1-4 晋升路径&回报
算法工程师行业发展
算法工程师是近十几年因为机器学习技术突破而火起来的一个岗位，在这一轮互联网整体行业的发展中起到了非常重要的作用。
和整体互联网行业的大部分岗位一样，算法工程师当前也是在不断的招人。最开始的扩招是因为技术的突破，大家都纷纷意识到了这一块的重大价值。但近几年，技术本身其实没有出现巨大的突破。相反，深度学习技术本身可能已经进入了一个平台期：虽然总有一些技术进步的新闻出现，但可能在主要的应用场景，取得颠覆性的技术突破已经比较难了——现在算法模型本身已经很难取得排除机器资源增加之外带来的单纯的模型收益。
算法工程师当前扩张的原因，主要还是在于应用领域的扩展。比如今日头条在刚刚出现的时候，还能以人工智能推荐系统千人千面作为宣传的噱头，但是今天市面上以及很少有内容类的App没有推荐系统了：这意味着每家互联网公司都有了自己的算法团队。此外，现在的机会点也在于，把之前一些不能用机器学习解决的问题，变成或者尝试用机器学习来解决。比如内容领域的审核，之前可能每一篇文章都是要人来判断这个文章是否违规，但现在可能算法可能可以帮助我们把那些有明显不良信号的内容直接自动识别出来干掉，只让人来判断那些模型判断不好的内容。
有一个最直接的证据可以佐证这个行业的发展趋势：那就是薪水。毕竟价格是由供需关系决定的。以及大家都是打工人，其实也最关注薪水的变化。
自18年以来，校招硕士，算法工程师同一个岗位同一个标准下的工资差不多是(只是我自己了解的一个岗位，不代表任何公司或者统计意义上的平均值)：
22k(18年) ==> 23k(19年) ==> 25k(20年)
18年之前，因为我确实没有关注，好像比较少听到校招生的薪水能够上20k。这个趋势也侧面反映了，这个行业当前对人才的需求状况。
不可否认是，因为价格的大幅上涨，新进入这个行业的同学的数量也在提升。所以这也意味大家面临的竞争也日趋激烈。所以在找工作的时候就要做好准备，这个我们后面再聊。
岗位发展前景晋升路径
大家在学校期间比较关心的一个点就是，我的职业发展到底是一个什么样？我干多久能到一个什么样的程度？
这个信息其实是一个大伙都好奇，但是确实不太容易获得到的消息。可能大家在校期间，在校招的时刻，还会比较彼此的offer，谁在哪里拿了多少钱都一清二楚。但是一旦进入职场，公司的薪酬可能就不是一个大家都能开诚布公拿出来聊的事情了。比如大家都干同样的活，如果你知道你的薪水比同桌的大哥低很多，那很可能就接受不了，工作不愉快，生产力低下，被老板谈话了。
当然这一点和企业文化也是有关的，有些是公司的职级和薪水不公开的，有些是职级公开，但是薪水不公开，有一些极端的公司是全部公开(据说netflix是这样)。
但是呢，有人的地方就会有江湖，有江湖的地方就会有数据。知乎上有一个大V，@曾加，他根据脉脉职言区用户公开上传的offer数据整理了一下大概的offer情况，以及一般情况下多长时间能到达什么样的级别。我这里截取出来一些重要信息，大家可以以这个作为参考。感兴趣的大家也可以点文末的阅读原文直接看知乎的原文。
一般而言，现在职场上大家对标的，一般都是阿里的级别体系(我也不知道为啥)作为参考，以「硕士毕业校招」为职业起点，平均来讲：
- P5 对应工作 0～2 年，大部分人会在参加工作后 1～4 年内升到下一级别；
- P6 对应工作 2～5 年，大部分人会在参加工作后 3～8 年内升到下一级别。
- P7 对应工作 5～8 年 ==> 这个级别一般传说叫做大头兵。就是负责一个小的方向，手下带两三个同学一起开发
- P8 对应工作 8～12 年 ==> 这个级别基本上就是小组leader了。
关于各级别的薪资大家可以参考这张图：
来源：最新！互联网大厂各职级薪资对应关系图（2020 年 5 月） - 知乎
具体的职业能力要求方面，在P5/P6这个阶段，基础能力，尤其是代码能力是最重要的。在P7及以上，还要提升自己对业务的理解能力。大家在社招换工作的时候也可以多多考虑一下。
方向选择
这里想跟大家多说一点，就是大家不要被眼前的offer薪水所迷惑。大家在选择offer的时候，看重钱是一方面，毕竟大家都是打工人，work for money并没有什么错。但是还是要思考一下自己所在的行业和将来可能应用的空间有多大。
举个例子：内容推荐算法目前来说可能是一个比较好的岗位，因为之前提到了，各家公司现在都有内容推荐的算法工作。同理，广告变现也是一个比较好的岗位，也是因为广告变现对于任何一家公司来说都是非常重要的。所以相对来说，在算法的细分行业中，这两个解决具体问题的算法可能相对来说，将来的空间相对来说会更大一点。
还有一些算法，本身也很重要，但可能应用的领域没有那么广泛。这时候最好建议大家还是多思考一下。比如互联网金融，算法本身很重要，但是随着监管愈发严格，可能也只有蚂蚁金服或者微信有比较大的体量支撑得起大规模的金融算法，其他的可能会受限于数据规模或者技术投入等等，可能能学习到的技术是比较有限的；同理还有路线规划算法，业务场景本身很重要，但是应用的领域可能本身比较有限，这种场景大家在进入之前就可以多考虑一下。但不排除将来自动驾驶或者物联网大热，所有的物品运输都需要更复杂的路线规划算法，所以大家可以有一些自己的判断。