经常有人私信我，说想转行做算法工程师，觉得这个岗位听起来比后端工程师高级，工资也高。我一般会回一句：你先想清楚是喜欢写代码，还是喜欢让代码有脑子。因为算法工程师这个头衔，说白了有点像个框，什么都能往里塞——有的人天天调参，有的人天天开会，还有的人其实就是个会画PPT的数据分析师。我当年入行是冲着“研究”二字去的，结果第一份工作前三个月干得最多的活是写SQL清洗脏数据，清洗到怀疑自己是不是投错了简历。
后来慢慢上手，才开始碰模型。但那会儿也没啥高大上的深度学习，业务场景就是个几百万日活的资讯类App，做的是个性化推荐排序。带我的leader是个有十年经验的老后端转过来的，他跟我说了一句我到现在都记得的话：在咱们这种资源不够的团队，你先别总想上什么Transformer，你要先搞清楚为什么用户点完不喜欢。我当时还不服气，觉得用个FM或者Wide&Deep不香吗？结果第一个版本上线，我用的是xDeepFM，离线AUC比那边的基准高了0.7个百分点。领导也挺开心，让我直接推全量。结果跑了两天线上CTR反而掉了3%多点，人均时长也跌了。那阵子我天天看数据看凌晨，差点把服务器盯出个洞来。
最后查出来的原因特别傻，是特征工程里的时间戳没归一化，模型学到了一天之内不同时段的那种虚假强相关性，过了午夜整个预测概率乱崩。那个问题后来怎么解决的呢？不是换模型，而是把样本里时间相关的几个特征做了差分，再加上用户的历史行为序列按照实际发生时间重新排序，折腾了足足两天。后来我把这个经历发在部门群里，有个算法大佬评论说：模型是枪，特征工程是子弹，但你以为你是狙击手，其实你就是个后勤保障兵。这句话特别扎心，但也很真实。也就是从那时候开始，我意识到很多算法工程师引以为傲的模型创新能力，在真实的工业界里，往往还不如一个能解释清楚业务异常的特征工程方案值钱。
我在现在这家公司做过一次内部小实验，同一个推荐场景，我用了三套方案：第一套是业界最新的一篇SOTA论文里的序列模型，参数量大概有两千多万，训练一个epoch要四十分钟；第二套是我用XGBoost加上十几个人工设计的交叉特征，特征总数没超过两千；第三套是直接拿上一任同事留的LR模型，加了几个用户瞬时点击率的窗口统计特征。训练完以后，都放到同一个流程里去测，SOTA模型离线AUC最高，但线上小流量A/B测试结果是——XGBoost那套的用户次日留存比SOTA模型高了0.9个百分点，LR那套居然也没差太多，只在人均时长上略微输了一点。你说这个结果讽刺不讽刺？当然，我讲这个不是让你别用深度模型，而是说在大多数中小公司里，业务数据的质量、特征的一致性、以及样本的分布变化，才是真正决定模型线上效果的那些权重。你在Notebook上调出来的完美分数，放到生产环境里就像温室里的花朵，稍微刮点风就蔫了。
做算法工程师这几年，我换过三家公司，其中也在字节某个组里待了不到一年。那个经历也让我对大厂算法岗祛魅了。怎么说呢，大厂的基建是真的好，GPU管够，训练平台点几下就能跑几百个实验，但算法的价值被极大分工给稀释了。你有专门负责洗数据的人，有专门负责上线部署的人，有专门负责调广告策略的人，你自己只管把模型的离线指标刷上去，然后写个文档移交。至于这玩意儿到底给公司赚了多少钱，没人说得清，因为最后归因都归到“大盘团队”身上。反倒是在创业公司做算法，那真是一根针捅破天。你得自己从埋点开始推，日志缺字段了你去找客户端开发扯皮，模型训练完你还要自己写个简单的flask服务去接线上请求，半夜报警了你得爬起来看是因为特征延迟还是因为某个ID落到脏节点上。我一开始很反感这种“全栈”式的算法岗，后来慢慢发现在这种环境里长出来的东西，才是真正值钱的本事。
如果你非要问我，现在入行算法工程师需要什么核心能力，我可能不会像培训机构那样跟你说要会leetcode、会推公式、会发论文。我觉得最重要的是两个有点虚的词：一个是问题嗅觉，另一个是工程敬畏心。问题嗅觉是你在面对一个业务指标下降的时候，能快速判断出这到底是算法问题、数据问题、还是外部环境问题。我给你说个真实案例，去年我们有个老模型周一早上的点击率暴跌，我开始以为是周末数据周期波动，后来查了半天发现是头一天晚上运维更新了用户画像的字段枚举值，把性别里“未知”和“保密”两种取值合并了，导致一批用户的特征分布被整体平移。这跟模型有个毛关系？但你如果没这个嗅觉，直接上去重新训练模型，浪费三个小时下单，你会发现线上指标还是掉着。工程敬畏心更是如此，很多刚毕业的算法工程师对线上服务的稳定性没有概念，我自己犯过一个大错，有一次直接用训练时的特征脚本跑线上预测，没有检查特征对齐，结果线上那边缓存了一个旧版本的pipeline，两边计算出的用户活跃度含义不一样，模型输出像个疯子一样来回跳，最后还是运营同学跑来问我说你们推荐是不是抽风了。那次事故直接让我明白了，算法工程师首先是个工程师，然后才是个算法研究的人。
所以你要问我，算法工程师会被AI替代吗？我觉得大概率会被替代的不是这个岗位，而是那些只会在别人的框架里调参、连数据质量都懒得验证的人。我在上一家公司带过一个小实习生，他写代码不算特别强，模型原理也聊得磕磕绊绊，但他有一个特别好的习惯：每次训练前都会单独统计一遍特征的缺失率和分布，然后拿着样本里的几个case去跟业务方确认这是不是真实用户行为。结果他做出来的模型，虽然结构很简单，但线上效果就是比周围几个整天刷论文的人稳。现在他已经转正了，薪资比同批进来的人高了百分之二十。我跟他说，你这不是调参调得好，你是懂得尊重数据的脾气。算法这个行当，越往后越会发现，真正的壁垒不在模型结构有多新，而在你能不能把一个模糊的业务问题翻译成一个精确的优化目标，再把这个目标用一架不那么容易塌的工程小推车给送到生产线上。说句要得罪人的话，现在市面上那么多AI培训课教的各种花哨模型，等你真正上了班用到的概率可能不到一成，你大部分时间都在处理脏数据、排查特征血缘、盯着监控面板祈祷这周不用回滚模型。至于那些还在纠结TensorFlow和PyTorch谁更牛的同学，我只能说，在老板眼里，你俩约等于一个能用就行。