挑战空间
十年前，Boykin说，他的许多老物理学家正在搬入金融世界。同样的数学风格在华尔街也是非常有用的，作为预测市场在哪里的一种方式。一个关键的方法是布莱克 - 舒尔斯方程，一种确定金融衍生物价值的方法。但Black-Scholes帮助造成2008年的大崩溃，现在，Boykin和其他物理学家说，更多的同事正在进入数据科学和其他类型的计算机技术。
在这十年初，物理学家来到顶尖的科技公司，帮助建立所谓的大数据软件，系统在数百甚至数千台机器上拼接数据。在Twitter上，Boykin帮助构建了一个名为Summingbird的人，在麻省理工学院物理系相遇的三个家伙在一家名为Cloudant的初创公司建立了类似的软件。物理学家知道如何处理数据 - 在麻省理工学院，Cloudant的创始人处理来自大型强子对撞机的大量数据集 - 并且构建这些非常复杂的系统需要自己的抽象思维。然后，一旦这些系统被构建，那么许多物理学家已经帮助使用他们利用的数据。
在Google的早期，在公司机房中构建大规模分布式系统的关键人物之一是Yonatan Zunger，他拥有斯坦福大学的弦理论博士学位。当Kevin Scott加入Google的广告小组时，他负责从Google各处获取数据，并使用它来预测哪些广告最有可能获得最多的点击次数，他聘请了无数的物理学家。不像许多计算机科学家，他们适合机器学习的非常实验性质。 “这几乎就像实验室科学，”LinkedIn现任首席技术官斯科特说。
现在大数据软件是常见的 - Stripe使用Boykin在Twitter上帮助构建的开源版本 - 它帮助机器学习模型推动许多其他公司的预测。这为物理学家提供了进入硅谷的更广阔的道路。在Stripe，Boykin与Roban Kramer（物理学博士，哥伦比亚），Christian Anderson（物理硕士，哈佛）和团队领导Kelley Rivoire（物理学学士，麻省理工学院）一起工作。他们来，因为他们适合的工作。他们来是因为钱。正如Boykin所说：“科技的工资可能是荒谬的”，但他们也来了，因为有很多困难的问题要解决。
安德森在获得博士学位之前离开了哈佛，因为他像Boykin一样来看待田野 - 作为一种对回报递减的知识追求。但在互联网上不是这样。 “隐含在互联网”是范围，它的覆盖，“安德森说。 “这使机会更大，但它也丰富了挑战空间，问题空间。有智力上的空间。
未来
今天，物理学家正在进入硅谷公司。但在今后的岁月里，类似的现象会进一步蔓延。机器学习不仅会改变世界如何分析数据，而且会改变软件的构建方式。神经网络已经重塑了图像识别，语音识别，机器翻译以及软件接口的本质。正如微软的Chris Bishop所说，软件工程正在从基于逻辑的手工编码转向基于概率和不确定性的机器学习模型。像Google和Facebook这样的公司开始以这种新的思维方式重新训练他们的工程师。最终，其余的计算世界将会跟着。
换句话说，所有物理学家进入硅谷工程师的领域是一个更大的变化的迹象。不久，所有的硅谷工程师都将进入物理学家的领域。
