这是一个很多同学都比较关心的问题，结合我们组内的情况，我来说说个人看法。

首先，应用场景的需求就是算法工程师要解决的痛点，而这也是算法岗位自身痛点的来源，包括算法设计问题、算法优化问题、可解释性问题、泛化能力问题、时空效率问题等等。

在实际解决问题的过程中，我们往往会先从算法的数学理论基础开始，在完成一个严谨的数学推导过程之后，接下来要完成算法的实现、训练、验证和应用，当然这些环节都会出现各种痛点，包括数学推导过程本身就有大量的痛点，因为目前很多推导都是基于假设条件来完成的，这自然也是痛点的重要来源。

在做算法的不同阶段往往遇到的痛点是不同的，比如在做算法的初期，痛点在于如何解决训练的过拟合和验证的欠拟合问题。这几乎是每一名做算法的同学都会遇到的情况，而且这一问题大概率会伴随算法工程师的整个职业生命周期，只是到了后期再遇到类似的问题就不那么焦虑了而已，问题一直都在，只是心态不同罢了。

在做算法的中期，痛点会逐渐转移到泛化问题上，很多工程师也会为了提升泛化能力而牺牲掉特定场景表现更好的算法，因为这些算法可能在其他场景下的表现很差，这对于落地应用是非常致命的。

在当前深度学习大行其道的背景下，痛点又从大规模训练逐渐转移到了隐私计算和可解释性上了，而这对于算法工程师来说，在已有痛点没有解决的背景下，又增加了新的痛点。

对于当前从事算法岗的同学来说，痛点无处不在，新的痛点出现了，并不意味着已有的痛点已经解决了，实际上更常见的现象是很多痛点慢慢地被习惯了，也就是所谓的“痛久了就不疼了”。

我经常跟组里的同学说这样一个观点，那就是追新有追新的好处，但是在人工智能领域，很多传统问题依然没有得到解决，只是我们的关注点转移了而已，如果能够专注于解决历史遗留问题，依然有广阔的创新空间。

最后，如果有计算机领域相关的问题，欢迎与我交流。