未来3到5年内，哪个方向机器学习人才最稀缺？

未来 3 到 5 年内，哪个方向的机器学习人才最紧缺？今天我们就来梳理一下。全栈式工程师在初创公司受欢迎，领域专精的算法人才在大公司很吃香，应用型人才能够快速提升业务，而工程化是落地的重要一环。

AI 专业毕业后好找工作吗？

此前，知乎上一位 CV 专业的 985 高校研究生曾坦言，当初选择该方向时，深度学习正处于大热阶段，无人驾驶，人脸识别听起来就很高大上，似乎人人都想往这方向转。

然而，到了找工作的时候，这哥们发现就业形式和他想的相差太大：

最近陆陆续续有公司开始秋招的提前批了，计算机视觉岗位招的清一色算法工程师，没有论文，或者大赛获奖的找到算法岗的简直不要太难，周围的同学都开始纷纷转 Java 开发，自己也开始慌了。

想到学了两年的 CV，最后工作找不到，一时间十分失落，感觉如果去做 Java 开发，还不如本科一毕业就出去工作，完全没有读研的必要。

那么，机器学习大规模发展是不是只是个幻觉？未来 3 到 5 年内，哪个方向的机器学习人才最紧缺？

这可能是每个正在学习这个专业的人，最为关心的。每人每天至少产生 1G 以上的数据，还有大量的数据尚未加以利用。每一个垂直细分的应用场景，都可以通过机器学习产生应用价值。这也就意味着相关领域的人才大量的稀缺。

总结起来，主要有以下几个方面的人才最为稀缺。

灵活解决问题的全栈工程师

全栈工程师是指掌握多种技能，胜任前端与后端，能利用多种技能独立完成产品的人。

中科院大学，计算机应用技术博士王晋东表示，全栈式的人才最为稀缺，现在很多搞模型的，或者偏重某一方面的，距离解决实际问题是远远不够的。

 

而人工智能全栈工程师比通常意义的全栈工程师更复杂一些，难度也更大，主要是算法实现跟传统的全栈区别很大，从应用层级来讲，分计算机视觉、自然语言处理、语音识别三个大方向。

细分的话就更多了，计算机视觉方向来说又可细分为目标检测、姿态估计、人脸识别等，所以要做人工智能全栈需要投入更多的精力，也需要对各个方向的算法有深刻理解。

 

人工智能全栈通常是基于大厂的云平台进行开发，人工智能领域很多基础的组件已经封装好，对业务和整个项目的架构有了全面了解，就可以上手开发了，需要结合业务快速变现的场景，对「全栈」的需求会多一些，在普遍繁荣时期是可以大有作为的。

但人工智能全栈工程师发展如何，还要看整个行业大形势，如果各个方向都开始优胜略汰，「全栈」是缺乏核心竞争力的，因为算法是别人的。

专精一个领域的算法人才

有知友提到，专精一个领域的算法人才会比较吃香。

 

这里算法人才包括算法研究员和算法工程师。

算法研究员致力于解决更通用，更抽象的问题，如何解决 GAN 训练时的稳定性等，而算法工程师更多关注如何解决问题，比如某个场景下出现了 badcase，我就想办法解决问题，是数据预处理，还是参数需要调整。

 

此外能快速复现论文结果的算法研究员也是各大公司争抢的香饽饽。因为学术界很多新成果只有一个描述，并没有给出源代码，想应用它的研究成果，需要自己实现，所以能快速复现论文的算法研究员对公司来说也是很有价值。

我们去招聘网站搜算法岗，可以大体看出资深算法专家薪资上限很高，但是岗位需求并没有算法工程师多，毕竟企业还是要赚钱的，所以算法工程师（尤其是推荐方向）也很有市场。

 

研究员觉得工程师的活没技术含量，工程师可能会觉得你天天整些虚的又解决不了问题，纸上谈兵。算法作为一个公司的核心资源，两者其实都有发挥的空间，跟公司的业务需求关系很大。

做算法研究也好，工程也好，选对方向很重要，单从行业饱和度来说，图像也就是视觉方向确实人满为患了，语音又特别难，而且缺乏大量的可用数据，自然语言处理方向倒是可以考虑一下。

一来各种 SOTA 模型大多针对英语的，到中文有个迁移问题，二来中文跟英文在文法、语义方面存在差异，有很多空白研究领域。

知乎答主紫杉举了一个例子，什么是精通一个领域。

他的一个名叫伊森的同学，从伊利诺伊香槟毕业（计算机专业名校），读了两年计算机研究生，是一位非常优秀，有自学能力的学生。

结果面试时伊森没能应聘成功。伊森的背景和很多进入人工智能领域的人很相似。答主分享了下面一段对话：

 

最后伊森还问他，如何在一周内精通自然语言处理，然后答主只能告诉他不知道。

这个例子表明，有些同学擅长快速学习，却很容易陷入每一个领域都想学的陷阱，到头来觉得学了很多，实际遇到问题就无从着手，或者浪费很长时间寻找问题根源。

如何才算精通一个领域？说自己精通某一领域，在人工智能领域往往是不太恰当的。现在无论是硬件还是算法都在快速的迭代，今天的SOTA明天可能就成兜底了，只有不断迭代自己的知识，才能跟上业务和场景的发展，让自己不落下风。

熟悉业务又懂算法的应用型选手

另外，既懂算法，又有某一行业的丰富经验也很重要。机器学习虽然是通用技术，工程师也基本是计算机出身，但落地需要具体到行业应用，如何结合行业实操，解决实际问题。

中国科学院大学研究员表示，短期内最缺的肯定是应用型人才。

 

很多行业想转型为数据驱动或者 AI 赋能的，借助于外包或者咨询公司通常很难成功，因为缺乏行业经验，这时从传统行业转型到人工智能的应用型人才就至关重要了，他们对机器学习的研究本身就植根于业务需求，所以更接地气，落地也更快。

中科大研究员举了一个很生动的例子。

很多高校的财务人员，每天大量重复性劳动，处理发票、报销单，将纸质单号手动输入电子系统里，过程非常的麻烦。但其实高校及科研单位研究计算机视觉、文字识别、目标检测的团队枚不胜数，为什么不能用机器学习的方法来节省时间呢？

这个例子就暴露了一个问题，大多数机器学习研究关注的是模型本身，是否是业界最先进的（SOTA），却忽视了算法的适用对象以及实际的应用场景。因此，最稀缺的是既懂算法又能将算法进行落地转化的人。

答主微调抛出金句「对于绝大部分人而言，努力成为交叉领域的熟手，比成为计算机科学家要现实且有意义。」

学术模型工程化人才

算法要落地为产品，还需要模型的工程化，如果这块能够深入，那么必然是不可多得的人才。

像抖音的推荐系统，如何解决海量数据拥堵，移动端优化等工程上有非常多的挑战。

结合上文答主紫杉举的例子。

Nihil (尼希尔）是另一个他认识的研究生，也是从伊利诺伊香槟大学毕业。他之前在 LinkedIn（领英）做大规模搜索（Scaled Search），专门负责把理论算法扩大到工业场景中，擅长搭建后台，有很强的工程背景。两年的斯坦福计算机硕士后，现在被 Snapchat 找去做大规模视频搜索算法。

相比于上文的伊森，他是公司更想要的人才。为什么呢？

因为他在领英和 Snapchat 这样的大公司做大规模搜索的算法，这其中的工程难度和实验室是不可同日而语的。

任何人都可以跑一个 LSTM，但是当训练数据极具扩张时，LSTM 需要跑 3 天才能见完所有的数据，在这个情况下，就需要更工程化的实现，做分布式计算或者优化算法本身的效率，使用更快的数据结构等。

这样的场景就需要有研究背景的人才，能够结合学术前沿切实的解决工业上的难题，深度学习 50% 是学术， 50% 是工程。现特斯拉 AI 主管 Andrej Karpathy 主要就是干这活的。

此外，很多人提到调参工程师。

一位中国科学院大学计算机应用技术博士表示， AutoML 越来越受重视，技术含量不高的调参工程师未来很可能被取代。

 

最后值得一提的是像 Bengio、 Hinton 这些深度学习领域的神级人物，当然是很需要，但是这类人才真的是可望而不可及。