【余旷的回答(229票)】:
做计算的学生大概是这个节奏：
本科的时候你上了点课，觉得计算好神奇，于是决定入坑。
博士第一年，你不知道该干什么，你觉得vi是个很屎的编辑器，为啥大家都用它？你觉得Linux是个很屎的操作系统，有windows版的高斯为啥不用？你照抄师兄的方法和基组设置，因为你完全不懂上面写的啥，输出文件几千行，你不知道结果在那行...这时候你发现做纳米的同学本科就发了六篇文章...
博士第二年，你终于学会了用vi和linux工作，发现你一天的活师兄半小时就可以干完，于是你开始学bash和python。博一学了点量化，于是对高斯的设置有了点隐约的认识。然后你发现量化没动力学算得很扯，于是你开始自学MD，还好你本科统计物理学的不错，自学进展顺利。同时你老板想做材料，于是你开始学习固体物理和VASP。作为一个有前途的少年，你知道光会用软件不行，还得会写，于是你开始自学fortran和C。这个时候你身边做有机的同学开始谈论JACS，某些人开始发挂名文章。
博士第三年，你开始熟练地使用脚本，从前师兄的那些小trick你觉得不过如此。你开始能够听懂理论所的seminar并有一点自己的判断。你开始觉得高斯很无聊。你开始能自由地切换自己需要的软件并感觉他们都是一回事儿。你开始对固体物理有感觉。你觉得你彻底理解了各种常用电子结构方法的优劣。你觉得有必要重新学习一下电动力学。你开始能看懂MD软件的部分代码。你自己开始写一点模拟的代码，不好意思拿给别人看。你前两年的工作勉强可以形成文章，老板让你写一写准备投JPC或者JCP。你挑出了JPC文章里的错，你觉得作者是傻b。同时你的第二个课题开始有眉目，这时候你的同学开始发JACS和Angew。
博士第四年，你开始系统性地写蒙特卡罗程序，你学会为了自己的需要修改已有算法甚至创造简单的新算法。经过六个月的审稿期，你的第一篇JPC发表。你的第二个课题开始成系统，你把一些初步的结果稍后发在了JCP上，后来你发现文章里有错，于是你又发了一篇文章纠正。你在你的工作里看到了未来两篇文章的雏形。你觉得时间紧迫，要赶紧写。你开始觉得一年级的新生傻b，你开始在理论所的seminar里挑错并以此为乐。老板给了你机房的钥匙和管理员权限。你去开会，你发现做光谱的报告你听起来一知半解，做量子动力学的在干嘛你完全听不懂。你很伤心，你去参加周末的文献研讨会，你跟好基友们一起研究费曼的文章，你受益匪浅，你发现你又看懂了不少文章。这时候你做有机的同学像看怪物一样看着你，他们问你看40年前的文章有何用处？你怎么现在还在上课学习？
博士第五年，你的课题完全系统化，你用前两年的结果一口气发了三四篇文章，你觉得你碉堡了。你挑出了science文章里的错，你觉得science不过如此。你觉得对量子力学又有了新的理解，你痛感一年前的无知。你的job出了错你的第一反应是看代码，而不是查手册。你的同学让你帮他改简历，你发现上面的文章标号突破20，内含4篇JACS。你觉得没有JACS还是不行，于是你找了个热门领域精心做了点应用投了JACS，两天后收到拒信说内容过于specific，没有broad interest，最后发在了JPCC上。老板终于想起来要跟实验组合作，于是你合作了，你成功了，实验组告诉你实验还没做完，要多等几个月。你毕业了，你找了个牛组的博士后，答辩那一天你跟老板依依惜别，老板说你很有天赋，你很感动。
博士后第一年，你完全换了方向，你学的很快，你发了一篇小文章，你觉得你有戏。组里木讷的师兄找着了教职，你觉得你怎么样也该比他强。你在做新领域的过程中用到了GW，你花一个周末把公式从头推了一遍。你觉得你对格林函数这套语言不太熟，你对半导体理论也不太熟。你觉得你有必要进一步学习多体理论，量子电动力学或者是量子场论。你又发现你不懂spin-orbital coupling，你得去学习相对论量子化学。但你觉得没时间，老板让你帮忙写proposal，你很忙。你觉得有必要想想以后的方向，但你懒。你无师自通了并行程序，你开始改VASP添加你想要的feature。你闲来无事查了查最近理论界又招了那些faculty，你发现大家都发过n篇一区，你觉得那些文章在技术上毫无新颖之处，你觉得千篇一律，你觉得换你你也能做，你觉得只是领域不同而已。你去了一个量子动力学的workshop，你发现你还是听不懂，你发现有些东西没下够功夫还是不行，但你没时间了。与此同时你发现组里的师弟们开始找华尔街的工作，你感到遗憾。
博士后第二年，你在博士第五年跟实验组合作的东西终于投出去了，但投的是JPC，你是六作，前面有五个做实验的，你很失望。你博士后的第二篇文章投了一区，你很紧张。你前老板告诉你他把你以前的工作写成了review，你的第一想法是review算不算一区？你发现木讷的师兄居然有三篇PRL，你很嫉妒。你开始认真琢磨申请时候用什么课题。你的本科同学来你们学校面试faculty，你也很嫉妒。你拉了十几篇JPC/JCP写成CV偷偷去套了几个学校，没人理你，你不好意思跟别人说。你发现当年那个狗屁不懂的王二麻子靠给有机组算机理也能整出好几篇JACS。你想当初选组的时候稍微偏一点生物会不会好一点，你觉得你在马后炮。你觉得你现在做的东西做出来也发不了一区，你很着急。你现在满脑袋想的都是一区，你想骂街。你刷知乎看到有人问为什么“量化穷三代，计算毁一生”，你想教他学做人...
改编自一个真实而悲伤的故事...
--------------------------------------------------------------------------------------------------------------------------------------------
吐槽归吐槽，题主真诚地问了，我还是认真回答一下吧。选组这种事，关键还是看题主自己的情况。首先应该想清楚你的终极目标是什么。如果目标是跳出化学坑，转行金融或者IT，那搞计算是个不错的选择。搞计算的数学和编程都不会太差，比较适合转行。而且和其他方向比起来，搞计算的时间安排更有弹性，不用天天泡实验室，空余时间比较多，也适合你去学习一点其他的东西。如果题主的目标是找工作的话，我不清楚其他行业的情况，工业界对纯做计算的人需求并不是特别大，我身边的人多数还是成了码工和矿工，据说高分子现在比较火，题主可以考虑。如果题主想做学术的话，就要更进一步具体分析了。
首先是尽可能搞清楚自己的实力，主要指标是这么几门课：高数，线代，算法与数据结构，结构化学，物理化学，还有你所有修过的物理课，看看你这几门课的成绩如何？回忆一下你上这几门课时候的感觉，会不会比你上有机化学分析化学或者高分子化学的时候更轻松一些？搞计算的和其他行业的主要区别是思维方式，你要想想自己是否喜欢物理学的思维习惯。另外，多数搞计算的学生本科的时候都把量子力学和统计力学修过了。理解多深且不论，本科的基础还是要打好。
然后是考虑一下你要做的课题的性质坑不坑。本行业有两个极端，一个是像KN Houk一样，纯做应用性的计算，优点是上手快，发文章快，缺点是不锻炼人，视野狭窄，技术单一。这个领域要想有前途的话最好老板要很牛，还要和比较牛ｂ的实验组合作，因为做的都是low hanging fruit，所以要有人罩。还有一个极端是像Bill Miller这样的，做的很fundamental很hardcore。缺点是上手慢，对理论素养要求高，不好发好文章（撑死发个JCP）。优点是锻炼人，后劲大，因为做的东西很unique，别人根本没有能力跟你抢课题，学术上更有前途。多数人都在这两者之间，怎么去找平衡点是一件很triky的事。个人看法是，没有自己的特色方法，纯靠拼机时做应用的组勿入，摊子铺得太开，而技术手段又单一的组（比如一个高斯打天下）也勿入，这不是正确的发展方向。做方法这一块，如果没有新的physics，纯粹调泛函调基组这样的课题也勿入（脑中某组即视感，不点名了...），会很无聊。一定要问清老板的idea，比较好的idea不一定难度高，而是在前人没想过的地方寻找独特的切入点。再一个idea要有后劲，不能做完一个系统就完了，最好以具体应用带动方法发展，能解决一类的物理问题，能发展成体系。课题独特且自成体系，这才是量产paper的王道。
然后是具体的方向问题，本行业最大的问题是不容易发好文章（参见以上对一区的吐槽）。要想发一区，选个好方向是必须的。我的经验是，仅就文章看，偏生物体系相对容易，越偏物理越苦逼。这个最简单的方法是去查近几年的历史文献，看看别人做计算的都发在哪里？如果一堆PNAS，JACS之类，就说明有前途，如果一堆JPC和PRB，那还是三退保平安吧。当然某些hardcore组一水的JCP，全是做方法的，那也可以考虑，如果你对你的能力有信心的话。
最后是组里的氛围问题。本行业上手缓慢，如果你基础薄弱的话，前期老板和学长的指导很重要。老板年轻能亲自带学生是最好的，否则看看要和你合作的学长，水平是否够高？性格是否和你合拍？本行业变态push的少，但大组放羊的多，没人管没人教最后废掉的学生不在少数。另外本行业不流行打工挂名，除非合作，文章作者数一般不超过三人。建议从一年级开始就要有独立的课题，学长要能指导，不抢课题，老板不能急于求成，随意更改学生课题。本行业因同组抢课题造成的血案也不在少数。
总体而言，本行业的特点是：生活轻松（相对的），心理健康少变态，转行方便（相对的），缺点是对学生素质要求高，上手慢，难发好文章（发文章不难，关键是一区文章...），和实验组相比处于绝对的弱势，在现有的评价体系下找教职有很大的劣势。另外，本行业是一个做到老学到老的行业，听报告看文章两眼一摸黑不知所云是常态，要习惯。和有机行业用一年把课上完然后安心做实验截然相反，本行业要求不断学习，不断加深理解。且本行业学习不赶时髦，越是基础越重要。统计力学学三回，回回都有新体验。本行业犹重知识广博，厚积薄发，这特别要求你对自己课题以外色领域长久的保持旺盛的求知欲，乐于和善于学习新知识。这是难点所在，也是魅力所在。
总结，本行业并非一片坦途，但也不至于穷三代。于个人而言，能力和兴趣是关键。喜欢唯象思维，对数学物理无感者勿入。对本行业并非一片热情者勿入。题主不喜欢传统的化学实验的话，去搞搞实验物理化学光谱什么的也挺好。that's all
【吴景恒的回答(15票)】:
好像还没看到正面回答。题设想表达的应该是计算化学尤其是涉及量化计算的前景问题吧。个人认为有几方面的原因。
1、计算化学已经是理论较为成熟的一门学科。
计算化学实质还是以理论物理为基础。与化学有关的微观问题，包括价健轨道，电子排布等都能通过量子物理解释，而宏观上涉及分子运动层面的问题，分子力学也已经给出很好的解决方案。所以看历年获化学诺奖的科学家很多都是为化学理论奠基的物理学家。量子力学和分子力学已经是经历多年考验和发展的理论，很难想像会有颠覆性的新理论被提出。即使是最近几十年很热门的密度泛函方法，现在的发展也不断放缓。所以在目前理论计算方法发展的限制下，一般的科研工作者很难在计算化学这个领域有突破性的发现。
2、受实际环境的局限，计算化学的预测能力有限。
关于计算化学有个笑话，大概说某鸡场的鸡得了瘟症，鸡场老板找来理论化学家给出解决方案，可是照做之后鸡全死了，一看paper发现写着"只对真空中的球形的鸡有效"。读此笑话，只能说又好笑又无奈。一翻开计算化学的经典教材，里面充斥着各种刚性小球碰撞等理想模型或者忽略二阶导数之类的近似。辛辛苦苦好不容易搭个模型调好参数到头来发现可用的范围非常有限。目前很多计算模型能算好自己的就不错了，但偏偏学科发展大趋势所在，不把自己的模型做到生物材料上去都不好意思说自己的研究有多好。于是计算化学的领域发展越来越窄，真正有广泛实践价值的东西越来越少。
3、计算水平，特别是计算机的计算能力，很大程度上制约着计算化学的发展。
在没有计算机的年代人们对着薛定锷方程只能是直摆手摇头。后来摩尔定律的魔咒把量子化学推到了学术前沿，人们开始无穷止境地追求计算精度。于是，计算机的计算水平发展开始跟不上计算体系的复杂度。这年头发文章，动力学动辄要求多构像几十纳秒的轨迹分析，量化计算不来发CCSD(T)都不好说自己算得准，做半经验的有条件都不能不改成DFT。没个大集群发文章都难过登天。于是大家都知道了做计算除了耗脑细胞就是耗时，要不干脆还是搞应用去吧文章还来得快，还有谁去愿意搞理论?
4、基于第二和第三点，计算化学目前在化学领域的地位并不高。
我花钱买个集群，养一班基础薄弱的学生，经历长时间去发展理论和建模，到头来预测能力能有多高?谁也不清楚。本身算不算得准已经是未知数，用来解释点现象还可以，靠计算指导实验还早了点。做实验的来问:你讲的我们都(不)懂，能告诉我接下来怎么办吗，做计算的普遍哑口。原因在于计算的很大程度上来源于实验基于现象，对于超过理论基础的事情只能无能为力。理论设计药物分子文章数起来论斤称，什么高通量筛选分子对接动力学模拟结合能计算筛下来十来个，拿到体外试验死掉一半，拿到体内又死掉一半，最后发现能做药的早上市了。不能责怪做实验的看不起做理论的，这就是现实。
5、计算化学这门学科需要大量知识和多元人才的沉淀积累，目前国内的科研环境很难满足这一条件。
一个合格的计算化学学者，需要掌握不少知识。基础化学不能缺，学好数学看公式，会用物理建模型，手拿电脑写程序，还有统计整数据。如果是学计算生物化学的，忠告你不要以大师为目标，能体面点活下去就不错了。一个人能同时掌握两门知识和技能就不错了，还能指望他能在两个领域有深刻理解和成就的，不是不可以，实在很难。国外在计算化学能取得成就的课题组，都是靠一帮知识扎实很早就进入该领域一直招入杰出人才，再加上厚实的经费支持或软件赞助，埋头苦干多少年才有今日如此成就。计算化学领域从来不是靠许多单独个人异想天开开拓出来的，但我们偏偏只能看到站在台上给我们绘声绘色讲述故事的一些代表。国内计算的发展条件还不太理想，空喊培养复合人才却不见实质培养手段，加上教育环境和科研环境的差距计算化学领域更是落后先进国家水平一大截。不过可喜的是靠着一堆"死脑筋"的科研工作者的努力以及引进海外人才并重点培养，国内很多地方像大连物化所和厦门大学的计算化学有着不俗的水平。
大致想到这么多可能以后还会有补充。虽说题设观点需要批判，但不能否认目前计算化学的发展势头并不猛，客观看发展有变缓的趋向。论发文章势头不上偏门的生物信息学之类，论找工作也不见比其他统计学之类的理论学科有优势。不过说到复合人才的发展来说计算化学领域绝对不比任何其他学科要差，选择了这个方向的同好们大可不必妄自菲薄。
【RaulPeng的回答(1票)】:
所以要phd要去做理论物理~~理论物理的训练对于培养物理直觉非常重要，比如如何从复杂系统中快速找出决定系统某种行为的特征尺度，如果存在的话。如何利用尺度分离做可控的近似等等。而大多数化学家乱做近似。。。
【肖石燕的回答(9票)】:
我觉得 @吴景恒说的几点还是蛮有道理的。
其实，就像回答中某说的，“量化穷三代，计算毁一生”这句话其实是一句调侃，认真就输了。坦白地讲，个人认为计算化学/生物学目前确实遭遇了很多的瓶颈，也越到了很多的问题。表现在很多地方：
1）几年前，计算方面的论文在JACS， PRL，PNAS，甚至Nature/Science等杂志上并不鲜见。而且，出现的频率还是很高的，一期就有好几篇计算方面的论文。记得在2000年到2005年的时候，关于水里面的质子转移的ab initio MD模拟就发了Nature正刊，甚至使用ab initio MD模拟水分子的氢键数量就一年发了N篇Nature。使用ab initio计算一下自由能就能发JACS，DFT计算表面吸附小分子构象就有发了N篇PRL这种论文。但是这个时代已经一去复返了。
原因，我觉得也很简单，那就是计算方法发展很快，计算机的计算能力在迅速提高。很多以前只能一部分人能做的，现在很多人都可以做了。技术的发展让计算化学的某些领域门槛变低了。这是一点。
其次，也是很多简单的问题，容易解决的问题，经过2000年前后快10年时间，已经被人研究了，问题也基本解决了。剩下的问题，很多研究起来苦难重重，于是很难出大的成果。
2)实验技术的发展。几年前，计算机药物设计是一个很火爆的概念。利用计算机筛选药物可以很利用较小的成本，从而获得药物备选分子，然后再实验进一步验证。这样药物筛选成本低，对药物设计确实有很大的帮助。但是，计算也不是万能，计算筛选的药物小分子，往往由于力场等各个方面的原因，效果并不好，最后大家也慢慢对这个概念没有从前那么大的兴趣了。加上实验技术的发展，实验上进行药物筛选的成本在迅速地降低而效率在迅速提高。大家对计算化学是否能在里面取到关键性的作用也开始不自信了。
对计算机模拟，一个显著的优势就是，atomic level。那就是，我们可以在原子水平上直接观察分子的运动和相互作用。而残酷的现实是，实验技术开始渐渐在接近这个尺度。比如，高分辨的AFM也能直接观察到DNA的大小沟槽。
3）现在计算机计算能力提高了，那么研究的内容变广泛了。但是，发论文也变难了。一篇计算的论文，需要大量的数据才能发表。这个，很多时候，做计算，其实并不便宜。尤其是在国内。在国内，超级计算资源不是免费给科研人员使用，研究人员要使用计算机资源，必须要购买机时。一个CPU时甚至要2毛钱。现在大型计算，动辄几十上百核并行。租用100个核，一年就要烧进去10几万。可是，一个自然科学基金面上，才80-100万。而一个基金还不能完全用来租用机时，还要各种开销哦，绩效，房租，水电，管理费，出差会议费，研究生的工资等等等。。。你懂的。没钱，根本做不了计算。
4）经过几十年的发展，计算机模拟的理论基础已经很扎实了。（当然还有很多还在迅速发展的领域比如激发态研究等等）要在理论上有大的突破已经很难了，要想通过这个名垂青史声名赫赫，我觉得还是洗洗睡吧。
5）国内的评价体系，不利于计算领域的发展。单纯计算机模拟方面的论文，很难发到JACS这种档次，更别提PNAS， N/S这种了。单纯模拟领域的期刊，影响因子不高，普通二区论文，3-4的影响因子，好一点的JPCC，JCTC，PLOS comput. biol这种，可以达到5-6。你费力费心发个二区，人家实验的论文，起步发Chem. Communications啥的，同样是二区，Chem. Communications就是6+。研究生评奖学金，老师评职称都是大大的不利。。两篇模拟的2区才能够人实验1篇的影响因子。
======================================
但是，是不是计算化学/生物学就没用了？？？？？？
答案肯定是：不是的！！！！
对比美国就知道国内跟国外的差距。美国很多大学，尤其是高水平大学，里面有大量的计算化学方面的研究人员和教授老师。而国内，只有很少的大学里面有一部分计算化学/分子模拟方面的老师，个别的大学（比如北大，中国科大，吉大等）、研究所（比如大化所）有在这方面有比较强的实力，大部分学校，缺乏这方面的人才，也招不到学生。。。在这个领域，国外占据着极大的优势。
从科研角度上来讲，计算有自己独特的优势。这个优势，就是上面说的atomic level。很多实验结果需要理论的理解，比如生物大分子的结构和功能方面。要理解生物大分子的结构和功能，就需要在分子原子水平上去研究其作用机制，比如限制性内切酶的剪切机理。采用计算机模拟，通过自由能计算，可以研究限制性内切酶的反应路径。又比如，深入研究禽流感病毒聚合酶与小分子的结合机制，可以为药物（抑制剂）的精细设计提供非常好的思路。又比如，采用量化计算锂离子电池电极材料的能带还有锂离子嵌入机制可以为锂离子电池设计提供理论依据和思路。等等。。。。
俗一点，就拿发论文来讲。其实，现在理论和实验方面单独发论文都很难发。都会很辛苦。但是大趋势就是理论和实验相结合，实验给现象，理论提供解释，论文就会发的好很多。。。当然这个是很功利的。。但是大家都这样，国内国外都一样。这个其实也是科研的大趋势，我觉得。
【马进的回答(1票)】:
我还以为是quant……
【于云岳的回答(1票)】:
看哭了，我是大三学生，准备将来选这个方向的
【杨溪的回答(1票)】:
我们老板说任何领域只要你做得好就不用担心其他的。
当然，那是我们大老板，他是很牛的……对于我们这些普通人来说，简直是不知道以后能干嘛～我们组是纯理论的，有的偏量化有的偏生物大分子，博士毕业要么继续博后要么找一个二本教书，其他的路还没人走过。进公司不知道能去哪……进二本也不是那么容易，地区不偏的都不好找，工资也是很低的（博士毕业二三十岁了，在上海也就5000块钱），也有项目科研要求……但是，作为积极的年轻人，我们还是要相信老板的话……只能多发文章以求出路……
【lyLi的回答(0票)】:
啊 还木有学会在iOS 客户端提问
【seven的回答(0票)】:
我是做物理的，不太了解化学，但是隔壁化学系的一个朋友刚刚进组老板给了一台mac pro，朋友从此开始炫耀自己的幸福生活。再默默的看看同样是做计算的我，老板连台式机都没给配，自己默默的用自己的笔记本编程，明明是理论物理更加毁，老板都穷死了，更何况学生，更要穷死。
【知乎用户的回答(0票)】:
学海无涯，回头是岸
【王晔的回答(1票)】:
来来来，给量化的来点正能量！贴一个我在小木虫上看到的答案，是网友coolrainbow说的：
Charles Coulson，在1930~1975搞量化的 一个老头，可能中国的某些大学的图书馆 里有他写的休克尔分子轨道理论和 《Valence》一书。他手下曾经有两个博士 和一个博士后， 先说博士后，名字叫Martin Karplus，拿了 2013年化学炸药奖，是生物分子动力学的 先驱，祖师爷界别的人物
然后第一个博士，H. Christopher Longuet-Higgins，早年搞量化，非绝热效 应，有个定理叫做Longuet-Higgins定理以 他名字命名。似乎后来觉得量化太简单 了，转行做计算机算法，是最先搞计算机 视觉和音乐识别的先驱之一。现在IEEE专 门设有Longuet-Higgins奖，奖励在计算机 视觉领域做出突出贡献的人物。
第二个博士，Peter Higgs。这个英文名字 似乎不太响亮，翻译成中文就不得了， 叫“希格斯”，没错，粒子物理中大名鼎鼎 的“希格斯粒子”，或者“上帝粒子”，2013 年物理炸药奖得主。被称为粒子物理领域 的“世外高人”。
看到了吧，难以想象这三个人居然都是一 个搞量化的学生。由此可见学量化还是有 点前途的
【吃肉的回答(0票)】:
用我老板一句话“这个人算不了，我们再找其他的，总有人能算” ，不过好的好的人还是不缺文章的。
【泽徐的回答(0票)】:
不请自来。我觉得不管在哪个领域，只要我们的可替代性越低那我们就永远不会穷
原文地址:知乎
联系客服
