[数据结构与算法]算法岗的招聘现状与未来

本文一共10630字，非常用心整理的四位大佬的直播课程内容。分享了在移动机器人和自动驾驶领域，目前真实的人才供需状况究竟是怎样？公司在招聘时究竟更看重什么？帮助大家初入职场

针对这些问题，深蓝学院邀请了四位重量级嘉宾来聊聊自己的看法，并结合自身经历提供相关分享和对于同学们的建议。我们整理了直播精华文稿点，希望对大家有所帮助。

直播链接：

https://link.zhihu.com/?target=https%3A//www.shenlanxueyuan.com/open/course/113

特邀嘉宾

（排名不分先后）

夏添：白犀牛无人车联合创始人兼CTO

刘兰个川：小鹏汽车算法研发总监，自动驾驶北京平台负责人

黎嘉信：高仙机器人深度学习总监、新加坡研发中心总监

任乾：自动驾驶定位算法专家

问题概览

1.移动机器人与自动驾驶有哪些相通的？又有哪些不同？

2.如何看待近几年行业发展？

3.目前行业缺乏哪类人才？

4.企业招聘更看重哪些？

5.如何看待算法工程师学历？有哪些建议？

6.对在校生有哪些学习建议呢？

7.对参加深蓝学院培训的同学有什么看法吗？

在直播中，嘉宾们针对以上七个问题结合自身经历做出了精彩而又实用的分享。一起来看看吧！

【注】：为方便大家阅读，正文采用嘉宾姓氏作为缩写

1.移动机器人与量产自动驾驶的界限在哪里，那些方面技术是相同的，那些方面是不同的？

夏：我认为这两个方向非常有渊源，本身来说，自动驾驶也是属于机器人的一个范畴。现在，随着各种应用落地，它们的相同之处在于都具有自主移动和感知环境的能力，但是因为它们的场景不一样，实现的功能也不一样，自动驾驶主要基于道路等开放场景，而机器人主要以室内的封闭场景为主，因此软件和底盘在内的硬件都会有一定差异。另一个是由于环境不同，所需要协同的对象也不同，自动驾驶时车辆需要与红绿灯等进行协同，而机器人需要在室内场景与电梯进行交互。

刘：从感知和硬件配置的角度，题目中的“量产”，我觉得是个重要的关键词，因为一个产品能否量产，和传感器的配置有很大的关系。传感器的配置不同，会导致感知路线的区别。作为L4的自动驾驶公司，比如robotaxi或者与此相关的物流小车，往往选择激光雷达为主的方案。量产自动驾驶出于传感器的成本的考虑，往往会选择以相机为主的方案。这个区别有技术上的考虑，也有传感器成本上的考虑。当然近些年来随着激光雷达成本的降低，量产自动驾驶也开始采用激光雷达。小鹏今年推出的P5就是有两个车规级激光雷达的，我们采用的依然是相机为主，激光雷达为辅的技术路线。不过无论选择怎样的技术方案，产品底层的感知逻辑还是有很多相通的地方，比如现在的感知基本都以深度学习为核心，配加上一些传统计算机视觉算法。

黎：机器人是一个更加宽泛的概念，L4的自动驾驶出租车被称为robotaxi，其实从名字就可以看出来它和机器人（robot）的关系，那为什么自动驾驶这个概念被提的越来越多了呢？我觉得有几方面原因，第一个是满足了概念炒作的需求，可能是因为“自动驾驶”听起来更加高大上，另一方面，自动驾驶确实更加精准的描述了这个行业的特点，比如产品都是通过轮子来实现自身的运动。

更细分一些，我们可以从自车速度和场景复杂度两个维度去区分各类产品，比如robotaxi是面向高速并且复杂的室外场景，而无人驾驶卡车则是主要面对高速但是相对简单的场景，而高仙等机器人产品则是面对室内复杂但是低速运动的场景。从技术的角度看，比如我比较熟悉的感知领域，不同自动驾驶的感知任务比较相似，主要包括运动物体位置和轨迹的感知，以及环境语义的感知。

而其他的技术点有很多不一样的地方，比如关于路径规划，室内的一些场景，路径规划不像室外那么复杂，因为在室外，规划通常需要与交通规则打交道，因此会格外复杂。但是高仙等室内机器人也有需要处理的规划难题，比如机器人在执行清洁任务时，需要实现对于环境的完全清理打扫。如果在某一时刻因为其他障碍物的存在没有清理一个区域，那么接下来，他必须寻找到其他路径去清理这个区域。

除此之外，在硬件上，我们也有不一样的配置，量产对于成本的控制非常严格，比如在L4的车辆中，刚开始会在车上配置很多2080的显卡，而这在量产的车辆上是很不现实的。比如高仙对于传感器计算平台的要求非常苛刻，在实现多传感器的感知任务的同时，所配置的硬件设备可能只有一个工控机集成显卡，这也是对于工程师来说非常大的挑战。

任：我这里补充自己的一点简单理解，我认为区分自动驾驶和机器人可以用两个充分条件，第一个就是道路的开放性，?第二个是否载人。但如果真的要在两者之间寻找一个明确的界限，也是比较困难的，而且我觉得也没有必要。相对来说，自动驾驶的传感器和算法更复杂。而原因是出于自动驾驶更高的安全性需求。在我所从事的定位领域，我和来自扫地机器人、送餐机器人领域的面试者沟通时，发现这一领域的技术人员，由于平时用的产品和设备计算量偏低，传感器偏低端，所以采用的算法通常相对简单，运算量较少，这就会间接导致技术面偏窄。但是整体上，我还是认为两者之间的相同性大于不同的部分。

2.自2021年以来，我们看到了机器人和自动驾驶行业融资事件频发，如何从自己的角度看待最近几年行业的发展呢？

夏：我觉得相比于L4级别的自动驾驶，机器人项目更多的开始落地了，比如宾馆的扫地机器人，送餐机器人。而自动驾驶还是更多地还是在一些封闭的可控场景进行测试，所以我认为，它们并不处于同一个发展阶段。

自动驾驶还是处于发展的早期，甚至还在搭建一些技术原型，因此对于成本还没有太大的关注，而机器人已经在更多地考虑项目的工程化和成本控制。

刘：我很同意夏老师的观点，自动驾驶还是处于一个比较早期的阶段。作为国内量产自动驾驶，或者更精确的说，辅助驾驶的领跑者，小鹏选择的道路是从低级别到高级别辅助驾驶逐步演进。

很多人问我，完全的自动驾驶什么时候会实现，L5级别的全天候自动驾驶可能还是一个遥远的梦想，但我觉得完全的自动驾驶实现与否，并不会影响自动驾驶传递它的价值。即使是L3级别的辅助驾驶，也可以为人们的生活带来很大的价值。比如能减少大家在高速路段驾驶的疲劳感，从而减少交通事故的发生，再比如提供自动泊车的功能让大家的泊车体验更舒心。

所以，我觉得不需要等到完全自动驾驶的实现，只要我们做好安全性和产品化，就可以解放生产力，增加人们驾驶的快乐，让自动驾驶为人们的生活带来积极的价值。

黎：机器人和自动驾驶在走过前两年的低迷后，最近确实非常火热，也得到了国家的大力扶持，很多自动驾驶公司走过了之前的困难期，最近风光无限。而从技术的角度来看，我认为在未来的五年，完全的自动驾驶还是很难实现的，即使很多公司仍然在画饼，但是我认为深度学习还不具备真正的推理和解释的能力。

但从商业角度上来看，自动驾驶能否落地，投资人是否应该投资，这是另一个逻辑。自动驾驶有个概念叫 Operational Design Domain (ODD)。就是我们可以限定场景的细节，制定特殊的规则，来降低自动驾驶的难度。而基于这样的约束，自动驾驶是有可能在五年内实现的。

高仙的宣传册里会提到，低速的自动驾驶将会有6000亿元的市场规模。相比于L4级别的自动驾驶预计有十万亿美元的市场规模，这个数字虽然还是小了不少，但这也是一个不容忽视的潜在市场。低速的自动驾驶会更快的落地，但这并不意味低速的自动驾驶是一个已经解决的问题，只是说它对于安全性的要求相对低一些，因此可以容忍一定的错误。

高仙目前的估值可能有十亿美元，这是一个几年前对于低速自动驾驶应用无法想象的数字。所以，从钱的角度来看，我认为，对于这个行业的想象空间还是非常大的。

任：自动驾驶火起来我觉得有两个时间点，一个是15～16年，另一个是19年低谷后的当下。15年那时，大家的目标可能都是做L4级别的robotaxi，而很多公司拿着一个demo或者通过炒概念，就可以融资。而如今，robotaxi已经很难作为一个单独的点去融资了，想要融资，需要展示更细分的业务，才能给投资人带来期望。而第二个就是投资更偏向于更务实的、有实际产品的团队。也因此，如今的自动驾驶公司更偏向于做未来几年能够盈利的产品级的项目，而robotaxi可能更多的作为一个全行业在共同追求的理想。

作为从业者来说，我们也需要去思考自己所认可的实现途径，是更看好辅助驾驶，低速物流还是自动驾驶卡车？这也需要大家自己去判断。

3. 目前行业缺乏哪些人才，以及哪些候选人已经实现工序平衡，或者饱和的状态了呢？

夏：首先这个行业还远远没有饱和，也非常欢迎其他行业的人才加入这个行业。而关于人才的来源，针对机器人，它的发展相对成熟，在学校是有相关的学科的，包括海外的实验室，也有优质的人才来源。而关于自动驾驶，是从激光雷达在车辆上的应用，到近年AI算法的提升和应用，才逐步引起大家的关注。而针对这些，其实学校是没有直接培养相关人才的。我感觉最早从业的算法人员来自之前做深度学习感知的一些同学，以及一些做机器人的同学做定位建图，做自动化控制的同学做规划控制。一些同学之前有做过广告系统，线上服务系统等低延时高稳定的大系统的经验，那么车上系统也是有类似的需求的，这就需要相关大系统搭建的工程经验。所以刚开始的自动驾驶团队就是需要有这些工作经验的同学作为班底。虽然目前学校也开始重视相关的教育，并且像深蓝这些机构也会进行培训，但是行业的人才还是远远没有达到饱和。

黎：关于人才的需求，我觉得还是比较紧缺的，需求也会比较大，因为投资人投资了那么多，不管什么场景的自动驾驶，都希望快速扩张，快速落地。比如高仙的目标就是今年扩招100人的研发团队，明年则是300。但是，我认为这是做不到的，因为我们的招聘能力还做不到这个规模，或者说我们找不到足够多的符合需求的人才。而且，现在的人才的供应也是不足的。

关于人才的定义有很多种，比如在座的三位大佬，就是可遇而不可求的高端人才，不过企业更多的需要的是“干活的人”，就是一些应届生和工作一两年的新人，那公司对他们的要求是什么呢？从我自己的角度来看，代码能力强，基础扎实的人才基本都会被各个公司疯抢。虽然说起来，这两点不难，但其实，这两点就可以刷掉百分之九十的候选人。比如，关于代码能力，很多人连基本c++ vector数据结构的内部实现都不清楚，算法题连二分查找和深度优先搜索都完成不了。而基础知识，针对深度学习，batch norm虽然经常被使用，但是batch norm的基本原理能说清楚的人也只是凤毛麟角。

因为这个行业本身是新行业，很多的感知任务都是非常新的。虽然有深蓝这样从事人工智能教育的先驱，但是整体上，我们还是不奢望候选人能够马上解决工作上所面对的工程问题的。也因此，我们更看中基础素质，因为优秀的基础素质可以证明一个人有良好的学习习惯和被培养的潜力，随着工作年限的增长，一定会达到一个很高的水准。我们不需要招聘的每个人都是大牛，不过即使是面对刚才提到的两个要求，公司也很难招到合适的人。

另外一点就是关于论文在应聘中的重要性。我觉得在代码足够好，基础扎实的情况下，有论文就意味着你盖起了高楼大厦，富丽堂皇，而如果你有很多论文，但是代码和基础能力都不强，那么这只会是空中楼阁。曾经有一位面试者在博士四年期间发了多篇顶会论文，但是一经面试，发现水平惨不忍睹，基本处于for loop都写不利索的状态，这虽然是个特例，但是也说明论文竞赛虽然是高端人才的一种玩法，但是更多的是需要基础扎实的同学。

除此之外，自动驾驶还需要哪些人才呢？我觉得同时具备机器人知识和深度学习知识的人是非常紧俏的。随着深度学习和一些数据驱动的应用的兴起，很多人认为，我只要学好深度学习，就万事大吉了。但是真正到产品应用和产品工程化的时候，所有的深度学习都要落实到部署上面，这就需要你懂得很多机器人知识，并和感知模块，路径规划模块去配合。我认为同时具备这两种知识的人才还是非常少的。

任：这个问题之所以被提出来，是因为四五年前，只要你会一些和自动驾驶相关的技能，就很容易找到相关工作。而现在的要求却大大提高了，因此这让人感觉行业是不是饱和了？而之所以这样，是因为人才的标准变高了，那时的任务主要是做demo，演示一下就可以。而现在则需要真正的产品，需要你能发现问题，并对于问题有深刻的理解并去解决它。

另外，之前有学生在课上提问我，现在的理论知识对于我们做自动驾驶来说涵盖了多少？我的回答是目前学的理论框架在未来很长一段时间仍然适用。那这是否意味着，对于自动驾驶人才的需求在未来很快就会饱和呢？其实，算法理论的成熟到落地有很长的路要做，而从落地到量产也仍然有很长的路要走。自动驾驶是一个与硬件相关的巨大工程，算法的持续优化可能需要未来至少10到20年的时间。所以希望大家不要以当前算法的成熟度来评价当前行业是否饱和。

刘：嘉信刚才说到很好的一点，现在行业内有相关工作经验的优秀的应聘者是数量较少并且可遇而不可求的。有很多的候选人的项目经验是广而不够深，简历非常亮眼但是对细节往往不求甚解。相比大而全的项目经历，在小鹏我们更偏好候选人的基础扎实和高潜力。我们自动驾驶团队在面试的过程中，并不会考太难的算法题而更重视基础和概念性问题。

而对于代码能力的要求，我们主要看应试者写代码的流利程度，思维方式以及面试中的交流沟通意识，很多时候不会强行要求0-bug。如果候选人能主动或者说在我们的提示下对bug能进行修正，其实是有加分项的，因为我们还是希望寻找的是之后能够一起“开心”debug的同事。急功近利要不得。希望大家夯实基础，能够在工作和项目中，不断学习成长，实现自我的超越。

4.企业在招聘时更着重考察面试者哪方面的知识储备或者能力？又忌讳哪些？是要求工程能力和算法能力五五开，还是更注重算法能力？

夏：工程和算法的概念其实都比较宽泛，不同领域的算法和工程都是有区别的，而我认为目前一些自动驾驶事故的发生，说明了算法还是存在一定的瓶颈。

算法分为线上和线下，线上包括感知，地图，规划，控制。感知主要和深度学习相关，而定位建图则是机器人领域很长时间存在的一个问题，然后还有自动化里的控制算法和机器人的规划算法。线下则包括深度学习的训练，以及地图的高校建设管理，还有就是一些场景的仿真，这里面都有很多算法。这其中有一些是新的学科，而有一些是相关的学科，所以通常是需要在过程中积攒经验，按照需求解决问题。算法在早期需要创新的突破，而工程师则是需要从工程的角度利用算法解决问题，这就需要你了解，哪些算法可以解决什么问题。

同时，硬件也是自动驾驶的一个重要环节，比如之前在Dapra比赛引入激光雷达作为传感器，带来的感知提升立竿见影，所以我们也要关注硬件上的一些进展。除此之外，工程上的一些变化也会对我们的项目带来影响，比如CNN的部署需要很大的算力，很难执行，后来是通过GPU的参与，才让大规模计算的落地成为现实。

关于工程能力，我认为代码只是一个表达算法的工具，之前一些公司开发代码的方式是通过一些算法人员想一些方案或者写伪代码，另外有其他工程人员去实现和部署。我认为这种方式已经相对落后了，也很难做好。在设计算法的过程中，其实需要考虑到硬件环境和功耗。我认为工程能力不应该只是把代码写下来，而是说在设计阶段就考虑到系统的线上稳定，线下更新，否则代码很难去更新，测试和替换。线上就是如何让多模块大规模的系统稳定运行，而线下就是指如何把数据尽快的回传迭代。

关于忌讳，我最忌讳的就是面试者的华而不实。比如一些面试者可能看了一些微信文章，就会声称自己对一个东西非常了解。对于能力，我觉得早期的发展可能会更多关注算法，因为需要创新，而如今，可能更多的强调工程能力。总体来说，这两者之间需要找到一个平衡，对于一个希望长远发展的公司来说，两者缺一不可。

黎：我觉得任何算法问题经过落地，都会变成一个工程问题。比如一个简单的物体检测，如果要落地到自动驾驶，需要考虑到各种传感器的时空和联合标定，在C++里做模型推理的代码，还有和其他模型的资源冲突问题，以及大量的corner case往往都需要很多的工程任务，可能这些会被人们成为“搬砖”。但是，其实在做工程，做项目的过程中，搬砖是一种最重要的能力。

搬砖也分很多种，比如在模型训练的时候，根据可视化，发现某种场景下的问题，然后采集更多的样本，进行模型迭代，这是一种最基础的搬砖；还比如做数据挖掘，我们用跟踪的算法、用大模型，创造出伪真值；或者用主动学习，从而进一步挖掘corner case，这也是搬砖，但对于公司和个人成长可能有更大的价值。所以，大家不要小看搬砖，搬砖也是一种很重要的能力。

刚才提到了一种先写伪代码，再让其他人去实现的开发模式，我也是不支持这种模式的，因为两者之间的工程需求不一样，一者的目标是模型漂亮，测试效果好，而另一者可能更多的关注落地的实际效果。

对于个人来说，研究能力也是非常重要的，好的研究能力可以让你很快的了解熟悉一个问题state of the art 的解决方案，从而可以更快的解决问题。

总之，算法和工程能力都非常重要，一个只会低级搬砖的程序员，或者一个只会写伪代码的算法研究者都可能不是公司所期望的。

任：我补充一个点，我在面试时比较忌讳一个人做一件事情不够细致，不够深入。比如一个人工作了五六年，项目经验也很丰富，但是我常问的一个问题就是“你的算法在实际测试中发现的三个头部问题是什么，然后你是怎么解决的”，很多人对于这个问题都回答的不好，这说明他在实现demo的过程中没有进行足够多的测试，可能问题都是其他人解决的。这说明面试者在这方面的能力是不健全的，而对于一个工程师来说，发现细节问题并解决，是一种很重要的能力。

可以理解的是，一些算法工程师希望更快的了解更多的算法，从而忽视了一些细节，但是，我希望大家在了解一个算法的过程中，都给自己定下更高的要求，就是：如果你不了解一个算法的问题在哪里，就等于不理解这个算法。我觉得这可以作为工程师判断自己是否合格的标准。

5.如何看待算法工程师的学历？有哪些建议？

夏：其实我们面对的是以研究生为主的生源，学历可以作为一个标签，如果你具备博士或者研究生学历，意味着你在研究一个课题的过程中，能够从不了解到深入学习，这也意味着你有一定的学习能力。当然这也只是一个标签，如果你没有这个标签，你也可以从其他角度证明自己，比如一些本科生会在简历里写出自己的一些开源项目的经历，以及比赛的经历，这些同样可以证明你是否有学习能力或者潜力。

刘：我觉得高学历可能只是一个加分项和敲门砖，本身并不能说明太多问题。如果学历不好，但是你有亮眼的Github开源项目，也是一个很棒的加分项让你脱颖而出。另外，你也可以通过内推的方式让你的简历更有可能让合适的人看到。所以，快去联系你在小鹏工作的师兄师姐亲朋好友吧！

黎：我也认为学历只是一个进行简历筛选的工具，面试更多的是考察你的基础能力，是否聪明，具有上进心。的确有很多学历不好的同学会挂在简历筛选，那么弥补的措施可能就是之前提出的两种方式，以及寻找相关的实习工作，并描述清楚你的实习任务。除此之外，在描述你的项目经验时，如果是基于开源框架，一定要描述清楚自己所做的不一样的地方，并提供你的思考。

任：之前我有了解一位三本背景的同学通过自己的努力，成功应聘了高仙的感知岗位，我认为他之所以能成功，是因为他非常专注，他用一年的时间去学习相关知识，并且把大作业的每一个点都反复梳理。所以，如果你觉得你的能力有限，就把自己的关注点聚焦在一件事，专注把这件事的每个细节都做好。

6.对在校生有哪些建议呢？以及对于初入职场的工程师有哪些“少走弯路”的成长经验分享？

任：?我觉得从我面试的经历来看，我的方向是定位，这块目前主要是两个方向，一个是基于学习的端到端的方式，另一个就是基于传统方法，而传统方法目前确实比较“卷”，很多同学出于发论文的角度，会更关注基于学习的方式，但是，这些同学对于基本的后端优化，投影的基本方法都不熟悉。

所以，同学们在进行课题选择的时候，一定要考虑到你研究的方法是否和工业界的需求对接，此外，你也要考虑你的产出，不能说三年你就是单纯的学习，还是应该考虑具体的产出，把自己的学习和一个具体的工程方向结合，去解决一个工程问题，这样对你找工作也是比较有利的。

黎：关于这点，在深度学习领域，我认为很重要的一个思维是数据优先，数据的重要性可能大于模型，如何获取数据，如何清洗数据，将更直接的决定项目的成败。举个例子，之前我有一个同事，虽然是本科学历，但是却“干翻”了一大片硕博的同事，因为面对别人觉得不适合训练而放弃的数据，他可以通过数据清洗进行利用，从而让模型效果足足提升了20%，这比调参，增加transformer的效果要显著很多。也就是说如果能重视数据处理，可能让自己的项目能力提高很多。

对于硕博同学，如果进入工业界，最重要的事情可能就是搬砖，也就是如何满足公司的实际需求，有些同学还是希望更多的关注最新的模型和论文，而这些可能不太符合公司的核心需求。之前我和另一位博士聊到博士在工业界的优势时，他的观点是博士的优势可能是在于年龄，你经过了四五年的打磨之后，可能对于为人处世，对于产品，有了更深的理解，也更能理解老板或者公司对于产品的规划。

其实很多博士在学校的研究成果是很难在公司落地的，那么要寻找自身优势，就要换一种方式。我认为目前在公司有一种弱化研究能力和论文的趋势，前几年大厂的AI lab都非常火，每年会发很多顶会论文，而如今这些机构可能都经历了各种重组，过得并不好。过去，确实需要很多人在研究领域开疆拓土，而如今，大家都在转换一种思维方式，更多的从项目落地的角度务实的考虑这些问题。

刘：作为一个非电子系或者计算机科班出身的人，我来聊一下理科生的自动驾驶的转行。我本科和博士都是在物理方向，我毕业后的第一份工作因为和我的博士方向关系比较大，所以比较顺利。但是因为觉得那个行业长期来讲并不适合自己的发展，而且当时我对于计算机视觉和刚刚兴起的深度学习产生了浓厚的兴趣，因此开始了为期两年的学习和转行之旅。我在那之前编程的经历主要是关于matlab，以及比较浅显的C语言和Fortran经验。编程方面，我从最开始的python学习，到刷tensorflow和pytorch的教程，阅读github上的一些开源代码，并自己动手搭神经网络。关于理论方面，在最近几年多的时间，我也读了大概四五百篇论文。

这个数字虽然看起来很大，但其实只要你愿意坚持，积沙成塔，最后也是可以水到渠成的。对于想转行的同学，我希望大家不要着急，只要你保持对于这个领域的兴趣，并且有恒心，相信大家最后还是可以实现自己的目标。

夏：我认为学习是一定要持续的，相比与学校的学习，在公司的学习是有焦虑感的，因为需要你在一段时间有一定的产出，相比之下，学校的学习是没有这么功利的，甚至可以自动的去选择一些课程去学习，并且我觉得学校的学习也不需要太功利化，然后过分的关注社会的需求点。我认为学校的学习有一段很长的时间，大家可以静下心来，去把一个学科学的很透彻。但现在，有一种浮躁的氛围，像深度学习，大家都希望通过模型的更新实现效果的提升，但是很多同学都止于这一步，一旦模型出现问题，就不知道怎么去调试。

这意味着，我们在工作中，失去了分析问题，解决问题的能力。我希望大家在学校的学习中，能够静下心来，深入到底层，我们读书的时候，计算机专业的同学非常喜欢看操作系统的源代码，物理系的则会深入数学，当时我是学电子通信的，也是对于线性代数有很仔细的阅读。

我认为，在学校去深入的学习一门学科，当时可能没有理解它的收益，但是之后在工作中，这些都是可以串联起来的。关于深度学习，很多东西虽然是不可解释的，但是也有很多东西是基于一些经典的优化理论。如果对于这些数学原理不了解，就只能肤浅的进行一些修改，一旦出现问题，也很难深入分析。

自动驾驶需要好的团队，但同时也需要那些敢于创新的人才，但是在面试中感觉那些基于兴趣进行创新的人才越来越少了。希望大家在高校期间，能够去深入的探索一些问题，对于一些问题能够有足够深刻的认识，这样大家在今后的工作过程中也会有更多的信心去解决一些问题。

7.自深蓝成立以来，参加过培训的同学也有超过数万人次，但是一些同学即使得到了优秀学员的称号，也不敢把它写在简历上，因为担心一些公司对参加培训来学习认识的同学有一定偏见，大家是怎么看待这个问题的呢？

夏：对于在学校学习的同学来说，自然有旁听一些课程的途径来进行学习。但是对于一些已经工作的同学来说，可能参加线上培训是可以想到的最直接的自我提高或者转行的方式。从这个角度来说，如果我想学习一个领域的新知识，而一门网课正好提供了相关内容的系统性教学，那么为什么不去学习呢？

刘：深蓝的课程我旁听过几次，质量都很高。我虽然没有从头到尾完成一次深蓝学院的课程，但是我自己在转行过程中，也参加了一些国外公开课比如coursera的课程。这些培训经历我会建议在简历里写上，至少可以说明你愿意在业余时间花费时间和金钱去完成个人的提升，我认为这其实是很酷的一件事。

黎：我自己在深蓝讲课，很多人都会说课程很难，其实不是说课程真的那么“难”，而是因为很多人在面对每周一次的作业时，很难去继续坚持，钻研，所以最后剩下来的人可能不到十分之一。虽然坚持到最后不一定就代表你完全掌握了这门课，但是坚持本身就是难能可贵的一种品质不是吗？我本人教课，自然知道深蓝课程的难度，我也相信随着深蓝这个品牌的推广，大家也能更多的对于这些课程的质量达到一定的认可。

我个人不会对参加线上培训的同学有任何偏见，但是我觉得更重要的是，参加了培训的同学能否在简历上有效的展示了自己的学习成果，证明自己的学习是有深度的，而不只是一带而过。

任：我本身也在深蓝学院教课，像“优秀学员”这样的荣誉在我看来肯定是加分项。但是，不好的现象是，一些同学在完成作业的过程中，仅仅满足于作业框架中需要填空的部分，而对于整体架构和理论基础缺乏认知，这是我们要避免的。不过这只是一小部分同学，大部分得到优秀学员荣誉的同学还是非常优秀的。

说在最后

以上是本次直播的全部内容～最后祝大家在这金九银十的秋招季，能够求职顺利，也希望这次分享能够对大家接下来的学习和工作有所启示。