1樓：秦時蓋聶
這就好比工業化程序，「手工作坊」是必然會進化到「機械化生產」的。
目前的炒菜式科研，在計算機技術（人工智慧）發展到一定程度的時候，是會被逐步取代的。
可能是10年、20年，也可能是更久以後。
例如目前非常火的單原子催化劑，就是不斷在元素週期表上尋找新的物質，用於催化反應。這種排列組合式的問題，未來是否會可以交給計算機去完成？
國內機器學習和環境工程交叉的博導有哪些？
2樓：
當然有未來，但是你有辦法在滿足不掛科要求，畢業要求，公升學要求，科研要求的前提下精通另外一門知識嗎？如果二選一，你希望你學習的基礎是哪一門呢？如果你搞完機器學習，面對業界50w起的包，和博士回頭搞生化環材，你選哪個？
3樓：
巨集觀上講，只要不是偽需求，有沒有未來就取決於供求關係。藍海就容易有未來，紅海就比較難。
微觀上說，對別人是藍海的，對你未必是藍海。比如，現在機器學習培訓班爛大街，隨便乙個阿貓阿狗都是張口梯度下降，閉口邏輯回歸。對於這些人，機器學習早就是大紅海了；但是對於對模型有深刻理解，技能點比較全，有領域工作經驗的人來說，依然能算小藍海。
生信現在有點像biotech，後者在國內已經湧現出來一批初創企業，也有人悶聲發財的。對於這些人來說肯定是藍海，對於普通人就不好說了。
其實在中國這種僧多粥少又精明人扎堆的國家，沒有什麼藍海。你自己就是你最大的藍海。面對不理想的現實，能做的就是豐富自身技術棧，培養眼光，找對平台。
4樓：
自然是非常非常非常有意義的，這些複雜科學本身就需要很強大的統計工具。
但是這種交叉的難度是很大的，同時需要數理基礎、一些硬體和本領域的研究視野和基礎，或者有很好的合作者。如果只是希望調參灌水最後轉碼那基本是不可能的(演算法崗早就捲成諸神黃昏了)
5樓：
提供乙個化學角度的思考哈...
深度學習已經成為一種數值求解偏微分方程的有效方法，目前已有工作使用DNN求解了幾十個電子體系的分子的薛丁格方程[1]，目前的結果表明，相較於傳統方法，DNN具有收斂速度更快，不受基組限制等優點。
如果深度學習可以更快地求解雙電子積分，那就能顯著地加快HF-SCF方法...
所以，隨著深度學習方法在數值求解領域中的巨大前景，深度學習也將成為量子化學計算中一種主要的數值求解工具。
勸退生化環材專業是否是徒勞無功？
小康 不徒勞不徒勞哈哈哈哈我就被成功勸退了。不過說實話，勸退一直有，我也知道有，但之前一直自我找藉口，自我安慰，或者覺得自己不一樣。真正讓我觀點逆轉的，還是自己的原因。因為自己在材料學院下的乙個交叉學科的實驗室，因此需要學很多自動化和計算機相關的內容。之前其實也沒覺得材料是天坑專業，也對科研一腔熱血...
請問生化環材在可預見的未來真的沒有春天嗎？
痕跡 我感覺這幾個專業不坑吧，我學地質的也沒說專業坑，為啥四大天坑是生化環材？基本都和化學有關，這就業不是挺好的麼，公司也比較多，待遇也不算差，而且工作強度也不高，學結構，土木，地工，岩土的都是什麼工作環境啊，不是照樣幹的不錯麼，專業我認為沒有好壞之分，只有你有沒有學紮實，理論知識學紮實，出路都不錯...
現在生化環材考研是否適合金融專業撿漏？
差不多得了 自我介紹 985材料本科跨保top3金融就我所知，金融的專業課難度跟材料還真沒法比。金融為什麼分高？專業課簡單門檻低，薪酬又高，所以衝的人多，導致分高。材料為什麼分低？專業課難，薪酬又低，研究生要實驗，所以衝的人少。想衝材料先去把材料，物化，固體物理，測試技術，電工，半導體之類的學會了再...