一靠恰恰获近千万天使轮投资，湖北高新投资领投
06-17
人才是任何行业打开“潘多拉魔盒”的金钥匙之一。
在3D视觉领域，尤其是面对碎片化、非标准化的场景，从研发到应用、销售，“经验”、“了解场景”、“了解客户”是最有优势的敲门砖，也是愿景公司。
最需要的人才类型。
然而，3D机器视觉这个还很年轻的行业，还没有足够的能力招聘经验丰富的人才，这使得这个行业的人才竞争尤为激烈，从前几年的研发应用岗位到如今的销售岗位。
跳槽、转行、流向上游设备商……这些人才流动轨迹也从侧面描述了3D机器视觉的演变和最新趋势。
在工业3D视觉行业，为什么了解场景如此重要？ 去年算法岗位秋季招聘，人满为患。
CV（计算机视觉）算法工程师职位尤其吃紧。
求职人数增加23%，但职位数量下降16%。
求职与招聘的比例达到了恐怖的15:1。
因此，许多简历从业者转行，走上开发或产品运营岗位。
CV算法工程师岗位之所以如此热门，一方面源于其广阔的应用前景，涵盖自动驾驶、医学图像分析、安防监控等领域，从而导致了岗位的大幅增长。
需求具有CV算法开发经验的工程师；另一方面，传统的2D视觉算法已经非常成熟，而且大部分都是开源的，使得深度学习相对容易应用，而且在这个领域的分化也比较小。
不过，如果在算法工程师前面加上“工业3D视觉”这个前缀，你就会看到不一样的场景。
很多人听到这句话，恐怕都会摇头走开。
在工业领域，3D视觉技术可应用于尺寸测量、质量检测、物体定位、自动导航等。
工业自动化的不断提高，带动了3D视觉技术的应用范围不断扩大。
但与此同时，工业3D视觉也面临着更大的挑战。
从技术上来说，工业3D视觉通常需要对机器视觉、点云处理、传感器技术等领域有深入的了解。
需要跨学科背景的人才，门槛较高。
不过，虽然3D视觉技术壁垒和行业问题依然存在，但进入门槛已变低。
目前主流的3D成像技术有几种，如双目立体、结构光、ToF、激光三角测量等，其他成像技术都是基于它们的变形。
目前国内已有成熟的开源算法。
某3D视觉芯片公司营销总监告诉雷锋网，“目前国内3D视觉算法已经成熟，ToF、结构光都有开源算法，只要有研究所、有团队，就可以跑但在低功耗、低延迟、高帧率、高分辨率等方面与国内外尚有差距。
”多位3D视觉从业者告诉《掘金》杂志，工业领域最难的不是技术，而是交付“3D视觉项目和其他工业项目类似。
它们看起来很棒，而且很容易花费数百万。
但如果前期项目评估不准确，就会导致交付周期过长，甚至半途而废。
”迁移科技市场总监孙亚东表示。
一方面，处理和理解工业中的三维数据环境涉及到光照变化、噪声干扰等复杂场景的挑战，而能够解决这些问题的专业人才却十分缺乏，这也是CV算法工程师竞争激烈，而工业3D视觉算法工程师却依然紧缺的原因。
另一方面，交付现场频繁出现问题，视觉作为机器的核心部件，维护成本较高，有时一个较大的项目可能需要数十人的现场维护和调试。
现场应用工程师理解复杂场景和维护售后服务的难度交织在一起，结果就是项目上耗费了大量人力，交付验收周期被“无限”拉长。
为什么掌握场景能力如此重要？ 因为控制场景的公司就有议价能力。
只有了解场景，才能做出好的产品。
一般来说，拥有核心产品的企业有议价能力。
但国内3D视觉厂商目前定位为产品公司，产品差异化程度不够，导致议价能力不强。
有投资者认为，国内3D视觉公司产品的议价能力不强。
一个原因是技术和产品还不够成熟，另一个很重要的原因是对行业应用场景的理解还不够。
本质上，工业3D视觉面临的困难都围绕着一个关键词：“场景理解”。
三维立体公司CTO胡平表示，公司在人才建设上走了弯路，“高估了智商的作用，低估了经验的作用”。
这也是很多研发背景雄厚的“技术创始人”都会遇到的。
常见的做法是设置高难度的笔试题目，选拔一批具有优秀学术和研究能力的应届毕业生。
但他们往往发现此类员工实践经验很少，对客户、场景了解甚少，导致产品开发过程中的一些研究方向偏离实际，给公司带来高昂的试错成本。
胡平表示，在后期的招聘中，公司是从业务设计的角度入手的。
它不仅招募了具有强大研发能力的人员来支持不同的项目，还招募了一些经验丰富的员工来发挥他们的优势。
人才争夺战，从研发、应用到销售。
工业3D视觉是一个从研发到应用都非常依赖经验丰富人员的行业。
然而，3D视觉行业发展至今，了解场景的人才仍然相对缺乏。
主要原因之一是3D成像的发展历史不是很长。
相关大学开设的图像算法专业是近几年才兴起的。
大学生是主流，做底层算法的人才稀缺。
某机器视觉公司总经理何朱表示，目前国内大部分学校培养的是传统的2D视觉或2.5D视觉工程师。
“2.5D和3D属于不同的细分学科领域，后者门槛较高，领域规模相对较小。
真正的3D视觉是多视角的，需要点云处理，多一步的计算却卡住了很多工程师，因为只有少数人在学校学到了真3D的相关知识。
”另一个很大的原因是，很多高校毕业的算法人才更愿意选择大型互联网公司、AI公司或者大型消费电子公司，而从山东毕业的何柱进入纯视觉行业的高端人才太少。
大学教授说，当他回到母校升职时，他发现自己根本招不到人。
学位，毕业生均进入大型工厂或一些知名AI公司。
这些公司有能力创业。
“视觉公司大多都是小型创业公司，不太稳定。
”一个人能起到很大的作用。
曾为一家视觉公司做过招聘的猎头韩云也有同感。
在招聘过程中，她认识了几位非常资深的人。
她工作过的视觉公司对人才求贤若渴，但最终这些人才选择了自己能承担得起的高薪、有平台光环的大厂，导致专业人才成为了“人才短缺”。
工业3D视觉行业的“热肉”，视觉企业对不同岗位人才的需求也呈现出阶段性不同的高峰。
2001年到2009年，是3D视觉行业的黄金发展期。
3D视觉概念火热，资本市场尤其热衷，从芯片到产品、解决方案，大额投资融资屡见不鲜，蔓延到人才市场，到处都是对专业人才的争夺。
以3D视觉芯片为例，制作一颗芯片基本上需要3-5年的时间。
在芯片设计团队中，机器视觉、成像、人工智能、双目结构光或者ToF算法各自是一个独立的学科。
此外，还有光学设计、嵌入式、片上系统等。
最后必须把几个核心方向全部集成到一个地方，所有算法都是基于硬件的。
“芯片的前端、中端、后端设计各个环节都非常复杂，每一个环节都需要专门的人才，一方面需要花大量的资金去招聘专业人才，另一方面另一方面，3D成像在中国的发展历史不是很长，大多数人会做2D图像处理，但不会做3D图像处理。
”猎头韩云运营的人才服务公司从2000年到2016年服务了多家机器视觉公司，帮助客户招聘的职位包括算法工程师、软件工程师、项目经理、应用工程师等，主要是算法、软件等中高级职位给韩云印象最深刻的是A公司，2009年，A公司获得了行业上限融资，因此当年疯狂招募研发和销售人才，薪资比同行高出至少30%。
短短一年的时间，就迅速招聘了数百人，从猎头的角度来看，韩云并不认同A公司的做法，因为这无形中扰乱了原本均衡的市场薪酬体系，抬高了员工的薪资预期，让他们的心态变得更加糟糕。
更大的灾难是，虽然A公司确实以高薪吸引了很多优秀人才，但最终没能生产出与其能力相匹配的产品。
于是在3D视觉普及度开始下滑的那一年，A公司也开始了裁员，一直持续到今年。
这是因为，虽然企业有野心、有钱、有人，但行业却一直“慢”，有很多非标准化的需求、很多需要深入理解的场景、互联网化的方式、资金和人力的堆积。
。
，无法快速推动项目实施。
韩云今年接触到了很多A公司的候选人。
由于心理预期被提高，当他们再次求职时，往往会在已经高于市场价格的工资基础上继续要求加薪。
面对这些应聘者，韩云很无奈，但也只能直接告诉他们：“以你们的经验和背景，A公司的工资已经这么高了。
如果你们继续要求加薪，基本上在目前的市场情况下没有面试的机会，顶多工资差不多。
”求职者只能选择接受这一点。
随着3D视觉企业普遍进入项目实施阶段，对应用工程师的需求也很大。
尤其是一些专注于项目的视觉公司，因为大部分工业场景都非常不规范，所以需要培训大量的现场应用工程师。
例如，一家正在进行大型锂电池项目的视觉公司可能需要数百人同时从事该项目。
出于劳动力成本的考虑，他们无法高薪招聘经验丰富的工程师，所以刚毕业一两年的年轻人就成为了最合适的人选。
“算法工程师一般要求客户硕士以上，还得看有没有本科学历。
软件工程师可以有学士，也可以有硕士学位。
FAE现场应用工程师基本需要大专以上学历。
”韩云对雷锋网（公众号：雷锋网）说道。
与算法、软件岗位相比，应用工程师岗位相对基础，学历要求不高。
另外，人才基数本身较大，因此招聘速度也较快。
然而，随着3D视觉行业的热度逐渐降温，视觉企业考虑到资金压力，开始“害怕”价格昂贵、交付周期长的项目。
今年，随着洗牌期临近，企业争夺造血能力，视觉公司的岗位要求也发生了明显变化，开始争夺资深经验的销售人员。
3D Vision公司销售人员崔雷告诉掘金杂志，销售岗位遇到的最大困难是客户资源的转换。
即当确认客户的场景是潜在场景时，如何平衡企业自身的研发和测试时间，以及竞品在产品和价格方面的比较，最终拿出产品或者满足客户需求并成功签订合同的解决方案。
命令。
销售职位经验的重要性怎么强调都不为过。
韩云说，“以前我们帮企业招聘的大多是算法、软硬件、光学结构、大量应用工程师、项目经理、机械、电气等岗位。
今年，视觉企业都在争夺业绩和订单，而且很多公司都委托我们，客户的目的很明确，要求也很直接。
”从整个行业来看，他有什么客户资源？ ，很简单。
随着当前经济不景气、大公司裁员，3D视觉公司进入了良好的人才投资周期。
近两年来，不少视觉公司都在清理冗余或低价值的部门和人员，同时增加更多更符合要求的优秀人才。
一家3D视觉机器人公司创始人夏侯直言，他的上海分公司今年收到了一堆来自百度、高贤的下岗员工简历。
算法工程师频繁出差，应用工程师身心疲惫。
在工业领域，选择产品和解决方案的标准之一就是设备系统运行的稳定性。
目前国产视觉系统稳定性不足的问题引起了很多工业客户的共鸣。
很多视觉产品在实验室中工作得很好，但在实际应用时却经常出现问题。
愿景公司主要面对和解决两类人才的稳定性问题：一类是“实验室研发型”，负责产品的研发和实施；另一类是“实验室研发型”，负责产品的研发和实施。
另一类是“现场支持型”，负责产品交付。
然而，在工业 3D 视觉领域，这两种类型的工程师都不容易。
首先，有经常出差的算法工程师。
“工业视觉领域的算法工作非常辛苦，工业场景碎片化、不标准化，算法工程师需要对应用场景有足够的了解，所以经常需要出差。
与互联网、消费电子不同和其他行业一样，他们只需要在公司写代码即可。
”韩云说道。
这就带来了一个极其矛盾的现象，即人才不足背景下的人才浪费问题。
至少去年，甚至今年上半年，仍然有视觉公司给医生发工资，却让医生做一个专科生就能做的应用工程师的工作。
据曾在机器人公司实习的石航介绍，项目经理接到项目需求后，通常会到现场沟通需求。
但由于项目经理普遍不太懂技术，很多需求点没有很好的沟通。
不仅如此，一些初创公司由于领导者缺乏管理能力，给工程师提出了错误的要求。
例如，当算法工程师去现场部署时，他可能会发现客户的流程得到了改进，或者项目范围发生了变化，或者功能发生了变化。
但工程师之前并没有收到这些信息，最终只能沦为现场编程并重新开发。
再比如，有些项目的保密要求极其严格，客户不一定有现成的二次开发平台。
视觉公司只能派医生到“前线”现场编写代码、调试。
“这些符合要求的硕士、博士生也在做自动化、自动驾驶，为什么他们在这里赚这么辛苦的钱？”施航说道。
在不少业内人士看来，当前机器视觉领域的人才浪费是行业发展初期的必经阶段。
在行业发展初期，需要做很多基础工作，而这些工作是普通工程师无法做到的。
博士生、研究生只能派到一线去接触项目和应用，才能深入了解客户场景需求。
未来，随着机器视觉市场的成熟，研发和项目将相互独立。
博士、硕士将回归研发工作，而项目和应用可以完全交给真正的集成商，让本科生和专科生能够实现3D视觉。
到客户的生产线。
其次是心力交瘁的应用工程师。
真实应用场景的复杂环境是交付过程中问题频发的重要原因。
以目视检查为例。
由于实验室测试环境与现场工作环境的真实差异，一些高精度相机的检测精度在实验室可以达到10微米，但在客户现场却无法达到。
有时候并不是产品本身做得不够。
嗯，这是由于现场的各种工作条件造成的。
“实际应用现场存在很多不确定因素，比如场地大小、灯光效果、生产进度、粉尘污染、电磁干扰等问题，都会导致实验室之前的计划被修改或推翻。
”跳脱3D视觉传统 2D视觉公司方成表示，面对出现的各种问题，视觉工程师需要总部快速评估并给出意见，或者与办公室的软件开发工程师一起快速处理，或者根据自己的经验快速调整。
一般来说，视觉公司分为两类。
一类是“全能型”，是一家大型公司，从基础光学，到相机、机械等硬件，再到软件，什么都做；视觉公司与设备厂商合作，只负责视觉部分。
事实上，并非所有客户项目现场出现的问题都是视觉问题。
除了相机硬件和视觉系统稳定性之外，工业计算机、电缆和设备也可能出现各种问题。
“比如机器死机检测不到，一般是软件问题，无图像、图像有图案、丢帧等都是硬件问题，只有有现场实施经验的视觉工程师才能发现问题”。
方成说道。
但实际情况是，一旦出现问题，客户总是首先寻找视觉问题，尤其是系统软件问题。
韩云接触大量的应用工程师后，有一个直观的感觉，应用工程师群体真的很“苦”。
“甲方上来找视觉问题，要求视觉公司检查处理。
应用工程师在甲方没有太多发言权和地位，经常被甲方项目经理打电话，纯粹是乙方。
” ”张先生现场花费的时间、随叫随到的服务以及故障排除过程中对经验的严重依赖，再加上故障排除过程中的相互推诿、扯皮，导致现场应用工程师心力交瘁。
“理想的交付周期至少是一个季度。
如果出现各种扯皮的情况，项目交付周期可能会变成两三个季度。
”一位售前解决方案工程师补充道。
因此，相对于算法、软件岗位，相对基础的应用工程师岗位一直以来人员流动性都比较大，而且很少在一家公司工作特别长的时间。
尤其是视觉行业蓬勃发展的那两年，市场对应用工程师的需求巨大。
由于交货时间的压力，客户需要快速招聘人员。
他们想要有经验的和没有经验的人，并且愿意支付更高的薪水。
对于应用工程师来说，不同项目的工作内容基本相同。
因此，在一家公司待了一年半，积累了一定的经验后，如果另一家公司开出了高出一两千的工资，他们就会毫不犹豫地跳槽，而且往往是和你的组长一起加入一个团队或者熟人换工作。
除了在不同公司的相同职位之间反复跳槽外，大多数想要摆脱现场调试之苦的应用工程师通常会选择两条职业道路：一条通往管理职位，成为项目主管/经理，带领一个小团队负责一个项目；更多的人选择转行研发，通过提升学术水平或者参加可视化软件培训来实现成为应用软件工程师的梦想。
结论 场景理解一点也不难：不难是因为没有特别高的技术门槛；很难，因为对经验的要求非常高。
相对而言，3D视觉产业起步较晚。
既懂3D视觉技术又懂行业场景的人才尚未大规模成长，用人成本较高。
但总体来说，工业市场有很多细分领域，包括很多专业化的新公司、小巨头公司，还有一些悄悄赚大钱的公司。
从就业和前景来看，产业发展空间很大。
就业问题是各行各业都会遇到的命题，需要长期探索。
无人可用时，是“巧妇难为无米之炊”；当人才缺乏经验时，它是“需要时才用的书”；当人才受限于自身阅历时，就是“夏虫不能谈冰”；当方向不明确时，虽然有行业老兵、精兵强将，但最终“归舟已晚，误入莲花深处”。
3D视觉人才的迭代和流动，在展示工业3D视觉的成长历程和最新趋势的同时，也有一些值得反思的经验。
笔者长期关注智能制造和工业数字化。
如果您有更多故事和意见，请添加微信MOON_ERS进行交流。
注：文中部分人物为化名。
雷锋网原创文章，未经授权禁止转载。
详情请参见转载说明。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-17
06-18
06-17
06-18
06-18
06-18
06-06
最新文章
Android旗舰之王的过去与未来
智能手表不被开发、AR眼镜被推迟，Meta的产品经历了一波三折
为什么Cybertruck是特斯拉史上最难造的车？
更新鸿蒙3后，文杰允许你在车里做PPT了
新起亚K3试驾体验：追求“性价比”，韩系汽车仍不想放弃
阿维塔15登场！汽车配备了增程动力，理想情况下会迎来新的对手吗？
马斯克宣布创建 ChatGPT 竞争对手！ OpenAI的CEO给他泼了冷水， GPT-5可能会发生巨大变化
骁龙无处不在，是平台也是生态