每天给你送来NLP技术干货！

问：目前在国内大厂实习，感觉NLP落地产品，比如问答，2C上，基本上是辅佐另一个核心功能，自己基本上不可能成为核心功能。公司也曾在2C上尝试，亏了一波推广费。2B上，感觉缺乏泛化能力，客户可能更想要有自己需要风格的产品，如游戏领域，需要为特定场景做设计。再者就是高质量的语料库很难搞。

目前研一，想征求大家意见，现在裁员这么厉害，不行就转。倒不是因为竞争压力大，我也收过很多内推简历，感觉很多研二，研三的同学水平可能还没入门。主要是担心 NLP的潜力不大，主要指的是硕士就业噶。

刚出学校的时候肯定没问题，放在学术界当然也没问题。但如果放在工业界长期搞的话，对大部分人来说不太好。

工业界里，技术是为业务服务的，现在互联网的业务都不是靠单一技术撑起来的。无论网页搜索、图片搜索还是当下火热的视频搜索，它背后都是一套承载复杂业务逻辑的系统，单一的NLP、CV、Speech技术都只是其中一部分。

业务逻辑没搞清楚，系统模块之间如何互相影响没搞清楚，只是技术层面深度炼丹其中一个NLP模型、CV模型或者Speech模型的话，所能带来的系统层面的影响都非常有限。

一个视频搜索系统我能完全抛开视频视觉内容和语音内容来做吗？

一个图像检索系统我能完全抛开图像视觉内容来做吗？

一个网页检索系统我能完全抛开网页内容来做吗？

其实全都可以。

离了深度学习下的NLP、CV、Speech模型，这些业务系统总能找到一些巧妙的甚至非learning的方式达到不错的效果。

那这些先进NLP技术存在的意义是什么？

比如搞文本相关性，如果抛开现代NLP模型，那就要一顿分词、term weighting、计算CQR/CTR等term match的一堆人工特征，要写不少代码，维护不少系统模块，可能勉强能上80%的准确率。换上现代NLP模型的话，随手上个BERT就80%了。前者需要几十个人维护好几个模块，后者需要一个初级NLP工程师+几台GPU部署机器。

所以啊，低端NLP人才，其实不用很多。一个人就能卷死一大片传统算法模块。

而剩下那20%的困难问题，老旧系统+策略就实在搞不定了，BERT简单finetune也搞不定，咋办呢？

这就是大厂抢着要的高端NLP人才。校招卷潜力股，社招挖实力股。

没混过大流量的搜索业务的话，做文本匹配的NLP工程师还是很难知道怎么用BERT解这类hard case的，一不小心就陷入了写规则的怪圈里。

解决这20%疑难问题的能力，是非常通用的。做网页搜索能用，放在图像搜索、视频搜索里同样整体适用，最多策略层面“做做微调”。

但要学会这些，你要进nb的团队有牛人带，在问题依托的场景里向牛人学习。这些东西一般写不到论文里，写到论文里往往你也找不到的。

所以，如果觉得踏进了NLP圈子就叫有前途，那还是洗洗睡了。但如果能：

有其一的话，就能打开前途天花板。两者兼得那更好不过了。

越工作越发觉得，前途不前途的，还是要看自己的机遇和选择。

以下个人观点， 仅供参考：

一、 NLP很难在工作中拉开优势， 原因：

1、大部分任务在没速度太大限制的情况下都可以使用BERT等预训练模型达到最好的效果。

2、对于部分时间紧的需求， 来不及收集标注数据的， 往往就是写正则。

3、新技术出来的传播速度快，迭代速度快，弹出来一个什么有用的东西就会有千军万马follow。大家都知道要预训练、要prompt、要对比学习。

拉不开优势就意味着淘汰。

二、NLP各对话场景之间泛化确实不好

1、对于对话系统， 同样的对话状态管理流程换个场景就很糟，很多写好的模块不能重复用。要是换end2end吧，效果不可控，模型容易放飞自我。

三、目前NLP的文本生成离商用还有很大距离

1、“粗看通顺、细读一头雾水”的情况是NLP生成的现状， 不像人， 梳理完一个逻辑理论框架后再写。

2、写诗场景效果还行吧， 毕竟有些误差也无所谓， “一头雾水”和写诗挺搭的， 所以大家会觉得效果还可以， 但， 大家也都看腻了。

四、NLP的开源组件越来越优秀

1、比如百度paddlePaddle的命名实体识别， 效果足够好， import即可用， 自己再搞一个轮子？没动力了。

（这里就当给paddlePaddle打广告了， 毕竟我没付过费）

五、“NLP真难”，难的还不仅是技术问题

1、搜索、图谱、对话 这3大类，社会意义大，但很多公司都已经走过起步阶段，剩下很多“NLP真难”类型的难题。这些题不仅难、比重小、边际效益明显。入行了的人的产出要尽可能跑赢资本家的耐心，在各方力量之间取得微妙的平衡，否则就是被咔嚓的结局。

综上， 目前NLP的前景比较一般， 不要有不切实际的幻想，有没大突破还得等新的研究出来。研究型岗位还可以，虽然被咔嚓的例子很多，但至少有点盼头，实在没卷过，往业务型兼容也有机会；太偏应用、业务的就算了， 尤其是纯分类任务的场景（比如 审核），容易被替。

前途可能一般，不建议更多人入坑。其实就是比较简单的生产力和生产关系的问题。

其实20年前，nlp是一点都不火的，没有多少学习nlp的人。20年前的百度大搜索，为啥招聘会更看重一个人的潜力，说白了是因为学校培养的nlp人才太少了，完全不能满足需求，所以才会比较看重候选人潜力。过去20年是nlp技术高速发展的20年，并不是因为nlp在这个阶段因为取得了技术上的大突破导致行业高速发展的，而是因为互联网的快速普及和传播，给了nlp创造了大量的数据和新的场景，比如情感分析，语义匹配，query理解，自动摘要等，这些大多都是因为互联网的兴起而兴起的。大量的场景和样本就需要更多的产能来消化，这就导致了大量nlp的人才和技术孕育出来了。

然而我们看一下目前的互联网格局，就会基本get到文本的时代已经过去了，以一些简单的例子来说，目前百度app的日pv大概是10-14亿左右，渗透率接近天花板，dau也就在2亿左右徘徊很久了，这就说明文本信息的c端增量基本没了，但是抖音快手的搜索pv还是一直在涨的，两家加起来应该有个10亿pv左右；这个量级已经把文本的增量吃掉了。另外从互联网app时长上看，短视频的时长远高于文本相关信息的时长，说明大家都乐于看视频而不是看文字，因此b端后面也会受到影响。整体信息载体的发展，都在朝着文本见顶的路线走着，因此nlp未来会面临不增长的问题，科技股，互联网股，最担心的就是不增长，失去了增长属性，nlp的高回报率就会变差，因此现在入行意义不大了。

先说结论，当前技术发展阶段，无论是就业还是学术研究，nlp都很有钱/前途。有个前提是毕业后是走技术路线。如果你以后工作不打算走技术路线的话，那这个讨论就没有啥价值了。Nlp是一个很大的类，里面细分了很多具体应用，比如搜索，推荐，问答，机器机器阅读理解，情感分析，文本挖掘，机器翻译等等等等。基本上凡是涉及到语言，文字的地方都会有nlp的用武之地，甚至语音识别里面也有language model.就业面，就业前景当然是非常的广的。你问题描述中说的不过是问答产品落地中的一些问题而已，正是有这种问题，有待突破的点，所以才更有机会，更有前途。如果都很成熟了，调个包就能搞定，那你有什么优势呢？就业前途怎么样你可以自己动手爬一爬招聘网站职位做个统计。当前在就业上肯定比cv和语音识别类的岗位要多，薪资也更高。给个建议，如果你不是很想做研究性的工作，就多在具体的nlp应用中，或者竞赛中积累些经验，比如搜索推荐，问答。  如果想去大公司ailab最好还是要有篇拿得出手的paper。

知乎问答：NLP现在就业是否没有前途? 参考链接：https://www.zhihu.com/question/363740740 编辑：zenRRan

📝论文解读投稿，让你的文章被更多不同背景、不同方向的人看到，不被石沉大海，或许还能增加不少引用的呦~ 投稿加下面微信备注“投稿”即可。

最近文章

EMNLP 2022 和 COLING 2022，投哪个会议比较好？

一种全新易用的基于Word-Word关系的NER统一模型

阿里+北大 | 在梯度上做简单mask竟有如此的神奇效果

ACL'22 | 快手+中科院提出一种数据增强方法：Text Smoothing

投稿或交流学习，备注：昵称-学校（公司）-方向，进入DL&NLP交流群。

方向有很多：机器学习、深度学习，python，情感分析、意见挖掘、句法分析、机器翻译、人机对话、知识图谱、语音识别等。

记得备注呦