最近去了TikTok实习，已经实习了2周。记录一点实习的经历和一些体会。

实习做的是业务而不是研究，具体内容简单来说就是在电商组里做TikTok Shop货单量的时序预测。这个和我博士做的研究没有关系，倒也不是我不想做视频传输相关的工作，主要有2个原因。

一，我实习的目的是为了体验。我就要到博士生第4年了，读了8年大学，我一次实习都没有过，从来没有去过公司，体验过工作的感觉。而我即将毕业，马上就要做选择了，是继续留在学术界，还是去工业界（我一直想写一写自己对此的纠结和迷茫，可能会是下一篇博客吧）。目前我已经看到了学术界的运行逻辑，但是对工业界还是一知半解。总是听别人说工作有多累多辛苦，但我过惯了懒散的生活，内心对工作的想象肯定会和现实有不小的差距。所以这次实习，我的主要目的就是看看这些Big Tech是如何运转的：几千几万的员工是如何成为小螺丝钉被管理的、一个大业务是怎么被拆解成几个板块分别由几个小团队负责的、一个人是如何在其中发挥作用的，等等……

我在3、4月份的时候开始找实习，因为本来也没有想拿Return Offer，所以投得很随意，就只是联系了阿里（在杭州离家近）、字节（HR主动打电话给我问我要不要试一下）和华为（开会的时候遇到华为HR，他们很热情）。我其实很想去阿里，因为做的是视频编解码标准化的工作，而且离家很近，但是负责人嫌弃我实习时间短，说要半年以上才好。最后是新加坡的TikTok和华为给了我offer，我最后选了TikTok，因为我觉得这是一家很大并且还在快速增长的公司，我挺好奇他们内部的情况，另外他们工资给得确实蛮多的……

二，事实是，现在很难找到和我研究相关的实习。一方面是现在公司不是很好过，在萎缩招人的规模，另一方面是在当前这个全民AI的情况下，大公司把大部分资源投入到了大模型，很夸张地大量招做大模型的实习生，压缩了其他方向的资源。在招聘网站上，举目都是NLP或者CV大模型实习生，而我不愿意去碰大模型。

我一直不否认大模型对我们生活革命性的作用，但我不觉得它值得现在如此海量的资源投入。每个大公司都砸钱搞大模型，不停地炒作大模型，目的是很不纯粹的。金融家需要抛出一个个磨人的概念，勾引大家把钱投进股市，简单来说就是制造泡沫。当然了，虽然是一个泡沫，但在泡沫破掉之前挤进去赚点钱，也不失为一个理由，很多人就是这么想的。但我是一个很讨厌风险的人，我不想也当不好一个机会主义者，这也是我选择当前这个研究领域的动机。不管是做科研也好，找工作也好，我一直认为核心的原则就是去一个自己能长期成为稀缺资源的领域。如今我看到学院新招的博士生有90%以上都在做LLM，我觉得很恐怖，4、5年后，他们真的能找到LLM相关的工作吗？

在TikTok这2周，感觉还是挺有趣的。机器学习本质上就是构建算法模型，去在数据中挖掘出来一个隐藏着的模式，所以“机器学习”、“模式识别”、“数据挖掘”这三个领域高度交叉，只是因为构建算法的应用目的是不同的，所以发展方向就因此各有不同。TikTok的业务遍布世界，而每一个地区的用户购买行为都不一样，个人数据又很敏感，所以基本上每个区域都有一个小团队在做。比如说，欧洲国家严格不加班，因此每到周末和节假日，仓库工人就绝对不会上班，揽件发货的数量是铁打不动的0，这些货物累积到节假日后的第一天工作日，数据就会暴涨，这就是一个很特殊的特征。此外，欧盟的数据保护非常严格，合规上的问题就十分重要，即使是很常见的数据，只要涉及到用户行为，就需要严格控制数据获取权限。

我们的工作主要是数据处理和模型搭建，而数据处理在其中占了最重要的一环，因为模型很简单，一些常见的模型就已经够用了，没必要用上复杂的模型，比如说深度学习模型。数据处理则主要是特征工程和数据库管理（也就是写SQL）。除了算法层面，另一个很重要的内容就是流程的标准化和工程化。简单来说，就是Pipeline中的每一步，就要尽力做到解耦，这样后续在维护过程中，只需要改动一个小版块，不会牵一发而动全身。

我真实地感觉到，在公司里和在大学里的人，处理同一个问题的区别。大学里，我们更关注的是模型的构建：如何用XXX技巧构建了一个很好的模型，实现了XXX的效果。但是在公司里，我们更关注的是整个流程的标准化，确保整条业务链路的畅通（你看，我已经学会了一点黑话），降低后期的维护成本，至于模型的效果，当然重要，但不是最重要的。总的来说，在公司里人关注的不仅仅是技术问题，还有把每个人螺丝钉化，即使有频繁的人员更替和业务变化，整个链路也能保持运转。再简单来说，就是两个字：成本。这些东西我当然在实习前就知道，因为这是很符合逻辑的，但是亲身体验就是另一回事了。

赏

谢谢你请我吃糖果

支付宝

微信