做通信物理层算法的人越来越少，会不会走向绝迹？

“通信的基本问题就是在一点复现在另一点选定的消息，这一复现可能是准确的，也可能是近似的。”

——克劳德·香农《通信的数学理论》

回到学校教书也快十年了，发现周围做通信物理层算法的老师越来越少了！难度大，需要时间也长，很多人对做算法这个事情已经失去了耐心。老师都越来越少了，那自然学此行的学生就更少了。导致这个现象出现的根本原因是社会需求的减少，那事实是不是这样的呢？

我的体会是干的活特别累，但是薪水却不是特别多，于是干的时间长了以后自然就有很多想法。比如跳槽或者转入轻松一些的行当。

从技术角度分析，学习物理层通信算法的人数相对于应用层或网络层可能较少，但这一领域仍然非常重要且有其独特的吸引力。以下是几个关键点，帮助你理解当前的趋势和现状：

 1. 研究热度与行业需求

   - 无线通信的持续演进：5G/6G、卫星通信、物联网（IoT）、太赫兹通信等技术的推进，仍然需要物理层算法的创新（如信道编码、调制、MIMO、信号检测等）。例如：

    - 6G研究：对更高频谱效率、更低延迟的需求，催生了新的物理层技术（如智能超表面RIS、非正交多址NOMA）。

    - 工业场景：自动驾驶、远程医疗等对物理层可靠性要求极高。

   - 学术研究：顶级会议（如IEEE GLOBECOM、ICC）和期刊（如IEEE Transactions on Communications）中，物理层相关论文仍占一定比例，但更偏向与AI/机器学习结合的方向。

 2. 人才分布的“两极分化”

   - 高端人才稀缺：深入掌握物理层算法（如信息论、编译码、射频硬件联合设计）的专家较少，尤其在工业界（如华为、高通、爱立信）需求旺盛，但对年龄有严格要求。

   - 入门门槛较高：需要扎实的数学（随机过程、优化理论）和信号处理基础，导致部分学生转向更“易上手”的领域（如网络协议、AI应用）。

3. 与AI的融合趋势

   - 传统算法的替代：深度学习正在渗透物理层（如端到端通信系统、信道估计的神经网络替代），吸引了一批跨领域研究者。

   - 工具变革：PyTorch/TensorFlow被用于物理层仿真，降低了部分实验门槛，但核心理论仍需传统通信知识支撑。一般还是以MATLAB为主进行开发。

4. 就业方向

   - 学术界：需深耕理论，发高质量论文。

   - 工业界：通信设备商（华为、中兴）、芯片公司（高通、联发科）、航天军工（卫星通信）是主要去向，薪资较高但岗位数量有限。

   - 新兴领域：量子通信、水下通信等小众方向也有机会。

看完这些，你作何感想？作为一名普通二本学校的上课老师，我真的不建议大多数普通高校的学生学习物理层算法，特别优秀的学生可以学！我在学校呆了快十年，也就发现并培养了一两根独苗，算是给通信行业注入了一丝新鲜血液。

适合哪些人群？对数理和通信底层技术感兴趣，愿意长期投入。一般人看到这里就会选择性跳过。如果真想学，建议路径如下。

     1. 打好数学基础（高等数学、线性代数、概率论）。  

     2. 掌握经典算法（OFDM、LDPC/Polar码）。  

     3. 学习编程工具和AI工具。  

     4. 参与实际项目（如开源SDR项目GNU Radio，网上可免费获取）。

目前社会上物理层通信算法的学习群体规模中等偏弱，但技术壁垒高、不可替代性强。如果你对通信有强烈兴趣以及对技术感兴趣，这一领域依然值得投入，尤其是在与AI或者垂直行业结合的交叉方向。但真正能做起来的人肯定是少之又少。

2025年下半年，扎心的现象又出现了，那么好的学校，已经是研究生了，搞了一个月的时间，连北斗信号的捕获算法都没有能完成（之前可是给了完整的GPS信号捕获算法作为学习参考），可见物理层算法的本科培养环节有多么的薄弱。那么其他学校呢？又能好到哪里？做物理层算法的人越来越少，岗位也越来越少，会不会走到绝迹的那一天？