尋夢新聞LINE@每日推播熱門推薦文章,趣聞不漏接❤️
【AI科技大本營導語】過去幾年,以深度學習為代表的人工智能技術取得了前所未有的高速發展,公司高薪聘請相關領域研究人員,組建人工智能研究團隊,相信人工智能帶來的巨大商業價值。然而,從近一年的發展態勢來講,無論是VC投資交易數量還是公眾的關注程度都有了一定的下滑。不過在不少Geoffrey Hinton、吳恩達等人工智能領域大牛來看,都相繼發表過「AI寒冬不會出現」的看法。
人工智能究竟會不會迎來第三個冬天?下面這篇來自一線AI從業者的解答,或許能給我們一些啟發。
本文來源於作者微調在知乎的問答
故事1:從「預測模型」到「數據可視化」,regression?
我們團隊是做數據科學咨詢的(data analytics consulting),我們一般會跟客戶說:「我們幫你做個「人工智能」模型(其實只是簡單的預測模型),一年可以給你省xxx多少錢,增長xxx用戶。」
當然,我們會把這種項目包裝為科技轉型(technology transformation),告訴客戶不升級你就要被時代拋棄了,好讓他們買單。這種項目一直都很好賣,尤其是2017年前。
各大咨詢公司的套路都差不多,從學校拉幾個畢業的碩博生,做好PPT(一般咨詢公司的PPT中有一頁是介紹團隊),「編」幾個成功案例,去了一般都能順利把案子簽下來。但說到底就是做幾個簡單的模型(一般就是邏輯回歸、決策樹和一些傳統的統計模型),而這種三四個月左右的項目往往能要到100萬美金(大概是4-6個咨詢師的錢),顯然利潤是很豐厚的。
那時客戶非常依賴我們的專業,因為它們內部的確沒有這個方向的人才。而且當新概念起來的時候,每個公司都想嘗嘗鮮。但從17年後大部分(包括傳統行業比如連鎖超市、加油站)都基本有了自己的數據團隊,他們不再那麼相信我們包裝的很好的預測模型了。原因很簡單:
一是大部分咨詢產品的質量不高;
二是與其付錢給外人還不如自己組建團隊(人力成本其實在逐漸下降)。
企業變精明了。想要賣出大型人工智能項目越來越難,不少咨詢公司也從賣人工智能咨詢退回到了賣廉價的Dashboard(可視化)產品。現在想賣預測模型,必須先做出Proof of Concept (PoC),也就是驗證這個概念是可行的,讓客戶感覺到這東西可能有用,不然免談。
然而做出靠譜的PoC基本就相當於做完了整個項目,這是個悖論。以咨詢公司為縮影,我們16年招了10多個數據方向的畢業生,而2017和2018年都沒招人全都是內部轉崗過來的,今年年初留了一個實習生轉正。而16年進來的人也只有不到三分之一還未跳槽,其實大家這幾年都沒做到真正的人工智能,只不過是在大量的在做數據可視化(如Tableau)罷了,偶有零星的項目。
故事二:從「稀缺」到「過剩」,再到?
不可否認的是,初級從業者補給量已經大幅增加,來源包括:各種速成的一年制碩士(國外有很多12個月或者16個月的碩士項目),自學轉行的人,培訓班畢業生。
熟悉我的人應該記得,我的回答是從17年初的勸進->轉向17年底的謹慎勸退->直到18年初的勸精。我們都知道系統是存在滯後性的,所以當人們知道一個行業上升時都會大量湧入,直到過剩。從面試角度的一個直接感受是,很多人的履歷都很不錯,但基礎一般都不穩,喜歡談大方向不喜歡做細節。我有幾個同事非常喜歡提深度學習解決方案,可我們公司其實連GPU都沒有多少。
這個現象大概是很多企業的共同現象。仔細回想一下,在多少公司郵件里面大家都是凡事必提「機器學習」、「人工智能」、「深度學習」?這個現象在新進入行業的從業者身上更加明顯,凡事都想用最複雜的模型來捍衛自己的稀缺性,導致很多項目做到流產。
這也不是倒退,而是一種篩選。就像我在2019 秋招的 AI 崗位競爭激烈嗎?(https://dwz.cn/hvZy6aQl)中說過的,回調期的重點是培養自己的niche,也就是如果只用一個詞形容你的專長,是什麼?如果你的一句話專長是「機器學習」,那麼大概率你是沒有專長的。上兩門課就能成為專業人士那高薪的好日子已經過去,該面對現實了。
故事三:從「科研」到「商業化」,fill the gap?
研究和應用之間的割裂依然存在。商業化科研成果很難,同時面臨內外的壓力。從去年九月到現在和實習小同學一起寫了三篇論文,一篇理論和兩篇應用。作為一個快要畢業的研究生,他對於研究的幻想是坐在那里刷刷的列公式或者做大量的代碼,而現實情況是:想點子一周,做實驗一周,寫文章一周,修改包裝一周。他後來才意識到寫文章其實是一個銷售工作,大部分文章考慮的都是「可發表性」而不是「實用性」。
而他幻想的通過科研來反哺團隊也沒那麼容易,真的想要走到商業化不容易。我們也嘗試把以前寫的一些文章做成項目賣給客戶,但往往在內部就過不了第一關,因為大家對於問題的理解不在一個層面上,而且這是在分其他團隊的蛋糕,所以一般走不到客戶那一步計劃就夭折了。比如我們想把一個全新的預測模型(預測公司財務表現)賣給某金融客戶,那麼得由內部的金融方向團隊(和客戶有交情)從中引薦。
但基本在這一步就死掉了,因為沒有人願意被替代,即使一起分蛋糕都不行。各大公司其實或多或少都有這個問題,研究團隊(尤其是基礎研究)往往與工程團隊和銷售團隊之間關係不好。這在技術領域,尤其是人工智能領域,不算什麼秘密。
所以從大方向上來看,人們沒那麼容易被忽悠了。這技術能做什麼,做到什麼程度,大家心里都有數,所以故事越來越難講了,錢也越來越難「騙」了。再加上大量從業者湧入這個行業,甚至包括很多基礎不夠紮實的人,導致大眾對於這項技術的效果有了一定的懷疑。
同時企業也慢慢認識到了底層研究很難帶來直接利益,因此就會戰略性的裁撤沒有必要的研究部門。這導致了就業市場看起來是雙向收緊:即初級和高級崗位的需求及收入都下降了,尤其是落地難度比較高的方向。再加上全球經濟環境的周期性變化,前景看起來讓人擔心。
其實東西是好東西,技術也是好技術,但炒起來就要回落,沒什麼可意外的。這是合理的回調,不是寒冬。而回調期該做什麼?我認為:
培養自己的專長,給自己一個標籤,即別人提到你就會立馬想到的那項技能。有志向的人可以回到學校再去重造一下也不錯。
調整心理預期,拋棄幻想接地氣,明白解決問題才是硬道理。拋棄模型崇拜,不要凡事都唯新技術是舉。現實和學術之間除了聯繫以外,還有很大的路要走。
踏實一點,再踏實一點。