程序员应当破除对技术不切实际的幻想——这不是说技术不重要，而是说要实事求是的分清，哪些是造狗窝的工作，哪些是建普通楼房的工作，哪些是造摩天大楼的工作。
再谈算法
同理，算法工程师应当破除对算法不切实际的幻想，把注意力集中到数据的理解、清洗、预处理、人肉特征、业务应用（而这些往往和屌丝、苦逼等形容词联系在一起）上来。
未来，机器学习工具将更加标准化、平台化、通用化，并且进一步降低使用门槛。与算法本质无关的工程细节，比如数据存储方式、梯度下降过程、并行化、分布式计算等，将被制造“轮子”的程序员们屏蔽。算法工程师可能只需用类似Hive的方式，写几个类似SQL的语句就可以完成模型的训练、交叉验证、参数优化等工作。
而机器唯一不能替代的就是对数据的理解，这是算法工程师存在的价值。而数据是和业务强相关的，算法工程师将更加接近产品经理的角色，而不是程序员。深入理解数据、业务和产品，寻找模型和它们的结合点，将成为算法工程师的核心竞争力。
插一句，相对于本文的观点，Deep Learning在某种程度上是一种的例外。它试图解决特征工程的问题，也就是在某种程度上代替人提取特征。当然，它还比较初级，另外它最多只能解决特征变换问题，仍然处理不了数据清洗和预处理中需要用到领域知识的情况。
这里刘同学提出一个问题，那就是算法工程师对算法需要理解到何种程度？事实是，即使从算法的应用出发，工程师也需要掌握模型的优缺点、适用场景、模型选择、参数调优等技术。这是毫无疑问的，从这一点上说，算法工程师需要一定的技术能力，这点又和产品经理不同。
但是这就有另外一个问题：模型选择和参数调优技术，是否是通用的？还是和具体的数据高度相关的？比如，是否存在这样的现象，同样的调优技术，在（比如说）电商数据上表现很好，到了社交数据上就不行了？这个问题我暂时没有答案，如果谁知道，请告诉我。不过，一个现象是，目前做机器学习模型相关的项目，在改进的时候，基本上都采用试错的方式，就是先做出改动，然后上线观察效果；如果不好，就换种方法；如果效果有所改进，也往往没有人知道为什么。如果存在一种通用的判断模型优劣的技术，我们为什么还要采取这种近乎穷举的方式呢？
从“IT精英”到“IT民工”或者“码农”，这种称呼上的转变并非笑谈，而是真实的反应了计算机编程领域门槛逐步降低的过程。所以，我们应当给听上去高大上的“算法工程师”或者“数据科学家”起一个类似的外号，比如“数据民工”、“机农”或者“蒜农”之类，以免不明真相的孩子们被“高大上”的称号吸引而误入歧途。
其它
看的出我是一个比较纯粹的技术人员，因为对于非技术的东西，我了解不够，说不出那是什么，只能用“其它”一词概括。
这“其它”，基本上是“人”的问题——比如前面提到的“如何推动自己的想法”，“软实力”之类，大的包括机遇，小到“发邮件应该抄送给谁”这种细节。
当然，如果你是个对技术本身感兴趣的人，这些讨论不适用，因为对于这类人，技术本身就是目的，不是手段。这里的视角，仅仅是社会普遍意义上的职业发展角度。无论是想在公司内部获得升迁，还是通过跳槽而得到晋升，还是自行创业而实现人生目标，技术都只是你的一种技能。如果再想想大部分公司里提供的是一份“造狗窝”级别的职位，这种技能起的作用又有多大呢？
不过多说一句，要求程序员“对技术感兴趣”，甚至“在业余时间以写代码为消遣”，是一种相当荒谬的事情。试想，招聘销售人员的时候，从未有人要求求职者“对喝酒应酬感兴趣”；招聘财务人员的时候，也没有人要求“对加减数字感兴趣”；招聘外科医生的时候，也绝不会要求“平时以解剖人体为消遣”。为什么程序员这种职业就要搞特殊？
究其原因，大概是大家还沉浸在对技术的一种非理性崇拜之中（当然崇拜和亵渎往往并存）——“技术改变世界”这句话常常被提到。这句话没错，但是要搞清楚，“技术改变世界”不等于“每一项技术都能改变世界”，更不等于“每一个技术人员都能改变世界”。其实，程序员这一行和其它任何一个需要专业技能的行业没什么区别，只是一种谋生的手段而已。