统计系的人，最容易走进一个陷阱。

不是能力不够，而是「对口」这两个字太容易让人停止思考。券商量化、精算、数据分析，路径成熟，别人一听就觉得「这很合理」。

这个复旦统计硕，手上两个offer：券商量化研究岗，路径清晰，导师力推；另一边是机器人公司，做决策算法。她导师直接说：「统计去机器人，你是认真的吗？」

诊断：统计硕士凭什么做机器人决策算法？

机器人决策表面看像机械、控制、硬件，往上走其实一直在解决一个问题：怎么在不确定环境里做稳定决策。

路径怎么选、状态怎么估、策略怎么更新、风险怎么控制——本质都和统计、优化、决策理论强相关。她最值钱的，从来不只是「会统计」，而是概率建模、序列决策、不确定性处理，以及把抽象模型放进真实环境的能力。

面试时她被问到一个场景题：机器人在动态障碍物环境里如何做实时路径决策。她用贝叶斯状态估计的框架回答，把不确定性量化和实时更新讲得很清楚。面试官说：「这个角度我们团队的人很少这么想。」当场给了她第二轮。

统计去机器人，不是跨界，是换场景。底层数学是通的，只是应用的物理世界变了。

重构：她怎么证明自己能做

第一步：把统计建模能力翻译成机器人语言。她花了两个月系统学强化学习和运动规划，重点不是从头学算法，而是找到和自己已有知识的对应关系——MDP对应序列决策，贝叶斯滤波对应状态估计，这些她都有底子。

第二步：做了一个完整的项目。用强化学习做移动机器人的路径规划，在仿真环境里跑通了动态避障。她把整个项目的不确定性建模部分写得很详细，这是她的差异化——别人的项目报告写的是「怎么做」，她的写的是「为什么这样建模、误差来自哪里、怎么量化」。

但中间有一段她差点放弃了。她第一版策略在仿真里跑得很好，但一放到真实机器人上，动作抖动严重，根本不能用。她跟我说那段时间她认真怀疑过自己：「是不是导师说得对，统计就不该来这里。」

后来她从统计角度重新分析了问题：仿真和真实环境的噪声分布完全不同，她的模型对噪声的假设太理想化了。她重新设计了状态估计模块，加入了自适应噪声建模，动作稳定性明显改善。这个过程让她意识到：统计背景不是劣势，是她能看到别人看不到的问题的原因。

这条路不是谁都适合

我会先看三个前提：建模底子够硬，不排斥工程化，且真正在意长期能力上限。缺一个，我都不会看好。

机器人公司意味着业务波动更大、协作复杂度更高、模型必须接受真实系统约束。如果只是喜欢「机器人」这三个字，或者只想从金融跳去更热的赛道，后面会很痛苦。

老D总结：

很多职业选择看起来是在选行业，本质上是在选：你是把底层能力放进成熟分工里，还是放进更高杠杆但更不确定的新场景里。看起来最顺的路，不一定最值钱。