©2016-2024 Matools All rights reserved,
粤ICP备17059708号
【AI科技大本营导语】过去几年，以深度学习为代表的人工智能技术取得了前所未有的高速发展，公司高薪聘请相关领域研究人员，组建人工智能研究团队，相信人工智能带来的巨大商业价值。然而，从近一年的发展态势来讲，
无论是VC投资交易数量还是公众的关注程度都有了一定的下滑。不过在不少 Geoffrey
Hinton、吴恩达等人工智能领域大牛来看，都相继发表过“AI寒冬不会出现”的看法。
人工智能究竟会不会迎来第三个冬天？下面这篇来自一线AI从业者的解答，或许能给我们一些启发。
本文来源于作者微调在知乎的问答
故事1：从「预测模型」到「数据可视化」，regression？
我们团队是做数据科学咨询的（data analytics
consulting），我们一般会跟客户说：“我们帮你做个“人工智能”模型（其实只是简单的预测模型），一年可以给你省xxx多少钱，增长xxx用户。”
当然，我们会把这种项目包装为科技转型（technology
transformation），告诉客户不升级你就要被时代抛弃了，好让他们买单。这种项目一直都很好卖，尤其是2017年前。
各大咨询公司的套路都差不多，从学校拉几个毕业的硕博生，做好PPT（一般咨询公司的PPT中有一页是介绍团队），“编”几个成功案例，去了一般都能顺利把案子签下来。但说到底就是做几个简单的模型（一般就是逻辑回归、决策树和一些传统的统计模型），而这种三四个月左右的项目往往能要到100万美金（大概是4-6个咨询师的钱），显然利润是很丰厚的。
那时客户非常依赖我们的专业，因为它们内部的确没有这个方向的人才。而且当新概念起来的时候，每个公司都想尝尝鲜。但从17年后大部分（包括传统行业比如连锁超市、加油站）都基本有了自己的数据团队，他们不再那么相信我们包装的很好的预测模型了。原因很简单
：
*
一是大部分咨询产品的质量不高；
*
二是与其付钱给外人还不如自己组建团队（人力成本其实在逐渐下降）。
企业变精明了。想要卖出大型人工智能项目越来越难，不少咨询公司也从卖人工智能咨询退回到了卖廉价的Dashboard（可视化）产品。现在想卖预测模型，必须先做出Proof
of Concept (PoC)，也就是验证这个概念是可行的，让客户感觉到这东西可能有用，不然免谈。
然而做出靠谱的PoC基本就相当于做完了整个项目，这是个悖论。以咨询公司为缩影，我们16年招了10多个数据方向的毕业生，而2017和2018年都没招人全都是内部转岗过来的，今年年初留了一个实习生转正。而16年进来的人也只有不到三分之一还未跳槽，其实大家这几年都没做到真正的人工智能，只不过是在大量的在做数据可视化（如Tableau）罢了，偶有零星的项目。
故事二：从「稀缺」到「过剩」，再到？
不可否认的是，初级从业者补给量已经大幅增加，来源包括：各种速成的一年制硕士（国外有很多12个月或者16个月的硕士项目），自学转行的人，培训班毕业生。
熟悉我的人应该记得，我的回答是从17年初的劝进->转向17年底的谨慎劝退->直到18年初的劝精。我们都知道系统是存在滞后性的，所以当人们知道一个行业上升时都会大量涌入，直到过剩。从面试角度的一个直接感受是，很多人的履历都很不错，但基础一般都不稳，喜欢谈大方向不喜欢做细节。我有几个同事非常喜欢提深度学习解决方案，可我们公司其实连GPU都没有多少。
这个现象大概是很多企业的共同现象。仔细回想一下，在多少公司邮件里面大家都是凡事必提「机器学习」、「人工智能」、「深度学习」？这个现象在新进入行业的从业者身上更加明显，凡事都想用最复杂的模型来捍卫自己的稀缺性，导致很多项目做到流产。
这也不是倒退，而是一种筛选。就像我在 2019 秋招的 AI 岗位竞争激烈吗？（https://dwz.cn/hvZy6aQl）
中说过的，回调期的重点是培养自己的niche，也就是如果只用一个词形容你的专长，是什么？如果你的一句话专长是「机器学习」，那么大概率你是没有专长的。上两门课就能成为专业人士那高薪的好日子已经过去，该面对现实了。
故事三：从「科研」到「商业化」，fill the gap？
研究和应用之间的割裂依然存在。商业化科研成果很难，同时面临内外的压力。从去年九月到现在和实习小同学一起写了三篇论文，一篇理论和两篇应用。作为一个快要毕业的研究生，他对于研究的幻想是坐在那里刷刷的列公式或者做大量的代码，而现实情况是：想点子一周，做实验一周，写文章一周，修改包装一周。他后来才意识到写文章其实是一个销售工作，大部分文章考虑的都是“可发表性”而不是“实用性”。
而他幻想的通过科研来反哺团队也没那么容易，真的想要走到商业化不容易。我们也尝试把以前写的一些文章做成项目卖给客户，但往往在内部就过不了第一关，因为大家对于问题的理解不在一个层面上，而且这是在分其他团队的蛋糕，所以一般走不到客户那一步计划就夭折了。比如我们想把一个全新的预测模型（预测公司财务表现）卖给某金融客户，那么得由内部的金融方向团队（和客户有交情）从中引荐。
但基本在这一步就死掉了，因为没有人愿意被替代，即使一起分蛋糕都不行。各大公司其实或多或少都有这个问题，研究团队（尤其是基础研究）往往与工程团队和销售团队之间关系不好。这在技术领域，尤其是人工智能领域，不算什么秘密。
所以从大方向上来看，人们没那么容易被忽悠了。这技术能做什么，做到什么程度，大家心里都有数，所以故事越来越难讲了，钱也越来越难“骗”了。再加上大量从业者涌入这个行业，甚至包括很多基础不够扎实的人，导致大众对于这项技术的效果有了一定的怀疑。
同时企业也慢慢认识到了底层研究很难带来直接利益，因此就会战略性的裁撤没有必要的研究部门。这导致了就业市场看起来是双向收紧：即初级和高级岗位的需求及收入都下降了，尤其是落地难度比较高的方向。再加上全球经济环境的周期性变化，前景看起来让人担心。
其实东西是好东西，技术也是好技术，但炒起来就要回落，没什么可意外的。这是合理的回调，不是寒冬。而回调期该做什么？我认为：
*
培养自己的专长，给自己一个标签，即别人提到你就会立马想到的那项技能。有志向的人可以回到学校再去重造一下也不错。
*
调整心理预期，抛弃幻想接地气，明白解决问题才是硬道理。抛弃模型崇拜，不要凡事都唯新技术是举。现实和学术之间除了联系以外，还有很大的路要走。
*
踏实一点，再踏实一点。
*注：本文仅以特定行业进行观察，而人工智能领域广大无边，切勿以偏概全。
原文地址：
https://www.zhihu.com/question/308512268/answer/570450954
（*本文仅代表作者观点，转载请联系原作者）
公开课预告
◆
全双工语音
◆
本期课程中，微软小冰全球首席架构师及研发总监周力博士将介绍微软小冰在全双工语音对话方面的最新成果，及其在智能硬件上的应用和未来将面临的更多技术产品挑战。
推荐阅读
*
Python的P图大法，你值得拥有！
<https://mp.weixin.qq.com/s?__biz=MzU5MjEwMTE2OQ==&mid=2247484435&idx=1&sn=5a84fffd181c9de56b44e50bd29b31ff&scene=21#wechat_redirect>
*
维基百科联手谷歌翻译，结果“惨不忍睹”！
<https://mp.weixin.qq.com/s?__biz=MzI0ODcxODk5OA==&mid=2247501329&idx=1&sn=479959c59713b2697672ed6704da3860&scene=21#wechat_redirect>
*
AI删库，程序员背锅？ <https://blog.csdn.net/dQCFKyQDXYm3F8rB0/article/details/86513948>
*
刚刚！程序员集体荣获2个冠军，这份2018 IT报告还说这些！
<https://mp.weixin.qq.com/s?__biz=MzA5MjcxNjc2Ng==&mid=2650559285&idx=1&sn=acd0d1fa166d7db7eabc03bdfd6330ae&scene=21#wechat_redirect>
*
边缘计算精华问答 | 为什么需要边缘计算？
<https://blog.csdn.net/FL63Zv9Zou86950w/article/details/86513964>
*
吃亏的程序员，是如何拿到了 9 个月的年终奖？
<https://blog.csdn.net/csdnsevenn/article/details/86513943>
*
Grin带火的MinbleWimble技术，到底是个什么鬼？
<https://blog.csdn.net/Blockchain_lemon/article/details/86513953>
热门工具 换一换