马上 2018 年了,该不该下定决心转型AI呢?

马上 2018 年了,该不该下定决心转型AI呢?_第1张图片


本文授权转自知乎


如此火爆的AI,会不会像Android和iOS一样,五年后归于平淡?转型AI真的有必要吗?

 

2017年,AI就像一个点石成金的神器,所有的行业,任何的创业,抑或是职位背景,只要沾着这个词,多少有点脚踩五彩祥云的优越感,话题来了,融资来了,故事来了,高薪来了,offer来了。

 

于是,越来越多的人开始往AI方向涌,哪怕现在做的工作跟AI完全不沾边,也阻挡不了人们转型的热情。

 

可是,问题就在于,这条路就一定靠谱吗?到底应该坚守当前的开发阵地,力求做到精益求精呢?还是应该坚决一点,转型AI呢?

 

在这一年快要结束的时候,我们不仅想问,AI、大数据这些火的一塌糊涂的词,五年后会不会也像Android和iOS一样归于平淡呢?

 

关于这个话题,我们邀请到几位知乎大神。他们关于这个问题的回答,非常精彩,获得了知乎上非常高的点赞量,希望他们的观点,对你有所启发。



01


小赖sqLai

我个人其实觉得,ai工程师更像是传统工程师的存在,经验在很大意义上占有非常大的比重,也就是某种意义上,可以吃老本,同时也是要深入行业挖掘需求。好多人都听过德国专家在坏掉的机器上画了一个圈就拿了三万美金的故事,ai从业者其实可以是往这个方向上走。这样的话,从传统行业的发展来看就很明确了,后续要么继续搞技术,努力当总工,也就是现在所谓的研究员,首席研究员之类,要么就是转成车间主任往管理方向发展。这是和正常研发相比,最大的不同,研发的技术栈,总体更新换代太快,很难靠吃老本活下去,这也是为啥好多人说年纪大了就不好当程序员的原因。


大数据也好,AI也好,智慧城市也好,智能医疗也好,各种鼓吹起来的概念,在我看来,这些技术其实一直存在,也一直有很强需求,只不过之前没被吹上风口而已。


就像提到神经网络,好多老师估计都知道,换个名字变成深度学习了,很多人就觉得高大上了。


大数据是燃料,算法是锅炉,产出就是各行各业的应用,实际上,这些东西都是互通的。


就以CV为例,人脸识别搞检测切割和检索,换到行人再识别里依然是检测切割检索。无车人里做检测切割跟踪,无人机里依然是这些东西。医疗影像到现在主要关注点也同样是切割和检测。


推荐系统这些年大火特火,说白了依然逃离不出信息检索的范畴,搜索引擎实际上都培养出多少知名公司了。甚至包括广告系统在内,核心算法始终是逃离不出那么些东西的,相互转换简直不能更容易。无非就是再结合行业应用的深入挖掘。


安卓也好,iOS也好,包括前端也好,说白了就是某个平台上的工具,平台崩了,就只能去学新东西了,君不见塞班和flash崩了之后多少工程师转行学别的。所以前端圈好多人说要做大前端也是这个原因,一个端崩了,换个端就行呗,面向用户的开发,永远都是那么一套思路,折腾了这么多年,mv*还不是照样是最常用的方案。


而ai不同,大家换平台换框架甚至换语言都是家常便饭,至于究竟是在服务器跑还是嵌入式跑,手机跑还是平板跑,根本没有啥影响。算法照样畅通无阻。


就算五年后这些东西炒作的差不多了,自然又有新的风口了,什么精准医疗啊,精准房地产啊,辅助决策啊,换个说法而已,依然还是老技术结合新领域做深入挖掘。


所以现在入行的人,一定要深入把基本功打好,不是说随便会几个框架,能跑开源代码,调整调整就行的。紧跟新论文,有独立复现能力,抱着终身学习的态度,积极探索和领域深入结合,这才是正道。



02


阿萨姆


我认为人工智能能否火下去是伪命题。相反,现阶段的AI技术的落地能力还很有限。


对比来看,移动端开发本身就是落地的实用技术,你可以用来做手机游戏,也可以开发拍照软件,有丰富的业务需求。而人工智能是学科、是技术手段、是通用框架,所以现在和未来最大的困难不是在于会不会火,而是怎么更好的落地应用?没有业务需求是很难撑起大量企业的,那个时候也就不存在人才缺口了。


不难看出,优秀的人工智能企业都有实际的应用场景,不过主要是集中在视觉、语言上,而大部分企业其实是需要更加通用的业务场景。现在每个大一些的企业都在砸重金招聘机器学习工程师、研究员,美其名曰是为了业务扩展。但实际来看,很多公司只是在做人才储备,它们只是需要这么一个部门,而业务上是否需要机器学习、机器视觉、自然语言处理,还不是非常明朗。以金融服务类公司为例,不少公司都重金从学校挖了一批做机器学习的人,我们自己每天担心的是无法为企业创造价值,而老板总担心我们要跳槽,双方的体验都不够好。这其实指出了一个人工智能的一个困境,就是现阶段无法在大部分企业的业务中落地,对于很多企业来说人工智能(机器学习)可能还太早了一点。


而管理层往往也缺乏对于其真实能力的理解,只知道很重要,必须成立这么一个部门。老板往往有两种极端,一种认为人工智能可以解决一切问题,一种认为我们什么都做不了只是来装点门面的。从另一个角度来看,很多企业需要人工智能来讲故事,来支撑良好的估值和获得投资。试问各位看官,你们老板有没有发邮件说我们企业要扎根AI,大鸣大放?至于AI现阶段到底能做什么,大部分老板其实是不大清楚的,但在一片邮件转发中我们似乎已经实现了全面AI化。


换个角度来看,一个比较健康的状况应该是企业有了业务需求,再去招聘相关人才,这样的话员工有事做企业也获利。然而现在不少的企业的是先去招聘人工智能相关人才,来了再看看能干点什么。这种情况下,企业可能难以获利而AI人才觉得自己每天无事可做,而其他员工觉得AI组光拿钱不干事,从各种角度来看不是一件好事。


那么企业为什么要做这么出力不讨好的事情呢?除了战略性防御以外,这其实是赌。赌的是AI必然有用,赌的是现在买进来的AI人才未来可能需要5倍10倍的价格才能引进。但是赌博就必然有赢有输,如果大量企业引进的AI从业者无法在3-5年中为企业创造价值,那么大家也会认为其中泡沫略大,而降低对于AI人才的重金策略。而如果因为各种原因,AI从业者能在大部分企业真的创造价值,创造落地应用,那么3-5年只是AI起飞的开始,远不是衰落。


从个人角度来看,我们每个人也都在赌,赌要不要转AI,要不要all in深度学习,要不要全职考研考博。这些赌的都是AI未来,但其实赌的是AI能不能从现阶段的人才储备转为业务驱动。如果几年内这件事情无法发生,那我们可能需要蛰伏等待下一个机会了。所以已经“上船”的朋友们要努力尝试把AI应用于各个领域,为企业创造价值,这样才可以维持现在的高薪。而还在准备的朋友们不妨还是结合自己的专业,想想如何把AI在你所了解领域应用,不然即使上了船也不会有高薪了。我们现在还没到保护泡沫不破的阶段,而还在努力吹泡泡的阶段。


我在另一个回答 阿萨姆:《未来 3~5 年内,哪个方向的机器学习人才最紧缺?》中曾经提到过:


工业界未来需要什么样的机器学习人才?老生常谈,能将模型应用于专业领域的人,也就是跨领域让机器学习落地的人。有人会问现在我们不就需要这样的人吗?答案是肯定的,我们需要并将长期需要这样的人才,现阶段的机器学习落地还存在各种各样的困难。这样的需求不会是昙花一现,这就跟web开发是一个道理,从火热到降温也经过了十年的周期。一个领域的发展有特定的周期,机器学习的门槛比web开发高而且正属于朝阳期,所以大家致力于成为“专精特定领域”的机器学习专家不会过时。

什么是特定领域的机器学习专家?指的是你有足够的机器学习知识,并对特定领域有良好的理解,那么在职场供求中你肯定可以站在优势的那一边。


引用来源:https://www.zhihu.com/question/63883507/answer/227019715


所以这是老生常谈。对于个人来说,如果AI从业者有很好的技术能力和良好的领域结合能力,三年五年绝不是职业的瓶颈期,甚至十年都还太早。而对于企业而言,如何从“人才储备”走向“业务驱动”才是重中之重。不然的话,人工智能其实根本就不算曾火过,我们本身都还在婴儿期。

 


03


Xiaoyu Ma(大数据话题的优秀回答者


正好和找我咨询的朋友聊过这个话题。托个大给点个人看法,这些话过来人肯定都明了,入行不久的也许有帮助。


先给结论,只是会搭集群,会用MLLib,会用Tensorflow的大数据或者AI从业者,不管五年后行业本身会不会回归平淡(大数据很可能会,AI应该没那么快),个人职业发展无法避免变平淡。到时候这样的人就要困惑是否跟随下一个热点了。


但是如果你精通的是领域本身,而不仅仅是用好某个工具某个平台,那你会发现自己并不会随着行业沉寂,或者你会发现你很快很自然能过度到下一个相关的热点领域。


回归平淡是一个热门技术必然的趋势,五年在IT领域已经是很长久的时间了。回归平淡的未必是技术过时,反而可能是技术过于普及。但是如果你精通的不只是浅表,那是否回归平淡对你来说就无所谓了。


趋势和热点肯定是对前途/薪水会有加成,比如大数据(其实火了很久了),或者AI。在几年内会对从业者薪酬有不小的增幅。但是就如你所说,热点和趋势是会降温的,比如慢慢社会上就会有越来越多会捣鼓Spark的人,能跑Tensorflow的人,热点带来的红利会慢慢减少到消失的。有些人会迷茫,为什么自身价值似乎越来越低,是不是要换一个热点;但是有些人却越做越深入,越来越资深,越走越顺。


我的想法是,工程师应该更重视“道”而不是“术”,才能保持竞争力。


什么是“术”?


比如,“遣词造句”,是术。如果你是一个作家,遣词造句无疑是必备技能。


同样,“熟悉编程语言”是术。作为一个程序员,熟悉自己常用的语言的特性,完全是必须的。


类比一下大数据,应用开发或者数据库领域。如何配置Hadoop,架设集群;如何使用某个UI库做出炫酷的界面效果;使用什么参数可以调整某数据库缓存大小等等,都是术。


那什么是“道”?


比如,“一部小说如何谋篇布局”,是道。如果你是一个作家,那么无疑这是比遣词造句更影响你职业生涯的技能。


同样,作为一个程序员,了解系统背后的原理,比熟悉一门语言一个框架对你职业发展会有更深远的影响。


如果你做大数据,那你是否知道分布式系统的一致性保证有些什么不同的设计和取舍?容错又该如何实现?如果你做数据库,又是否知道不同索引的数据结构有什么样的特性?抑或优化器背后的原理是什么?或者你做业务逻辑开发,那你是否通晓了逻辑背后的业务流程以及相关的行业知识?


术的特点是容易过时,或者附加值越来越小。如何使用工具在每天都有新发明的计算机领域无疑是非常容易过时的,公司也不会为使用工具的经验投资太多钱,毕竟够用就行。


诚然术是你必备的技能:不会写代码,不熟悉语言,根本找不到工作。但是并不是你修炼的方向:公司并不会因为你精通一个语言的各种细节而特别青睐你。公司的确是招人写程序的,但是公司并不仅仅是招人“写程序”。


道是我们在领域内不断精进成长的根本:只有了解背后的原理,你才可能在每天都有新系统新语言新框架诞生的科技领域存活;某个框架你并没有摸过,但是你知道哪些指标和特性是选择取舍的依据;某个系统你才听说,但是看了架构设计,你就知道它在你的使用场景下会有什么样的表现,可能会有什么样的坑;再或者你看了某个论文,发现它的原创性设计能改进在你们现有的系统解决之前无法解决问题等等。这样的你,往往比只是对语言熟悉,API精通的码农更受欢迎和尊重。


有人可能会说,你看那些大神程序员,哪个不是对某些语言滚瓜烂熟。是的,我们看到的码农大神们,往往写的一手好C++,精通Go的上上下下左左右右,但那并不是因为他们专门修行这门语言,而是因为他们在不断研习“道”的路上,顺便磨练了“术”。为了更好的性能,为了实现构思的新设计,他们必须更熟悉所用的语言。


再你当然可以举出特例:通晓一门语言的方方面面能成为参与制定语言规范的大神;哪怕写字写的好也能成为书法家。这样说也没错。铁砂掌练到极致,也能和五绝一拼,但这比修内功的路难多了。况且,某人能制定语言规范肯定不是因为她特别熟悉这个语言的细节;书法家之所以是书法家也远不止写字写得好。


回到正题。四年不短,如果你认为你在现在的领域除了“术”没有什么其他积累,那这样的急转弯换掉也不可惜,否则就慎重一点,因为你想换的领域和现在做的似乎没有太多交集。哪怕再换,深入钻研的话,热不热其实并没有太多关系。


文章地址:链接:https://www.zhihu.com/question/67120248/answer/269467498

 

营长说说:怎么样,看完这些大牛的回答,你深有感触还是好不赞同呢?不妨也在留言区告诉营长哦~天天为你们操碎了心的营长。

 

 

热文精选


不用数学也能讲清贝叶斯理论的马尔可夫链蒙特卡洛方法?这篇文章做到了

盘点深度学习一年来在文本、语音和视觉等方向的进展,看强化学习如何无往而不利

论文解析 | Google如何用CNN检查乳腺癌?

这三个普通程序员,几个月就成功转型AI,他们的经验是...

干货 | AI 工程师必读,从实践的角度解析一名合格的AI工程师是怎样炼成的

AI校招程序员最高薪酬曝光!腾讯80万年薪领跑,还送北京户口

算法还是算力?周志华微博引爆深度学习的“鸡生蛋,蛋生鸡”问题

详解 | 如何用Python实现机器学习算法

经验 | 如何高效学Python?

如何成为一名全栈语音识别工程师?

Twitter大牛写给你的机器学习进阶手册


640?wx_fmt=png

你可能感兴趣的:(马上 2018 年了,该不该下定决心转型AI呢?)