演算法研究員和演算法工程師的工作有什麼區別呢？

演算法研究員和演算法工程師的工作有什麼區別呢？在公司的研究院，他們之間是怎麼配合的？

謝邀。

我們組剛好有科學家和工程師，所以可以比較具體的給大家對比一下日常工作的區別。

首先，從工作內容上來看，工程師的工作偏重於業務直接相關，一般而言，工程師是own某一個業務場景的，工作內容最主要的就是這個業務場景下的特徵工程，模型選擇和調試兩大塊。而科學家的工作則更傾向於在固定的模型上實驗新idea。

舉個例子，假設我有一個user model是使用RNN來做user的history behavior特徵，工程師可能會做的事情是，設計RNN的結構（幾層，加不加全連接層，加不加attention，加不加residual module等等）， cook data，然後調試參數。最典型的就是可以理解成， 所有的這些技術，都是成熟的，至少是公開發表過論文的。我要做的就是進行各種實驗選擇最適合當前業務場景的。

科學家一般是在工程師的基礎上，針對一個比較複雜而具體的問題，進行更深入也更獨立的研究。比如基於上一個模型，科學家可能會發現，我們的RNN cell（比如GRU）不是很適合併行計算，那我能不能設計一個特殊的RNN cell，使之更適合大數據並行框架。或者，我們發現，現有的RNN cell，如LSTM或者GRU的記憶能力都不是很持久，如果我們連續嫁接上百個甚至上千個RNN cell，那麼就需要一個更持久的記憶單元。

可以看出， 工業界的科學家，所研究的課題既要貼近業務，但同時，又具有高度的業務獨立性（即所研究的問題，是個純演算法問題，本身與業務無關），比如上一個問題值得被研究的原因是在RNN已經被user behavior model應用了，如果我對RNN cell進行了優化，這項成果可以直接的被應用在業務中。但同時， RNN cell的設計優化這件事，與業務是無關的。

此外，除了工作內容上的區別以外，工作流程也有區別。

基本上來說，科學家的工作始於一個具體的問題，也需要進行cook data，各種離線實驗。但基本上就終於離線實驗這一步，接下來，科學家會帶著自己的成果和實驗數據，和所有可能場景的code owner的工程師合作，由他們去嘗試這個model在他所own的這個業務場景下double check有沒有效果，如果確實有的話，再進行深度的調試，比如結合場景優化模型結構，做特徵，調參數等等，直到把科學家的成果轉化成一個online ready的業務模型，在進行各種業務流量測試，最終上線。當然，有的科學家會own一個自己的小團隊（畢竟科學家都比較資深），會把這整個流程自己包圓。

當然，這是比較理想的情況，現實情況是，為了KPI，科學家也會做一些比較fancy的特徵模型什麼的。這樣的模型和業務也是相關的，也沒有那麼有創新性，但比較容易出成果。畢竟如果長期不出成果，誰都會心慌慌啊。

再次，從cover的業務範圍來看。科學家對口的業務範圍，往往要廣於工程師，也就是說，一個科學家工作的範圍，可能是幾個工程師團隊的範圍。一些跨team的創新性項目，雖然也可以由工程師推動，但往往由科學家推動。

最後，從技術級別上來看。工程師和科學家上限基本一致，都能做到很高的技術level，比如MS的distinguished engineer（MS純技術的最高級）或者阿里的P10。但下限則不同，科學家基本上是從Associate這一級開始，對標Software Engineer II吧，或者阿里的P6開始。而演算法工程師則跟普通工程師一樣，從SE或者阿里的P4/P5開始。

此外，我覺得有兩個誤區要澄清，

一是，科學家和工程師的工作並沒有嚴格的劃分，也就是說，上述提到的這些創新性的工作，工程師如果由好的idea也完全可以去嘗試。只是說，這是在你做完本職工作有餘力的情況下。

二是，科學家和工程師的工作往往是相互合作的。如前所述，科學家的實驗成果需要promote給工程師在業務場景下去嘗試，調優和上線。同時，如果工程師遇到什麼很奇怪/有挑戰性的問題，也會選擇和科學家溝通，看看能不能由科學家來幫助解決。

最後，想要給希望成為科學家的諸位一點建議：

1，科學家和工程師是背景不同，分工合作。不存在科學家工種由於工程師之說。也沒有證據表明，同技術級別的科學家和工程師薪資有顯著的差距。

2，事實上，科學家確實基本上都是數學和計算機博士。所以如果你是碩士，甚至是轉專業的，最好不要這麼為難自己，非科學家不去。

3，以上內容僅限一線大廠。小廠的所謂深度學習科學家基本上就是演算法team lead的意思。

謝邀。歡迎關注我的知乎。

利益相關：從事過這兩塊工作。

這兩個職位有共同點，也有區別。

共同點：

都是演算法相關的，大多數時候都要做數據清洗，特徵引入，特徵篩選，特徵降維這些事兒。

不同點：

（1）工作內容上：

演算法研究員focus在更通用、更抽象的問題層面，比方說，特徵稀疏情況下如何用抽樣方法解決不均衡數據集的問題。

演算法工程師focus在更業務化、更應用的問題層面，比方說，這個業務場景下，特徵有很多0值，現在哪種已有的抽樣方法最好，可以最快的應用在線上的分類模型裏。

（2）考覈上：

演算法研究員可能有論文要求，演算法工程師大概率沒有這方面要求。

相互怎麼配合？

一般互相瞧不上。工程師覺得研究員研究半天啥都研究不出來。研究員覺得工程師永遠在做重複的工作，啥技術影響力都沒有。

boosting的作者和xgboost的作者之間的區別

分不同的公司。

在阿里，研究員是指P10，再往上是scientist；在創新工場，研究員也是一種職級，比普通演算法工程師資深很多，需要有很多年工作經驗，這種情況下，研究員並不是做研究的，而是一個大組的leader。

在騰訊這邊，研究員更像是一種偏演算法和研究的職位名稱，和後臺開發工程師區分開。而研究員又分為基礎研究和應用研究通道。通常來說，做應用研究的研究員也就是題主所謂的演算法工程師，是要做業務和演算法落地的，做基礎研究的研究員可能對應題主所謂的演算法研究員。比如AI LAB偏研究多一些，他們那邊大多數是屬於題主所謂的演算法研究員。

但是也不能一概而論，要看不同的組，有的組演算法研究員也是full-time在做業務，有的組也鼓勵演算法工程師拿出一小部分KPI做research，跟個人選擇和職業規劃也有關係，也要看老大的風格和組內實際需要。

畢竟是在工業界，很少會有純研究崗像學術界那樣讓你僅憑興趣選課題，演算法研究還是旨在為業務落地服務。

我的工作內容偏演算法研究員，一半的時間和同事做業務，主要負責追蹤前沿演算法、復現並用到業務裏，不斷提高模型效果，自己有創新的點順便申請幾個專利，也算是額外的加分項，還負責language model提供給各個業務使用，另一半的時間帶實習生做research，投一下頂會，研究課題也是來源於業務，最終也要回歸到業務，需要證明真正對業務有幫助。

我的一些同事會更偏演算法工程師一些，要和PM開會，做業務對接，指揮數據獲取及標註事宜，把我這邊的模型集成起來將其工程化，與後端對接等等很多項目方面的事情。

在我看來，偏工程還是偏研究並沒有高下之分，只是個人的興趣和選擇不同而已。

演算法工程崗大佬的雞湯:他們研究院招的人其實也不怎麼樣也就會寫點python，演算法終究是實現業務的工具，未來是屬於你們這些對理解演算法會寫代碼理解業務的人

研究院大佬的雞湯:小夥子好好乾，不然你就得轉崗了