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。