0
任何產業落地，人才是打開“潘多拉魔盒”的黃金秘鑰之一。
3D視覺領域，尤其面對碎片化、非標化的場景時，上至研發下至應用與銷售，“有經驗”、“懂場景”、“懂客戶”是最具優勢的敲門磚，也是視覺公司最求賢若渴的一類人才。
然而，3D機器視覺這個尚且年輕的行業，還沒有足夠的能力廣納有經驗的人才，也使得人才爭奪戰在這個行業尤為激烈，并一路從前幾年的研發應用崗比拼到了如今的銷售崗。
跳槽、轉行、流向上游設備商……這些人才流動的軌跡，也從側面描畫了3D機器視覺的一路演進和最新動向。
去年，算法崗位的秋招一片哀鴻遍野，CV（計算機視覺）算法工程師崗位尤其卷得厲害，求職人數增加了23%，但崗位數下降了16%，求職與招聘比例達到了恐怖的15:1，導致很多CV從業者紛紛轉行，走上開發或產品運營崗位。
CV算法工程師崗位之所以“卷”，一方面源于廣闊的應用前景，涵蓋自動駕駛、醫療影像分析、安防監控等領域，導致對具有CV算法開發經驗的工程師的需求大大增加；另一方面，傳統2D視覺算法已經十分成熟，大多數算法都已開源，使得深度學習相對容易應用，該領域差異化相對較小。
然而，如果在算法工程師的前面加一個“工業3D視覺”的前綴，就會看到另一番景象，不少人聽到后大概都會搖著頭四散走開。
在工業領域，3D視覺技術可以應用于尺寸測量、質量檢測、物體定位、自動導航等方面，工業自動化程度的不斷提高，使得3D視覺技術的應用不斷擴大。
但與此同時，工業3D視覺也面臨著更大的挑戰。
技術上，工業3D視覺通常需要深入了解機器視覺、點云處理、傳感器技術等多個領域的知識，需要具備跨學科背景的人才，門檻較高。
不過，雖然3D視覺技術壁壘和行業難題猶存，但進入門檻已經變低。
當前主流的 3D 成像技術有幾種，雙目立體、結構光、ToF、激光三角測量等，其他成像技術是在其基礎上的變形，目前國內都已有成熟的開源算法。
一位3D視覺芯片公司市場銷售總監對雷峰網表示，“目前國內3D視覺算法是成熟的，ToF、結構光都有開源算法，只要是個研究院或者有個團隊，都能跑起來，但在低功耗、低延遲、高幀率、高分辨率上國內外還存在差距。”
不少3D視覺從業者向掘金志表示，工業領域最難的其實不是技術，而是交付。
“3D視覺項目跟其他工業項目類似，看起來很香，動輒成百上千萬，但如果前期項目評估不準確，就會導致交付周期很長，甚至出現爛尾。”遷移科技市場總監孫亞東說。
一方面，要在工業環境中處理和理解三維數據，涉及到光照變化、噪聲干擾等復雜場景的挑戰，而能解決這些問題的專業人才則較為缺乏。
這也是CV算法工程師競爭激烈，而工業3D視覺算法工程師仍供不應求的原因。
另一方面，交付現場問題頻發，視覺作為機器的核心部件，維護成本很高，必須派人去現場維護、調試，有時一個較大的項目可能就需要幾十個現場應用工程師。
對復雜場景的理解與維護售后的困難相互交織，造成的結果就是大量人力鋪在項目上，并且交付驗收周期被“無限”拉長。
掌握場景能力為什么這么重要？
因為掌控場景的公司才擁有議價能力。
而懂場景，才能做出好的產品，一般而言，擁有核心產品的公司擁有議價能力，但當下國內以產品公司為定位的3D視覺廠商，并沒有在產品上拉開足夠的差異化，導致議價能力不強。
有投資人認為，國內3D視覺公司產品上的議價能力不強，一個原因在于技術和產品做得還不夠成熟，另一個很重要的原因就在于對工業應用的場景理解還不夠。
本質上，工業3D視覺面臨的困境，都圍繞著一個關鍵詞“場景理解”。
3D視覺公司的CTO胡平坦言了公司在人才建設上走過的彎路，“高估了智商的作用，低估了經驗的作用。”
這也是不少研發背景強悍的“技術型創始人”會遇到的問題，常見做法如通過設置較難的筆試題，篩選出一批學術能力和研究能力優秀的應屆畢業生。
但他們往往都會發現，這類員工由于沒有落地經驗，幾乎沒有對客戶和場景的理解，導致產品開發過程中一些研究方向偏離實際，為公司帶來高昂的試錯成本。
胡平談到，在后期招聘中，公司更多從業務設計角度出發，不僅招聘了研發能力強的人為不同項目做支撐，同時也招聘了部分有經驗的員工，各取所長。
工業3D視覺，是一個上至研發下至應用，都十分依賴經驗人士的行業，但3D視覺行業發展至今，懂場景的人才依舊相對匱乏。
一大原因在于，3D成像的發展歷史并不是很長，相關高校設置的圖像算法類專業也是這幾年才興起，以大專生為主流，做底層算法的人才數量本身就稀缺。
機器視覺公司總經理何著表示，目前國內大部分學校培養的都是傳統2D視覺或2.5D視覺工程師。“2.5D和3D屬于不同的細分學科領域，后者門檻更高，領域規模相對更小。真正的3D視覺是多視角的，需要通過點云處理，多一步計算就卡住了不少工程師，因為只有很少的人在學校里學習到了真3D的相關知識。”
另一大原因在于，高校畢業的很多算法人才，都更傾向于選擇互聯網大廠、AI公司或大型消費電子公司，真正進入純視覺行業的高端人才太少了。
畢業于山東大學的何著表示，當他回到母校做宣傳時，發現自己根本招不到人。
“所有的碩士跟博士一畢業后全部進入大廠，或者進入一些有名的AI公司，這些公司開得起錢。視覺公司大都是一些小的創業公司，穩定性不強。”
一位幫不少視覺公司做過招聘的獵頭韓云深有同感，在招人的過程中，她曾遇到幾位十分資深的視覺算法工程師，合作的視覺公司求才若渴，但這些人才最終還是選擇了給得起高薪，有平臺光環的大廠。
人才匱乏，導致專業人才成為工業3D視覺行業的“香餑餑”，并且視覺公司對不同崗位的人才需求，分階段呈現出不同的高潮。
2020年至2021年，是3D視覺行業的黃金發展期。
彼時，3D視覺概念爆火，資本市場也表現的尤為熱情，上至芯片，下至產品和解決方案，大額投融資屢見不鮮。
這把火傳導到人才市場，表現為到處都在搶專業人才。
以3D視覺芯片為例，基本上每做一顆芯片都需要3-5年的時間。
芯片設計團隊里，機器視覺、成像、人工智能、雙目結構光或者ToF算法，每一個都是一個獨立的學科，此外還有光學設計，嵌入式，片上系統，最終還要把幾大核心方向全部融合到一處，將所有算法硬件化。
“芯片的前中后端設計，每一個展開來講都非常復雜，每一塊都需要配備專用的人才，一方面需要花大量資金去搶專業人才，另一方面3D成像在中國的發展歷史并不是很長，絕大多數人能做2D圖像處理，但不會3D圖像處理。”
獵頭韓云經營的人才服務公司在2019年至2021年期間服務了不少機器視覺公司，幫助客戶招聘崗位包括算法工程師、軟件工程師、項目經理、應用工程師等，并主要以算法、軟件等中高級崗位為主。
最讓韓云印象深刻的是A公司。2021年A公司融到了行業天花板級別的融資，于是在這一年快速擴張，以至少高于同行30%以上的薪酬瘋狂招攬研發及銷售人才，僅一年內就瘋狂迅速吸收進大幾百人。
站在獵頭角度，韓云并不認同A公司的做法，因為其無形中擾亂了原本平衡的市場薪酬體系，拔高了從業人員的薪酬期待值，心態變得更為浮躁且短視。
更大的災難在于，A公司雖然的確用高薪吸引來了眾多優秀的人才，但其最終并沒有做出與能力相匹配的產品。于是在3D視覺熱度開始下降的2022年，A公司也開啟了裁員，并一直持續到今年。
這是因為，企業固然有志向、有錢、有人，但工業從來都是個“慢性子”，有很多非標化的需求，有很多需要深刻理解的場景，靠互聯網的打法，以及資金和人力堆疊，并不能快速推動項目落地。
韓云今年接觸了不少從A公司出來的候選人，由于他們被拉高了心理預期，再求職時往往會在已經高于市場行情的薪資基礎上，繼續要求工資漲幅。
面對這些候選人，韓云十分無奈，但也只能直接了當告訴對方：“以你的經驗背景，在A公司薪資已經談到那么高，如果繼續要求漲幅，在當前的行情下基本上是沒有面試機會的，最多只能平薪。”對此求職者也只能選擇接受。
在3D視覺公司普遍進入項目落地的階段，對于應用工程師的需求也大量出現。
尤其一些以做項目為主的視覺公司，由于工業場景大都十分非標化，因此他們需要養大量的現場應用工程師。
比如做大型鋰電項目的視覺公司，可能同時需要大幾百號人撲在項目上，出于用人成本考量，他們做不到高薪招聘經驗豐富的工程師，于是剛畢業一兩年的年輕人成為最合適的人選。
“算法工程師一般客戶會要求碩士學歷及以上，并且很看本科是不是211/985，軟件工程師本科碩士都行，FAE 現場應用工程師基本上有大專學歷就可以。”韓云對雷峰網(公眾號：雷峰網)說。
相比算法和軟件崗位，應用工程師崗位相對基礎，對學歷要求沒有那么高，加上人才基數本身較大，因此招聘速度也更快。
然而，隨著3D視覺行業的熱度漸漸冷下來，視覺公司考慮到資金壓力，也開始“懼怕”起那些費人費錢，交付周期又長的項目。
及至今年，在洗牌期來臨，各家比拼造血能力的當口，視覺公司的崗位需求也出現了明顯的轉變，開始爭搶起有資深經驗的銷售。
3D視覺公司銷售崔磊告訴掘金志，銷售崗位遇到最大的困難就是客戶資源的轉化問題。
即當確認一個客戶的場景是一個潛力場景時，如何平衡好公司自身研發、測試的時間，以及競品在產品和價格上的對比，并最終拿出滿足客戶需求的產品或方案，順利簽下訂單。
經驗，在銷售崗位的重要性溢于言表。
韓云表示，“我們之前幫企業招聘的多是算法、軟硬件、光學結構、大量應用工程師、項目經理、機械、電氣等崗位，今年視覺公司都在搶業績、拿訂單，很多公司都委托我們找厲害的銷售。客戶的目的很明確，要求很直接，就關注候選人有哪些客戶資源？主要做哪些客戶？個人業績怎么樣？去年完成多少業績？非常簡單粗暴。”
從整個行業來看，目前經濟下行，大廠大量裁員，對于3D視覺公司來說，進入了一個很好的人才投資周期。
這兩年不少視覺公司，一邊清洗冗余或價值不大的部門和人員，一邊又補充更加優秀，更符合要求的人才。
3D視覺機器人公司創業者夏侯直言，其位于上海的分公司，今年拿到一堆百度、高仙被裁人員的簡歷。
工業領域，選用產品和方案的一條準繩就是設備系統運行的穩定性，當下國產視覺系統穩定性不足，是眾多工業客戶的共鳴。
很多視覺產品在實驗室效果特別好，但一到實際應用現場就問題頻出。
視覺公司直面和解決穩定性問題的主要是兩類人才：一類是“實驗室研發型”，負責產品研發和落地；一類是“現場支持型”，負責產品交付。
然而，在工業3D視覺領域，這兩類工程師都不輕松。
首先，是頻繁出差的算法工程師。
“在工業視覺領域做算法很辛苦，工業場景碎片化、非標化，算法工程師需要對應用場景有足夠的了解，因此經常需要出差，不像互聯網和消費電子等行業，在公司寫代碼就好。”韓云說道。
這便帶來一個極為矛盾的現象，即人才不足背景下的人才浪費問題。
至少在去年，甚至今年上半年，都還有視覺公司付著博士的薪水，卻讓博士干著一位專科生就能干的應用工程師的活。
據在某機器人公司實習過的史航介紹，一般接到一個項目需求后，都是由項目經理去現場溝通需求，但由于項目經理一般不太懂技術，會導致很多需求點溝通不到位。
不僅如此，有的初創公司由于領導欠缺管理能力，導致給到工程師錯誤的需求。比如當算法工程師到現場部署的時候，可能會發現客戶工藝已改善，或項目范圍變更，或功能改變，但工程師此前卻沒有接收到這些信息，最終只能淪落到現場編程，重新開發。
再比如一些項目有著極其嚴格的保密需求，并且客戶不一定有現成的二次開發平臺，視覺公司也只能將博士送到“前線”，現場寫代碼和調試。
“符合要求的這些碩士和博士，做自動化也是做，做自動駕駛也是做，為什么在這賺這個辛苦錢。”史航說。
在不少業內人看來，現階段機器視覺領域的人才浪費，是行業發展初期的一個必經的階段。
行業初期需要做大量奠基工作，一般的工程師做不了，只能讓博士生、研究生們到一線接觸項目，接觸應用，為的是深入理解客戶場景需求。
未來隨著機器視覺市場走向成熟，研發與項目將相互獨立，博士、碩士們會回歸研發工作，項目和應用則可以完全交由真正的集成商，由他們啟用本科生、專科生將3D視覺交付到客戶的產線中。
其次，是身心俱疲的應用工程師。
真實應用場景環境復雜，是交付過程中問題頻發的一個重要原因。
以視覺檢測為例，由于實驗室測試環境和現場工作環境的真實差異，有的高精度相機在實驗室的檢測精度能達到10微米，但在客戶現場達不到，有時并非產品本身做得不夠好，而是現場各種各樣的工況導致。
“真實應用現場有很多不確定因素，場地大小、光照影響、生產時間安排、粉塵污染、電磁干擾等各種問題，會導致之前在實驗室的方案，修改或者重新推翻。”從3D視覺跳槽傳統2D視覺公司的方成介紹道，面對出現的各類問題，視覺工程師需要快速評估，給出總部意見，或和遠在辦公室的軟件研發工程師配合快速處理，或根據自己的經驗快速調整。
一般來說，做視覺的公司分為兩類，一類是“全能型”，這類公司規模較大，從底層光學，到相機、機械等硬件，再到軟件都是自己做；另一類視覺公司，與設備方合作，自己只負責視覺部分。
事實上，客戶項目現場出現問題，并非全部都是視覺的問題，除了相機硬件和視覺系統穩定性外，工控機、線纜、設備都可能出現各種各樣的問題。
“比如機器卡死、檢測不出來一般是軟件問題，沒有圖像、圖像出現花紋、丟幀等是硬件問題，只有有現場實施經驗的視覺工程師才能找到問題。”方成說。
但現實情況是，一旦出現問題，客戶總是先找視覺的問題，尤其是系統軟件的問題。
韓云接觸大量應用工程師后，一個直觀感受是，應用工程師群體實在“有苦難言”。
“甲方一上來就是找視覺的問題，讓給視覺公司檢查處理。應用工程師在甲方處沒有太多話語權和地位，經常被甲方的項目經理隨叫隨到，屬于純乙方。”
長時間的駐場，隨叫隨到的服務，問題排查又極依賴經驗，再加上問題排查過程中的相互推諉與扯皮，導致現場應用工程師心力交瘁。
“理想的交付周期至少要一個季度，如果有各種扯皮的情況，項目交付周期可能會變成兩三個季度。”一位售前解決方案工程師補充道。
因此，相較于算法、軟件崗，相對基礎的應用工程師崗人員流動一直以來都比較大，很少在一家公司工作特別久。
尤其在視覺行業紅火的那兩年，市場上對于應用工程師的需求量很大，客戶迫于交付時間的壓力需要快速上人，有經驗沒經驗的都要，也愿意給出高一點的薪資。
對于應用工程師來說，不同項目工作內容基本一樣，因此在一家公司待一年半載，有一定經驗后，另一家公司給出高一兩千的薪資，便會毫不猶豫的跳槽，并且常常是和自己的小組長或熟人一起抱團跳槽。
除了在不同公司的同一崗位之間反復跳槽，大多數想要擺脫田間地頭調試之苦的應用工程師，通常會走上兩條職業道路：一條道路通向管理崗位，轉做項目主管/經理，帶小團隊負責一個項目；更多選擇轉行做研發，通過提升學歷水平或參加視覺軟件培訓，實現做應用軟件工程師的夢想。
場景理解說難也不難：不難，因為沒有特別高的技術門檻；難，因為對經驗的要求非常高。
相對而言，3D視覺行業起步晚，既懂3D視覺技術又懂工業場景的人才還沒有大規模成長起來，且用人成本高昂。
但總體而言，工業市場細分領域眾多，不乏許多專精特新企業，小巨人企業，以及一些悶聲賺大錢的企業，論就業和前景，工業的發展空間很大。
用人問題，是各行各業都會遇到，并需要長期探索的命題。
當無人可用時，是“巧婦難為無米之炊”；當人才缺乏經驗時，是“書到用時方恨少”；當人才囿于自身經驗時，是“夏蟲不可語冰”；當方向不明確時，是雖有行業老兵、精兵強將，最終卻“興盡晚回舟，誤入藕花深處”。
3D視覺人才的迭代與流動，在展示工業3D視覺成長歷程和最新動向的同時，也有一些經驗值得反思。
作者長期關注智能制造、工業數字化賽道，如果您有更多故事和觀點，歡迎添加微信MOON_ERS進行交流。
注：文中部分名字為化名。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
