写在前面
随着新一轮科技革命到来，人工智能、大数据、云计算带来的庞大的新就业、高薪水，导致很多计算机的同学在努力往AI方面转，计算机领域的从业人员、研究学者、学生越来越多，研究方向面向前沿，出现了很多新颖的研究方向：如自然语言处理、计算机视觉、深度学习编译器、分布式计算、隐私计算等等……
那么在诸多方向中，哪个方向容易就业，哪个方向研究起来容易出成果呢？本期老师就来带大家梳理一下~
#1、隐私计算
阿里巴巴达摩院在发布2022十大科技趋势时便已经将全域隐私计算纳入其中，数据安全保护与数据流通是数字时代的两难问题，破解之道是隐私计算。隐私计算（Privacy-preserving computation）是指在保证数据提供方不泄露原始数据的前提下，对数据进行分析计算的一系列信息技术。
举个例子，图灵奖获得者、清华大学姚期智院士曾于1982年提出著名的百万富翁问题:”两个富翁的财产是1到10之间的证书，如何在不透露自己财产的情况下比较谁更富有？”这类处理这类棘手的“隐私数据”带来的问题的方法，就是“隐私计算”。隐私计算主要包括“密码学”和“可信硬件”两大类。对于密码学，主要是以多方安全计算（可以对密文进行直接处理）为代表，可信硬件的则构建了一个硬件的安全区域。在这个安全区域之上进行计算，从而保证安全。
随着技术的发展，互联网科技公司、金融机构、医疗、电信、电网、大消费等各界也在纷纷探索隐私计算的应用，涌现了一批典型代表，如金融+隐私计算(供应链金融、资产管理、风险管理、反洗钱、征信评估、财务审计等),医疗+隐私计算(运用隐私计算技术搭建有关平台，各医疗机构在不需要共享原始数据的情况下进行联合建模和联合数据分析) 。
#2、深度学习编译器
谈到深度学习编译器，我们首先要了解传统的编译器，编译器是将高级语言翻译为机器语言，从而可以减轻编程者压力的程序（高级语言可以用来描述某个具体事物的运行，往往更多地是描述一个逻辑）。逻辑在机器上执行的高效性，是考验编译器的一个重要指标，然而，通用性和高效性常常不可兼得，往往存在着矛盾，为了解决这种矛盾，专门针对深度学习的编译器（也就是深度学习编译器）出现了。
深度学习编译器可以拆成深度学习和编译器两个部分来解读：从深度学习角度来看，Google的TensorFlow和FaceBook的Pytorch、百度的Paddle，旷视的MegEngine，华为的Mindspore是开发主流的深度学习框架，各个框架各有千秋，比如如果追求易用性，可以选择Pytorch，如果追求项目部署落地，选择TensorFlow更好。从编译器角度来看，历史上出现了非常多的编程语言，比如C/C++/Java等等，每一种硬件对应了一门特定的编程语言，再通过特定的编译器去进行编译产生机器码，可以想象随着硬件和语言的增多，编译器的维护成本是越来越大。
目前来说，深度学习编译器主要用于两个场景：AI框架以及AI芯片。大多数从事于AI加速器特别是通用AI加速器的公司对编译器有着极大需求，早期AI加速器多面向特定应用，要求简单，手工优化就能发挥芯片，不需要考虑实现不同应用，随着需求增加，现在不少厂家开发更通用的加速器，以支持各种深度模型与应用。
#3、计算机视觉
计算机视觉（又称CV）是人工智能技术最令人兴奋的应用之一。该技术旨在“教”会计算机如何“看”世界（与自然语言处理、语音识别并列为机器学习领域的三大热点方向）。
计算机视觉本身又包括了诸多不同的研究方向，比较基础和热门的方向主要包括：物体识别和检测（Object Detection），语义分割（Semantic Segmentation），运动和跟踪（Motion & Tracking），三维重建（3D Reconstruction），视觉问答（Visual Question & Answering），动作识别（Action Recognition）等。
随着自动驾驶热和汽车厂商的加入，以及国家倡导的数字化转型，CV也持续发热，未来主要在几个前沿领域：
01、无人驾驶
无人驾驶车在普通汽车上融合了自动化技术、智能化技术以及互联网化技术等多种新型技术，对汽车产业来说更是一个重大的飞跃，早期无人驾驶车辆主要应用激光雷达传感器，近些年来计算机视觉发展迅速，低成本的视觉传感系统在无人驾驶领域也得到广泛的应用，视觉SLAM技术更是将研究推向了一个新的高度，成为无人驾驶领域重要的研究方向。
02、先进制造
在工业智能化、自动化、数字化等需求的大背景下得到迅猛的发展和应用，工业生产效率提升、质量保证、节省成本等方面起到了十分突出的作用。
03、智慧医疗
骨科、心肺、病理科等图像辅助决策和辅助筛查。
#4、分布式计算
分布式计算，是指使用许多不同的计算机一起工作来解决一个问题，每台计算机负责整个数据处理的一小部分，通过分布式计算，可以获得比单台计算机更快的任务完成速度。
对于有志于从事分布式计算的同学，更偏向于开发类岗位，只要公司业务有需求，计算就一直有用武之地，因为一般来说开发的岗位要多的多，找工作比较好找（但分布式计算也不单单是只写写业务代码就行了，那只是初级工程师的工作），真正想理解分布式计算，需要去了解一些项目源码，如spark和flink，认识到它们是如何完成分布式的设计和数据计算的，这才是分布式计算的关键所在。
#5、选择建议
老师
计算机视觉是目前计算机专业想要从事人工智能领域竞争最为激烈的方向之一，学术界与工业界认为，计算机视觉的世界还未真正到来。因此最容易就业和做出成果的方向就是计算机视觉。
对于想要读博深耕于计算机视觉方向研究的同学，著名的顶会CVPR（计算机视觉方面的三大顶级会议：ICCV，CVPR，ECCV，统称为ICE）便是计算机视觉领域的，每年投递该顶会的学术大佬可以说是不计其数，是神仙打架中的神仙打架，因此，思想百花齐放，更容易出成果（基本上每一次该顶会结果都会收到无数CSer的关注，也上过数次知乎热榜）
那么对于想要投身于计算机视觉的保研er，应该怎么来规划呢？
1、基本面知识
计算机专业、计算机视觉相应的基础知识是需要熟稔于心的，如计算机408，机器学习，深度学习，计算机视觉等。
2、实习
无论是就业还是走学术，实习都是非常重要的，内卷越来越重，在北京清华有的本科生大三就去大公司实习，几段实习经历或许已经成为标配，而且很多招聘也会从实习生中来筛选，有了实习经历，可以转正的话，秋招的时候压力会小很多。
3、论文
AI领域发顶会投顶会已经目前是诸神黄昏了，眼花缭乱的丰富履历已经不罕见，大四保研后，尽早进组发论文，这样在读研期间或许可以腾出时间实习。
4、学校
对于计算机保研er，不必多言，努力推免到更好的学校方向课题组，未来的发展也会更加顺利，前景也会更加明朗。
写在最后
以上就是老师对计算机领域几个前沿研究方向的介绍，同学们可以根据自己的实际情况来选择适合自己的研究方向，并规划好未来的推免或者科研计划。老师祝计算机er们推免顺利，成果多多！
【竞赛报名/项目咨询+微信：mollywei007】
