crackhopper

没做过。看了一下技能要求，我感觉门槛不低呀。
算法要求比较杂：
- 图搜索 A*之类的，这种在游戏里面用的多一些，地图上寻路之类的。A*算法本身不太难，但这个方向还是有很多 heuristic 和 meta-heuristic 的优化，因此深入也可以很难。
- 强化学习 RL ，这个方向挺火，比如 chatGPT 训练的 RLHF 。理论较多，稍微难一些，整体来说我觉得学科还是比较新，很多时候难点还在于能不能优化出来。RL 和 CV 里的 GAN 类似。
- 滤波器，Kalman Filter, Particle Filter 。应该是控制里的一些算法，我记得 CV 里也有用，数学比较多，稍微难一些，tracking 方向。
- 控制方法：我会的也不多，我只用过 PID 。PID 比较简单，更高级的控制方法可能会难一些。
- 规划类算法： 基本即使运筹学上的，线性规划、整数规划等等的 。这块数学较多，较难。但用的时候就调包就完了。
- 曲线拟合: Bezier 之类的，这种比较简单，一般属于图形学几何的入门内容。入门级别比较简单，但深入很难。几何从来就没简单过。
- 轨迹采样 Lattice 。我不会，刚简单看了一下，基于 Frenet 坐标系的轨迹计算和采样，看起来涉及一些简单的微分几何知识，可能还涉及微分方程求解，我觉得应该会较难。
- 路径规划。难道是 TSP 和 VRP 这类么？求解基本就是一些 meta-heuristic 的方法：遗传算法、模拟退火等等的。
- 概率图 /Bayesian Network： 这块个人觉得数学挺多，较难。如果机器学习出身学过 PRML 的应该会比较熟悉了。求解方面 EM ，VI 等等技术。有的还会用 reparameterization trick 。做过 CV 如果深入研究过 VAE 这块可能也会，做过推荐如果用过 GNN 之类的相比概率图也有所涉猎。
- 优化： 入门简单，SGD 和一阶方法都不难，牛顿法也不难。但坑还是挺深的，数学较多，我评价也是较难。
- 机器学习： 这个你应该比较熟，不多说了。对新手学这方面，我觉得也是较难的。
- 状态机： 这个我不太懂，深入也有很多内容，编译器基本就是状态机，写一些分布式算法基本也是状态机。我觉得理解容易，实现挺难。

从上面要求来看，我觉得可能需要对某几个方面比较深入了解可能就够了。全会的人太少了吧。

从你的背景，我觉得机器学习、概率图、优化，这几个方向可能会的多一些。强化学习可能也会点。

会的方向强化一下，不会的其他方向可以入个门我觉得差不多能过面试了。毕竟看起来很多岗位也没给多少钱。

至于职业发展什么的，应该还好吧。看起来如果上面都掌握的人，应该还是哪儿都吃香的。

坐等行业里的大佬来回帖。我也学习学习。

虚拟机方案也用过，性能不太好。一些性能比较敏感的应用，调试可能都跑不起来。
远程服务器的话也是个方案，不过公网的机器都比较贵。但可以买个垃圾的公网云服务器，用 wireguard 做个隧道，穿透到内网。然后远程访问自己的服务器，这样也挺不错的。反正用 linux 主要也是命令行操作，有个终端也够用了。

忘了提一句了。mac 的话，跑 cuda 程序挺费劲的。这也是我不用 mac 的原因。。还有很多特别新的库和软件，mac 支持的都晚一些。另外我用 mac 总是找不到它安装东西到哪里了，很多打包在一起了，app 内部就是个文件夹....当然，linux 下的 snap 也类似。我不是特别喜欢这种。

我用 ubuntu 可能有 5-10 年了吧。基本原则就是：不用腾讯系软件，最多 web 版微信用一用。编程基本 emacs 和 vscode 。听音乐也直接浏览器打开听。输入法 fcitx 的 google 拼音（会在部分软件上有些问题，但我都解决了）。网盘百度云也用一用，但其实使用频率很低。。WPS 会用，另外 WPS 云文档基本保存了云文档。。

日常的话：
vscode 做开发。emacs 做笔记和 latex 文档。WPS 做做 ppt 。telegram 会用一下，部分技术群还是有干货的。翻墙 clash ，外加用了 clash-verge 做前端。

基本上用 linux 效率挺高。另外避免了 QQ 、微信这种时间杀手，效率更高了。

唯一麻烦就是腾讯会议，我基本手机参会。zoom 的话 linux 支持也挺好。

@Allonsy 那个自学指南太棒了，我感觉自己找书也很困难，看这个整理得很全，而且一些我看过确实质量很高！

加强英语不错，不过 TOEFL 和 IELTS 考试费太贵，而且如果不申请出国我估计很多人都学不动。四六级先好好考过吧，然后尝试多听原版电影，听写台词，能听懂个 80%那些英语考试也差不多了，至少听力肯定够。
技术方面，关注原理吧，语言的话 C 应该就够了。要再学，我也不建议 go, rust 。建议 java, python/js 这种，不同类型的每个学一个：纯编译型、JIT 编译型、解释型。语言选流行的，选不流行的竞争不见得少，天花板可能还受限制。go 和 rust 虽然有越来越流行的趋势，但新手就别追趋势了，追错了多麻烦，就找当前最多用的语言就行了。而且这些用的多的语言，社区和依赖库建设也更完善，对新手更好点。

研究生最大的优势就是有证书吧。思维能力，这和是不是研究生没关系。

如果只是提高思维能力，自学达到教授水平都不成问题。

文献这东西，你读不懂就是基础没掌握好。

拿我熟悉的领域举例子，比如你读 ML/AI 方向的论文想做到复现论文，那有几个前置课程必须学明白了（倒不用很精通）：微积分、线性代数、概率统计、多元统计分析、机器学习入门书(统计学习方法-李航、机器学习-周志华、ESL 、PRML 、MLAPP ，以上这些读 1-2 本)、深度学习神经网络相关一些补充资料。理论上这些掌握差不多了，动手上还需要你掌握一定水平的实践能力：c++、python 以及相关库 pytorch, tensorflow, caffe 等。到此，根据细分的研究领域，需要继续看几本书，比如 CV 需要看信号与系统、数字图像处理、一些研究方向的综述、以及深入用用 OpenCV 。上面基础都万事了，开始读入门级别的论文，比如 CV 方向，AlexNet ，BN ，ResNet ，RCNN ，Faster RCNN ，YOLO...，然后，可以跟进最新的论文，尝试复现了。

我其实觉得我上面说的方向难度还算中等吧，如果要搞高性能 AI 计算框架或者其他基础设施，技术路线就完全不一样了。编译原理、操作系统、汇编(类似 SIMD 、缓存等指令层面上的利用)、GPU 编程、分布式一致性算法等等。

总之，如果只是提升能力，你需要足够耐心，投入足够时间。

95%的工作用不上深入理解 GC 。但还有 5%的工作是需要理解的。

有 GC 的语言可能由于 GC 有 bug 、或者使用语言的写法是标准里未定义的，都会导致内存泄漏。

以此判断对某门语言花了多少心思，是有这方面考量。另一种隐含的考量是，是否一个人有机会接触到底层细节。一般来说，机会往往是：项目用得特性比较深入，技术含量高；个人自驱动强，不断加深深度触及到了底层技术。不管是那种，都应该是面试官更青睐的人选，后者尤其青睐。

简单点，天赋。
复杂点：
1. 知行合一：5 分行动，3 分学习，2 分深入思考，交替执行。具体到玩游戏上，玩 5 局，看别人讲解 3 局，对自己玩的两局深入反思，总结失败，总结成功点。（也就是上面有人说的，需要你足够“刻意”去玩）
2. 建立知识图：一般知识都可以按照树来组织。玩游戏也是一样，你讲的几个技术点都可以组织成树状，总结一下。比如，玩游戏玩得好，至少可以拆分成几个方面：基础操作技术(练习连招)，情报能力(对数值分析)，战局判断能力，等等的。拆分之后，每个环节可以具体练习，订立目标，能用数值上反应自己的进步。就好比上学的时候是考试，玩游戏，就是单位时间伤害啊、连招失误率之类的。
3. 合理添加训练。
不过按照上述方法玩，就算是游戏也没啥乐趣了吧。而且按照上面方法玩，你大概率比你同事进步速度还快，并能迅速达到业余高手级别。后续就是吃天赋的环节了。
至于为啥同事进步那么快，可能按照我说的 1 、2 模式来玩的，3 大概率没有，外加以前有相关游戏经验，外加可能有操作技术的天赋，综合来说，达到了很快进步。