这不是一个技术问题，但可以有一个是/否的答案，以及一个为什么陈述。我对数字信号处理 (DSP) 的理解是，它允许获取真实世界的模拟信号（1D、2D 等），对它们进行采样以在计算机上创建数字表示，以及任何一种方式：从过滤器中提取有用信息或修改信号以将其带回模拟世界（如果您愿意，可以使用数模转换器）。由于 DSP 实现了更容易对样本进行分类的降维技术，因此与模式分类或统计等其他学科有重叠；或具有 DSP IC 的嵌入式系统。我不考虑模拟信号处理，这是另一个问题。

有一个演讲解释说，现在所有机器学习（ML）方法在 DSP 中存在“身份危机”，因为它们可以处理原始数据而无需应用精心设计的 DSP 知识（比如说，使用 CNN 而不是提取特征）向量）。当然，牺牲计算能力、时间调整超参数和/或努力创建足够的训练数据。但是人们并不在意，只要他们得到他们想要的处理并且没有 CPU、功率或内存限制。这也让我想起了这篇文章指出 DSP 的角色不再像 25 年前那样。

我观察到计算机视觉 (CV) 和数据科学角色与 DSP 之间的某些相似之处，但我仍在努力说服自己，有人真的可以让一些 DSP 在其中工作。在 CV 角色中，您负责处理 2D+ 信号并执行诸如面部识别或姿势估计之类的任务（这在历史上一直是 DSP 任务），但问题是大部分工作是重用组件-the-shelf (COTS)，如 openCV，适用于特定领域，无需展示对生产技术的完全理解（当然，我说的是没有在需要进行一些研究工作的实验室工作的人完毕）。关于数据科学，我知道他们使用了大量的机器学习、数据可视化、统计、业务逻辑、A/B 测试；并且必须使用数据工程师收集的数据，一位前数据科学家说，如果你愿意，你甚至可以根本不使用 ML。

有人真的可以在这些职位上做 DSP 吗？

PS 我知道有很多角色与 DSP 有更好的重叠（例如 EEG、声学、雷达、音乐信息检索、ASR、媒体编解码器），但我专注于我提到的那些，主要是因为他们似乎在做今天影响很大。而且我相信有人会回答诸如“这取决于您想在工作中表现如何”之类的问题，但我想考虑一下您自然会被迫构建 DSP ad-hoc 解决方案的角色。