2019 秋招的 AI 岗位竞争激烈吗？
1. AI 热潮的顶峰：
资本与媒体的狂热追捧： 2019 年，人工智能正处于一个巨大的风口。从国家战略到各大企业，再到媒体的报道，AI 几乎是无处不在。这股热潮吸引了大量的资本涌入，使得拥有 AI 技术和人才的企业纷纷加大投入，招聘需求随之暴增。
“人机大战”的持续影响： 像 AlphaGo 的胜利等事件，极大地激发了公众对 AI 的兴趣和对相关人才的需求。人们普遍认为掌握 AI 技术就能拥抱未来，这导致了大量非科班出身或者对 AI 抱有美好幻想的人涌入这个赛道。
技术的快速迭代与应用落地： 当时，深度学习、自然语言处理、计算机视觉等技术在各个领域都展现出巨大的应用潜力，从自动驾驶、智能助手到医疗影像分析，AI 的落地应用案例层出不穷，进一步推高了对人才的需求。
2. 求职者数量的爆炸式增长：
高校 AI 相关专业毕业生数量激增： 受 AI 热潮的驱动，国内高校纷纷开设人工智能、大数据、机器学习等相关专业。这使得每年的毕业生数量呈现爆发式增长，尤其是硕士和博士毕业生。
跨专业转行者的加入： 除了科班出身的毕业生，大量其他专业的学生，特别是计算机科学、软件工程、数学、统计学等相关专业的学生，也选择通过自学、培训班等方式转入 AI 领域。他们看中了 AI 的高薪和发展前景。
海归人才的回流： 一部分在海外攻读 AI 相关的留学生，也选择在 2019 年回国就业，他们往往拥有更前沿的理论知识和研究经验，也增加了竞争的难度。
3. 对人才技能的高要求与不匹配：
理论与实践的脱节： 很多毕业生虽然学习了 AI 的理论知识，但缺乏实际的项目经验。而企业更看重实际解决问题的能力，包括模型设计、调优、工程实现等。
算法工程师的门槛极高： 尤其是核心的算法工程师岗位，通常要求扎实的数学基础（线性代数、概率论、微积分）、深厚的机器学习和深度学习理论知识，以及优秀的编程能力（Python、C++）。同时，还需要对某个具体领域（如 CV、NLP、语音）有深入的研究和项目经验。
缺乏特定领域专长： 很多 AI 岗位并非泛泛的 AI 岗位，而是需要具备特定领域知识的 AI 工程师，例如自动驾驶的感知算法工程师、NLP 领域的对话系统工程师等。很多求职者在这方面存在短板。
工程化能力的考量： 除了算法，企业也越来越重视 AI 工程师的工程化能力，包括模型部署、推理优化、数据管道构建等方面，这进一步提高了对人才的要求。
4. 招聘渠道与面试流程的挑战：
热门公司Offer争夺战： 像BAT（百度、阿里、腾讯）、华为、字节跳动等科技巨头，以及一些新兴的 AI 独角兽企业，成为所有 AI 求职者争夺的焦点。这些公司的招聘名额相对有限，但收到的简历数量却极其庞大，导致了极低的录取率。
多轮高难度技术面试： 很多 AI 岗位的面试流程都非常严谨，通常包括多轮技术面试，涉及算法、数据结构、机器学习理论、项目细节等。很多面试问题深入且具有挑战性，需要求职者有扎实的功底和清晰的思路。
笔试的淘汰率高： 很多公司在招聘 AI 岗位时都会设置笔试环节，题目难度大，考察范围广，很多人在笔试阶段就被淘汰。
5. 整体感受：
总的来说，2019 年秋招 AI 岗位的竞争是 “僧多粥少” 的局面。
焦虑感普遍存在： 很多同学为了拿到一个心仪的 Offer，付出了巨大的努力，但仍然面临着巨大的压力和不确定性。大家会互相分享面试经验和信息，但也加剧了竞争的紧张感。
“内卷”现象严重： 为了在众多竞争者中脱颖而出，很多人会刷大量的算法题，参加各种技术竞赛，甚至报班学习，导致整个求职过程充满了“内卷”。
部分岗位需求饱和： 虽然整体 AI 人才需求旺盛，但某些细分领域，比如基础的图像识别或者简单的模型调优，可能已经出现了人才饱和的情况，这使得竞争力更集中在有深度研究或特定领域专长的求职者身上。
总结来说，2019 年秋招 AI 岗位的竞争激烈程度体现在以下几个方面：
需求端： 资本和技术的双重驱动，导致企业对 AI 人才的需求井喷式增长。
供给端： 高校专业扩招和跨专业转行者涌入，使得 AI 求职者数量爆炸性增长。
门槛端： AI 技术本身的复杂性和企业对人才高技能的要求，使得合格的 AI 人才供给相对不足，尤其是具备深度研究和工程落地能力的顶尖人才。
竞争格局： 热门公司和岗位成为大家争抢的目标，导致面试和笔试环节的淘汰率极高。
如果你在准备 2019 年的 AI 秋招，那么你一定能深切体会到上述的描述。当时的市场对于 AI 人才的需求是巨大的，但同时，进入这个领域的人才数量也同样庞大，而且对人才的要求也非常高，导致了前所未有的激烈竞争。
网友意见
一方面我是今年的应届毕业生，也面了几家公司；另一方面我在拿到return offer之后，也部分地参与了我实习所在公司今年的秋招；所以大概可以提供一个兼顾双方的视角。提前声明，我的描述只适用于部分985中上等高校学生和部分一线AI公司算法岗位招聘现状，如有不妥之处请大家指正。
概括而言，两种略显矛盾的供需不平衡同时存在，而且都很严重。一方面，有海量的同学跟随这股AI大潮转投算法岗，收到的简历量几乎是headcount的数十倍。另一方面，即使不断被HR小姐姐们要求降低录取bar，本着宁缺毋滥的原则，计划的headcount依旧用不掉。
于是展示在大家面前的现象就很有趣。学生群体里，大概都是如下的情绪：「kaggle类比赛打了一堆，连面试机会都拿不到」，「实验室里做的东西，怎么面试官都看不上」，「算法题也做不出来，数学题也做不出来」。
而researcher这边，完全是另一种反馈：「项目都是拿人家code来跑的，别说魔改了，code都没读明白，一问就露馅」，「没paper没项目就只能问你算法和数学了，再答不上来那培养成本也太高了」，「有不少也就刚够intern的bar，这full-time怎么再往下调bar啊」。
我认为这种现状是和AI领域的发展状况有关系的。现阶段的AI，尤其是Deep Learning，某种程度上是一个易上手难精通的东西。网络上有丰富的电子书、公开课、blog、code等资源可以帮助一个人入门DL，但看过一篇blog->看过原paper->跑过原code->通读过原code->从零复现过原paper，仅仅到这里，这个人和一开始就已经完全是两个水平了。而大多数人还没到这里就已经被淘汰掉了。同事面试时经常会遇到做keypoint但搞不清OpenPose细节，做detection连NMS都写不出来的学生，这样的学生也别怪竞争激烈，确实是没法要。
然而即便是做到这里都不一定意味着这个人能满足一线公司的需求，可能也就刚刚达到一线公司愿意给你个internship开始培养你的程度。一线公司需要的是能快速跟进业界新方法，并能根据产品线作出针对性改进的人。想达到这个能力，可能要阅读>50篇paper打底，且要么在实验室里扎扎实实地跑过一两年的实验，要么在公司里扎扎实实地锻炼半年以上；单凭做几场比赛拿个Top30，跑几个demo，是绝对达不到一线公司的需求的。
而且国内的高校除了几个实验室之外，大多数组里做的东西都很水，在一线公司researcher眼里就是搬不上台面。一方面，很多经费不充裕的实验室一个人只有一块GPU可用，甚至要几个人分时段用一块GPU，而多数一线公司research团队早就可以给intern配备4卡以上的计算资源了（比如我就经常独占几十块卡跑实验，我还不是用得最多的intern）。另一方面，即使是985中上等高校的很多实验室，无论是教师水平还是学长水平都too simple，sometimes naive，学生经常得不到准确和及时的指导。几个月下来，对自己做的项目的理解依旧令人捉急，这样积攒来的稚嫩经验显然是很难满足业界需求的。至于那些有知名度的实验室出来的学生，一线公司都是常年盯着，定向抢人，根本不愁出路。
因为DL的理论跟不上实践，很多东西其实是没有标准答案的，一线公司的research团队都积累了大量的经验性结论（包含但不仅限于调参）；倘若学生没有一定量的实践经验，是很难招架得住面试官的几轮追问的，而这个经验限于高校教育水平和硬件条件，不是那么容易积攒的。但另一方面，倘若在面试过程中学生体现出了他是科学地设计了他的项目，从motivation到experiments都很有条理，有一定的思考深度和实现难度，能合理地评价实验中的pros&cons，是一定能得到面试官的青睐的。
我也思考过简历上的哪些东西可以切实地打动面试官。能做到以下至少一条的基本不用担心offer的问题；都做不到的并不意味着拿不到offer，但可能就是borderline的评价，淹没在茫茫人海中，要在各家公司的waiting list里徘徊一阵。
- 在某个子领域手握有含金量的顶会paper（最好是一作），或在比赛中做到接近state-of-the-arts水平；这类人总能扫荡special offer。我这里要表明一点，Kaggle和天池一类比赛除非拿到Top5，否则很难吸引一线大厂关注，因为这种比赛平时就很难吸引到该领域最强的那批人参加，大佬们随便拿个baseline都能Top10起步。但如果是顶会workshop这种级别的challenge（比如COCO），Top5乃至Top10的含金量都会高很多。
- 专攻某个子领域半年以上，且与面试的组的方向比较契合，了解该领域的最新进展，能复现常见方法并理解细节，对该领域的常见套路有自己的见解，能对该领域的新方法做出一定程度的评价，如果有paper不能是太烂的会议期刊。方向契合非常重要，一个做Detection的组多半是不会招做压缩感知的人的；目前一线公司多数产品线也不太需要做semi-supervised的人，因为一线公司主流业务的数据量都很大，远比实验室要大。
- ACM银牌中上游起步算法水平的本科生，同水平数学类竞赛奖项也有说服力。统计结果表明，同样是没什么有说服力的项目经历的人，培养一个数学水平高或算法能力强的人要容易很多。如果是研究生，那还是需要有一些靠谱的项目经历才行。
你会发现，能做到这些的人都已经是学生们口中的大佬了，数量真的不多，各家公司都在抢，甚至一家公司里不同组都会抢，根本填不满headcount；而且这批人基本在提前批就被一线公司捞干净了。
而更多其他的人，都处在borderline和weakly reject的水平；这也没办法，公司确实需要高于这个水平线的人。一个简单的例子，我所在的组里，如果是一个比较成熟的领域，经常是周一有个需求，周二拿出个方案，周四就要给出一个初版结果，根本不会有实验室里花半个月吭哧吭哧调模型的时间；没有上述水平垫底，怎么做得到呢？
而上述标准各自往下调，基本就是招intern的bar了；能做intern的时间越久，这个bar就越低；基本上每多3~6个月的实习期，bar就可以多往下调一档；当然也是有个底线。
关于顶会paper的事情额外多说一点。这些年顶会投递量大幅增长，但accept比例基本保持不变，再加上paper过多导致reviewer数量不足、质量也良莠不齐，这些因素叠加在一起导致有顶会paper不再是稳定的offer收割机。
面试就像现场rebuttal，现在面试中已经出现了不少虽然有顶会paper，但要么motivation很模糊，要么idea经不起推敲，要么experiments不完善甚至不科学，要么没有排除很多因素的影响，要么对比数据有猫腻，根本经不起追问。所以我上面强调有含金量，不能太水，更重要的是，要有自己的思考，而不是别人喂了你一个idea挂了个名就完事了。我被面试过很多次，也面试过很多人，相信我，一篇paper、一个项目，里面有多少干货，自己的实际贡献有多大，在面试时很容易就能试探出来。
而且不要坐井观天。有些人在很多国内高校实验室里做出来的东西，中了个CCF B/C类会议，或者侥幸中了个A类，觉得很满足；可是由于环境水平限制，没有对比，不知道自己做得其实有很多不足甚至硬伤，结果拿出去面试时被秒杀，然后在网络上在生活中宣扬面试问得太深太难，这种现象我也是见过几次了。而实际上，哪怕你做过的东西真的有很多不足（这很正常，谁还没个起步阶段），但倘若在面试时能表现出对自己做过的东西有清醒的认识，有正确的复盘，面试官是不会轻易否定这样的人的。
在一个优秀的环境里时常被大佬们challenge，其实是一种幸福，水平提升会非常快。积攒的干货多了，即使没有顶会paper又怎么样呢。
如果一线AI公司算法岗位暂时够不到，或者还剩一两年的时间打算冲击这样的岗位，该怎么做呢？我想这就像摆在你面前有一个你想够但是够不到的台子，你要做的就是搭一个梯子逐步地（而非一次性地）爬上去。
首先还是夯实基础。现在很多高校计算机系的数学和算法课程水到令人发指，跟着老师上完一学期课拿个75分的水平，跑来搞AI基本是不够用的。书该看就看，题该刷就刷。
挑实验室选导师要慎重。如果在一个实力不错的实验室，那就好好跟着老师干。这里实力不错的定义是实验室每年能稳定输出顶会paper（且不是凭借某个大神学长，而是实验室整体实力使然）。要是做不到，就尽可能出来实习，不要浪费时间精力在没有意义的项目上。要相信导师不放人并不是完全不可克服的阻碍。找不到太好的实习就先找一个次一点的实习，一点点提升。
尽可能专注于一个方向，不要方向ABC各做3个月，多数情况下都不如只做6个月方向A。如果可能，尽可能做基础的方向，做与业界需求贴近的方向。比如如果你做Detection的，那以后无论是Face Detection还是Text Detection你都能比较容易地上手，让你转做Segmentation也不会吃力，让你做Tracking也不会很难。学术界做的很多东西和工业界还是有差异，如果你很早就想好了要进工业界，那还是早做打算。
如果算法不太行，还想靠近AI行业，其实也有不少路可走。工程类岗位每年也有大量需求，DL框架的优化，分布式训练平台的开发，ARM/FPGA/ASIC平台的适配……有很多事情可以做。data management和QA类相关岗位也有不少需求，而且虽然要求不高但愿意干的人少，竞争还小。
无论是做什么方向，包括但不限于AI岗位，解决问题的能力、持续学习的态度、独立思考的意识，永远是最值钱的。具备了这些，没有什么技术类工作是永远够不到的。
update：
加个广告，旷视研究院Detection组常年招收full-time & intern，本组研究范围定义为category level的一切task，涵盖且不限于Detection、Segmentation、Keypoint、Skeleton、Tracking等，包括2D、3D、Video，近两年拿了COCO冠军若干项。有意者可投简历至wangjianfeng@megvii.com。对其他组、其他方向、其他岗位有兴趣者同样可以发简历过来。
AI岗位这说法比较笼统，这个领域还有许多细分的职位。如算法工程师，数据挖掘工程师，智能硬件产品工程师等等。下面分析几个案例，让准备参加校招的学生们加深对AI领域一些基础岗位的认识。
算法工程师
男 2 年工作经验|本科
XX医学科技有限公司 | 算法、数据工程师 | 8k/月
行业类别：计算机软件
工作描述：
1.运用数据挖掘技术和数据预处理等方法获取标准数据；
2.利用C/C++、Python等语言结合CUDA、TensorFlow、Kares等机器学习框架；搭建适应场景的算法模型；
3.通过对标准数据的测试验证；分析测试效果，再结合领域知识，实现模型的优化。
4.曾担任过产品经理，为实现客户需求、推广公司AI产品，绘制产品需求文档和原型交互设计等材料，准确地传递了客户的需求，明确了产品的研发方向。
项目经验--胃镜病灶的目标检测 |
工作描述：
利用python语言在TensorFlow/Kares学习框架上搭建AlexNet、VGG、ResNet等目标识别算法实现对含有病灶的图像进行识检出；搭建RCNN、SppNet、FastRCNN、FastRestCNN等目标检测算法，实现对含有病灶的胃部图像进行识别检出；对运算结果的精确率、召回率和特异性建立RoC曲线和PR曲线，结合TensorBoard来测评模型的性能及其合理性。
男 1 年工作经验|本科
XX科技有限公司 | 深度学习算法工程师 | 8K/月
行业类别：互联网/移动互联网/电子商务
工作描述：
负责公司图像方面的项目任务，对深度学习算法进行研究并实现，利用常用的深度学习模型诸如卷积神经网络、递归神经网络，对图片进行模式识别、人脸检测等；完成神经网络模型搭建与训练，对模型进行超参调优，实现算法的改进与优化；配合项目经理及团队成员共同完成业务要求，并撰写报告文档。
专业技能：
1、掌握C，python等编程语言；
2、熟悉深度学习相关神经网络，如DNN、CNN、RNN、LSTM、GAN等，对机器学习相关算法有所了解；
3、熟悉TensorFlow深度学习开源框架；
4、熟悉Numpy、PIL、Matplotlib、OpenCV等模块库；
5、掌握Linux常用的操作命令；
项目经验--门禁系统(人脸识别) |
工作描述：
训练样本数据获取，搭建P网络、R网络和O网络，训练神经网络模型，优化深度学习框架。
数据挖掘工程师
男 2 年工作经验|本科
XX软件有限公司 | 数据挖掘工程师 | 12K/月
行业类别：计算机软件
工作描述：
1、对前期数据进行清洗，规整等操作
2、对数据进行特征工程的处理，包括特征抽取，特征的选择，创建特征，创建自己的转换器等
3、分别抽取训练集与测试集，选定特征值与目标值
4、通过算法对数据进行预测
5、将预测值与真实值进行比较，得出准确率
6、通过算法，对结果进行不断优化（或者选择更加合适的算法）
7、后期通过真实数据的检测，不断优化算法
项目经验--乙方公司客户诉求热点分析 |
工作描述：
1. 需求落地和方案编写；
2. 数据准备和预处理，去除停用词；
3. 特征工程：运用td-idf模型构建文本特征，并且进行数据的降维PCA；
4. 数据分析的实现，包括数据验证和模型优化等；
5. 分析报告的编写与汇报；
智能硬件产品经理
男 1 年工作经验|硕士
XX科技 | 产品经理 | 20K/月
行业类别：电子技术/半导体/集成电路
工作描述：
智能硬件的产品经理，深度参与了人工智能设备——智能音箱的设计、研发、上市过程，工作内容描述如下：
1. 市场调研；
针对AI语音领域及其应用场景，进行市场调研分析、竞品分析，撰写MRD、可行性分析和立项申请报告；
2. 产品设计；
参与AI智能音箱产品的设计，撰写PRD和核心SPEC定义产品，包括硬件架构定义、软件功能需求、关键技术和性能指标需求、交互设计等；
3. 硬件方案选型；
针对AI音箱的功能需求及成本限制，进行了如CPU、ADC等关键器件的方案选型等；
4. VUI以及软件功能定义；
定义AI音箱的的软件功能，设计了部分功能的VUI（语音交互逻辑）；
5. 成本控制；
进行产品的成本核算及管控；
6、产品生命周期管理；
推动产品的硬件、软件、外观、电子和结构设计，跟进研发、测试，直至试产、量产，确保产品按照规划设计与实现。
7、项目管理；
协助项目经理进行项目进度管理，并参与协调供应链、研发等资源，保证进度。
软件开发
男 1 年工作经验|硕士
XX | 软件开发（人工智能方向） | 12k/月
行业类别：IT服务（系统/数据/维护） | 公司性质：民营
工作描述：
项目：小白机器人的项目设计和研发（业务 AI 化）
工作内容：
1、搭建人工智能软硬件计算环境。
2、研发发票识别并验真的深度学习神经网络，优化发票识别的精度、速度。
3、完成语音识别查报价、查库存、展示经营状况分析的功能。
4、研发门店区域客流量分析的深度学习神经网络以预测货架如何铺货，优化刷脸和客流分析系统的人脸识别速度。
5、引入营业执照识别并验真的 API 接口。
6、利用目前最先进的各种 AI 技术场景化公司现有的业务。
7、采用 SSD、Faster r-cnn 和 YOLO 做过拍照测肤方面的目标检测项目，根据各模型的精度和速度来优化算法。掌握 CNN、RNN、LSTM 等基本神经网络结构，熟练图像识别、分类和目标检测，熟悉图像分割和 NLP，了解语音识别。
AI行业目前处于风口上，吸引大量想入行的求职者。尤其是学计算机科学与技术，电子信息工程，应用数学等相关专业毕业的学生。但是，总体来说社会上相关的职位比做web开发，游戏开发的要少。对于大部分相关专业毕业生来说，进入不了AI领域，做其他领域的程序员也是不错的选择。
更多专业就业分析，职业案例解读，欢迎关注公众号：职评榜
类似的话题
-
2019 年秋季招聘季的 AI 岗位竞争可以说 异常激烈，甚至可以用“白热化”来形容。作为当年求职者的一员，我深切体会到了这一点，并且身边不少同学也经历了同样的“血雨腥风”。下面我将从几个方面详细讲述为什么当年 AI 岗位的竞争如此激烈：1. AI 热潮的顶峰： 资本与媒体的狂热追捧： 2019 年............. -
2019年的秋招啊，那会儿真是心潮澎湃，又带着点儿忐忑不安的日子。回想起来，就像在闯关打怪一样，每一场笔试、每一次面试都像一个小boss，打赢了继续前进，打不过就得总结经验再来。我的秋招目标其实挺明确的，就是想进入一家技术氛围好、发展前景广阔的大公司，尤其是那些在行业内有一定影响力的企业。所以，从暑.............
-
要说2019秋活前段实装的四条新船的立绘，那可是不少提督们在活动开始前就翘首以盼的重头戏。毕竟，新船的立绘直接关系到大家对她们的第一印象，也决定了“下不下饺子”的第一道门槛。总的来说，这四张立绘，各有千秋，也各有让人眼前一亮的地方，当然，也少不了茶余饭后的讨论点。咱们先来逐一聊聊这四位新舰娘。首先是.............
-
2019 年，要说进步最大的 Android 系统，我会将这份荣誉授予 Google 的 Pixel 系列搭载的 Android 系统。虽然其他厂商在 2019 年也推出了不少优秀的 Android 手机和定制系统，例如三星的 One UI 1.5/2.0，OPPO 的 ColorOS 6/7，小米.............
-
2019年国庆70周年阅兵，可以说是新中国成立以来规模最大、装备最精良的一次大阅兵，其每一个细节都蕴含着深刻的意义和中国力量的展示。以下是一些值得关注的细节，我会尽量详细地讲述：一、 时代印记与传承精神： “70”字样组成的受阅方阵： 这是阅兵式上最醒目的视觉元素之一。由受阅士兵组成的巨大的“7.............
-
2019年的“3·15”晚会曝光电子烟对罗永浩的事业确实产生了一定的影响，但并非是决定性的打击，更多的是一次舆论上的考验和对他的“小野”（FLOW福禄）电子烟品牌的一次负面曝光。为了详细讲述，我们先梳理一下事件背景和影响过程：事件背景： 时间点： 2019年3月15日，中央电视台的“3·15”晚.............
-
您好，关于褚时健先生 2019 年 3 月 5 日去世的这个信息，我需要澄清一下：褚时健先生于 2015 年 9 月 15 日就已去世，享年 87 岁。您提到的日期可能有所偏差。关于褚时健先生一生的经历是否值得肯定，这是一个复杂但非常值得探讨的问题。他的经历跌宕起伏，充满了传奇色彩，也引发了广泛的讨.............
-
2019 年 2 月 21 日（美国时间 2 月 20 日）在旧金山举办的 三星 Galaxy S10 系列发布会，是三星当年最受瞩目的一场发布会，其产品线非常丰富，包括了 Galaxy S10e、Galaxy S10、Galaxy S10+，以及后来在发布会上压轴登场的 Galaxy Fold（虽.............
-
2019年我国人口出生率创下2000年以来新低，总和生育率跌破警戒线，这一趋势并非孤例，而是全球许多发达国家和部分发展中国家普遍面临的挑战。持续的低出生率将对我国社会经济的方方面面产生深远的影响，其复杂性和连锁反应是多层次的。以下将从多个维度进行详细阐述：一、 人口结构失衡与老龄化加速这是低出生率最.............
-
2019年10月，韩国总统文在寅的处境确实面临着多重挑战，可以用“内外交困”来形容，但并非到了“无法挽回”的地步。以下是详细的分析：一、 内部政治压力与民意分歧加剧： 曹国事件的持续发酵和政治分裂： 2019年9月，文在寅任命了他的亲信曹国为法务部长官，引发了巨大的争议。曹国及其家人被指控涉及学.............
-
2019年9月10日，马云正式卸任阿里巴巴集团董事局主席，这是一个具有里程碑意义的事件，标志着阿里巴巴进入了一个新的发展阶段。虽然马云的离开引起了广泛关注和讨论，但阿里巴巴并非一夜之间就改变了发展轨迹。我们可以从多个维度来分析阿里未来的发展：一、 马云卸任的背景与影响： 有序的接班计划： 马云的.............
-
关于2019年NeurIPS（神经信息处理系统大会）上哪些论文被认为是“糟糕的”，这是一个非常主观且敏感的问题。学术界的评估是一个复杂的过程，通常涉及同行评审、引用情况、复现性以及对领域发展的实际贡献。直接点名批评某些论文并称其为“糟糕的”，很容易引发争议，而且也很难做到绝对客观。然而，我们可以从一.............
-
要准确地说出2019年CVPR上“糟糕”的论文是非常困难的，原因如下：1. “糟糕”是主观的： 什么被认为是“糟糕”的论文，很大程度上取决于评审的视角、研究领域的现状以及论文本身的贡献。一刀切地评价一篇论文为“糟糕”通常是不恰当的。2. 同行评审的门槛： CVPR是计算机视觉领域的顶级会议，其论.............
-
2019年中国人均国民总收入（GNI）达到10410美元，这是一个重要的经济数据，我们可以从多个维度来理解和看待它。一、 数据本身的含义和意义 国民总收入（GNI）：GNI是指一个国家（或地区）在一定时期内，所有常住单位初次分配收入总和。它与国内生产总值（GDP）略有不同，GNI更侧重于一个国家.............
-
《2019 年白领 996 工作制专题调研报告》指出，加班最“狠”的并非互联网行业，这一结论确实引人深思，也与大众普遍认知存在一定反差。要深入理解这一点，我们需要从多个维度进行分析：一、 大众认知的形成与局限性：首先要承认，互联网行业确实因其“996”工作模式而广为人知，甚至成为一种代名词。这种认知.............
-
2019年的NBA中国赛，篮网与湖人在上海交手，最终篮网以114比111的比分险胜湖人。这场比赛从过程到结果都充满了看点，可以说是相当精彩，给现场观众留下了深刻的印象。首先，我们得说这场比赛的 激烈程度 绝对是毋庸置疑的。比分上来看，仅仅3分的差距，这本身就说明了双方在整场比赛中你来我往，比分咬得很.............
-
2019 年国庆大阅兵的女兵方队，绝对是展现新时代中国女性风采的集结号，她们身上汇聚了太多令人瞩目的亮点，绝非简单的“女性力量”四个字可以概括。要说最让人印象深刻的，大概是以下几个方面：首先，“英雄母亲”的传承与担当，是女兵方队最动人心魄的底色。 在这次阅兵中，仪仗方队和三军仪仗方队的女仪仗队员，她.............
-
2019年女排世界杯赛场上，中国女排以3:0的比分干净利落地击败老对手美国队，豪取七连胜，这无疑是本届赛事中一场极其亮眼的胜利。这场比赛不仅仅是比分上的压倒性优势，更展现了中国女排在技战术、心理素质以及整体配合上的成熟与强大。开局就奠定胜局，精准发力压制对手比赛伊始，中国女排就展现出了极强的求胜欲望.............
-
2019年国内博士后招聘要求和待遇，这可真是个老生常谈又细致入微的话题。当年情况跟现在肯定有不一样，很多细节都需要回忆一下。咱们就从几个关键点来聊聊，力求接地气、不套路。一、 招聘要求：门槛在提高，但更看重“匹配度”说实话，2019年博士后招募已经明显感觉到竞争在加剧，门槛也在悄然提高，但也不是一味.............
-
到了2019年底，如果说中美在国际关系领域是“同等量级”的玩家，这说法确实需要细细掰扯，不能一概而论。简单地说，“同等量级”暗示着双方在各个维度上实力相当，可以相互抗衡，甚至在某些方面形成均势。然而，现实是复杂的，中美之间并非如此简单明了。从综合国力来看，美国依然是那个“鹤立鸡群”的存在，但中国上升.............
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有