1樓：
HCI領域，尤其是研究social media的。先不說工業界「領不領先」於學術界，學術界一沒資源，二沒資料，對social media很多東西的內部機制兩眼一摸黑基本靠猜。雖然assumption基本都是錯的，但是有各種理論的支撐和道德上的優越感啊。
反正學術界也不需要解決實際問題，能獲得intellectual orgasm就夠了（滑稽
2樓：張瑋梁
M架構1920s已經出現，2023年錢德勒才正式提出，提出時美國過半大公司均為M架構…
就商學院而言，找個學術界領先工業界的地方才是真不容易。
3樓：
公司的實驗室，不出成果就專案就死，燒錢還不給公司帶來利益遲早關閉。
大部分高校的實驗室，拿到經費後能報銷趕緊找發票報銷。
動力/目的上區別很大。
在大部分領域，公司的實驗室領先高校的實驗室。
在某些領域，公司的實驗室碾壓某些高校的所謂實驗室。
4樓：
感覺現在deep learning的成果都來自工業界啊， MSRA的ResNet, FAIR的Mask R-CNN, Google Brain的 GAN.
5樓：小豬兒啃地瓜
有次全國流態化會議，某位朱姓原始談到最近比較火的高速流化床的研究時，說這項研究shell在50年代就做過了...他以前在那裡工作時翻閱資料看到的。
6樓：有一點常識的人
應用領域，以工科為甚，企業明顯碾壓學校，而且你若了解，會覺得學校在做匪夷所思的事情。
因為，目的導向，需求導向，知識暴利導向，投入承繼性，結果檢驗，企業的自發動力和獲得的激勵遠大於學校。
以當前熱門的電子行業、半導體行業、通訊行業、計算機行業、網際網路行業為例，很多理論、概念、技術細節、實驗資料、修正引數乃至堆積成的大學教材都是來自企業，似乎跟大學完全無關。你無法想象乙個需求不強，動力不強（自認為很強），又與外界少關聯的閉門造車者，能做出驚天駭人的事情，所以，某種程度上說混一混和騙經費一點都不為過分。
PS：中國的科研都在深圳&珠三角。
7樓：懶得起名
在高功率半導體領域，工業界略領先學術界，當然，這個領域裡，工業界和學術界的聯絡是很緊密的。
以碳化矽的MOSFET來說，目前Wolfspeed可以做到10kV，目前我還不知道那個學校能夠自己做出這麼高的mos。這個行業對技術要求太高了，學校沒辦法自己做晶元，必須依託大公司做實驗。對於Wolfspeed自己來說，10kv也不是成熟產品，他們還在測試，我看到北卡州立的文章裡面，他們都是自己進行封裝的，自己加wire bonding，和die attachment，估計是因為Wolfspeed自己還沒有進行封裝，都是一些裸露的die。
全世界沒有幾所學校能夠拿到這個器件，另外，即使能拿到die，能夠有條件自己給die做封裝的學校，全美也沒有幾所。北卡州立因為和CREE合作很多，很早就拿到了這個器件，他們拿10kv的MOSFET和15kv的IGBT做過測試，並做過驅動，在這個領域走在學術界的最前沿。而Wolfspeed自己，不僅做出了器件，連驅動板業開發出來了，去年開會時還見到他們拿出來展示了，做的很緊湊，很漂亮。
不過聽說今年CREE就要把wolfspeed賣給英飛凌了，到時候不知道會是什麼情況。
8樓：Hachiroku
計算機系統領域，工業界領先的不要太多。每年都無數的學術界教授轉投工業界。原因也很簡單：
fb google分分鐘就能在上萬台機器的cloud裡面跑個實驗，這在學術界根本沒有條件，想都別想。去看看近年的sigcomm，osdi，nsdi，有多少都是msr出來的。學術界嘛，也就只能搞搞理論演算法什麼的了。
9樓：多啦A夢工程師
10樓：
我也湊個熱鬧，多重網格演算法，和快速傅利葉變換一樣的複雜度，是基於這樣乙個現象：在一般的迭代下，不同頻率的誤差在不同粒度的網格上衰減速率不一樣。這個是乙個蘇聯人的發現，但要注意的是這不是從某個定理公理出發，而是完全實踐得到的。
11樓：碧落花生
這兩者之間沒有什麼絕對性的先後關係。
就比如說，工業革命，內燃機出現致使了關於燃料使用效率優化的研究，推動促進了熱動力學的建立，發展出了三大定律，其中還包括大家多熟悉的一條能量守恆定律。但是，另乙個角度上說，科學發展推動了技術革命，就比如，電磁效應推動了發電機的發明，是人類得以跨入了電氣時代。
一般來說是技術推動科學發展，科學上的發展一般來說都是落後於具體事實的發現，所以相對論在具體實驗發現前就提出來了是一件很厲害的事情，愛因斯坦也是因此被認為是天才。
不過以我看來，過分的去追究誰先誰後本身就是沒有意義的，與其在乎這個，不如去追尋技術的革命或者科學新理論的建立。
12樓：得分的
晶元啊！ISSCC上工業界和學術界文章數對比，近些年學術界才在數量上追上
工業界有Intel,IBM,Samsung這些巨頭,完全吊打學術界
13樓：Yang Wang
燃燒，原始人就開始用火，
到目前都沒動明白火焰是個啥，
猜測是一大堆的化學反應，傳熱，流動，傳質的複雜系統。
原因很簡單：測量不到阿！元素多，變化快，儀器本身還會干擾火焰，並且被燒壞。。。
所以：燒飯點菸時，請帶乙份敬畏之心
14樓：李大貓
新藥研發 Pfizer Msd Roche這種級別可能沒有大學可以比CS也是工業界領跑
15樓：藝術就是派大星
16樓：sherry32
我覺得可能是定位不同吧，學術界可能會更加關注一些大概好幾十年之後才用的東西，而一旦出來個原型，大家做這個的興趣就沒那麼大了
17樓：楊倩妤
對於資本主義，工業界大部分領先；對於社會主義，學術界不可或缺。我看學術界研究出來的科技不久就全社會（包括工業界）共享了，工業界卻為了賺錢而藏著掖著，那工業界再先進，對社會主義也沒有用，社會主義基本工業建設，需要依賴學術界！
18樓：孟國濤
Alphago來自google deepmind
faster rcnn系列來自Microsoft research
segnet來自facebook AI research
19樓：杉杉來遲
錨桿。。。。
錨桿是如何起作用的，其原理是什麼，直到現在都沒辦法精確的進行解釋。錨桿支護的幾個重要基本理論：懸吊理論，組合梁，組合拱，水平應力理論，鬆動圈。
懸吊理論，組合梁，組合拱，原理簡單，但是與實際相差甚遠，具有侷限性。
水平應力理論也只是說明了水平應力對巷道穩定性的影響，並不能解釋錨桿的原理。
鬆動圈，是這幾個原理中最接近真相的乙個理論，但是這個鬆動圈的範圍怎麼算出來，有多大，誰也不知道。
那麼錨桿是怎麼用的呢？？？這個時候只能說：從群眾中來，到群眾中去，發現規矩，總結規矩，實踐是檢驗真理的唯一標準！
20樓：
軟體工程領域就是工業屆領先於學術界，畢竟是實踐性經驗性非常強的領域。比如說持續整合，極限程式設計，敏捷開發之類的，都是工業屆在日常搬磚中總結出來的。
21樓：懶懶等飛鳥的魚
我覺得首先得界定「領先」代表了什麼，如果是指應用，那麼必然是工業屆獲勝，因為這就是他們該做的，也就是說任何應用都是歸類於工業技術，哪怕你只是個碩士研究生，只要你的課題涉及應用，那麼你的這個行為就是工業技術實踐，你人本身可能是學術界的，但是研究不一定。
學術界或者理論研究，通常是基礎科學。也就是尋求自然規律的，本身就不是靶向於應用的。比如生命科學領域，很多都是訊號通路、靶點、機制的研究，並且研究出來這個靶點或者通路，並不是為了開發藥物治病救人。
而生命科學領域裡面的「工業屆」，藥企醫院等，則會盡可能的利用這些理論來造福人類。
其實問題的本質是理論研究和實際產品誰先誰後的關係。我認為必然是理論研究領先於穩定的產品。但是有些專業，理論研究和產品本身就是交織狀態，相互補足的。
22樓：周維恭
島津儀器有個大神田中耕一，其人只是碩士學歷，從未在科研機構工作過，只是在島津儀器裡工作。依靠生物大分子的質譜分析法，拿到了2023年的諾貝爾獎！他得獎時，日本學術家都不知道他是誰...
23樓：
機器學習。尤其是深度學習這一塊兒，學術界基本是被工業界吊打。
沒有基礎設施，模型想搞複雜也算不出來；就算有計算資源，資料集依舊被工業界霸佔。
24樓：叛逆者
必須說一下，工業界也學術界的劃分並非是屬於公司還是屬於學校，而是看在做的是研究還是工程，所以問題裡的劃分是錯的。實際上，公司的研究院屬於學術界。
學術界優化的目標是，在最好的條件下比別人都好，其他條件我不管。
工業界優化的目標是，在最差的條件下比別人都好，其他條件也不掛。
這兩個目標的不同，決定了做事情的方式和優先順序有很大的區別。領先不領先，也僅僅取決於評判標準。
25樓：氨氣
控制理論方向，有巨大的溝。跟工業界的聊天，被各種鄙視。據我所知，也就shell敢於用點新東西，內部訊息說，每年多賺的那點錢還不夠砸系統安全的呢。
工業界很多人認為工業x.0就是扯淡的。不過也有結合好的，樓下跟asml合作，看起來做的相當好，估計能用上。
26樓：
工業：先搞起來就行，其他的有學術界呢！
學術：我得先全都搞清楚為什麼，再搞……
於是工業界通常來說都領先不少
舉例：AI
講道理，學術界連智慧型、意識等等概念的定義都還沒有個統一結論呢！應用方面你看看，多少程式猿可以說自己在搞AI！
27樓：貓騎士
關於這個問題，給樓主推薦《科學革命的結構》和《科學革命的歷史分析》，科學和技術的接觸本身就很遲，聯絡也並非大眾想象的那麼緊密，關於題主所描述的這種現象其實是普遍存在的
28樓：J.Law
謝 @BryanLe at. 根據我有限的了解，工業界和學術界的相互看法是這樣的。
學術看工業：你這玩意兒太Low。
工業看學術：你這貨真的能用？
根源在於學術界和工業界的側重點不同。學術界更需要理論創新，做出來的東西能不能實際用不是首先考慮的因素；工業界需要能批量生產的穩定產品，如果有乙個東西很厲害但用了一星期就壞了，這種技術沒有改善穩定性之前基本不會考慮工業應用的。
對於傳統學科而言，這種學術界和工業界的差別會更明顯，比如我所在的天線領域。在期刊會議上可以看到各種新奇的天線，其指標大都是有一定創新的（否則不可能發表），然而到實際應用上，還是大家耳熟能詳的那幾種，比如手機的PIFA天線，相控陣的貼片天線。因為這些天線理論簡單，調測方便，有相關調測經驗的工程師多。
在工業界敢顛覆傳統是需要很大勇氣和投入的，比如蘋果首先在iphone4應用全金屬邊框天線，然後就發生了某個手持姿勢時訊號變差的天線門，這就是吃螃蟹的第一人。
在比較容易控制輸入環境的一些學科，比如計算機演算法相關，學術界和工業界的差別就開始模糊，因為面對的問題環境都是差不多的。比如現在很火的深度學習、機器學習，各大企業事實上是和高校研究所處於競爭狀態，甚至有不惜高薪從高校挖人的情況出現。
學術界科研（research）與工業界研發（R D）有什麼區別？
氣颯仁 不請自來。分別在高校和工業界混過的人來拋磚引玉一下。科研界的研究，重視新穎，這個新穎包括idea新，方法新，看問題的角度新，研究領域新等等。但是這些是否轉化成可用的產品否？科研界並不關心。而工業界的研發，是從產品和使用者入手，是否可以解決痛點，是否可以提公升良率，是否可以擴寬製造的工藝視窗，...
計算機博士期間鍛鍊的科研能力能否在工業界起作用？
Mr.bro 嘗試回答一下，科研能力是一種思維能力，和解決問題的能力，它大不同於應試能力，同時也要高於學習能力。工業界的問題更多的是運用類的問題。更多要求的是準確性和熟練性。科研能力的培養，當然能讓你在工業界快速上手。更像一通百通的道理。再談談計算機博士的科研能力，逃不開理工科的基礎，電腦科學本身是...
機器學習模型在工業界的應用？
哈哈哈 參照另乙個回答 基於神經網路的現實中的應用？哈哈哈的回答 知乎 基於神經網路的現實中的應用？機器學習大多是應用在影象 語音和文字，也能用於旋轉機械故障診斷。在本質上，旋轉機械故障診斷是乙個分類的問題。例如，常見的機械故障包括軸承滾動體故障 外圈道故障 內圈道故障，齒根裂紋 齒麵點蝕 缺齒故障...