做出了非常有影響力的工作。比如今年姚班的陳立傑和范浩強。眾所周知，學術是一個圈，而且還是一個挺小的圈；往往一個方向最好的幾家實驗室，還彼此認識，關系不錯。工業界雖然是誰行誰上，但演算法方向畢竟偏學術，特點非常接近學術界，帶有圈子屬性。現在演算法人才不僅貴，而且難招。大公司跟名校建立合作關系，請學術大佬來當首席科學家，他的博士也全都打包過來；創業公司利用自身的人脈關系，比如face++能招到不少清華優秀學子（創始人清華姚班），商湯科技招了很多香港中文大學的博士（創始人香港中文大學教授）等等。

『伍』 為什麼演算法工程師的薪酬那麼高

演算法工程師是一個非常高端的職位，是非常緊缺的專業工程師，兼具前途和錢途。

演算法工程師薪酬高的原因：
1、稀缺：互聯網的快速發展，大數據、人工智慧的興起，使得演算法崗位變多了，但是能勝任的人又寥寥無幾。
2、培養成本很高：演算法工程師的培養，需要很高的成本。在上大學的時候就要受到名師指導，進入公司後也要跟前輩學習。
3、能力非常強：如果想成為一名演算法工程師，不僅需要過硬的編程能力，還需要扎實的數學基礎和英文水平。
演算法工程師所需的知識絕對不僅僅只有計算機方面的知識，需要的是綜合能力得到全面培養。所以演算法工程師薪酬高是有原因的，當然前景也是非常好，如果想從事這個行業，還是非常值得。

想了解更多關於演算法工程師的詳情，推薦咨詢達內教育。該機構有獨特的1v1督學跟蹤式學習模式，有疑問隨時溝通，企業級項目，課程穿插大廠真實項目講解，對標企業人才標准制定專業學習計劃 ，囊括主流熱點技術，理論知識+學習思維+實戰操作打造完整學習閉環，實戰講師經驗豐富。

『陸』 干貨分享 | AI研發工程師成長指南

作者 | Japson

來源 | 木東居士

0x00 前言

首先，《AI研發工程師成長指南》這個題目其實有些標題黨了，准確地來說，本文內容應該是：「要想成為一名AI研發工程師，需要具備哪些技能」。

其次，本文對「AI研發工程師」這個title的定義，也並不是大家第一印象中的「演算法工程師」、「數據科學家」。

再次，本文實際上作者結合現階段行業發展、技術趨勢以及自身工作性質做出的關於自身定位、職業技能、發展方向的思考。就像魔獸世界中的「職業攻略」，當我們在游戲中新建一個角色時，會先去了解這個職業的特點、天賦、技能樹等信息，這樣才會在「練級」的過程中少走些彎路。

最後，作者不是從一個很高的角度來對整個成長體系進行一個全面地闡述。而是站在道路的地點，不斷摸索、不斷前進、不斷地調整自己的規劃。因此本文不算是Best Practices，勉強算是Beta version，也希望能和大家不斷交流，不斷「發版」。

0x01 關於AI行業的思考

演算法工程師的門檻

AI演算法工程師年薪百萬，應屆畢業生年薪都有80w… 去年AI人才缺口就已經過百萬，今年將達500w… 加入《XXX訓練營》，XX天打造AI演算法工程師…

在網路上充斥著各種類似上面那樣的吸引眼球的文章標題，向你訴說著人工智慧這一火的不能再火的領域美好的前景。彷彿我們看了兩遍西瓜書、處理了MNIST和幾朵鳶尾花、在自己的筆記本電腦上掉了幾個包、得到了和教程上一樣的結果，打了幾場比賽，我們就已經拿到了AI領域的通行證、成功轉型演算法工程師、接大廠offer到手軟了一樣。

但實際，現在AI演算法工程師的就業難度和准入門檻，遠比我們想像的要高。

上一張網路上流傳的「諸神黃昏」吧

可以說一點不誇張，現在很多大廠的校招演算法崗，門檻就是海外名校/985工科院校的博士/碩士。除了擁有與學歷匹配的學術能力以外，工程基礎也要非常扎實。

有人說：「我看網上說，AI人才缺口非常大，我不去大廠不就行了？其他的公司要求沒那麼高吧？」

要求高不高我不知道，但是有一下兩點：

絕大多數公司，是不需要僱傭AI演算法工程師，即沒有相關的業務需求，也負擔不起演算法團隊的開銷 2019年研究生報考人數290萬人，預計招生70萬人，其中計算機是熱門專業，並且其中多數人的研究方向都是： 機器學習、數據挖掘之類。

此間競爭之激烈，諸如此類，雖未得其皮毛，也略見一斑。

AI企業痛點

當然，我說這些不是為了打擊大家的信心，而是要指出現在行業內的痛點：AI工程化。

人工智慧發展到現階段，已經從實驗室中的演算法走向了工程化應用的階段。但是演算法落地並沒有想像中的順利，開始有越來越多諸如場景碎片化、應用成本高、實驗室場景到實際應用場景效果差距較大等問題被暴露出來，而這些也成為當前階段AI落地應用過程中新的痛點。

領域內高水平的paper都是公開發表的，除了少數的核心演算法，人才濟濟的AI企業很難在演算法性能上與友商拉開距離。那麼AI企業想要商業化，想要創收，行業細分領域縱深成了決定成敗的重要因素。需要下沉到業務領域，真刀真槍地進行拼殺。

在技術突破-商業化-產品化-工程化的階段路線中，除了技術強，接下來還有很多路要走。誰能夠更好更快地把演算法從實驗室中拿出來、賣出去；更好更快地將模型交付到業務場景，真正產生實際的價值，讓客戶滿意，誰才能活得更久。

對於Scientist/Researcher而言，技術可以是一篇論文、一項 ImageNet 競賽的冠軍、也可以是一個重要數值（比如人臉識別准確率）的突破；但在商務側來說，論文與冠軍並不實用，如果技術無法融進安防、汽車、金融等行業，變成切切實實的產品，客戶與合作夥伴就會拒絕買單。

對於AI企業來說，能否深入了解各行業的業務流程、業務規則、知識經驗，進而將技術能力轉化為業務解決方案創造價值，是發展的保障。

那麼對於我們個人來說，應該如何發展呢？

0x02 AI研發

AI工程化

在《ML/DL科普向：從sklearn到tensorflow》一文中，我們談到：

…… 那麼對於我們這些非演算法崗位的人來說，就沒有辦法涉及這一領域了么？其實我認為，對於企業來說，對於AI人才的需求分為兩種：一種是學術界的牛人，發過大paper，有學術界比賽的結果的。公司需要他們去做演算法研究，保持技術的領先性，在業內贏得口碑，這樣才能在領域內保持頭部領域。另一方面，人工智慧早已不是一個概念了，企業需要把業務部門的演算法落地的人，能夠快速、穩定、高效地把實驗室中的演算法落實到生產環境中，解決實際問題的人。這就需要那些工程底子扎實、能夠實打實地寫代碼，並且對演算法模型理解深刻，能夠快速將AI項目工程化、落地有產出的復合型人才。

還是基於這個觀點，我決定將自身的技能樹偏向企業需要的第二種人，也就是標題所提出的「AI研發工程師」。從實際的工程應用角度出來，focus人工智慧項目落地的全流程以及解決方法，提高自己的AI工程化能力，以此作為個人核心競爭力。

AI項目全流程

網路上很多文章描述的所謂「機器學習項目全流程」，例如：數據收集處理、特徵工程、訓練模型、模型測試等等。這套流程對不對？對。但是遠遠不能滿足企業的需求。

AI項目是團隊創造出的具有商業價值的產品、服務以及交付產物。有著明確的需求、計劃、周期、成本、交付流程以及驗收標准。

以下以toB業務為例，對AI項目全流程進行簡單梳理。toC業務大體如此，只是將客戶替換成公司業務方即可。

初步需求溝通確認 該環節主要是由銷售、售前完成。了解客戶的基本情況，輔助客戶根據自身業務挖掘AI應用場景。根據實際的業務需求、數據質量、硬體資源、期望產物來評估具體的方案以及建模思路。 POC階段 Proof of Concept。在完成初步的評估之後，團隊需要針對客戶具體應用進行驗證性測試，包括確定業務場景邊界、業務評判指標、數據調研、資源需求、硬體/平台部署等。 場景方案確認 該環節需要售前、科學家、工程師等多角色與客戶進行細致的場景溝通，明確需求、確定驗收標准、評估工作量。因為該階段結束後即輸出SOW方案，因此需要反復溝通商榷。 建模開發階段 4.1項目詳細規劃 項目經理根據前期資料提供詳細的方案設計、功能清單、資源投入、里程碑安排等內容，召開項目啟動會，明確項目內容及分工職責。 4.2數據處理 科學家在明確業務場景及需求後，對數據處理。其內容包括：數據質量檢查、ETL處理（工作量較大）。還要對清洗後的數據進行探索性數據分析（Exploratory Data Analysis）以及可視化展示。EDA能夠幫助我們在探索階段初步了解數據的結構及特徵，甚至發現一些模式和模型 4.3特徵工程 根據探索性分析得到的輸出，結合對具體業務的理解，對分散的數據拼表並進行特徵工程。 4.4建模 形成初版建模，並對根據業務需求評估標准進行效果驗證。後續需要不斷進行模型迭代，直到滿足需求，並做模型效果匯報。 4.5系統研發 將訓練好的模型發布服務、部署上線，開發外圍對接系統以及部分定製化功能的開發。輸出可運行的系統。 測試上線 對系統進行流程測試、性能測試，滿足需求後對項目進行交付&驗收。 0x03 核心競爭力&技能樹

核心競爭力

通過對AI項目全流程的介紹，我們將目光瞄準到「建模開發階段」的「系統研發」部分。雖然在上面只是一句話帶過，但是其中的工作量和技術含量不小。

提起機器學習，尤其是深度學習，大家可能會對諸如Tensorflow，Pytorch，Caffee的工具耳熟能詳。但其實在實際的機器學習的生命周期中，訓練模型（上述工具主要解決的問題）只是整個機器學習生命周期的很小一部分。

數據如何准備？如何保證線上線下一致性？模型訓練好了如何分布式部署？如何構建HA？需要批量處理還是實時處理？實時數據如何拼接？如何對模型服務進行監控、告警？做成PaaS還是MLaaS？

機器學習具有天然的Pipline特性，在企業需求中，大大小小的業務場景有眾多的模型，這些模型如何進行打包、處理、發布？離線訓練、批量預估、實施預估、自學習等任務類型交錯，不同建模工具Sklearn、Tensorflow，Pytorch構造的模型如何進行整合？開發框架Spark ML、Flink ML等如何協同、對接。生產環境如何進行擴展和伸縮？如何支持AB Test？

為了解決這些問題，新生的開源框架層出不窮：Google自研的對接Kubernets和Tensorflow的開源平台Kubeflow；Spark團隊打造的ML pipelines輔助工具MLflow；雅虎提供的機器學習及服務平台BigML；阿里巴巴推出的分布式機器學習平台SQLflow等等。眾多廠商紛紛發力，目的就是解決AI工程化應用的痛點。

這些工作都是需要一大批工程師去完成。因此，我認為了解AI工程化場景、解決方案；熟悉AI項目流程、機器學習Pipline；掌握AI系統研發、服務部署上線能力的工程師將會逐漸成為AI團隊的中堅力量。

技能樹

之前鋪墊了那麼多，既是梳理思路，也是為接下來的系列做一個開篇。按照我的初步計劃，技能樹大概包括（不分先後）：

工程能力： 身為工程師首先要有工程能力，springboot/Netty/Thrift/等相關工具框架一定要掌握，微服務是機器學習平台的基礎。 Spark SQL、Spark ML等更是大數據工程師用來做機器學習的利器，不但要掌握、更要從中抽象出流程和處理方法。 容器化： docker和k8s現在幾乎是機器學習部署的必備技能，也是眾多平台的基礎。 是重要的前置技能。 機器學習&深度學習： 不要求能夠手推演算法、模型優化，但要能夠了解含義、上手使用，起碼要成為一名優秀的調包俠（也便於吹水）。 開源框架： 其實我最近打算學習kubeflow，並輸出學習筆記及總結實踐。 本文其實是這個系列的開篇。 當然，後續還有有調整。 0xFF 後記

其實這種類型的文章，比單純的學習筆記、技術文章難寫多了。一方面，拖延症迫使我把難寫的文章放在後面寫，另一方面，強迫症又迫使我一定要在系列前出一個開篇。其實寫到最後，總覺得核心部分還差點兒意思，沒有搔到癢處，這是因為目前我還沒有能力站在一個全局的角度對職業技術體系進行劃分，只能梳理出目前的規劃和看法。後續要還需和朋友們進行交流。

有些事情是一定要做的，縱觀一些大牛前輩，無一不是在正確的時候做了正確的事。明確自己的目標，在前進的道路上不斷微調自己的方向，這樣才能在這個競爭激烈的職業中生存下去。

接下來會有系列的技術學習筆記，考慮到學習的連貫性，前期可能是一些基礎的docker/k8s等系列，後期會研究一些開源框架。技術文章可能會枯燥乏味，知識點也缺乏新意，但是經過自己的整理和實踐，再加上自身的理解感悟，相信會不斷完善自己的知識體系。

『柒』 演算法工程師的薪資待遇如何

據報道，近日，一份2018屆互聯網校招高薪清單在網路流傳，清單顯示了眾多知名互聯網企業技術類崗位的年薪水平，動輒30萬以上的出價，引起了不少高校應屆生的關注。

多位參加今年互聯網科技企業校招的2018屆畢業生表示，這份高薪清單還是比較准確的，在某「雙一流」大學控制科學與工程專業讀研的李航（化名）介紹，這份網傳的高薪清單在我們應屆畢業生中間比較受關注，裡面顯示的年薪水平還是比較准確的。

隨著時代的進步，再也不是學好數理化走遍天下都不怕了！

『捌』 人工智慧工程師薪水一般有多少一個月

人工智慧工程師薪水主要集中於10001至15000元/月，佔比40%；8001至10000元/月區間佔比34%；15001至25000元/月區間佔比20%。

北上廣三大地區人工智慧相關專業的優秀畢業生薪資待遇為年薪30萬元到60萬元，如果擁有多年經驗資深人員待遇可能更高，達到百萬年薪也是極有可能。

(8)年薪80W演算法工程師經驗擴展閱讀：

人工智慧演算法工程師高薪資的原因：

1、教學條件受限，許多人沒有機會學習。

2、關於人工智慧的有效資料很少，能夠學習到的知識很少。

3、硬體受限。因為學習人工智慧是非常消耗顯卡的，許多人會受到硬體條件的限制。

4、人工智慧是一門前沿學科，也需要很強的數學基礎，這就淘汰了一部分想要學習AI的人。能夠成為人工智慧演算法工程師的自然都是非常優秀的人才。

『玖』 演算法工程師的年薪大概多少我應屆畢業生

演算法工程師，碩士生應屆畢業，能夠拿到 30w ~ 60w；對於本科生而言，找個演算法工程師的工作就已經不容易，大廠比較難，小廠容易一些。三年經驗，根據認識的幾位同事，正常表現，應該能夠到 45w ~ 55 w 左右。