首先，我想问你一个问题：你是否觉得自己是个「调包侠」或「调参侠」呢？
这样的提问可能让很多人感到犹豫，但这种内心的不安却在每个从业者的心中潜藏。
目前，各大企业都在致力于构建机器学习平台，旨在将模块化的构建变得像拼积木一样简单。前两年广受关注的神经网络架构搜索（NAS）研究，正是为了实现「搭积木建模型」的目标。
最近，一位ReddIT用户坦诚他在工作中的调参行为，甚至觉得自己是在公司混日子。他后悔当初没有选择成为一名软件开发工程师（换句话说，做个调包侠）。
这位朋友拥有计算机本科和生物信息学硕士学位，主要从事机器学习、统计以及概率研究，日常工作中使用R和Python这两种语言。
我的工作到底有什么意义呢？
「工业革命」为人类带来了大量工作机会，减少了在田间劳作的人口。随着基本需求的满足，我们开始思考工作的真正意义。
以下是这位用户在ReddIT上的分享：
他说他的日常工作主要包括数据清洗、编写脚本、数据可视化以及基础机器学习算法的应用（例如t-SNE降维、k-Means聚类等），都是在使用已有的经典算法。
没有人来审查我的代码！我不需要将代码上传到GitHub，只有团队内部可见，也不需要进行单元测试。
我不会用到Hive、Spark、Kafka、CI/CD、Hadoop、AWS、GCP和Docker等与用户相关的工具。
我对自己的工作感到迷茫，做的每一件事都觉得没有意义。
在一次面试中，他们问我是否使用Git或单元测试，谁来审查代码，我如何交付代码和进行持续集成。对此，我发现自己根本无法作答。
我感到焦虑，或许我的同事们都在一个泡沫中工作，他们不愿意学习新技术，甚至对我的进取心感到厌恶。
虽然我已经工作四年，但我觉得自己比刚毕业时更加沮丧。
后来，我开始寻觅新的工作机会，面试时当被问及KNN的原理时，我才意识到自己对公式几乎一无所知！确实，我曾学过，但现在却全都忘了！我只需要使用sklearn.neighbors就能解决问题。
这种感觉让我感到失落，我觉得自己的能力没有得到提升。每年都会有资金拨款，尽管这是科学研究，我们也会撰写论文，但我并没有出现在作者名单上，因为作者实在太多了。
在机器学习领域，任何人都可以成为天才，只需在Jupyter上写写代码，就算是初级数据分析师了。
我觉得自己就像失忆了，曾经在本科阶段最擅长的C++和Java，现在却已完全遗忘。我在想，如果当初选择做软件开发，是否会更好一些？
或许我注定是个失败者吧！身边的人都自我感觉良好，我觉得十年后，他们的工作内容也依然如此。
理想与现实之间的差距在哪里？
读到这段话，或许大家都有些许共鸣：高学历却带来了更大的失落；工作内容重复，快乐似乎无从寻觅。
在进入这个行业之前，你可能认为AI将改变人类的未来。
而入行后，你发现AI不过是一个个黑箱模型，我需要更多更干净的数据，更庞大的模型！
「人工的多少，决定了智能的多少」，即便是在深度学习时代，各大AI公司首先招聘的也是标注员。科研机构发布新数据集的论文时，通常也会提到用了多少标注人员及其时薪。
入行AI真的困难吗？
那些觉得入行困难的人，和认为计算机专业难的人，应该是同一波的「劝退派」。
说计算机专业难：计算机需要学习编译原理、体系结构、计算机网络，还得亲自制作网线（那段美好的回忆，第一次成功时的成就感满满），然后再去学习软件工程。
简单：现在各种七天速成课程，以及满天飞的「Python学习班」广告。
AI行业入门是否困难：各种数学原理是必学的！周志华和李航老师的著作若不看三十遍，算不算入门呢？
AI行业入门简单：在GitHub上随便一搜，似乎没有什么做不到的。
有的人本科即可发表多篇顶级会议论文，而有的人博士毕业依然难以发表，这其中的差异或许因人而异，所以难易并不能一概而论。
网友对此也众说纷纭：
你支持哪一方呢？
不过，我想说一句，请大家静听：如果数据和特征如此重要，那深度学习的优势是否就会因此而减少呢？
