如何看待 AI 方向 PhD 申请竞争过于激烈的现象？

如果觉得cs的ml竞争太激烈，也可以考虑来ieor做ml，哈哈。

作为一只今年录了cmu cs phd ai方向的真学渣（国内top2cs，绩点只有20%，几乎没paper，月初campus visit的时候发现自己是从ai招进来的也是惊掉了下巴），和committee里审ai材料的小姐姐聊完，结论就是推荐信和connection才是他们决定的关键，paper、GPA、GT都没那么重要，PS甚至几乎不看。
-----------补充 2018.3 ----------
* |" F2 V+ n) v3 Q  b  l% s有小伙伴问到推荐信，跟着cmu导师搬了一年多的砖于是拿到一封据说长达两页super strong的推荐信（面试其他学校的时候打听到的）。。。
! {! o; j/ @# d' ]————— update 2020.3—————
' d. w+ g* w& X. R& N今年在cmu某项目的committee里，我收回“paper，GPA，GT，PS没那么重要”这半句话。。。PS还是会看的，写得太差就直接拒了。。。

我想从两个角度来看待这个现象，一个是对行业发展的影响，一个是对个人发展的影响：

先说一些我知道的数据:

在CUHK的时候，老板跟我抱怨，为什么90%（是真正的90%以上）的学生在申请CUHK CSE的PhD的时候都写的AI相关的方向。在Yale campus visit的时候，和搞NLP的Dragomir Radev聊，他说今年系里70%的申请都是AI相关的，如果当年的我来申请现在的NLP PhD，可能跟我没啥关系了。我经常会带一些本科生做research，但凡我问过去，你的research interests是什么，几乎无一例外的都是machine learning/deep learning...
& g* I# G: Z8 u. Y4 }. d, W

, z9 I8 \5 l% R& A; K7 J
5 O/ f3 r2 u$ ~* C/ g9 I
个人发展：
从比较客观的角度来看这个现象，大概感觉就是，当你身边的大妈都在谈论比特币你是什么感受。还想入坑的同学麻烦仔细思考自己的兴趣以及行业未来的发展，与其鲁莽的在高位接盘，不如静下心来思考一下
1. AI领域有什么需要解决的问题，你对于解决什么问题更感兴趣，而不是纯粹的跟风。
2. 思考一些更具潜力的方向，兴许几年之后等你毕业这个方向又成了风口呢。

行业发展：
总的而言，有更多的人挤在某个领域，那这个领域得到长足发展的概率会更大，所以对行业的发展是积极，毕竟有这么多人前仆后继的冲进去，虽然大部分人可能还是被浪拍死在沙滩上，可是毕竟还有少部分坚强的剩下来的人呢！

也来劝退申请AI & CV。
0 y( ~" r, r/ |5 W8 W' [9 b今年我了解到的MIT AI方向的录取情况也是严峻的，2000份申请材料，第一轮是senior grad student来筛材料，就算能干掉90%，还给老师们留下200份材料，而还在积极做东西和要招学生的CV老师就那2-3个，平时根本没时间看这些材料，结果是集中到最后要跟系里递交人选的当天下午2-3个小时内确定所有发放offer的学生，基本抓阄。
申请材料中，最重要的是推荐信。老板认识的人所写的推荐信，之前有送过学生到MIT的人所写的推荐信，圈内大佬的推荐信，都比一两篇顶会论文管用。有顶会论文当然也好，算是个起步吧，重要性来说，1篇CVPR+1篇北美圈内认识的老板推荐信 > 4篇CVPR。但得确定是强推，我这次还见过有某西海岸学校的老板在推荐信里写负面信息的，学生背景虽强但也是直接挂掉。。
录取的这些人的特征，也是各显神通吧。比如说有些学生早就已经在MIT的某实验室做暑期研究，有些学生已经来MIT访问给过讲座，已经在开会（顶会论文已经有好几篇）的时候跟大佬谈笑风生，也有已经在某著名AI Lab做research engineer然后再申请的。
这就是现实，所以我真心劝退跟风申请AI的同学。而对于那些真心喜欢AI研究，要死磕AI方向申请的同学，有什么招呢？那只能多积累积累呗，先读个某些技校的master积累，gap year一两年在知名实验室积累，也可以去参与一些research residency program, 比如说Google, Uber AI, Facebook等都推出了这样的一年做纯研究的项目，其实就是个长期的实习。反正都是做研究，而且AI产学研结合很紧，工业界积累下经验再回来读PhD也未尝不好。
或者本科尽早去国内几家大的计算机视觉公司实习攒顶会论文也是个路子，这些公司是非常欢迎实习生的（笑），毕竟某些公司的代码库70%都是实习生写的（笑）。我就知道有大一开始就在某公司实习的同学，目前大三都有3，4篇CVPR等级的论文，现实就是这样，这样背景的人会是这几年申请北美AI强校的主力。

前一阵子我们几个PhD吃饭，谈到现在AI方向的申请有多么残酷。正好有两个PhD参与了申请review，我就好奇问了他们申请的情况。他们痛心疾首地表示，现在的情况就是美本没paper也offer一堆，陆本几篇顶会一作还是被连环拒。因为推荐信才是最重要的，陆本学生由于很难直接或间接的联系到国外的教授，所以只能拼数值，而数值这东西差不多就行了，GPA 3.8就比GPA 3.7强么？两三篇顶会就比一篇顶会强么？找PhD就像找对象，最重要的是知根知底，其他条件差的没太离谱，肯定找熟悉的。
现在中国学生确实不容易。国内评价体系完全是数值化的，教授评职称看论文数，博士毕业看论文数，这对一些小众领域非常不友好。所以教授一窝蜂地都去搞AI，因为盘子大容易提高论文数，学生都是跟着教授做科研，自然大部分也都在做AI，而给大陆的名额又不多，这就导致申请竞争白热化。不想拼数值，那就尽早和国外科研人员取得联系，别等着快申请了再发邮件套词。另外多研究本校教授的学术家谱和合作者，找和你想去的国家联系紧密的。有的人虽然牛逼，但是关系全在欧洲，然而你想去美国，那这推荐信就没多大意义，还不如找个相对没那么牛逼但是和美国人很熟的。总之就是要熟悉美国那一套人脉的玩法，不然就只能像高考一样拼数值。

更新于 2020-04-08
经过一些曲折后，进入 MIT 了，感谢当年那个没放弃的自己（辛酸泪
也看到两年前那个给高薪的 startup 最近被收购了，错过了一大笔钱（贫穷泪
2 A4 Q2 F# F7 t: H6 y: r============== 以下是写于 2018-03-21 的原答案   ================
  \. I$ G5 E# O' ~, h% S作为图中当事人之一，同时也是 18 Fall 申请失败者，我想说几句。
0 {' z# _/ O% w% J+ J“商品价格由市场供需关系决定” 这一更古不变的道理大家高中都学过。从 AlexNet 的石破天惊到 AlphaGo 的力压国手，AI 这个领域吸引了太多的眼球。既然供需关系发生了变化，那么门槛水涨船高也是必然的。不要给自己找“科班出身”，“热爱 AI“，“愿意献身科研”诸类的借口，失败就是失败。面对，承认，接受，再谋求改变。
% s( c* C/ w& G$ q) Q往些年的硬通货例如 GT / GPA / pub 都在 AI 领域已经失效。Deep learning 把发论文的门槛降低不少之后，这个领域的申请者人哪个不是两三篇顶会，committee 没有时间去一一读的。今年申请情况来看，除了那种真的硬实力逆天的申请者，这几年内最重要的是 connection ！在论文绩点快速贬值的情况下，这才是唯一的硬通货。
9 |. b' U$ ~5 M. J1 n# m- |8 h7 p很难说这样的热潮对于整个领域来说是好事还是坏事。一方面，我由衷地希望这方向冷门点，不要让申请变得那么难。另一方面，也正是因为有众多人力和资源的投入，这个方向才能快速的发展成长。得益于 Conv 在 2D image 上的 strong prior，大数据集的开放，以及 GPGPU 的普及，AI 方向迎来了难得的春天。可同时也要意识到，上层应用再酷炫，底层的 learning algorithm 并没有实质性的进展。如果不顺着这波热潮一口气在这几块顽石上敲几块洞出来，下一次革命就不知道是猴年马月了。
5 ]. n! z, V) H, |6 P. V' U对于现在想跟风申请 AI 的同学，请慎重。对于真的有志于 AI 的同学，也建议三思而后行。这几年的申请行情，就会是以后的找工作行情。万一 AI 退火，业界岗位紧缩，那么这几年申请的行情将在找工作时再度重演。同时按照我今年拿到的 $180k offer 来算，读博五年就意味损失近 1 Million。申请 PhD，你真的权衡好损失和风险了吗？
" ^5 b) E; ]" c& A  S3 Z2 Q7 J

既然损失百万，为什么你还想申请申请 PhD？
  m8 Z- T* S$ k) B0 s2 }

期待这领域的后续发展，例如
CNN 模型那么黑盒，它每一层到底都学了什么？Deep model 那么 cumbersome，到底哪些 parameter 是必要的？模型 converge 那么慢，二阶优化法是不是该弄起来了。求导太麻烦了，我们来搞搞 gradient-free optimization 吧….
8 ^, y+ A& b5 I" R, ^7 \; _
想沉下心做些有 impact 的工作，本科阶段学到的太少了。家庭经济情况允许，不急着需要我赚钱。BTC 入场入得早，韭菜饺子吃的很爽。
4 l3 e0 t8 l0 S/ E; L- f5 o/ p

接下去什么打算？

去 MIT gap，明年再战。

小福利，和小伙伴一起收集的今年 CMU CS 相关项目申请人数列表，好几百美金呢。

CMU MCDS : 1700 applicants
CMU MSCS : 2000 applicants
. ]$ F0 A6 u6 h1 l( |7 xCMU MSCV : 750 applicants
* y& Y# p1 N: J6 JCMU MSML : 750 applicants
4 X8 M, a# \. _, U3 M4 P; e( gCMU ML PhD : 950 applicants
- s# r, w) o9 ^* G7 \( B0 ]' rCMU CS PhD : 1100 applicants

何必呢……
" A0 b) f3 J/ I4 ~9 R4 Q
+ H0 r' \6 d7 \. e
0 s# n. r. ^4 ^; I, K
当下这个时代，计算机体系结构方向的，有大芯片架构经验的，市场上的机会也不比AI的大牛们差太多吧……
) j+ b) M: k$ v& u# e看看最近tesla从裤裆里掏出的大家伙，还有hotchips那么多奇技淫巧的姿势可以玩，怎么也不该卷成这样啊。


3 c# q7 a! u: G$ a8 k4 w% }; ~

欢迎大家学习程序语言理论和计算机体系结构
$ N* ]% e4 C0 ]0 I2 A% T(

看了那么多学术界的回答，我来讲讲身在工业界的体会。
$ X! q3 r6 r# t) K' D+ q! [" ^/ R. a& K
近年来各大科技公司都相继成立了自己的AI实验室或者研究院，然而最大的问题还是把实际的研究成果和真正产业结合起来。毕竟，不是每个公司都有CV，Speech，图像的业务，而对于诸如广告，推荐甚至搜索业务为主的公司，传统的模型已经达到了很好的效果，深度学习能做的贡献并不大。或者说，传统模型不能做到的东西，深度学习也没法做得很好。

: Q/ S- i2 x) R2 }3 |* g6 b前一阵有在朋友圈有一段很流行的话如下：
When you’re fundraising, it’s AI （当你在融资的时候，这是AI业务）
When you’re hiring, it’s ML （当你招人的时候，你说需要机器学习的工程师）
When you’re implementing, it’s linear regression （当你具体实现一个功能的时候，变成了线性回归）
( l2 O6 N% H/ N$ g! G+ w  P% s& b: r5 PWhen you’re debugging, it’s printf() （而最终调试的时候，你一直在printf）
对于挤破头想要读AI博士的同学，我希望各位想想清楚，等你们的毕业时候，市场上的蛋糕会真的还和现在一样大么。到那个时候，到底需要的是廉价的调参工人，还是精通数学的底层理论研究者，都不是现在能回答的问题。
而热潮总会褪去，跟风也总会停止。如同几年前人人都在讨论大数据一样，如同现在人人都想加区块链业务一样，浪潮褪去之后，留在沙滩上继续往前走的永远是少数人。

圈子太浮躁，搭搭积木再吹吹牛以为能灌一篇，忽视传统研究的思维训练，故事讲出来只为了刷 accuracy 而不花时间设计实验呼应故事，佐证细节。读者读这样的水文，又能从中学到什么呢？过几年是否还能记得这篇工作的想法？申请简历 paper list 一大堆，当老板是傻？花时间做出一篇 solid 且富有思维深度的文章，胜过三个月灌出来的 N 篇水文。