任何产业落地，人才是打开“潘多拉魔盒”的黄金秘钥之一。
3D视觉领域，尤其面对碎片化、非标化的场景时，上至研发下至应用与销售，“有经验”、“懂场景”、“懂客户”是最具优势的敲门砖，也是视觉公司最求贤若渴的一类人才。
然而，3D机器视觉这个尚且年轻的行业，还没有足够的能力广纳有经验的人才，也使得人才争夺战在这个行业尤为激烈，并一路从前几年的研发应用岗比拼到了如今的销售岗。
跳槽、转行、流向上游设备商……这些人才流动的轨迹，也从侧面描画了3D机器视觉的一路演进和最新动向。
去年，算法岗位的秋招一片哀鸿遍野，CV（计算机视觉）算法工程师岗位尤其卷得厉害，求职人数增加了23%，但岗位数下降了16%，求职与招聘比例达到了恐怖的15:1，导致很多CV从业者纷纷转行，走上开发或产品运营岗位。
CV算法工程师岗位之所以“卷”，一方面源于广阔的应用前景，涵盖自动驾驶、医疗影像分析、安防监控等领域，导致对具有CV算法开发经验的工程师的需求大大增加；另一方面，传统2D视觉算法已经十分成熟，大多数算法都已开源，使得深度学习相对容易应用，该领域差异化相对较小。
然而，如果在算法工程师的前面加一个“工业3D视觉”的前缀，就会看到另一番景象，不少人听到后大概都会摇着头四散走开。
在工业领域，3D视觉技术可以应用于尺寸测量、质量检测、物体定位、自动导航等方面，工业自动化程度的不断提高，使得3D视觉技术的应用不断扩大。
但与此同时，工业3D视觉也面临着更大的挑战。
技术上，工业3D视觉通常需要深入了解机器视觉、点云处理、传感器技术等多个领域的知识，需要具备跨学科背景的人才，门槛较高。
不过，虽然3D视觉技术壁垒和行业难题犹存，但进入门槛已经变低。
当前主流的 3D 成像技术有几种，双目立体、结构光、ToF、激光三角测量等，其他成像技术是在其基础上的变形，目前国内都已有成熟的开源算法。
一位3D视觉芯片公司市场销售总监对雷峰网表示，“目前国内3D视觉算法是成熟的，ToF、结构光都有开源算法，只要是个研究院或者有个团队，都能跑起来，但在低功耗、低延迟、高帧率、高分辨率上国内外还存在差距。”
不少3D视觉从业者向掘金志表示，工业领域最难的其实不是技术，而是交付。
“3D视觉项目跟其他工业项目类似，看起来很香，动辄成百上千万，但如果前期项目评估不准确，就会导致交付周期很长，甚至出现烂尾。”迁移科技市场总监孙亚东说。
一方面，要在工业环境中处理和理解三维数据，涉及到光照变化、噪声干扰等复杂场景的挑战，而能解决这些问题的专业人才则较为缺乏。
这也是CV算法工程师竞争激烈，而工业3D视觉算法工程师仍供不应求的原因。
另一方面，交付现场问题频发，视觉作为机器的核心部件，维护成本很高，必须派人去现场维护、调试，有时一个较大的项目可能就需要几十个现场应用工程师。
对复杂场景的理解与维护售后的困难相互交织，造成的结果就是大量人力铺在项目上，并且交付验收周期被“无限”拉长。
掌握场景能力为什么这么重要？
因为掌控场景的公司才拥有议价能力。
而懂场景，才能做出好的产品，一般而言，拥有核心产品的公司拥有议价能力，但当下国内以产品公司为定位的3D视觉厂商，并没有在产品上拉开足够的差异化，导致议价能力不强。
有投资人认为，国内3D视觉公司产品上的议价能力不强，一个原因在于技术和产品做得还不够成熟，另一个很重要的原因就在于对工业应用的场景理解还不够。
本质上，工业3D视觉面临的困境，都围绕着一个关键词“场景理解”。
3D视觉公司的CTO胡平坦言了公司在人才建设上走过的弯路，“高估了智商的作用，低估了经验的作用。”
这也是不少研发背景强悍的“技术型创始人”会遇到的问题，常见做法如通过设置较难的笔试题，筛选出一批学术能力和研究能力优秀的应届毕业生。
但他们往往都会发现，这类员工由于没有落地经验，几乎没有对客户和场景的理解，导致产品开发过程中一些研究方向偏离实际，为公司带来高昂的试错成本。
胡平谈到，在后期招聘中，公司更多从业务设计角度出发，不仅招聘了研发能力强的人为不同项目做支撑，同时也招聘了部分有经验的员工，各取所长。
工业3D视觉，是一个上至研发下至应用，都十分依赖经验人士的行业，但3D视觉行业发展至今，懂场景的人才依旧相对匮乏。
一大原因在于，3D成像的发展历史并不是很长，相关高校设置的图像算法类专业也是这几年才兴起，以大专生为主流，做底层算法的人才数量本身就稀缺。
机器视觉公司总经理何著表示，目前国内大部分学校培养的都是传统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，后者门槛更高，领域规模相对更小。真正的3D视觉是多视角的，需要通过点云处理，多一步计算就卡住了不少工程师，因为只有很少的人在学校里学习到了真3D的相关知识。”
另一大原因在于，高校毕业的很多算法人才，都更倾向于选择互联网大厂、AI公司或大型消费电子公司，真正进入纯视觉行业的高端人才太少了。
毕业于山东大学的何著表示，当他回到母校做宣传时，发现自己根本招不到人。
“所有的硕士跟博士一毕业后全部进入大厂，或者进入一些有名的AI公司，这些公司开得起钱。视觉公司大都是一些小的创业公司，稳定性不强。”
一位帮不少视觉公司做过招聘的猎头韩云深有同感，在招人的过程中，她曾遇到几位十分资深的视觉算法工程师，合作的视觉公司求才若渴，但这些人才最终还是选择了给得起高薪，有平台光环的大厂。
人才匮乏，导致专业人才成为工业3D视觉行业的“香饽饽”，并且视觉公司对不同岗位的人才需求，分阶段呈现出不同的高潮。
2020年至2021年，是3D视觉行业的黄金发展期。
彼时，3D视觉概念爆火，资本市场也表现的尤为热情，上至芯片，下至产品和解决方案，大额投融资屡见不鲜。
这把火传导到人才市场，表现为到处都在抢专业人才。
以3D视觉芯片为例，基本上每做一颗芯片都需要3-5年的时间。
芯片设计团队里，机器视觉、成像、人工智能、双目结构光或者ToF算法，每一个都是一个独立的学科，此外还有光学设计，嵌入式，片上系统，最终还要把几大核心方向全部融合到一处，将所有算法硬件化。
“芯片的前中后端设计，每一个展开来讲都非常复杂，每一块都需要配备专用的人才，一方面需要花大量资金去抢专业人才，另一方面3D成像在中国的发展历史并不是很长，绝大多数人能做2D图像处理，但不会3D图像处理。”
猎头韩云经营的人才服务公司在2019年至2021年期间服务了不少机器视觉公司，帮助客户招聘岗位包括算法工程师、软件工程师、项目经理、应用工程师等，并主要以算法、软件等中高级岗位为主。
最让韩云印象深刻的是A公司。2021年A公司融到了行业天花板级别的融资，于是在这一年快速扩张，以至少高于同行30%以上的薪酬疯狂招揽研发及销售人才，仅一年内就疯狂迅速吸收进大几百人。
站在猎头角度，韩云并不认同A公司的做法，因为其无形中扰乱了原本平衡的市场薪酬体系，拔高了从业人员的薪酬期待值，心态变得更为浮躁且短视。
更大的灾难在于，A公司虽然的确用高薪吸引来了众多优秀的人才，但其最终并没有做出与能力相匹配的产品。于是在3D视觉热度开始下降的2022年，A公司也开启了裁员，并一直持续到今年。
这是因为，企业固然有志向、有钱、有人，但工业从来都是个“慢性子”，有很多非标化的需求，有很多需要深刻理解的场景，靠互联网的打法，以及资金和人力堆叠，并不能快速推动项目落地。
韩云今年接触了不少从A公司出来的候选人，由于他们被拉高了心理预期，再求职时往往会在已经高于市场行情的薪资基础上，继续要求工资涨幅。
面对这些候选人，韩云十分无奈，但也只能直接了当告诉对方：“以你的经验背景，在A公司薪资已经谈到那么高，如果继续要求涨幅，在当前的行情下基本上是没有面试机会的，最多只能平薪。”对此求职者也只能选择接受。
在3D视觉公司普遍进入项目落地的阶段，对于应用工程师的需求也大量出现。
尤其一些以做项目为主的视觉公司，由于工业场景大都十分非标化，因此他们需要养大量的现场应用工程师。
比如做大型锂电项目的视觉公司，可能同时需要大几百号人扑在项目上，出于用人成本考量，他们做不到高薪招聘经验丰富的工程师，于是刚毕业一两年的年轻人成为最合适的人选。
“算法工程师一般客户会要求硕士学历及以上，并且很看本科是不是211/985，软件工程师本科硕士都行，FAE 现场应用工程师基本上有大专学历就可以。”韩云对雷峰网(公众号：雷峰网)说。
相比算法和软件岗位，应用工程师岗位相对基础，对学历要求没有那么高，加上人才基数本身较大，因此招聘速度也更快。
然而，随着3D视觉行业的热度渐渐冷下来，视觉公司考虑到资金压力，也开始“惧怕”起那些费人费钱，交付周期又长的项目。
及至今年，在洗牌期来临，各家比拼造血能力的当口，视觉公司的岗位需求也出现了明显的转变，开始争抢起有资深经验的销售。
3D视觉公司销售崔磊告诉掘金志，销售岗位遇到最大的困难就是客户资源的转化问题。
即当确认一个客户的场景是一个潜力场景时，如何平衡好公司自身研发、测试的时间，以及竞品在产品和价格上的对比，并最终拿出满足客户需求的产品或方案，顺利签下订单。
经验，在销售岗位的重要性溢于言表。
韩云表示，“我们之前帮企业招聘的多是算法、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，今年视觉公司都在抢业绩、拿订单，很多公司都委托我们找厉害的销售。客户的目的很明确，要求很直接，就关注候选人有哪些客户资源？主要做哪些客户？个人业绩怎么样？去年完成多少业绩？非常简单粗暴。”
从整个行业来看，目前经济下行，大厂大量裁员，对于3D视觉公司来说，进入了一个很好的人才投资周期。
这两年不少视觉公司，一边清洗冗余或价值不大的部门和人员，一边又补充更加优秀，更符合要求的人才。
3D视觉机器人公司创业者夏侯直言，其位于上海的分公司，今年拿到一堆百度、高仙被裁人员的简历。
工业领域，选用产品和方案的一条准绳就是设备系统运行的稳定性，当下国产视觉系统稳定性不足，是众多工业客户的共鸣。
很多视觉产品在实验室效果特别好，但一到实际应用现场就问题频出。
视觉公司直面和解决稳定性问题的主要是两类人才：一类是“实验室研发型”，负责产品研发和落地；一类是“现场支持型”，负责产品交付。
然而，在工业3D视觉领域，这两类工程师都不轻松。
首先，是频繁出差的算法工程师。
“在工业视觉领域做算法很辛苦，工业场景碎片化、非标化，算法工程师需要对应用场景有足够的了解，因此经常需要出差，不像互联网和消费电子等行业，在公司写代码就好。”韩云说道。
这便带来一个极为矛盾的现象，即人才不足背景下的人才浪费问题。
至少在去年，甚至今年上半年，都还有视觉公司付着博士的薪水，却让博士干着一位专科生就能干的应用工程师的活。
据在某机器人公司实习过的史航介绍，一般接到一个项目需求后，都是由项目经理去现场沟通需求，但由于项目经理一般不太懂技术，会导致很多需求点沟通不到位。
不仅如此，有的初创公司由于领导欠缺管理能力，导致给到工程师错误的需求。比如当算法工程师到现场部署的时候，可能会发现客户工艺已改善，或项目范围变更，或功能改变，但工程师此前却没有接收到这些信息，最终只能沦落到现场编程，重新开发。
再比如一些项目有着极其严格的保密需求，并且客户不一定有现成的二次开发平台，视觉公司也只能将博士送到“前线”，现场写代码和调试。
“符合要求的这些硕士和博士，做自动化也是做，做自动驾驶也是做，为什么在这赚这个辛苦钱。”史航说。
在不少业内人看来，现阶段机器视觉领域的人才浪费，是行业发展初期的一个必经的阶段。
行业初期需要做大量奠基工作，一般的工程师做不了，只能让博士生、研究生们到一线接触项目，接触应用，为的是深入理解客户场景需求。
未来随着机器视觉市场走向成熟，研发与项目将相互独立，博士、硕士们会回归研发工作，项目和应用则可以完全交由真正的集成商，由他们启用本科生、专科生将3D视觉交付到客户的产线中。
其次，是身心俱疲的应用工程师。
真实应用场景环境复杂，是交付过程中问题频发的一个重要原因。
以视觉检测为例，由于实验室测试环境和现场工作环境的真实差异，有的高精度相机在实验室的检测精度能达到10微米，但在客户现场达不到，有时并非产品本身做得不够好，而是现场各种各样的工况导致。
“真实应用现场有很多不确定因素，场地大小、光照影响、生产时间安排、粉尘污染、电磁干扰等各种问题，会导致之前在实验室的方案，修改或者重新推翻。”从3D视觉跳槽传统2D视觉公司的方成介绍道，面对出现的各类问题，视觉工程师需要快速评估，给出总部意见，或和远在办公室的软件研发工程师配合快速处理，或根据自己的经验快速调整。
一般来说，做视觉的公司分为两类，一类是“全能型”，这类公司规模较大，从底层光学，到相机、机械等硬件，再到软件都是自己做；另一类视觉公司，与设备方合作，自己只负责视觉部分。
事实上，客户项目现场出现问题，并非全部都是视觉的问题，除了相机硬件和视觉系统稳定性外，工控机、线缆、设备都可能出现各种各样的问题。
“比如机器卡死、检测不出来一般是软件问题，没有图像、图像出现花纹、丢帧等是硬件问题，只有有现场实施经验的视觉工程师才能找到问题。”方成说。
但现实情况是，一旦出现问题，客户总是先找视觉的问题，尤其是系统软件的问题。
韩云接触大量应用工程师后，一个直观感受是，应用工程师群体实在“有苦难言”。
“甲方一上来就是找视觉的问题，让给视觉公司检查处理。应用工程师在甲方处没有太多话语权和地位，经常被甲方的项目经理随叫随到，属于纯乙方。”
长时间的驻场，随叫随到的服务，问题排查又极依赖经验，再加上问题排查过程中的相互推诿与扯皮，导致现场应用工程师心力交瘁。
“理想的交付周期至少要一个季度，如果有各种扯皮的情况，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，相较于算法、软件岗，相对基础的应用工程师岗人员流动一直以来都比较大，很少在一家公司工作特别久。
尤其在视觉行业红火的那两年，市场上对于应用工程师的需求量很大，客户迫于交付时间的压力需要快速上人，有经验没经验的都要，也愿意给出高一点的薪资。
对于应用工程师来说，不同项目工作内容基本一样，因此在一家公司待一年半载，有一定经验后，另一家公司给出高一两千的薪资，便会毫不犹豫的跳槽，并且常常是和自己的小组长或熟人一起抱团跳槽。
除了在不同公司的同一岗位之间反复跳槽，大多数想要摆脱田间地头调试之苦的应用工程师，通常会走上两条职业道路：一条道路通向管理岗位，转做项目主管/经理，带小团队负责一个项目；更多选择转行做研发，通过提升学历水平或参加视觉软件培训，实现做应用软件工程师的梦想。
场景理解说难也不难：不难，因为没有特别高的技术门槛；难，因为对经验的要求非常高。
相对而言，3D视觉行业起步晚，既懂3D视觉技术又懂工业场景的人才还没有大规模成长起来，且用人成本高昂。
但总体而言，工业市场细分领域众多，不乏许多专精特新企业，小巨人企业，以及一些闷声赚大钱的企业，论就业和前景，工业的发展空间很大。
用人问题，是各行各业都会遇到，并需要长期探索的命题。
当无人可用时，是“巧妇难为无米之炊”；当人才缺乏经验时，是“书到用时方恨少”；当人才囿于自身经验时，是“夏虫不可语冰”；当方向不明确时，是虽有行业老兵、精兵强将，最终却“兴尽晚回舟，误入藕花深处”。
3D视觉人才的迭代与流动，在展示工业3D视觉成长历程和最新动向的同时，也有一些经验值得反思。
作者长期关注智能制造、工业数字化赛道，如果您有更多故事和观点，欢迎添加微信MOON_ERS进行交流。
注：文中部分名字为化名。
正在生成分享图...
赖文昕