2017年夏天，正在大学进行项目研究的我，因为区块链新颖的概念以及酷炫的名字，而对此产生了浓厚的兴趣。然而，尽管我在大学期间的创业和教学，使自己具备一定的工作经验，但像我这样的本科生很难在区块链行业的顶级公司寻求实习的机会。因此，为了获得大公司的工作阅历，我收到了微软的数据和人工智能顾问实习offer，为期6个月。

但后来我发现，数据和人工智能工程师并不适合我，也不是我想要的工作，所以我决定毕业后攻读区块链博士学位，使我做出如此决定主要有两个原因：

研究员和工程师的区别

对我而言，研究员与工程师最大的区别在于：前者可以投入时间和精力创造新的价值。

在大型企业中，大多数时候，工程师需要等待销售部门与客户签订协议，然后完成分配的工作以满足客户的需求。在创业团队中，工程师可能即是研发人员又是销售人员。但不管怎样，客户都希望工程师能够利用现有的工具和方法，按照标准架构进行作业，以对大限度的降低风险并快速交付任务。工程师没有时间和精力来开发新算法，当然也无法承担实验失败的风险。

如果是一名研究人员，你的主要工作是通过尽可能多地阅读和学习，确保了解最新的思想和趋势，开发一个全新的解决方案，并根据实践数据来解决特定的问题。如果你有一个价值发现，可以发表在学术期刊上，能够让你的研究成果帮助更多的研究人员。

所以在研究员和工程师之间，我个人认为前者更具有挑战性，值得我更多的付出。

对于一个刚毕业的学生来讲，先成为研究员还是先成为工程师是一个很重要的事情。我咨询了我的导师，一个已经拿上博士学位9年的微软数据科学家。我认识到了先成为研究员的好处，简单的说，工程师只能通过各种会议论坛才能接触这一领域的专家，一旦进入到工作岗位上，就很难亲自见到他们。我的导师就建议我先成为一名研究员，可以更好的建立和完善我的知识库。

尽管有许多人在开始研究之前已经工作几年，但需要注意的是，申请研究生学位的难度会随着你离开大学的时长而增加，并可能会失去教授的推荐机会，以及其他应届毕业生考研的优势。

对我来说，作为一名研究员，首先让我有更多的时间来发现我真正的兴趣，可以有时间参与我感兴趣的项目而不受全职工作的限制。

数据科学与区块链

根据我的理解，数据科学与静态数据交互，而区块链中的参与者是与具有不同激励行为的人的动态协议交互。数据科学家通过统计数据获得数据的分析，并用合理的数据行为和关系解释结果，而区块链研究人员开发的共识算法即使在存在不真实的参与者时也能保证一致性。

从工程师的角度来看，数据科学中最关键和最耗时的部分之一是数据挖掘和数据整理，因为可能需要处理几个GB甚至TB的数据。然后将整理后的数据输入到机器学习库中，人们可以将其视为一台超级机器，它采用特定格式的输入并在一段时间和计算能力后生成所需的结果。对于类似的客户需求，机器学习库的集合大多相同。最困难的部分是将从客户处获得的混乱数据转换为超级机器所需的输入格式。然后我们尝试使用不同的机器，从而选出给我们带来最佳效果的机器。我们需要进一步了解机器的工作原理，以便向客户解释结果。

对我来说区块链是心理学、经济学、数据库、计算机网络和密码学的结合，其概念的每个元素都不是历史上的新发明，而是它们的组合。但它就是这么引人注目，因为它让我们有希望摆脱像银行这样的传统中心化机构。

权力下放意味着每个人都是他/她自己的老板，我们是平等的，任何人都无法管理我或迫使我做出偏离自我意愿的事情。尽管这个愿景还很久远，但区块链的出现使得这个愿景具有了可行性，因此我爱上了区块链，我也非常荣幸为这一宏伟愿景做出贡献。

勇敢前行

以上是我个人从现有的知识储备和人生阅历中，总结的研究员和工程师、区块链和数据科学的观点。这里面可能会有错误的理解，但这也激励着我努力向前探索，同时也感谢人生旅程中支持我的朋友，没有你们的支持和鼓励，我将永远不会那么勇敢。

译者注：Lee Ting Ting，以太坊开发人员和爱好者，区块链作者，hackathon爱好者，业余模特以及对密码学充满热情的自学者，目前在香港科技大学就读，在微软担任数据和AI顾问（实习）。