現(xiàn)在西二旗或望京的地鐵車廂里打個(gè)噴嚏，就能讓10個(gè)算法工程師第二天因?yàn)楦忻罢?qǐng)假。

不久前，訊飛AI同傳語(yǔ)音造假的新聞刷爆科技圈，科大訊飛股價(jià)應(yīng)聲下跌3.89%（不是65.3%，標(biāo)題黨文章害死人）。 吃瓜群眾紛紛感慨，有多少人工，就有多少智能。

AI概念在2015年起就紅得發(fā)紫，不論是送外賣，搞團(tuán)購(gòu)，賣車，或是推薦莆田醫(yī)院的，是個(gè)公司都會(huì)標(biāo)榜自己是搞人工智能的。

在21世紀(jì)的第二個(gè)十年，計(jì)算機(jī)專業(yè)相關(guān)的學(xué)生不說(shuō)自己是搞AI算法的，同學(xué)聚會(huì)都抬不起頭，相親都沒(méi)機(jī)會(huì)。

隨便從一摞簡(jiǎn)歷里抽出一份，一定會(huì)有AI、調(diào)參、CNN、LSTM這些關(guān)鍵詞。未來(lái)最賺錢(qián)的職業(yè)，一定不是天橋貼膜，而是天橋調(diào)參，50塊錢(qián)一次，一調(diào)就靈：

天橋調(diào)參

NIPS會(huì)議，人滿為患，改改網(wǎng)絡(luò)結(jié)構(gòu)，弄個(gè)激活函數(shù)就想水一篇paper; 到處都是AI算法的培訓(xùn)廣告，三個(gè)月，讓你年薪45萬(wàn)！

在西二旗或望京的地鐵車廂里打個(gè)噴嚏，就能讓10個(gè)算法工程師第二天因?yàn)楦忻罢?qǐng)假。

誰(shuí)也不知道這波熱潮還能持續(xù)多久，但筆者作為一線算法工程師，已經(jīng)能明顯感受到危機(jī)的味道： 以大紅大紫的圖像為例，圖像方向簡(jiǎn)歷堆滿了HR的辦公臺(tái)，連小學(xué)生都在搞單片機(jī)和計(jì)算機(jī)視覺(jué)。

在筆者所在的公司，人工智能部門(mén)正在從早前研究院性質(zhì)的組織架構(gòu)分別向前臺(tái)和后臺(tái)遷移：前者進(jìn)入業(yè)務(wù)部門(mén)，背上繁重的KPI，與外部競(jìng)爭(zhēng)者貼身肉搏。

后者則完全融入基礎(chǔ)架構(gòu)，像數(shù)據(jù)庫(kù)一樣普通和平凡。之前安逸的偏研究生活被打破， AI早已走下神壇。

以筆者愚見(jiàn)，對(duì)于一般的算法工程師，這種危機(jī)包含兩部分：一方面是來(lái)自人的競(jìng)爭(zhēng)，大量便宜的畢業(yè)生和培訓(xùn)生涌入這個(gè)行業(yè)，人才缺口被迅速填滿甚至飽和，未來(lái)的競(jìng)爭(zhēng)會(huì)更激烈。

另一方面則是來(lái)自機(jī)器的競(jìng)爭(zhēng)，大量算法工程師會(huì)很快被他們每天研究的算法所代替。 這兩者互相惡化，AI人才市場(chǎng)終會(huì)變成一片紅海。

連小學(xué)生都會(huì)寫(xiě)模型

工具和框架本身的發(fā)展，讓設(shè)計(jì)模型所需的代碼寫(xiě)得越來(lái)越簡(jiǎn)潔。10年前從頭用C++和矩陣庫(kù)實(shí)現(xiàn)梯度下降還是有不小的門(mén)檻的，動(dòng)輒上千行。而當(dāng)今幾十行Keras甚至圖形化的模型構(gòu)建工具，讓小學(xué)生都能設(shè)計(jì)出可用的二分類模型。

強(qiáng)大的類庫(kù)吞噬了知識(shí)，掩蓋了內(nèi)部的復(fù)雜性，但也給從業(yè)者帶來(lái)了不小的惰性。從業(yè)者的技術(shù)水平，和使用模型的復(fù)雜程度關(guān)系不大，越是大牛，用的技術(shù)更底層更make sense。

不僅如此，深度學(xué)習(xí)本身的性質(zhì)，造成了明顯的數(shù)學(xué)鴻溝。與SVM, 決策樹(shù)不同，由于模型存在大量的非線性和復(fù)雜的層次關(guān)系，且輸入信號(hào)（例如圖像，文本）也很復(fù)雜，因此嚴(yán)格的數(shù)學(xué)論證是需要極高的抽象技巧的。

該方法為什么好，在什么類型的數(shù)據(jù)上好，有時(shí)連作者都在拍腦袋，很多state of arts的方法，成了口口相傳的經(jīng)驗(yàn)和trick，而非嚴(yán)謹(jǐn)?shù)膖heory。 連batch normlization（批規(guī)范化，只包含四個(gè)初中數(shù)學(xué)級(jí)別的簡(jiǎn)單公式）為何有效，都被爭(zhēng)論了好幾年。

只有鳳毛棱角的專家，能深入到模型最深處，用數(shù)值分析和理論證明給出嚴(yán)謹(jǐn)?shù)拇鸢浮?大部分人在入門(mén)后便進(jìn)入漫長(zhǎng)的平臺(tái)期，美其名曰參數(shù)調(diào)優(yōu)，實(shí)際就像太上老君煉丹一樣。

我們把這種現(xiàn)象繪制成下面的AI學(xué)習(xí)曲線，左側(cè)是稍顯陡峭的入門(mén)期，需要學(xué)習(xí)基本的矩陣論，微積分和編程，之后便是漫長(zhǎng)的平臺(tái)期。

隨著復(fù)雜性越來(lái)越高，其學(xué)習(xí)曲線也越來(lái)越陡峭，大部分人也就止步于此。 越來(lái)越易用的工具，讓曲線的斜率變大，入門(mén)期變短，卻并不能改變右側(cè)的陡峭程度。

AI學(xué)習(xí)曲線

入門(mén)容易深入難，這條曲線同時(shí)也能描述AI人才的收入水平。而真正處于危機(jī)的，莫過(guò)于夾在中間的蕓蕓眾人：對(duì)理論一知半解，對(duì)工具非常依賴?？商娲院軓?qiáng)，一旦AI浪潮過(guò)去，就知道誰(shuí)是在裸泳。

市場(chǎng)和業(yè)務(wù)變化越來(lái)越快，能有哪些核心業(yè)務(wù)，是能讓工程師靜心調(diào)個(gè)一年半載的呢？

當(dāng)一個(gè)從培訓(xùn)學(xué)校里出來(lái)的人都能做模型時(shí)，有多少業(yè)務(wù)能讓公司多花兩三倍的人力成本，而僅帶來(lái)1%的性能提升呢？

機(jī)器都能調(diào)參，要你干嗎？

面向大眾AI科普節(jié)目，最常討論的便是“AI時(shí)代如何不被機(jī)器所取代”。很不幸，最容易且最快被取代的反而是算法工程師。

算法崗比工程崗更容易被取代。 在現(xiàn)有技術(shù)下，由于業(yè)務(wù)需求的復(fù)雜性， 自動(dòng)生成一套軟件App或服務(wù)幾乎不可能的（否則就已經(jīng)進(jìn)入強(qiáng)人工智能時(shí)代了），但模型太容易被形式化地定義了。

根據(jù)數(shù)據(jù)性質(zhì)，自動(dòng)生成各個(gè)領(lǐng)域的端到端（end2end）的模型也逐漸在工業(yè)上可用了：圖像語(yǔ)音和廣告推薦的飛速發(fā)展，直接套用即可。理論和經(jīng)驗(yàn)越來(lái)越完善，人變得越來(lái)越可替代。

特征可以自動(dòng)生成和優(yōu)選，特征工程師失業(yè)了； 深度網(wǎng)絡(luò)采用經(jīng)典結(jié)構(gòu)即能滿足一般業(yè)務(wù)需求，參數(shù)搜索在AutoML下變得越來(lái)越方便，調(diào)參工程師的飯碗也丟了； 以前需要大力氣搭建的數(shù)據(jù)回流和預(yù)測(cè)的鏈路，已經(jīng)成了公司的基礎(chǔ)組件，數(shù)據(jù)工程師也沒(méi)事干了。

此處引用老板經(jīng)常說(shuō)的一句話：機(jī)器都能干了，要你干嗎？

從目前AI熱門(mén)論文的情況看，廣告推薦領(lǐng)域已經(jīng)逐漸成熟，很多技巧沉淀為一整套方法論，已進(jìn)入平臺(tái)期。

下一個(gè)即將被攻陷的領(lǐng)域應(yīng)該是圖像；而文本由于其內(nèi)在的抽象性和模糊性，應(yīng)該是算法工程師最后的一塊凈土，但這個(gè)門(mén)檻，五年內(nèi)就會(huì)有爆發(fā)式的突破。

如何最優(yōu)化職業(yè)發(fā)展？

人工智能已經(jīng)火了至少五年，它在未來(lái)五年是否火爆我們不能確定，但一定會(huì)更加兩極化：偏基礎(chǔ)的功能一般程序員就能搞定，像白開(kāi)水一樣普通。而針對(duì)更復(fù)雜模型甚至強(qiáng)人工智能的研究會(huì)成為少數(shù)人的專利。

在一般的技術(shù)公司，傳統(tǒng)意義的軟件開(kāi)發(fā)和產(chǎn)品設(shè)計(jì)，遠(yuǎn)比AI算法的需求來(lái)的多。

算法永遠(yuǎn)是錦上添花，而非雪中送炭，再好的算法也拯救不了落后的業(yè)務(wù)和商業(yè)模式。一旦經(jīng)濟(jì)下行，企業(yè)首要干掉的就是錦上添花且人力成本較高的部分。

如果你是頂級(jí)的算法專家，這樣的問(wèn)題根本不需擔(dān)心。但是，對(duì)大部分人來(lái)說(shuō)，如何找到自己的梯度上升方向，實(shí)現(xiàn)最優(yōu)的人生優(yōu)化器呢？

筆者給出一些不成熟的小建議，供讀者拋磚引玉，基本也是往兩頭走：

首先是深入原理和底層，類似TensorFlow的核心代碼至少要讀一遍吧？就算沒(méi)有嚴(yán)格的理論基礎(chǔ)，最起碼也不能瞎搞啊。

切莫不能被工具帶來(lái)的易用性迷惑雙眼。要熟悉工具箱里每種函數(shù)的品性，對(duì)流動(dòng)在模型里的數(shù)據(jù)有足夠的嗅覺(jué)，在調(diào)參初期就能對(duì)不靠譜的參數(shù)快速剪枝。

按個(gè)人理解，做算法帶來(lái)的最大收獲是科學(xué)精神和實(shí)驗(yàn)思維，這是做工程很難培養(yǎng)出來(lái)的。以前看論文看了introduction和模型設(shè)計(jì)，草草地讀一下實(shí)驗(yàn)結(jié)果就完事兒了。

殊不知AB實(shí)驗(yàn)設(shè)計(jì)很可能才是論文的核心：實(shí)驗(yàn)樣本是否無(wú)偏，實(shí)驗(yàn)設(shè)計(jì)是否嚴(yán)謹(jǐn)，核心效果是否合理，是否能證明論文結(jié)論。

也許一行代碼和一個(gè)參數(shù)的修改，背后是艱辛的思考和實(shí)驗(yàn)，做算法太需要嚴(yán)謹(jǐn)和縝密的思維了。即使未來(lái)不做算法，這些經(jīng)驗(yàn)都會(huì)是非常寶貴的財(cái)富。

再者是盡早面向領(lǐng)域，面向人和業(yè)務(wù)。AI本身只是工具，它的抽象性并不能讓其成為各個(gè)領(lǐng)域的靈丹妙藥。

如果不能和AI專家在深度上競(jìng)爭(zhēng)，就在業(yè)務(wù)領(lǐng)域?qū)＞钔?，擁有比業(yè)務(wù)人員更好的數(shù)據(jù)敏感度，成為跨界專家。現(xiàn)在已經(jīng)有大量AI+金融、AI+醫(yī)療、AI+體育的成功案例。

人能熟悉領(lǐng)域背后的數(shù)據(jù)，背后的人性，這是機(jī)器短時(shí)間內(nèi)無(wú)法代替的，跨界帶來(lái)的組合爆炸，也許暗含著危機(jī)中的機(jī)會(huì)吧。

最后感慨一下，同樣是80后，年齡相差無(wú)幾，有人已是副總裁，有人帶了幾個(gè)人的小團(tuán)隊(duì)，有人還在基層苦苦掙扎，軌跡在畢業(yè)時(shí)分叉，幾年后早已滄海桑田。