计算机科学与技术博士，说几句可能不太好听的。
主攻人工智能与计算机视觉方向，也做产业落地项目和开源社区运营，干这行越久越觉得，圈子里的废话套话实在太多了。以下全是我个人的真实感受，不保证绝对正确，但保证不装不端着。
现在什么论文都要硬蹭大模型多模态，好像不沾大模型热点就不算做前沿研究了。但你问问自己，这些技术是真吃透了底层数学原理，还是调个开源接口借几个术语撑门面。我见过太多人，本专业的经典算法基础还没立住，先跟着热点东蹭西蹭把自己蹭没了。先把计算机学科内部的核心问题说透，再去跟隔壁学科搞跨界对话，别最后两头都不靠。
一提经典算法就肃然起敬，下笔全是复现和参数微调，不敢质疑不敢动核心架构。经典理论如果不拿来跟当下的真实落地难题碰撞，就只是躺在论文库里的过时古董。研究它不是为了给前人做注脚，是为了帮今天的开发者解决真实场景里的问题。该质疑就质疑，该重构就重构，别怂。
端到端这个词我快看吐了。十篇深度学习论文八篇在谈端到端优化，已经沦为万能膏药，贴哪儿都行，贴了跟没贴一样。你能不能换个更实在的角度，数据偏差在悄悄扭曲模型判断，推理延迟在卡死产业落地，开源模型的可复现性是真是假，这些切口不比空泛的端到端香吗。
工程应用类论文十篇有九篇像项目验收报告，需求分析加系统设计加测试结果，三板斧砍完就收工。但真正的技术战场在机房，在用户现场，在边缘设备上，那些真实的踩坑和线上故障没人愿意写。去现场蹲几天，把问题是怎么发生怎么解决的写清楚，比列十条虚的创新点都有用。
搞算法的人最常犯的毛病，把自己的模型跑分指标当普遍真理。你跑分高不等于方案真的好用，你调参顺不代表落地就能跑通。学术训练的核心就是帮你把我觉得我认为，翻译成可复现可验证的实验结论，如果做不到，你跟普通调包侠的区别就只剩词汇量了。
最后说行业焦虑。这行最卷的从来不是能力，是姿态。人人都想显得前沿显得高深，显得自己掌握了某种独门调参技巧。但多数时候，我们只是在用复杂的公式和图表掩盖思路的贫乏。敢不敢写得简单点，说人话，敢暴露自己的不确定。
学术不是宗教，不需要供着。它就是个工具，帮我们理解计算，理解智能，理解代码怎么实实在在改变这个世界。
计算机 计算机科学与技术 博士 论文 人工智能