人工智能就业前景越来越严峻了,你还在坚持吗?

使用CN2/CN2GIA顶级线路,支持Shadowsocks/V2ray科学上网,支持支付宝付款,每月仅需 5 美元
## 加入品葱精选 Telegram Channel ##

知乎用户 wei chris 发表

坚持那是肯定的,不坚持连饭都吃不上。

2019 年,我给公司面试了很多人,时间超过 1 个半小时的应该在 100 人以上,但是入职的不超过 5 个。结合我自己在公司内部的工作,基本上可以说,至少在‘AI+’行业,2019 年不仅就业前景严峻,连从业者前景也很严峻。


17 年之前我在互联网行业打拼, 虽然加班,但是基本上守着自己的一亩三分地,还算压力小,其他的事情也无需我过问。17 年转入智慧医疗创业,负责的东西非常多了,从前端到后端,从产品到市场,都要操心,但基本上还是技术占主流。所以 17 年和 18 年基本上是在技术和数据上钻研。19 年真正开始落地,主动和被动学习的东西非常多,切实感觉到远比调包堆层难太多。不管是‘互联网 +’还是‘AI+’,垂直行业的关节比想象要复杂很多。用咨询行业经常讲的一句话:客户要的是 solution,不是 model。model 是实验室的产物,solution 才是推向市场的结果。solution 意味着需要产品化和工程化的思维方式。

产品化除了包含传统意义上的产品设计和用户体验,更多是指符合垂直行业的业务逻辑。这一点其实对于纯计算机行业的人很难,一方面计算机毕业的学生必然没有这方面的知识储备,另一方面主动愿意学的人几乎没有。毫不客气的说,可能只有生物医学专业的人或有过相关经验的人才能真正设计出符合医学逻辑的产品。而这一点恰恰是落地的关键。我个人负责的是医疗文本方向,举个简单的例子。肝癌中有一些预测预后是否良好的指标,比如分化程度,切缘,病理亚型等。我们可以建立一个模型预测一下。首当其冲的问题是用什么模型?准备上 AutoML 吗?线性回归,SVM,深度模型其实都不算太好。医生们最喜欢决策树,因为临床过程中好落地。第二个问题是,用什么指标?如果完全按照模型的结果来筛指标,基本上失败了一半。最好的方案是先问一下医生有什么建议。有先验知识可以用,不用岂不是太浪费。以肝癌为例,其实上述指标都和预后有关,但是最好的是 MVI 微脉管侵犯。因为 2015 年国内指南明确推荐使用这个指标,而且有明确的临床意义。这种事情在智慧医疗行业很多,甚至有些不讲理。近几年在深度学习方向非常推崇端对端的学习方式,某种意义上给黑盒属性和不可解释性包装了一个冠冕堂皇的外衣。我不是说端对端不好,但是这种完全忽视业务逻辑的模型范式,不是行业通吃的。尤其是注重决策的场景,是非常重视过程的。过程讲不通,roc 再好也不行。

工程化的要求在 2019 年更为迫切。记得之前,有文章提到过,AI 创业企业决胜的关键不是模型,而是工程能力。其实国内很多互联网医疗或者智慧医疗创业公司的工程化能力应该都不算强。我的这个论断是基于对一些有代表性的产品的考察和分析。我们自己的外包人员反馈,以及医院药厂对友商的评价,也支持这个理解。应该说,这些公司的算法能力可能和大企业没有太大差距,毕竟很多人都是从大企业挖过来的。但是工程能力差了一大截。可能与很多有经验的开发人员不愿意去小公司或被忽视,以及类似 2C 的高性能并发等场景需求不多有关。我个人也觉得招到一个合适的开发颇有难度。本质上讲,创业公司的开发人员初期最好是全栈,即使不是全栈,也能理解前端和后端的概念和接口。这种要求不是三年经验能训练出来的。另外,医学领域对于数据安全和稳定性的考量几乎是第一位的,有些时候有点不可抗力的性质。2019 年发生了个别伦理审查已经通过,项目已经正式开始,但是最后被主 PI 院长因为数据不在私有云上而暂停的事情。这种自打自脸的事情医院是干的出来的。某种程度上,似乎也是医院内山头林立的结果。还有一个体会是,很多创业公司都喜欢用各种软件的开源版本或者社区版本。但是这些版本的灵活性和性能都会打折扣(有些版本只能支持单个账户登录,或者只能挂载一个数据库)。如果公司不愿意花钱,而且没有真正的工程人员介入的话,这些产品基本上是半成品。

围绕着这个 solution 思维,2019 年因为 AI 落地的事情占用了我大量的时间,技术方面主要是数据安全,知识产权和招聘。哪一个环节都不敢怠慢。数据安全很好理解,医院需要数据安全存放,药厂需要规避数据安全风险,监管机构需要数据安全方案。但是你要知道,目前的安全等保和 HIPAA 等,更多的是在用流程控制安全。公司要想提高数据安全除了物理隔离,加密,灾备,更多时间是在准备各种文档说明自己的生产过程符合安全规章制度。当一个领域无法用技术提升时,通常会采用过程管理。这东西非常像软件成熟度模型 CMM,试问哪个 IT 人员愿意花时间在这上边。知识产权的问题主要是和医院药厂合作完成项目时的文章,算法,产品的产权分配。最一般的场景是,医生给你标注了数据集,你拿来训练深度模型,又发了文章,开发了产品。专利律师的理解是,这种情况下对方是否有权利要求知识产权目前完全看双方协商。其实从公司层面,多挂一个名字也没什么,主要是怕让甲方误会,曲解,影响了业内口碑啊。而且在 AI 爆棚的时期,发专利也并不难。招聘的事情,今年也废了老大劲。所以我说就业前景是严峻的。最深的感触是很多自称是算法工程师的人骗面试,最大的特点是专业非计算机,数据或统计出身,简历上各种 “熟悉”,“精通” 模型框架,加上泰坦尼克号项目经验。我个人又非常喜欢问基础问题,例如讲一个聚类算法或解释一下 tfidf,瞬间露馅。还有些自称精通 python 的人,答不上来 yield 和 return 的区别,或者 python 的向量化操作。我是真的累了。我差点给 hr 训练一个基于简历的虚假申请者分类器。

2019 年,我个人几乎没有在追什么前沿的 NLP 模型,各种 BERT,transformer 也是通过公众号的新闻了解。我主要觉得这些模型一来需要大量标注数据,这在中文医疗文本行业内几乎不可能;二来实际效果能有多大提升也未可知,医生是否接受也是个挑战。我越来越觉得 AI 掉进了一个大牛挖坑,小牛填坑,工程师调参,外行将信将疑的境地。大家都在关注工具属性,很少人关注落地属性。不过作为技术人员 2020 年可能还是要补一补。2019 年因为响应各种需求也有些收货,学习了 neo4j,arangodb 等 nosql 数据库,还有面向仪表盘的 web 开发,自动化部署的 docker 开发,还研究了点异常点检测和度量学习。唯一的目的就是希望能发现更多的方向是客户真正认可和关注的。东西都学杂了,脑子有点乱。有一次,在 R 里用 str() 想转换为字符串(python 里 str() 是用来转换为字符串的,而 R 里 str() 是返回数据框结构的),一时没有发现。

我在知乎另一个回答中提了很多机器学习在医疗领域的坑。

当前(2019 年)机器学习中有哪些研究方向特别的坑?

其实我本人是希望大家都能理性看待 AI 的能力和前景。如果有机会,我甚至会写一个‘机器学习有哪些非常有意义的研究方向?’的回答。AI 的 2B 业务和传统互联网中业务完全是两码事,尊重行业积淀,尊重兄弟学科是一个基本前提。不可否认,很多传统行业和制造业,例如 AI 最火的安防,自动驾驶和智慧医疗可能都深受社会制度和甚至行业痼疾的影响,你要进来,面对的不是一个企业,而是一个链条。

作为计算机出身的人,我自然希望 AI 能大放异彩。但是这个行业混进来一些浑水摸鱼的人,一些过于乐观的人,还有一些只想赚快钱的人。而坚持不仅仅是一种态度,更多的是一种能力,未来必然会有一些企业‘化作春泥更护花’。

知乎用户 Michael Jackson 发表

《后丹》

那些口口声声,

一代不如一代的人,应该看着你们;

像我一样,我看着你们,满怀羡慕。

人类积攒了几十年的科技,

所有的博客、GPU、数据集和开源代码,

像是专门为你们准备的礼物。

Python、Pytorch、Tensorflow,

现代科技的成果被层层打开,

可以尽情地享用。

自由学习一门框架,复现一篇论文,

调节一套参数,做精彩的消融实验。

很多人,

从实习你们就在自由探索自己的兴趣;

很多人在大四就进入了不惑之年,

不惑于自己喜欢人工智能,不喜欢生化环材。

人与人之间的壁垒被打破,

你们只凭相同的模型,

就能结交千万个值得面基的朋友。

你们拥有了,

我们曾经梦寐以求的权利——上车的权利。

你所感觉的就是你的创新点。

你们有幸遇见这样的英伟达,

但是英伟达更有幸,

遇见这样的你们。

我看着你们,满怀敬意。

向你们的专业态度致敬。

你们正在把 75.6% 的变成 75.9% 的,

把人炼的变成机炼的;

把数学的变成实验的;

把论文变成投资的。

你们把自己的直觉,

变成了一个和成千上万的人,

比拼分数的事业。

向你们的自信致敬。

弱小的人,

才学习材料与化学;

内心强大的人,

从不吝啬实习与炼丹。

向你们的大气致敬。

单卡同而不和,

集群美美与共,和而不同。

更年轻的身体,

更容得下多元的网络结构和数据集。

有一天我终于发现,

不只是我们在教你们如何科研,

你们也在启发我们,

怎样去更好的科研。

那些抱怨一代不如一代的人,

应该看看你们,

就像我一样,我看着你们满怀感激。

因为你们,

英伟达会更喜欢中国。

因为一个国家最好看的风景,

就是这个国家的 GPU。

因为你们,

这世上的小说、音乐、电影所表现的科学

就不再是数学公式,

而是美工、设计、辩论、消融实验,

是心里有 CVPR,梦里有 PAMI。

不用写出我们想象中的论文,

我们这一代人的想象力

不足以想象你们的工作。

如果你们依然需要我们的会议审稿、网络教程和实习机会,

那么,

燃烧吧,后丹!

我们在同一个燃烧的丹炉!

(最后鸣谢 W. Qian 同学改编《后浪》的建议)


欢迎关注微信公众号【修罗笔记】,二维码如下图 ^_^

知乎用户 Sofring​ 发表

现在时间 2022 年 4 月 17 日 下午 4 点,3 年后来回答这个问题

本篇主要从 AI 商业化落地角度来分析,情况聚焦国内,答主本地土鳖,非海龟,不了解东太平洋和大西洋的情况。

没错,三年前我作为产品经理高点加入达摩院的时候,立刻就感受到了一阵凉风袭来。这几年我的心情就如同丁蟹一般:不要怕,是技术性调整,不要怕。

三年后的今天,AI 行业(姑且算是个行业),还是没找到规模性商业化的银弹,不过走在最前面的那帮人,在理论没突破的黎明前夜,凭着直觉与经验主义(氪了十年金换来的经验),要么坚持梦想做正确的事情(回归学术),要么吃着落地果实的管一方温饱(垂直领域智能化),要么继续攒最大的局割最绿的韭菜(哔宇宙、大模哔、自动驾哔等等等等)

在聊 AI 发展到今天商业化落地前景之前,可以先歪头瞅瞅大数据,看看隔壁老表的情况。

18 年前一篇 G 社 MapReduce 论文推动了大数据波澜壮阔的商业化发展,Hadoop 到 Spark 到 Flink,再到云计算时代各大厂包装在弹弹弹的 Q 弹容器里的 serveless 的云原生服务,从老牌大厂下海摸鱼,到诸如 Snowflake、Databricks、Cloudera 这样的独角兽明星崛起,大数据技术、数据中台、数据治理是每个企业进行数字化转型都要说的故事。但是当你深入到细节,走到一线,看看除了金融、互联网等特定的行业,传统行业大数据普及的情况,你会发现所谓大数据、数据技术、数据产品对企业的核心业务起到的作用,潜力还大大的有待发掘。一个千亿营收的大型制造企业老总对着大数据团队的原话:大数据是负资产,你们要想想怎么样把它变成有效资产,不能靠给我画大饼活着。管中窥豹,可见一斑。

是技术不够好么?是技术门槛高么?都不是。技术落地需要天时地利人和,一言难尽。

现在让我们看看这波快 10 年的所谓第三次人工智能浪潮(个人认为真正的浪花是从 2011 年微软的 Interspeech 上关于 DNN 改善语音识别效果开始被世人所看到的),带给我们的除了综艺节目里耳熟能详的小度小度、网红餐厅里跑来跑去的送餐机器人、手机里无用的人工智障助手、时不时收到的要不要贷款的机器人推销,还有什么在浪潮即将退去,下一波浪潮即将到来之前留下的痕迹。没错,虽然我使用了嘲讽的技能,作为从业者,我还是坚信会有下一波、下一波波人工智能的浪潮,直到如大比兜子一般拍打出一个新世界。

2022 年,人工智能 toC 已经不香了。AI 技术不能成为你 toC 商业成功的有效壁垒。商业回归本源,虚拟助手商业核心逻辑是场景和背后的服务,小度、小爱卖的不是智能交互,卖的是音视频内容和链接的生态 IOT 设备;VRAR 眼镜卖的也不是智能交互,是游戏内容与硬件设计;还有一些销量不咋地的人工智能产品,像什么转写录音笔、翻译机、扫读笔,大部分落在角落里结网吃灰,低频场景的生意往往是一次性的。你再算算这些公司、部门此类产品的投入产出比,有盈利的算我输。

人工智能技术 toC 有没有价值,有的,肯定有。有没有与我们关注度匹配的商业价值?5~10 年之内,硬件、电池有突破性进展之前,我看不到。当前阶段人工智能 toC 场景更多是一种锦上添花,可以看到天花板,也不属于商业的核心要素。这跟 AI 技术的往往是场景特定的、只解决问题的链上的几个单独问题有关系。

而相较于 toC 需要提供一个完整的产品体验,toB 的业务往往是产品组合成解决方案,市场空间也非常大,AI 技术即使只解决单点问题,也可以跟上下游方案结合起来,找到落地的机会。

人工智能三要素:算法、算力、数据,积累难度依次递增,在聊 toB 商业化之前,我们先聊下三要素当今的情况:

算法如今已是白菜价,现在敢一两百万收一个算法工程师,除了大厂有钱,就是想无脑提高一波团队素质,为什么这么说?开源技术的发展,尤其是 AI 开发框架和生态工具的发展,让机器学习的门槛一降再降。一个智商正常的大学毕业生,从学习到上手做 AI 的应用开发,跟 web 开发、移动端开发差不多。业务上遇到的 90% 的算法都被优化好的很好的框架封装起来,使用也非常方便。不信你去用下 AWS 的 sageMaker 和阿里云的 PAI,妥拉拽半天让你学会用 PR-SGD 去 train 一个目标识别模型,说不定在你的数据集上就 sota 了。除非你要搞研究院或者是在大厂做基础平台产品,否则真正的算法工程师真的是暴殄天物。相对现在普遍意义上的所谓算法工程师,我更愿意称其为懂 AI 的开发工程师,就如同本世纪初期懂 Java 开发的工程师一样,相对稀缺,但是很快会被各类专业的 IT 培训机构批量生产。当然算法研究员另说,本身他们跟 AI 商业化的距离也比较远,打打榜,水水论文,圈子有自己的玩法儿。

算力就不说了,云计算发展到现在只要你有钱,算力就不是问题。

最后聊下数据。AI 的商业模式是否成功取决于效果,效果的好坏基本上就取决于数据,如果你能完成数据的壁垒,基本你也就完成了业务的壁垒。现在已不在是洪荒时代,国家、企业、个人数据安全问题国家有好几套法律在监管,僭越一步,让你喜提时尚囚服。快速积累业务中的数据资产,建立数据壁垒,可能是 AI 商业化有效落地的可行方式。例子你就看看特斯拉的自动驾驶、淘宝的拍立淘。一般情况下,toB 的数据积累无非这么几种方法:1. 联邦学习、隐私计算;2. 买;3. 标杆客户谈合作,数据共享,模型共同收益;4. 自己造,这里面又分爬互联网与专家生产。

OK,现在我们聊聊 AItoB 的商业化落地。

和三年前不同的是,不再有一个公司标榜自己是某个技术赛道的玩家,已经没有所谓的 CV、语音、NLP 公司。单一的技术实现不再具有商业化价值。从技术层面上来说,感知和认知必须结合才能对业务起到有效帮助,也是所谓这几年多模态技术的发展。这意味着,AI 不再是一个纯技术问题,搞点人实现一个算法,刷刷榜就能成功。AI 已经变成一个系统性工程问题,反应的是需要 AI 去解决的业务问题的复杂度提升。再也不会有甲方因为你能变魔术似的把语音转成文字就给你开大价钱,一方面是别人也能很容易做到,另外一方面是我需要的是不是语音转文字,我需要的是理解文字背后的客户表达的真实意图,再去按照意图做分类或者做自动回复。

和三年前不同的是,除了大厂,搞平台通用能力的公司都快要死了。纵向技术不够深,横向技术不够广,即使技术有部分优势,但是在这人工智能普及的早期,指望你的用户能够使用自主利用你的平台构建 AI 应用,还是有点太天真。还没死的公司几乎全部转身去做行业解决方案,房地产的、金融的、自动驾驶的、数字政府的,基本都在这些还有闲钱的行业。业务成功的逻辑也几乎和普通的 toB 乙方没有区别,客户、渠道、定开需求、交付、售后。看得明白的人很容易理解,AI 作为一种新型的技术手段,因为能解决之前 toB 业务场景里解决不了的问题,是有市场需求的。但是市场分散、领域垂直,行业里又缺乏相应的数据,所以必然处在市场初期,不可能有大规模商业化成功落地的 AI 公司存在,从商业角度来说,业务需求带来的价值变现支持不了大体量的人工智能公司。你看看几年前牛逼吹上天的几家独角兽公司,toVC 的模式发展了几年,现在被资本逼成什么样子。所谓的上市只不过是皇帝的新衣罢了,反正我不会去当韭菜让海外资本家和公司管理层去收割的。在商言商,你做企业级市场,非得去要照搬消费级市场那套拿钱换地盘的逻辑,做投机想转手套现又没有人傻钱多的金主渠道,等一等就烂在地里了。互联网模式在企业级市场里已经被证明走不通了,看看负的 PE 值,看看那负的净资产,只会让人想到挣扎二字。精致的利己主义者早就金蝉脱壳了,那些算是有理想的追梦者还在沼泽力挣扎,不能怪别人,决策都是你做的。可惜。

所以,回归吧,不寒碜。各大真正的科学家都在回归学术了,确实底层理论还没有完善,深度学习要破除黑盒,自监督和小样本学习能不能突破,看似繁荣背后那些隐藏的鸿沟必定要有人跨越,哪里跌倒就哪里爬起来。小小的我对你们致以崇高的敬意,无论是因为你们为了人类进步,无论是你们为了实现个人价值,还是你们敢于做正确的事情。

所以,务实吧,不寒碜。不要追求规模,不要 toVC 式的发展,聚焦行业客户真实的业务问题,打磨产品技术,提高服务质量,实现客户价值,再去考虑复制,再去考虑第二曲线。实现客户价值永远是 toB 生意的底层逻辑。你会发现垂直场景的小的 AI 公司也会活的很滋润。同时注重数据的积累、知识与数据的融合,这可能是行业 knowhow 的数字化体现。顺道提一下,在目前 AI 发展的初级阶段,某些场景不需要追求绝对的无人化,human-in-the-loop 人机协同可能是个好方向,关键看你怎么设计产品。

至于还是想在一级市场攒大局的造 “梦” 者们,如果你们真的是在做价值投资,请慎重。哔宇宙也好,NFT 也好,你需要面对的是要改变的是几代人的价值认知,重塑他们对价值的信任体系,还要面对千疮百孔的基础设施,这些没个 10 年 20 年的,不太可能有里程碑式的发展。这还是在安稳的大环境中。至于对那些投机的人,我不做评论,我只想说,兄弟请带上我。

最后,我谈一谈在大厂里的 AI 价值体现。大厂的场景,业务体量往往大到一个极限,它的场景特殊,解决方案的实施具有不依赖性。说人话就是所有轮子都要自己造,不能对外部技术方案有依赖,外部方案也大概率满足不了我的业务场景。所以我们常说,大厂里搞 AI,要抱紧几支大烟囱,要做就做厂子里的核心业务,用 AI 降本提效也好,吹牛逼也好,发论文也好,只要爬上核心烟囱(业务),基本上就稳了一半了。如果实在进不了核心业务部门,那就去平台部门转转,平台部门作为灵活的备用资源支持核心业务方不愿投资的基础设施建设(ROI 低)和临时项目,如果聊的好,也有可能双赢。同时在平台部门可以了解公司的全部业务,业务够敏感,技术够硬,可以在某个未来赛道赛马跑赢成为大烟囱。至于以平台化的形式输出 toB,标杆客户、影响力可以搞一搞,商业化还是算了吧,你是干不过 KPI 还有 ROI 的,好吧你不 care 这些,我只想说,兄弟请带上我。

做个总结吧

1. 商业化不要指望搞大一统的模式,认清 AI 技术的现状与边界,先搞单点,再试试连成线,规模控制好也能有钱赚,星星之火可以燎原

2. 多动手,少看 paper,手撸一个 SGD 还不如帮业务部门做个客户反馈分类。研究算法就回学校,来商业公司就好好搬砖,实现客户价值才是自己的价值实现。

3. 最后在人工智能发展的初级阶段,我们是先行者,做好准备,我们可能长期处在初级阶段。方向对了,路就不怕远。

声明:回复仅代表个人意见,与其他人或组织无瓜。欢迎友好讨论,ETC 我会绕道走人工收费然后不给钱。

知乎用户 元峰​ 发表

现在的求职状况是竞争非常激烈。如果说 7、8 年前的状况是各个专业转 CS 的话,现在是全民转 AI。各个专业的,例如自动化、微电子、机械、通信、电子信息、材料专业,都有大量的学生在学习机器学习 (主要是深度学习)。

19 年 8 月份帮忙面试了 6 个提前批的应届生,都是 985 和 211 的,好像没一个是计算机专业的,(不过以前并没有人工智能专业,大家好多都是非计算机专业的)但是印象中好像有四个同学回答的还是可以的。从 ResNet 到 MobileNet,从 SVM 到 XGBoost,都回答的头头是道(但是都不是很深)。另外,有个朋友做 AI 社区的,把我邮件放到他们的内推文章了,结果我收到了接近 50 份左右的简历,基本 985、211、普通一本的都有,想当年,我参加 17 年秋招,投递我就职的公司(CV 四小龙)的人还很少,去东南大学的校招才十来个人参加,旷视在南京大学的宣讲会留下来参加笔试的,也应该没有 40 人。现在的情况是,211 以下的基本很难找到 AI 独角兽的算法岗位了,除非是你有非常厉害的特长。依图今年的算法岗位竞争据说 100:1,进 BAT 的算法岗更难。

当前的 AI 状况是,学术界的研究热点已经从感知智能转向认知智能了,在 CV 方向,感知的基础算法(例如 ResNet、SSD、YOLO、UNet、FaceNet、ArcFace)都是 2018 年前提出的了,2019 年有突破性的、实用性强的算法基本没有出现了。深度学习算法增长增长缓慢后,导致的结果:

  1. 基础的算法越来越模块化,调用它的技术含量也越来越低,算法被越来越多的人掌握,大家都会 BP 推导,都能讲清楚 ResNet、SSD、YOLOv3 的原理,导致竞争空前激烈;
  2. 公司对算法工程师的需求数量降低,至少不需要再养很多人去发论文了。公司对算法模型的需求,在收集整理好数据,直接调用模块化的算法去训练,甚至使用 AutoML 来自动搜索模型架构就好了。

现在 AI 独角兽应该都在把重点转向产品,或者收缩战略,集中到核心场景中了。就像近期地平线裁撤 AIoT 部门不少员工,将重点收缩到占公司收入大头的自动驾驶相关产品的研发中了。我猜测,后面各个 AI 公司会精简优化规模庞大的研究院,分流到相应的产品部门去。

我并不是要看衰 AI,个人后面的创业方向是做一个服务 AI 公司和个人开发者的产品,所以 AI 越繁荣,其实对于个人来说反而机会越大。只是,我越来越觉得,后面应该不存在体量庞大的 AI 公司,而应该是各个以 AI 为核心的产品公司,例如做工业检测、物流机器人、自动驾驶、智能安防、智能医疗、智能客服的各个产品公司。做在线算法 API 服务的,大概率会集中到 BAT、华为这几家出售云服务的公司(API 搭配他们的云计算出售)。而纯做算法的公司,肯定是规模小,团队精悍,聚焦有限几个特定场景的公司。

另外,虽然算法岗位去大公司和明星公司比较难,但是去规模中小的公司还是不难的。毕竟我国又不是只有 BAT 、TMD、 华为、商汤、旷视这几家,中国还有多少万家做算法相关产品的小规模公司呢。

如果非常想去大公司,可是算法能力又没那么硬核,可能还是做前后端、客户端开发进去的概率更大。

写了一篇更系统的文章

元峰:都 2020 年了,在校学生还值得继续转行搞 AI 吗

假期在家,写了一篇关于中国 AI 公司发展前景的文章,对 AI 发展感兴趣的知友可以关注一下

元峰:2020 年代,中国 AI 创业公司将走向何方

关于应届生 offer 选择的建议,请看这篇:

元峰:应届算法岗,选择巨头还是 AI 明星创业公司

————————————————————————————————————

文末打个广告,我开了一个公众号:AIZOO,会在里面分享人工智能相关的实用的、前沿的技术和资讯,欢迎大家关注。

知乎用户 李炳辰 发表

这行业,极少数人在研究前沿试错,后面大部队做调包侠,做 github 下载侠,就够了。

每个公司都搞算法,想搞神网创新,那就是给硬件厂或云公司打工,促销费。

最新的研究成果必然出论文,必然有 github 喂给你。会调包足以。

博士高消费是正常,总要有个门槛,万一你掉包也不懂呢。

以后 ai 结合数据库自然达成分析报告推荐系统。

包都不用调了,直接在 db 铺一层设置 X,Y。

设置好表格,字段,自动 autoML。

现在刚上的博士那时刚毕业。

又回到 80 年代的神网:

再现 Geoff Hinton 的传奇 ——“最终他拿到了人工智能的博士学位, 但_找不到工作_。”

知乎用户 wood hawk​ 发表

一年前入学的时候吧。那个时候国内 ml 火得一塌糊涂,然后美帝这边选方向基本清一色的机器学习。到美帝找工的时候就被教做人了,美帝找机器学习工作学历基本底线 phd。不是 phd 在读根本就找不到工,到现在一个个全部和机器学习撇清关系。。。都在找 sde 码工工作,关于机器学习基本就是。。。你别乱说啊,你别乱讲啊,我和机器学习没关系哈。。。现在都在写代码,老老实实 leetcode 先刷个五百道,系统设计,分布式系统 raft,2pc 协议先学起来,web application 后端从 Java Spring 到 Go,前端 React 搞起来,sde 全栈开发真香。。。package 也给的巨大。。。还比 ml 好找工。。。真香真香

牢骚发完了。下面说点干货。ml 一直以来最要命的问题就是怎么赚钱的问题。赚钱这个东西分两种,一是做辅助,而是做输出。推荐系统基本属于辅助类,相当于互联网加 ai,首先你得有互联网产品,然后基于产品做改进,这部分目前其实商业化做得还是很成功的,但是既然是辅助,也就决定了他的招聘规模不可能大过 sde 开发。所以真正能提供大规模岗位招聘的其实是担任输出角色的 ai,这样的企业的代表就不是互联网大厂了。代表的话,海康威视做监控的,图森科技做高速无人驾驶货运的,waymo 做无人车的等等。这块商业化做得比较好的我个人认为是海康威视和图森,关键是很切实得能看到他要怎么赚钱。海康和有关部门合作,收入来源比较稳定,图森因为高速路况简单,并且不做端到端的系统,不完全依赖于深度学习而是主要靠雷达结合一些人类可以理解的逻辑,取代的是卡车司机的工作,目前在美国一些州也获得了运营批准,所以盈利也是可以预期的。但是除此以外的话,很多 ai 公司怎么赚钱这个问题就是搞不太清,有一个说法说,业务有 2b,2c,现在很多 startup 搞的既不是 2b 也不是 2c,而是 2vc,说白了就是骗投资人钱。或者说是赚钱的第三种方式,炒作噱头,吸引资金。

说一句题外话,创业这个事情,以我自己有限的见识来看,科技公司可能还是要有工程师创业比较靠谱。想法其实是廉价的不值钱的,关键是要把想法变成现实的可行计划,如果科技创业不熟悉技术的话,能不能作出可行的计划真要打上一个大大的问号。但是投资人又迫切希望看到愿景,很多时候愿景和可行性是背道而驰的。希望以后投资人砸钱的时候,先花点钱去找个技术团队,好好对 startup 做一下全方位的技术论证。技术上不具备可行性光有 ppt 是赚不到钱的。

总结来说,ml 其实是很好的技术。但是大家目前还没有找到很好的把它大规模变现的手段。很多需求看起来很炫,但是赚不到钱的需求都是伪需求。如果 ml 还是一直变现不了的话,可能未来招聘会越来越严峻。然后我个人认为比较靠谱的几个企业,互联网企业做推荐系统的其实都很靠谱,然后纯粹做 ai 和互联关系不大的话,我个人了解的,海康和图森还是比较靠谱的。可能还有一些其他公司,但是由于我个人眼界限制看不到而已。至于不太靠谱的企业,我就不点名了,总的来说就是能不能看到变现的可能。

再更。。。如果你想搞机器学习理论,老老实实先念个 phd 吧。连个 phd 都不肯为它念,你还好意思说爱它?(狗头)

知乎用户 崔迪潇​​ 发表

其他落地场景下的就业前景不了解,不敢妄言。结合自己求学、找工作、就业的体会,聊聊自己呆了十年的自动驾驶领域。浅薄认识,大家轻拍。

09 年 - 14 年 蓄力

09 年进入这个行业时,完全没有想过未来就业的问题,虽然所在的单位名称为 “人工智能与机器人研究所”,但当时新一波的人工智能大潮还远未起来,更多还是一小批人的坚守,论及自动驾驶更是几乎无人听过的概念。13-14 年去了欧洲,在顶级单位继续学习了自动驾驶,期间配合实验室团队接待了松下、三星、博世、德尔福、安霸、谷歌、苹果等等团队的造访、试乘和合作交流,一度被打鸡血打得厉害,决心坚持把自动驾驶作为自己未来的职业追求,还开了可能当时最早的中文网站,介绍翻译自动驾驶的一些新闻和文章(现在已经荒废)。对应的是,国内当时几乎没有单位在招收自动驾驶方向的岗位,几位师弟在同国内顶级 OEM 的面试中,得到了明确的没有规划和招聘用人需求,这导致我回国后一直琢磨着毕业后要出国,幻想着去 Google 等大厂继续搞车。

在这个大背景下,我的很多师兄师姐甚至当时毕业的硕士的师弟师妹都没有机会进入到企业直接从事自动驾驶的研究工作,最后进入了航空、航天、通信、金融行业,甚至出现了某一年毕业的硕士生被大疆一锅端走的情况。但无一例外,没有人找到了和自动驾驶相关的工作。

15 年 - 17 年 火热

这三年大可称为国内自动驾驶产业兴起的开端。从回国一段时间后,就开始不断地收到国内外车企、互联网公司(有的已经不在了)、初创企业(甚至公司还没有正式注册)的邮件和电话,追要简历、约电话面试等等。前后约莫有 30 + 家的单位,当时自动驾驶的火热可见一般。

我在忙完论文后,去北京呆了一周,和很多在北京的初创公司、互联网巨头的创始人或者技术负责人见面,平均一天见两家、多的一天跑过四家。后来面对手里的 offer,出现了选择困难。最后因为不舍西安,而选择留校工作了一段时间,但一直密切地关注着产业的发展。

而正是从这个阶段起,大量的学生或者相关从业者,开始投入到自动驾驶的学习和研究中,而不断激增的用人需求、不断涌出的数据佐证 “人工智能从业者平均薪资比其他行业高 XXX“的趋势和结论,刺激着更多人加入这股浪潮中。知乎上类似“想从事自动驾驶,应该怎么入门?”、“自动驾驶的环境感知和运动规划,哪个人才更急需?” 等等类似问题,几乎每天都涌向我的邮箱。

18 年 - 19 年 冷静

15-17 年期间,各种三年示范运营、五年规模量产,犹如三年高考、五年模拟一样让人听觉疲劳,但随着时间的推移,产业和资本开始回归理性,那些确切而笃定的说辞开始变得模糊和有所保留。大家意识到技术、产业、法律法规缺一不可,也开始回归理性。我认为这个时候进入产业是个不错的时间点,于是大概从 17 年底开始我将更多的精力投入到了对产业的了解中,也单枪匹马去过北方某省、下到地下 1000 米的煤矿驻扎多日,和一线的工人师傅了解请教有无自动化技术的落地空间。17 年底,某 AI 四小龙的 CEO 来实验室参观时,我也和对方深入地聊了当下自动驾驶产业发展的现状和机会,和我自己想创业的想法。时至今日,我对这个比我还年轻一些的 CEO 说的一句话印象深刻:“如果你想在 18 年还以初创团队拿到融资,必须在 18 年上半年,还有机会上桌参与游戏;如果拖到了 18 年下半年,融钱将变得越来越困难。”

坦言,18 年初我萌生创业想法的时间已经偏晚,早过了一个 demo 就可以获得很高估值的阶段,融资的事情进展不顺利。找人方面,见过很多以前从事自动驾驶的朋友,因为离开行业几年,或者家庭原因,绝大多数都委婉拒绝了。那段时间情绪低落、身体状况走下坡路自然难免。而彼此,整个行业意识到了技术只是其中一环,围绕着技术可解决的阶段,能否构建与之适合的生态则成为了一个自动驾驶初创公司的全面和长久竞争力,而我作为一个在学校的青椒,意识到上述问题已经花费了不少时间和成本。再回头时,时间点再次被推后,当初的困难反而进一步变大了。所幸,和现在公司智加科技颇有缘分,最终选择离职加入智加也主要是基于上述的考虑。

做出这样的决定时,意味着几个改变:1. 放弃在学校的教职;2. 离开生活了十三年的西安;3. 与家人朋友分开,十年的乐队也随之解散。所幸最近的这一年,充实而忙碌,极速被推动着填补着大量的知识盲区。来了苏州一年,对这个城市其实依然很陌生,因为大多数时间周末都在公司继续学习和工作。

前几日和几个猎头朋友聊天,他们问我:“你还会在自动驾驶领域呆多久?” 我略有迟疑:“我没有想到一个理由要说离开。十年后,也许自动驾驶走通了研究到产业的大闭环,也许依然没有打通、原地踏步,但能参与这个过程,已经足够让人兴奋和满足。也许五十岁时,我会选择重新回到学校,给更新的一批年轻人,讲讲怎么做自动驾驶的研究,和产业落地。”

与此相反的,这一年我参加了一些论坛和行业会议,会场上有不少在读的硕士博士跟我讨论或寻求帮助,他们当中绝大多数是因为研究过程中的不顺利而萌生了换专业的想法,想让我给出一些建议。他们中也有一些坚持拿到了学位,但在选择就业时没有把自动驾驶作为自己的职业规划,让人唏嘘而感慨。

所以,谈及坚守,我认为最可贵的应该是:热爱,是因为真的爱,而不是因为 “热”;为了更好地了解“她”,而不断地学习,唯恐被快速的发展抛下;当为“她” 而改变了生活的轨迹和模样时,依然没有怨言;当 “她” 不再光鲜艳丽、万人追捧时,依然默默相守相伴。

对一份事业如是,对一份感情如是。

最后,放一段之前的采访视频,这里面一段话是我的心里话:

“摇滚本质上的东西是要去打破一些规则,要去创造一些东西,要能够真正尊崇你对事物的一个判断。自动驾驶是一个新兴的产业,其实也没有很强的一个规则,我们每个人都是这个规则的参与者和建设者,我希望在这个过程中自己可以参与进去,去建设一个适合这个产业、也能够体现自己发展价值的一个产业发展规律和规则。” 崔迪潇说。

希望我们眼中的坚守,是陪伴一个新生事物的高潮与低潮,是参与到它从青涩走向成熟的每个环节。不离不弃,方得始终。

新时代奋斗者 ▏智加科技崔迪潇:智能驾驶重卡领域里的 “摇滚科学家”

知乎用户 沈世钧​ 发表

我也是 AI 从业人员,这些年,AI,我是亲身经历了从 “黑科技” 跌入“俗学” 的过程。

我清楚的记得,早些年,在模式识别领域(例如人脸识别、语音识别等),大家都发力在数学算法的时候,算法工程师虽然努力多年,精度却一直上不去,几乎没有实用价值。

然而,突然有一天,在 NIST 竞赛中,有一个厂家突然爆发,一骑绝尘,直接把竞争对手甩下几个身位,也直接把很多识别技术(例如人脸识别)推到了实用的地步。

这个事情对业界的震惊很大,不久后,大家了解到竞争对方之所以能取得这么大的进步,正是因为引入了以 “深度学习” 为基础的 AI 技术后,整个业界的研发重点就迅速切换到了 AI 的跑道上。

在随后的时间里,大家都如饥似渴的阅读各种 paper,就是我这个打配合的软件工程师,也开始接触与 AI 相关的各种技术,包括神经网络、深度学习等等。

之后,各家厂商的人工智能平台就搭建了起来,各种模式识别技术(例如人脸、语音)放弃了传统的数学算法研究,直接切换到深度学习平台上。

而经过深度学习的训练,在两年后的 NIST 竞赛中,各家公司的算法精度上虽然没有赶上原来的第一名,但已经开始接近了。

这也说明了,两年的时间,模式识别领域,在算法上,大家都统一切换到了以深度学习为基础的人工智能上。

同时说明了,从技术上来说,“深度学习” 并不是一个特别高深,特别新颖的技术,而更多是 “旧瓶装新酒”,是对大家观念的扭转。

因为在此之前,计算资源缺失,数据缺失,所以才使得严重依赖于此的深度学习技术难以实用化。

而经过互联网多年的积累,计算和数据都到位的时候,“尘封” 多年的深度学习技术则突然 “枯木逢春”。

我从不止一个算法科学家嘴里听过,从对脑力的挑战来说,深度学习的精巧度远不如传统的数学算法。

甚至,相对于早前的数学研究,大家都觉得 “深度学习好 “傻”,好 “暴力”,一种常见的套路是:

设置框架,喂数据,调参数,喂数据,调参数…,循环往复.

而且,就这两年来说,好多普通的软件工程师,都慢慢开始对算法研究缺乏敬畏了,因为我听到最多的对话就如下面:

“你们算法实验室,能不能尽快把质量检测精度再提高下。”

“当然能,不是正在准备数据,正在训练嘛!”

从此,大家也能够感受到,算法的提高,在很大程度上赖于数据,而不仅是算法工程师的脑力。

这直接导致了一个后果:以深度学习为基础的人工智能技术,在使计算机变得 “聪明” 的同时,却使算法工程师变得更“傻”

这种傻有两个纬度,一个是从人的角度看,算法工程师的工作难度在降低,从阳春白雪变为了 “朝市之学”。

另一个角度是,虽然机器变得越来越聪明,但我们却不知道它为什么变得聪明,它到底学会了什么?

原来,算法科学家通过数学精确的控制着机器的行为,是机器的 “管家”,而现在,算法科学家在某种程度上沦为了机器的 “保姆”。

因此,在技术上,深度学习不仅没有推高算法工程师的重要性。相反,正在降低他的重要性。

从我身边看到的,原来搞算法研究,博士是主流,而这两年越来越多的硕士正涌入这个行业。

而且,不仅在技术上,在商业上,算法工程师的稀缺程度也不如以前。

就拿人脸识别来说,原来大家的算法精度都比较低的时候,为了促进算法的实用性,大家都疯狂的招兵买马,以提高算法的精度。

而经过这些年的发展,各个厂家的精度都有了大幅的进步,都越过了实用的门槛。因此,在算法上继续大幅投入下去,再取得的回报是非常有限的,甚至连锦上添花都算不上。

这个时候,大家急需要做的就是尽快的用好的产品占领市场,以获取经济回报。而这,无论对资本来,还是对社会,才是一门技术健康发展的应有之义。

当然,在接下来的几年,人工智能行业肯定会继续繁荣下去。但这种繁荣之下,很可能不是技术的繁荣,而是产品和市场的繁荣。

因此,对将要入行的技术新人来说,还需冷静的观察和思考后,再做决定。

知乎用户 三天哥 发表

从事的工作方向算是 AI 的应用领域吧,但是比较冷门,供应链领域。

我觉得 AI 从业者容易被各种科技新闻,融资数字和故事给洗脑。为什么这么说呢?因为各种科技新闻,融资数字和故事都在说某某大牛,某某独角兽在某个顶会上发了多少 paper,拿了多少个冠军等。AI 技术从业者看到这些宣传后趋之若鹜,简历上大家都塞满了这些,这样招聘的 HR 从简历上去筛选人选,自然在顶会上有 paper,比赛拿了多少名是最吸引人眼球的。

但是对于企业来说,为了提升 5% 的正确率,投入产出比太低了。况且实际业务中的复杂性往往比模型高。可能要在理论 / 仿真证明能提升 15%,在实际中才能换来 5% 的提升。那么什么样的 AI 人才是企业真正需要的?

两种:

  • 解决实际问题的
  • 探索前沿方向,突破点的

先说说解决实际问题的:AI 主要是 TO B 的,它能给很多行业,企业带来价值,提升产能。这是我觉得有意思的地方,也是会坚持下去的地方。以前的 TO B,在大多看来都是一帮咨询人士干的活,比如战略咨询,IT 咨询。我觉得 AI 现在的角色就像是技术咨询的一种方式。比如,IBM 在上世纪 90 年代转型企业服务,开始可能更为集中的是 IT 解决方案。AI 火起来后,结合 AI 给企业提供解决方案,已经应用到很多行业中去。比如给食品企业 McComick 开发新产品,给 Symise 开发新香水等。BCG 有 GAMMA,Venture。Mckinsey 有 digital 等。我自己从事的是智慧供应链,可能用不了高深的 AI 算法,但是需要结合实际应用场景,选择不同的解决方案。

再说一下探索前沿的 AI 人才。这类人才更符合大家的认知,顶着顶会和比赛冠军的光环,被一群 AI 技术从业者或者学习者膜拜。这类人才在当下更多的是在一些前沿的探索,发发 paper,参加顶会和比赛给企业起到很大的市场宣传作用。这类人才不是每个公司都会设置的职位,毕竟是对未来的投资,当下不能带来利益。所以一般大厂会有很多这类的研究员岗位,包括很多实际工程岗也干这活。

我对自己评价,不适合在技术上深挖,不是比赛型选手,但我解决实际业务问题。我也阅读前沿 paper,来看看新方法,有时候会复现一下做尝试。

知乎用户 霍华德​​ 发表

去年这个时候,最火的新闻是这样的:

【AI】AI 博士身价飙至 80 万的背后:大学 “无人可供”,人才天平严重向业界倾斜,学界业界“抢人” 不可避免

今年这个时候,最火的新闻是这样的:

清北 76 人、博士 23 人、近 9 成研究生,龙华教育秋招完美收官

你要是跟着公众号选择自己的职业方向,你也就是个追涨杀跌的韭菜

@弗兰克扬

曾经说过:“切勿以风投的思想选专业”,霍华德说:“要以价值投资的思想选专业”。

在人工智能大火之前,就已经有很多人在这个领域耕耘,正因为他们的耕耘,才有了后面的收获。

正如刘知远老师说的,06 年就进入人工智能领域,那时候根本不火,甚至根本就没几个人知道什么是人工智能。

**技术进步总是在短期内被高估,但是在长期又被低估。**alpha go 火之后,资本疯狂炒作人工智能,疯狂制造人工智能取代人类的焦虑,疯狂吹嘘人工智能的商业价值,这些都是典型短期内被高估。现在制造的泡沫破灭了,又开始贬低人工智能,低估人工智能的未来发展。

但长期看来,未来二三十年,人工智能都将渐进式的改变世界,未来可期。


另外一点提醒,人工智能的三个特点:1. 技术不成熟 2. 研究性质 3. 不确定性。就决定了这行并不是适合普通学生。但很适合有能力有创新力的人来深耕。

知乎用户 豆豆豆豆豆豆豆叶​ 发表

对真正想从事这个方向工作的人来说,其实是一件好事。 大部分被良好定义并只需要数据充现就能有效提升的问题,有了非常低风险的方案。正因如此,才给更实用更复杂的 AI 系统架构提供了可能,无人车机器人领域这些需要复杂智能协作的系统开发才不再是空中楼阁,以后请叫我 AI architect

知乎用户 Mike Mao 发表

文字 credit to

@Michael Jackson

, 视频来自

@元峰

, 经 @元峰 授权重新配音

后丹 (参考 后浪)

知乎用户 匿名用户 发表

本人研二学生,CV 方向,入这个方向是因为当时机器学习吵的正是火热,我在报这个方向的时候甚至不知道机器学习,深度学习到底是个啥,连 python 都几乎不会,

研究之初的困难就是配环境,基于一整周一整周的都在配环境,找各个环境的依赖包,tensorflow 学一会,pytorch 学一会,完全没积累出任何成果,纯属在浪费时间。

要是说怎么克服这个阶段的,那就是没有办法,多配就好了,几个机器都试试,服务器弄坏了就重配系统,就是需要耐心,还有安装过程并不是傻瓜式安装,注意教程

里面需要针对你的本地修改的地方。还有论文,一开始一周来来回回读一篇论文,读完了还是想不起来这个论文干啥的,看论文也不知道重点在哪里,词汇不清楚意思,

我记得我人生看的第一篇论文,我甚至不知道 groundtruth 是个啥,反正就是读了大概 20 多篇论文,你问问我,我还是不太清楚,因为只读论文没有用啊,要多跑代码,

多做实验,动手才能学习,后面突然一天融会贯通,仿佛知道看论文的重点在哪里,然后又把所有读的论文全部重新读了一遍,这样才搞懂,反正前期工作仿佛什么都没学到,

但是都是在为后面积累,前面就是坚持就好。

我以后还会坚持吗,当然是不会。。。因为编程能力较弱读了研究生,没想到现在又要重新捡起 java 开发,数据库开发,综合 408,以后准备安安心心要么看看国企,要么看看银行,去互联网也不搞算法。

搞不了,太难了,也没天赋。

知乎用户 朱竹箸祝 发表

不在这条路上坚持,也是去别的路卷,可能也没什么大差别吧。

-——————————– 以下写于 2019 年 11 月 ————————————–

研一在读,女生

本科 211 师范院校学数学,研究生 985 计算数学专业下面的 CV 方向,对未来一片迷茫。

当初坚定的不想做人民教师,研究生读了很热的 CV,从六月份到现在近五个月的时间,感觉自己还是什么都不会。论文读了,代码看了,环境也配了,但是是确确实实感受到了自己还有很多东西要学很多东西都不会。

更多的忧虑在于未来的工作问题,本科的数学优势没有凸显,代码能力也赶不上学计算机的。

实验室的师兄们签的都是一线大厂的开发岗,说算法岗连面试的机会都不给,注意,是师兄。师姐们不是很清楚,听说没有奋斗在一线开发岗的。。。

不知道未来要做什么工作,是去一线城市做开发岗,还是进一些银行国企之类的相对轻松的工作,难道要去做教编程的数学老师嘛。。。想去拼一拼闯一闯,但是害怕是自己高估了自己的能力。

最近很迷茫,但是无论以后怎么样现在都是要继续搬砖啊,论文还是要看的,代码能力也是要练的,还是要继续向前看呀~~

-————————————–2019 年 11 月 ——————————————

首先感谢各位的建议,感觉评论区是大型劝退现场哈哈哈

我觉得人民教师这个职业很好,可惜自己不喜欢,总觉得自己这么早就对生活妥协的话也太惨了,所以毅然的入了 CV 的坑。

大学的时候前两年加了一个社团,学了一点前端的东西,只是很简单的 HTML CSS 还有一些 JS,只需要满足学校网站的需求。当时做的很开心,遇到了很好的学长学姐,所以我对编程还是有一些好感的,当时也想过转前端,但是当时觉得专业不对口 工资也不太高就放弃了这个念头。

至于我说的纠结于去一线城市大厂找工作还是去国企银行什么的,是因为自己想去一线城市拼一拼,但是肯定买不起房,最后还是要去别的城市,去国企的话又有些不甘心,挣得相对少一些,并且那意味着基本不会换工作了。

觉得现在考虑这些有些早,就是间歇性的焦虑吧,时而对生活充满信心,时而觉得自己一无是处。

还是要好好努力呀,打算去补一补机器学习的基础,同时试着刷一刷 Leetcode 吧,为转开发做准备,希望自己够努力也够幸运吧,也希望正在看这个回答的你也有好运啊

-—————————————2022 年 1 月 —————————————-

两年过去了,再回头看看当初的迷茫,想想后来的实习和秋招经历,还蛮有感触的。秋招上岸后一直想整理、记录一下,可是拖延症一直拖到今天。

首先说现状吧,没去做开发也没去当老师,还是找了互联网公司的算法工作,偏业务型的。

写下上面回答的时候正是研一上学期,11 月份,当时非常迷茫,觉得自己什么都不会,本科专业也白学了,算法方面算是半路出家,学历也一般,总之就是感觉自己找不到心仪的工作了。(也不知道当时刚上研一为啥想的这么多)

不过那时候虽然内心焦虑,但是也没挡住我不学习。。。研一寒假就发生了疫情,研一下学期在家里上网课度过的,直到 20 年 7 月份返校,才开始刷题,刷了两百道题之后,想着应该找实习了,十一之后投简历,期间也面试过很多公司,但是都没通过,深受打击,直到 11 月下旬才找到实习。(现在真的是非常感谢收留我的公司)实习了四个月,每天九点上班,六点半下班,小日子过的挺滋润的,甚至有时间每天做饭,收获的话也不算少吧,毕竟是第一次去公司实习,也是涨了见识学了东西的。

接着找了第二份实习,机缘巧合进了大厂,找实习找的也挺顺利的,当时觉得是不是因为找实习的苦第一次都受过了,这次是来补偿我的哈哈哈。这份实习强度还是挺大的,基本早上八点出门,晚上十点多一点到家,不过好处是当时的 mentor 允许我为找工作做准备,完成公司任务之余也能做做 leetcode。由于没有留用机会,我实习了三个月就跑路了,正好时间也是七月末了,想着回去专心准备秋招。然后,令人难忘的秋招开始了。

秋招其实并没有斩获什么大厂 offer,毕竟竞争压力也是非常大的,而且自己的能力和学历都不够出众,所以后来挂的已经麻木了,甚至有很多连第一关笔试都过不去。八九月份都是在笔试面试中度过的,九月末的时候收到了两个还行的意向书,然后就开始躺平了,因为已经没什么自己能努力的部分了,能投的公司都投了。

十一月份签了三方,选择了去做业务型的算法工程师,还是挺开心的。

现在的我又在实习了,这次是秋招实习,已经入职一个月,目前觉得组里的氛围还不错,工作节奏的话基本早十晚九吧,强度不是非常大。

我清晰的记得在第一份实习的时候我还没想明白自己要做什么,当时觉得银行也不错,一直在左右摇摆,也不记得后来是怎么想明白的了,就是觉得既然哪行都是卷,就选个挣钱多的吧,因为我还是非常想赚钱的哈哈哈。

目前就希望自己可以在工作中做的不错吧,然后头发掉的慢一点,嗯,就这样。

知乎用户 谷歌开发者​ 发表

随着人工智能行业的发展,AI 开发者能怎样提升个人竞争优势?以下,我们邀请中国大陆第一位 TensorFlow 开发者认证证书获得者、创业公司技术负责人

@段清华 DEAN

带来他的经验和见解。

-———————————————————————————————-

@段清华 DEAN

在人工智能领域的就业和发展的问题上,肯定有很多老师和前辈以各自的角度给出回答,我从本科毕业到现在,在机器学习、知识图谱方面从事了六、七年时间,只有各种项目代码写得算多吧。我想纯粹从工程实践经验中,为大家提供一些启发。

我认为人工智能的发展,一直是一个追求统一理论的过程,这不仅仅是我们希望达到所谓 “强人工智能” 或“通用人工智能”( AGI ),这个目标同时也是希望能将各种辅助与增强人类的功能,用一种更通用而优美的方法解决。

今天正在发展的各种深度学习算法,就是这样通用的一种方法,可惜的是,它并不优美。谢天谢地的是,它真的有用。

即便有各种论文方法解读深度学习模型,但是各种模型、方法为什么有效,以及如何更有效,依然是一个有待解决的问题。**AI 领域的继续发展可能就会从火热的理论爆发,逐渐转变为各个领域再次细致化,与实践更好结合的稳定发展阶段。**这可能是一次衰退,但是我相信它绝对不会像过去两次人工智能寒冬 (AI Winter) 那样直接,它会以更平缓的方式到来。

在学术成果爆发的阶段,我们能观察到,几乎任何一个领域的问题,如果把它归类到某个深度学习的模型方法上,都可以得到比过去更好的解答。而随着研究领域逐渐进入发展与落地阶段,互联网公司也从过高的市场热度中逐渐恢复平静。

人工智能发展一直是波折前进的,人工智能技术的目的是服务于人类,辅助于人类智能,而具体的技术是规则、统计还是深度学习,其实本质上是不重要的,在波折的过程中我们总会离目标越来越近,这里借用

@北冥乘海生

回答中的 Gartner 曲线


现在,随着深度学习的流行,我们已经拥有 TensorFlow 等几乎能够解决所有问题的深度学习框架,站在已有的各种基于深度学习的模型之上,并在工程中进一步发展,在这个过程中,我觉得企业的人才的需求会有下面几种变化

1. 从对 AI 算法专家的需求,到对 AI 工程师的需求

作为算法专家、研究员,所面对的问题往往是在固化其他各种参数下,甚至可能不计算其他成本得失下,只需要追求结果(GPT3 的训练花费约 1200 万美元)。这种方式在研究领域上自然是应该的,而在实际企业的工程工程落地中,我们更多需要考虑的是如何在各种限制条件下,合理完成任务。

AI 工程师,首先要是一个工程师。

如何评估在何种条件制约下能达成任务,就不仅仅是需要只会少数几种算法实现能力,而需要对多种模型有深入了解、快速实现的能力、与评估其结果与成本的能力。

例如,我们需要实现一个基于图片表示的搜索引擎时,该用什么图片表示方法、如何计算相似度,这还算是算法问题。而用什么样的搜索基础设施,设备成本和可能的响应速度如何,能用什么软件或基础设施快速实现,整个工程的实施成本等等,这些是工程师更多需要考虑的。

2. 从部分算法知识,发展到对算法理论与业务建模方法的深入理解

很多时候要解决一个业务问题有很多种方法,而建模就是根据实际业务问题,在各种限制下,利用各种资源选择一种最合适的方法。

比如,当我们说文本分类算法的时候,大家会觉得这是一个很简单的事情,输入的是文本,输出的是相应的分类,无论模型是一个 TextCNN、LSTM 还是 Transformer 都可以。

模型本身是这样没错,但是其实以下问题,都可以算是一个文本分类问题:

  • 如何通过引入常识,解决蚂蚁和蜘蛛谁的腿更多这样的分类选择?
  • 如何通过引入知识图谱,提高分类效果?
  • 如何结合文章和问题进行建模,对阅读理解的问题进行分类?哪些业务可以被归类为阅读理解模型上?
  • 记忆机制(Memory)是如何影响分类任务?外部记忆呢?
  • 多个两分类,还是一个多分类?
  • 只有 Softmax 做分类吗?softplus、sigmoid 用在什么时候?你清楚你的模型输出的概率分布是什么样吗?你的实际业务需要什么样?
  • 如果没有任何标注数据你要怎么做?

当你仅仅想要完成一件事儿的时候,它可以很简单,但是当要深入理解业务,并深入其核心的时候,也可以很复杂。使用如 TensorFlow 这样的技术 “完成” 一件基于深度学习的工作在今天已经非常简单,“做好”一件面向人工智能的工程,还有太多值得思考的地方。

对于一个实际业务场景,有些可能没这么复杂,不过更多时候其实比这更复杂,而这就要求 AI 人去深入理解业务问题,需要能类比所有已知的各种建模方法与软件工程上的各种软件迭代方法,找到最终的解决方案。

那么,企业需要一个什么样的开发者?

首先,企业利益一般都体现在某个业务场景中。能完全在某个业务场景上成为工程领导者,才是企业所需要的人才。与其需要一个能实现最好算法的人,不如说企业**更需要一个能更好理解业务、理解产品的人,**这种人需要在工程、算法的各个角度都有一定了解。只有业务场景能实际落地,这样才对企业产生真正直接的利益。

业务场景也包括某种技术,例如搜索或推荐,它需要对业务本身需求、来源数据、处理结果、工程效率等很多方面都有一定了解,甚至需要对同业公司、竞争对手都有所了解,这样才能统筹安排开发节奏,控制成本成本,创造最大收益。

而最终的结果是,往往这种人才也因自身能力而获益。今年总是有人问,是不是程序员过了 35 岁就都失业了?我不能说完全没有这样的情况,不过至少要避免这种情况的一个做法是,要尽量不让自己的能力过于单一,需要能全方面的发展。


如果你还在担心在 AI 领域内的发展,可以考虑以下几个努力方向:

1. 掌握与重温各种理论知识

以各种入门书籍、视频为主, TensorFlow 的初级入门代码与跑通一些简单的项目与例子为辅。通过各种书籍与视频积累基本的理论知识,建议可以参考 TensorFlow 官方列出的精选课程官网上的精选学习资源,也可以从周志华老师的《机器学习》开始读。另外我认为,即便从中文教材开始读,也要在积累一定经验后,阅读英文相关资源。

为什么要不断学习理论知识?一方面理论知识也在持续改进,人工智能一直都是一个非常年轻的学科,它本身的基础也在不断的更新。另一方面,不断的学习与重温知识,是自我夯实基础与激发灵感的重要途径。

2. 持续积累工程代码经验

首先,建议多看 TensorFlow 相关的入门代码教程,或者将例如 OpenNMT-tf 这样项目的示例代码跑通,也可以尝试各种自己不太熟悉的领域或模型。这样不仅能积累一些实操经验,也有助于保持对深度学习的热情。

工程代码的经验要以参考其他项目代码为主,例如 OpenNMT-tf 或 TensorFlow 各种官方模型,包括 TensorFlow Hub 、Model Garden 的实现代码,从别人的模型实践中学习经验,同时尽可能地从头开始完整复现一些经典模型,例如 VGG / ResNet / BERT 等,而不仅仅是要求自己跑通别人的项目。甚至,尝试将一些模型代码与实际工作结合,制作一些具体的项目或应用,例如配合 TensorFlow.js 实现一些简单的网页应用。

个人经验来说,我的主要工作都集中在自然语言处理领域,不过自然语言处理的很多任务其实都很难可视化,很多时间都是在跟各种语料、标注数据打交道,做多了未免枯燥。这个时候我经常就会去看看别的领域的结果,比如机器视觉相关的研究,看看 YOLO 如何实现,U-net 是如何识别卫星照片中的各种建筑的,并且自己复现它们的模型和结果。在这个过程中,一方面积累了工程经验,另一方面也可以通过跨领域的交叉激发自己的思考能力,同时在实现这些模型的过程中又可以分享这些模型,给自己新的满足感与成就感。

3. 紧随最新的技术与研究成果

机器学习的相关开发者,无论是倾向于研究还是工程落地,都需要对于最新的各种研究成果保持敏锐直觉。这个时候可以通过订阅 GitHub 中感兴趣的项目 / 开发者 / Topic ,也需要订阅如 arXiv 的关键字,经常获取关注领域的最新进展。对于自己感兴趣的研究结果,应考虑尝试复现,在这个过程中积累工程与研究经验。

可以进入 TensorFlow GitHub 页面搜索感兴趣的内容 ,也可以手机端阅读和收藏 TensorFlow 官方微信的 “前沿研究” 合集。

在学习的过程中,需要充分利用自己的业余时间,在互联网与科技行业,技术不断发展,10 年前、5 年前用到的技术和今天都有巨大区别,人工智能相关行业发展则更快。在这种情况下,需要不断学习进阶,才能紧跟行业的发展。对于在职人员,不仅要充分利用业余时间学习,同时可以考虑加入 TFUG ,多参加 TensorFlow 官方或社区组织的活动,接触更多志同道合的人,共同进步。

重要一步——验证自己学习成果

当前的互联网科技环境中,对人工智能(AI)人才的需求一直在提高,不仅仅是量的提高,也需要质的提高。对于企业招聘来说,最困扰的问题之一是如何快速地确认应聘者的水平,而在人工智能领域尤其如此。因为行业的快速发展,导致太多水平参差不齐的人都加入了行业浪潮中。

而开发者自身,一方面通过实现项目,与论文或社区中的其他人对比知道自己的成果。另一方面,可以尝试考证,比如 TensorFlow 开发者认证证书,通过谷歌官方提供的权威考试认证,测试自己当前的学习成果。

我在 TensorFlow Dev Summit 中听说了 TensorFlow 开发者认证之后,就对谷歌会用什么方法、什么角度来判断开发者 TensorFlow 水平感到好奇。从我的经验判断,对 TensorFlow 水平的评估,基本上可以说是对于机器学习或人工智能水平的重要参考。即便之前使用其他机器学习框架,但是从市场工作、使用份额等角度来说,很少有开发者不熟悉 TensorFlow 的使用。

基于此,所以我第一时间就开始研究,并去参与了 TensorFlow 的认证考试。从实际体验来看,这个认证考试确实可以起到人才筛选的作用,可以帮助企业进行 AI 人才的快速筛选和候选人定位。我相信随着谷歌的大力推进,**这项认证会逐渐成为职业道路上的必要选择之一,**会有越来越多的开发者通过这项认证向企业展现自己的机器学习技能。人工智能和机器学习领域的大神——吴恩达老师也在社交媒体上推荐了这项认证。

据我所知,TensorFlow 不仅提供了认证考试,还搭建了认证网络,目的是连接企业和开发者,把全球范围内通过认证考试的开发者加入人才库,在官方页面展示,企业可以按照地区进行人才检索。此外,通过认证的开发者还可以在个人简历、GitHub 、社交媒体(领英)上展示这项证书。

想要了解 TensorFlow 开发者认证证书, 建议可以观看 B 站视频《TensorFlow DevSummit 2020 主题演讲》( 26 : 21 )。也可以上官网 “TensorFlow 开发者认证计划” 页面,提前了解考试介绍和考前准备事项。

计算机行业依然是一个高速发展的行业,每天各种新技术与算法层出不穷,而这就需要我们不断学习,掌握更多的知识,才能保证自己永远走在行业前列,保证自己不被时代淘汰。能学习,能创新,有多种技能,符合企业发展需求的人,不会轻易被替代。

因此,作为在 TensorFlow 认证中 “吃螃蟹” 的开发者,我鼓励大家积极提问。

点击下方知乎文章,看我的完整考证心路历程感受,获得本文中提到的学习内容清单,还可以直接提问!在文章评论区留言你关于 TensorFlow 认证考试的疑问(截止至 7 月 25 日周六下午 5 点前),官方将筛选出大家最关心的问题,我会在 7 月 31 日下周五 “码上作答” 第二期的下集为大家作出解答,可以收藏本回答并关注后续更新。

谷歌开发者:码上作答第二期(上)| TensorFlow 开发者认证怎么考?深度指南带你闯关

想向高阶 AI 人才更进一步,可以关注 TensorFlow 官方公众号(WeChat ID: TensorFlow_official),并回复 “ TF2 ” 领取 “ TensorFlow 2.X 学习大礼包”,即可轻松掌握这一深度学习框架的实战技能。

祝各位 AI 人顺利提升个人竞争力,在职场上获得更多良机!

-—-8 月 3 日更新 —–

大家的热情提问和段清华毫无保留的解答,现已在 TensorFlow 微信公众号公布!来自专家的经验之谈你可千万不要错过!点击下方链接查看:

谷歌开发者:码上作答第二期(下)丨 TensorFlow 开发者认证的秘密,“考证第一人” 为你揭晓!

欢迎大家继续关注 TensorFlow 微信公众号,一起期待第三期 “码上作答” 吧!

知乎用户 我是人才 123 发表

AI 不只有写论文,还有落地,以为发一篇论文就厉害了,中国大部分论文不是灌水?除了那几个有名的人,其他人发的论文不大都是水货,看到有回答说一位调个框架就会 AI 了,那你自己的论文什么水平心里没有点逼数,你比他们强在哪,你创新了新的算法,还是用着别人的算法?还不都是 copy 别人的 github 过来用,半斤八两罢了,这有多难?所以你以为发过论文的才能搞 AI,醒醒吧一些没毕业的孩子,这个 AI 工业界需要大量的工程化人员。将 AI 算法弄到嵌入式上,现在网络都很大,落地的话还需要各种精简,你们那个最新的什么论文根本用不到产品上,我从事 AI 落地的行业三年了,我自己不创新,只要看懂,复现然后工程化就行了,我说我现有些场景在用的网络只有四五层卷积层你信吗,用的还是 softmax,只能这样因为就是因为速度要求。我觉得大部分的算法工程师都干着我这些活,你以为都是去公司都是看论文,创新的吗?那只有少部分人干的,所以现在市场上这些工作是不好找。但是你就像我所说的,这个 AI 工业界缺少大量的工程化人员,优化人员,不是天天看论文,写算法的人。

如果你虽然没发论文,但是原理都懂,学号 c/C++/python,就是可以去做 AI 落地工程化,脚踏实地干起,虽然一开始进不去牛逼公司,但是找工作还是好找的,以后想跳槽还不简单?一开始都想去大公司,大公司有几个?

知乎用户 Flood Sung​ 发表

虽然人工智能就业前景越来越严峻,但是这正好是一个机会,去过滤掉对 AI 没有信仰的人。

现在的深度学习正面临着极大的瓶颈,对于落地会有很大的影响。

但是想想当年 hinton lecun 他们在深度学习寒冬的时候都过来了,现在却因为就业问题就来问要不要坚持,是不是不太合理。

深度学习需要我们进一步的突破,在泛化性通用性上做进一步的突破,那么那个时候深度学习的应用会遍地开花。

知乎用户 量子位​ 发表

深夜 “报社”,著名的深度学习框架 Keras 的作者 François Chollet 语出惊人:

深度学习岗位在这 6 个月以来已经崩溃。

没有开放评论,仅仅是一个观点的输出。但与此同时,Chollet 也附上了自己的理解和领英的图表数据:

对于那些投资深度学习的小企业来说,目前的情形已经很清楚了:深度学习岗位不是必须的,随着疫情的到来,它们将可能被裁撤。相较于半年前,目前还在做深度学习的人明显更少了,这种情况是自 2010 年来第一次发生。

需要澄清一下,我个人认为这只是一个疫情期间经济衰退的现象,而不是又一个 AI 寒冬。

但这样的论调一经提出,立即在社交媒体上立即引爆了网友们的讨论,赞成与反对的皆有:

各种观点与声音

部分高管回应:仍在扩招

著名 AI 数据公司 DataBricks 的首席技术官 Matei Zaharia 表示,他们公司就没有这样的情况。

有意思的是,我们目前还没有看见这样的事情在 Databricks 上发生,我们 GPU 的运行时间和客户数量都在大量增加,机器学习相关软件也在大规模扩大。

事实上,不止一家公司如此表态,SisuData 的 CEO 表示,他们同样也在招人。

然而,仔细观察之下可以发现,这两家公司的高管,本身都是从名校(斯坦福)计算机专业走出来的,对 AI 行业有着一定的了解。

那么,对于那些在 AI 竞争中不占优势的企业呢?

就在今年 5 月,CNBC 报道,Uber 宣布关闭 AI 实验室,裁员人数达几千人。

除了这些企业的裁员现象,在这场讨论中,也有网友对 Chollet 的观点表示赞成,并分析这种现象背后的原因。

他们认为,如今这样的趋势,绝不仅仅是疫情带来的影响。

员工:企业对机器学习存在误解

知情网友在针对这场话题的讨论下表示,许多公司花在机器学习上的投资实际上一无所获。

就像在 7 年前,“大数据” 这个话题带来的热度一样,我认为机器学习也正在发生同样的事情:许多公司都在将机器学习强行用在不适当的地方…… 也许深度学习岗位的减少是疫情的后果,但大多数公司的确可能在一两年内又跳到下一个热点中。

也有网友表示,这可能是上市公司与初创公司对待技术的区别:相比于机器学习真正能应用的地方(文本分类、图像标记等),上市公司更需要炒作带来的商业投资

不仅如此,因为在上市公司中,买卖股票的人往往更希望听到一些流行语,所以高管往往会倾向于在产品中加入各种热点。相比之下,初创公司则更侧重于技术,可能会给技术娴熟的人带来更多的成就感。

更有网友一针见血地指出,最糟糕的是,企业管理其实可能对机器学习一无所知。

有很多公司都在招聘机器学习相关的博士,来解决一些实际上非常简单的问题。而且,为了确保这些工作 “有价值”,管理层会试图吸引更多团队来利用这些模型。但事实上,没人了解模型的工作原理,反而会浪费大量的投资。

而对于员工来说,由于与公司利益不直接挂钩,所以对于管理层的不合理建议,他们并不会直接发表意见。

的确,由于太多的机器学习工程师和研究者急于解决问题,必须在工作上交付某些东西,所以这些项目往往能进展神速,但它们其实根本没有意义。

一方面是企业的扩招,另一方面却是机器学习相关职业员工的怨声载道。

那么,Keras 的作者 François Chollet 提出的观点,究竟是否有其他实例佐证呢?

英伟达工程师:AI 炒作确实存在

6 月 22 日的时候,英伟达工程师 Chip Huyen 就曾给出结论:一些大公司正在裁撤机器学习的某些岗位。

毕竟,目前人工智能很大一部分投资仍然是在无人驾驶汽车上,但由于全自动驾驶汽车还远远不是商品,所以 AI 发展仍是未知数。

已有的现象是,谷歌已经冻结了所有机器学习研究人员的招聘,而 Uber 则解雇了 AI 团队一半的工作人员

不仅如此,由于机器学习课程颇受欢迎,目前拥有机器学习技能的人,可能比机器学习岗位需求更多。

Chip Huyen 表示,不可否认的是,AI 行业确实存在炒作现象

但与此同时,她也认为,当这一切热潮褪去,机器学习并不会消失。

只不过,拥有软件工程、或者工程相关的知识背景后,再去接触机器学习,会比直接接触机器学习更有前景。

机器学习之外,Quora 上有关数据科学岗位的讨论,也早已有之。

数据科学岗位需求情况

相对于机器学习而言,大部分网友对数据科学持乐观状态。

我认为,数据科学岗位的数量将会增加,当然,应聘者的数量也会增加。如果你真心喜欢数学和编程,可以考虑入行这门岗位。

但有意思的是,与 Chip Huyen 的观点相似,机器学习工程师 Jared Thompson 认为,数据科学家的岗位同样会减少。

作为所有讨论下面赞数最高的回答,Thompson 表示,相比于 “数据科学家”,首先成为“科学家” 才是最正规的路途。

事实上,我们最不需要的是初级的 “数据科学家”,毕竟这种热门行业下,会有各种各样的人加入进来,试图了解一点皮毛。…… 随着炒作过去,“数据科学” 这一岗位的需求肯定会减少,但优秀的软件工程师不会找不到工作。

参考链接:

https://news.ycombinator.com/item?id=24330326

https://twitter.com/fchollet/status/1300137812872765440

https://huyenchip.com/2020/06/22/mlops.html

https://www.quora.com/Will-the-need-for-data-scientists-increase-or-decrease

https://www.cnbc.com/2020/05/18/uber-reportedly-to-cut-3000-more-jobs.html

https://www.reddit.com/r/MachineLearning/comments/gm80x2/n_uber_to_cut_3000_jobs_including_rollbacks_on_ai/

知乎用户 老宋的茶书会 发表

看到很多回答里都是在校生,还没有经历过秋招的毒打,言语之间透露出对未来的期望。 更有趣的是,回答里很多都是大学生,没有读研,这就让我感觉很恐怖了,跟风媒体真的该死。尤其是回答里有个叫深海的同学,什么年薪百万,跟你关系真的不大。

哎,不想吐槽了。 我今年刚经历过秋招,预期明年的秋招不会比今年更简单,原因有两个:

  1. 搞人工智能的越来越多
  2. 贸易战影响,互联网不太景气

2021 校招算法岗, 劝退还是继续 是我根据自己的感受写的文章,我觉得还是很有参考价值的。 当然如果你想说, 你找的工作不也不错吗,咋就劝退我呢,但是,统计学告诉我们,,,剩下的自己脑补。

总的来说,后面整体的回答都太乐观了,不要觉得自己很强, 如果你是清北,请当我在放屁,如果不是,最好掂量掂量自己几斤几两。

知乎用户 zibuyu9​​ 发表

之前回答过关于出国深造 AI 方向的问题:

如何看待 2019 年 CS PhD 现扎堆申请且大部分为 AI 方向?未来几年 AI 泡沫会破裂吗?

感觉道理类似,就不再赘述。说点其他看法:

1. 人工智能创立不超过百年,学科基础还很浅薄,仍然处在剧烈的变革过程之中。所以,现在和未来必然会像过去几十年那样,还需要经历几次技术体系的重大转向。从行业前景而言,每次变革都会更加深化和扩展人工智能对人类社会的影响。而人工智能的每次技术转向,都会提出全新的技术方案,对从业者提出新的技能点要求。因此,从业者能否具备快速学习和解决开放问题的能力,是人工智能对合格从业者的要求。

2. 最近这次人工智能浪潮,学术界是从 2010 年代开始深度学习在语音识别和图像领域取得突破进展,公众则是从 2016 年 AlphaGo 战胜李世石开始形成对人工智能的追捧。可见,技术发展与公众关注存在时间差,就像股市一样,当全民谈论人工智能时,入行需谨慎。换句话说,如果你的亲朋好友开始推荐你某某行业有前途,而 Ta 又不是这方面专家,需要提高警惕。

3. 一个人职业生涯从 25 岁开始满打满算到 65 岁大约 40 年光景,对世界和历史而言很短,对个人而言很长。如果只把工作当做赚取生活资料的手段,自然要选择来钱最快的方式,但是什么方式最来钱也就是风口并非人人能把握得准,甚至说大部分人没有判断的能力,稍不留心就做了韭菜。不如把工作当做事业来做,寻找自己感兴趣又擅长、长远看社会需要的职业,坚持多年耕耘下去,这条路是大部分人可以走的。所以题眼在于 “坚持”,只要长远看有前景,自己感兴趣且擅长,那就不要管冷门热门,坚持做下去。刻舟求剑不如以逸待劳。

知乎用户 计算机小白 发表

本人研二,坐标北京,现在正在处于懵逼迷茫当中,人工智障这条路不知道自己能不能走下去,还能走多久,感觉越来越难搞,又马上要开题了,真是越来越焦虑啊。

说实话,开始接触人工智障这方面是在上了研究生之后,实验室的同学以及学长学姐基本的方向都是这个方向的,一方面人云亦云,另一方面自己也抱着试试看的态度,看看自己是否有这个能力走这条路。

从对学长学姐以及实验室的大佬们的请教中,感觉基本的路线是(感觉数学这方面确实挺重要的)

1. 首先学习吴恩达老师的机器学习课程,这个网易云课堂给做了同步翻译,网上也有可以下载的视频和翻译,要是找不到,可以留言要链接,这个视频可以结合周志华老师的西瓜书一起看。

视频课程中文笔记以及作业代码:https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes

周志华老师的西瓜书:

读书笔记:

https://www.cnblogs.com/limitlessun/p/8505647.html#_label0

公式推导:

https://datawhalechina.github.io/pumpkin-book/#/

课后习题:

https://zhuanlan.zhihu.com/c_1013850291887845376

2. 就是李航老师的统计学习方法,我当时看的是第一版,现在已经出了第二版了。这是我最初接触的几本书,但是感觉自己并没有学的怎么样,马马虎虎的。

讲课 PPT:

https://github.com/fengdu78/lihang-code/tree/master/ppt

读书笔记:

http://www.cnblogs.com/limitlessun/p/8611103.html

https://github.com/SmirkCao/Lihang

参考笔记:

https://zhuanlan.zhihu.com/p/36378498

代码实现:

https://github.com/fengdu78/lihang-code/tree/master/code

在我自己看来,可以先确定一下自己准备研究哪个方向,比如 NLP 或者 CV 亦或别的,认准这个方向再根据这个方向需要的内容,认认真真的学习机器学习和深度学习的相关知识点,这是我自己感觉的,有不同的见解或者错误之处也希望能指出。

在这样的心态下,走到了今天,研一基本上没事的时候就在实验室待着,时不时向学长和前辈们请教请教经验。首先看 NG 的机器学习视频,然后看西瓜书之类的书籍以及视频,整个研一,感觉自己就是在兜兜转转,东瞅瞅那个,西瞧瞧这个,感觉一无所成,学过的知识点记住的不多,忘掉的不少,都是一把辛酸泪啊。

后来实验室的同门也都相继找到实习了,自己在实验室待着也无法静下心来去学东西,所以现在找了份实习在做着,空闲之余学习自然语言处理相关的知识,慢慢的也能学到点东西,感觉自己在人工智障这条路还有很长的路要走,且行且珍惜。

现在实习的岗位多少和人能智障有点联系,准备积累积累经验,看看以后能不能找到自然语言处理相关的实习岗位,至于以后就业(本人不喜欢想的太深远,徒增烦恼而已)(确实就业形势越来越严峻,因为这方面的人才太多了)暂时还是希望和这一块相关吧。

文笔不怎么好,望见谅。

看到了就留个赞再走吧,谢谢

知乎用户 桔了个仔​​ 发表

为什么不坚持呢?如果你本来就想找那种 “懂一门技术就能养活自己一辈子” 的工作的话,不仅仅是人工智能,其实整个计算机行业都不适合。你也许想过岁月静好的生活,去当个手艺人养活自己,希望不要看到十年后你上来知乎提问:“祖传手艺被人工智能取代了,失业了咋办?”

今年确实有不少 AI 从业者失业,但 AI 现在如此笨拙,人工智障到处可见,可发展的空间这么大,如果搞 AI 的失业,不是行业的问题,而是……

人往往看到短期趋势就下定论,这会影响自己对长期趋势的判断。

还记得当年那句 “搞计算机的饱和” 了吗?我去搜了下新闻和论坛讨论,温故而知新:

2009 年 12 月。
法学 计算机 英语失业者连续两年最多(图)
大家如何看待计算机专业失业率高的问题?
2008 年 12 月:
法学英语计算机专业易失业 男生啃老多于女生
2006 年 7 月:
计算机等专业大学生需求下降 6 成毕业生将失业

饱和了十几年了吧。这么饱和咋现在的家长还送孩子去学编程。

又关于互联网的高薪或者人才泡沫:

2014 年:
中国互联网市场人才泡沫情况相比较其他行业如何?
2011 年:
高薪掩盖下的网游行业人才泡沫
网游泡沫严重 高薪现象不过是炒作噱头_社会热点_游戏频道__中国青年网

快十年了吧,咋各公司还在重金求子….. 呸呸呸说错,重金求人才呢?

又关于科技行业泡沫(2000 年那次就不提了):

2014 年:
科技泡沫即将破裂的 16 大证据 | 互联网数据资讯网 - 199IT | 中文互联网数据研究资讯中心 - 199IT
2011 年:
外博分析目前科技业与 90 年代互联网泡沫不同点
《经济学人》:新科技泡沫_财经_腾讯网
2006 年:
分析:美分析师认为中国互联网行业存在泡沫

吹中国互联网或者科技泡沫至少吹了十三年了!!!2006 年大家还在用诺基亚砖头机吧!

在科技发展的过程中,难免避免产生泡沫和挤去泡沫的过程。很多人害怕泡沫破灭,是否因为,自己就是泡沫的一部分?

提出这个问题的同时,我也在想自己。说实话,我也不知道自己是否泡沫的一部分,因为人工智能发展的趋势不是几年,而是几十年,甚至上百年,我只知道,在当下阶段,无法保证我当前的技术在未来仍适用,我能做的就是观察同行,保证自己当前竞争力。也许有一天,我会落伍。

但是话说回来,如果我无法在这种对泡沫容忍度高的行业生存,那我又能在什么没泡沫的领域活得更好呢?没办法,选择了,就踏实在这行深耕,即使有天我写不动代码了,我也坚持在这行做点别的事。泡沫越多,代表行业发展越好,别害怕泡沫,拥抱它!

与其担忧,不如感觉好好工作,好好复习,关注下业界面试问题。

【限时免费】超全大厂 AI 面试资料,轻松拿下算法 offer

已失效

知乎用户 贺定圆 发表

最近一年多感受明显,AI 已经落地,尤其是 NLP、OCR 等领域技术栈和产品已经足够成熟,提供云服务的企业也不少,使得就业门槛越来越低,最重要是现在大环境不乐观,有 AI 迫切诉求的企业在减少,差不多固定了以腰部以上企业为主,整个技术团队的招聘名额确实有明显压缩,所以体感明显些。

大环境的短期趋势并不乐观,所以名额有收缩。

如果你选的目标企业可能是一二线大厂,以及独角兽企业,而目前市场大环境的短期趋势并不乐观,不是只有 AI,其他所有职位都有明显收缩,一二线厂因为嗅觉和判断更敏锐,未雨绸缪更明显,所以在人员 HC 上反应会更坚决。

如果不是以上企业,因为越来越多的企业很清晰的明白,现有 AI 技术的基础应用对能力的要求并不高,要学会它并不太难,硕士甚至本科大学相关专业在基础好的情况下,也能很好的学习适应,所以从成本来考虑,企业其实更乐意校招和内部技术转岗来填补。

大环境变差的情况下,小厂的 AI 诉求不得不快速压制。

AI 的效益,往往需要基于大量的用户数据才能产生规模化的复用效益,小厂不具备这样的数据规模以及一整套数据和算法基础平台,以前大环境不错,AI 技术的使用甚至被用来当做融资的优势。在目前大环境不好的情况下,已经不具备养活一个这样规模团队,而如果不能形成团队化、数据规模化就形成不了足够的 AI 竞争优势,对处于生存压力下对资金更敏感的创业公司来说,还不如先节约成本,干好本行过完冬再说。

老人变新人、外行人的资源挤占

先不说应届生了,IT 还有很多在行业之外的从业者,通过 “AI 培训班、二个月专家速成班”,也急迫的挤进来抢占除大厂外的岗位资源,当然,AI 领域也有一定基础门槛,所以部分转去做前后端的开发了,一部分在小厂得到机会开始从事基础的 AI 开发,使用的也是成熟的外部产品。

大部分 AI 资源的竞争者还是业内的传统后端开发人员,尤其是入行年限在 1~3 年以内的,就连园区楼下看门的保安都知道 AI 的薪资和前景好,社会的发展也一定会朝着这个方向走,所以只要有机会,更乐意转岗学习 AI。就职的机会确实还是有的,外部招聘专业人才的成本高昂,企业更乐意内部转岗培养、甚至启用外行人。

这里说下,不是只有 AI,IT 互联网行业所有的从业者,都存在着职位被外部挤占的事实趋势,毕竟刚工作动不动就一万起的职位,几年就能二三万的工资谁不眼红?你让那些师范类、建筑类、服务业的同学情何以堪?这些速成培训班的企业,也间接革了程序员的命,全员都懂 AI 时,谁还需要只懂基础型的工程师?

但专家级的 “调优” 大师,不管在哪个行业、小厂还是大厂都会吃香。

业界主流对 AI 人才的产品诉求和价值认同,已经被技术发展所磨平。

大厂在大数据平台、算法模型平台、实时离线计算等平台建设上已经相对成熟和稳定了,在具有大规模(上亿)用户和大规模商业(不同垂直的业务产品)场景的场景下,算法的任何细微效果提升,都能带来规模化的巨大收益。

阿里、腾讯、百度、华为等企业又通过云平台,将这些技术的基础设施和通用的业务能力对外部进行了云产品输出。外部企业在用户量和商业场景方面其实诉求不高,而且大厂已经形成了聚虹效应,通过不断收购、投资、创新,切入到不同的细分领域,流量开始逐渐向大厂汇集,使得外部企业的用户规模很难做大,AI 介入带来的商业价值从概率上来说,可能性就很低,小厂在目前融资和大背景都不乐观的情况下,最迫切的先解决生存问题,发展壮大后再考虑用户和产品的规模化后带来体验和极致的成本效率问题,他们认为那时的算法介入才更划算,当下的技术做好对业务的支撑即可。

随着 AI 技术的发展,成熟的技术解决方案会越来越多,企业发现对 AI 岗位能力水平的要求其实并不大,会写 python、会用开源技术和平台,哪怕是巨头提供的云系统产品,大部分或基础型就够用了,如果本来就具备 90% 效果提升,在 AI 介入后如果只带来 2~5 的提升,却花掉了 10%~20% 的研发成本,在用户基数不大且增长趋势不乐观的情况下,资金又相对紧张,那么为了达到 95% 的效果提升,AI 需要对人才、薪资、资源、基础设施的投入巨大,对企业来说,即便真有硬性诉求和远大理想,也不得不接受现实先做好业务产品,退一步来说,即便真要做,应届生、后端前端同学转岗临时充当下算法工程师,使用外部的云产品和开源技术,都已经足够了。

大厂因为 AI 的技术基础设施已经成型,数据中台、AI 中台都实现了产品化、对外的商业化,有源源不断的迭代诉求,但内部业务产品线的诉求再多,也只是缺少能熟练使用这些基础设施、能够进行产品运营决策的初中级算法工程师,技术同学转岗的意愿也能填补这个职位空缺。

趋势是,缺的是能灵魂级调优的工程师(往往是大厂),缺的是深度掌握核心 AI 算法和原理的工程师(创新性企业和大中厂),却的是不仅能够根据业务按需组合各种高度贴合的技术栈、按需修改技术源码、甚至能按需创新出新技术实现、可技术灵活落地的工程师(大中小厂)。

贺定圆:技术是一把双刃剑,应该更多向下向善

知乎用户 图灵的猫​ 发表

大家可能看过下面这个问题

如何看待 2020 届校招算法工程师岗位求职人数远大于招聘岗位的现象?

现在是 2020 年,站在这个时间节点上,未来的机器学习方向已经很明朗了。我说一句实话,可能有些打击大家的信心:

  • 如果你是顶尖人才——Best Paper/ACM 洲金,不管你做哪个方向,你永远都是 “紧缺” 的。
  • 如果你只是想找一份工作,甚至都不是科班,不管你做哪个方向,你永远都是 “不紧缺” 的。

真正的紧缺,从来都不是由学生决定,而是由市场,由企业成本决定。如果你不是出于兴趣,而是单纯为了选一个好找工作、未来需求量大的方向,那么先考虑一下机会成本和自己的投入产出比。

看到这里你可能以为这又是我在劝退了。并不是,我只是陈述一个事实:

未来的紧缺方向已经不再是某个领域,不是特定领域的机器学习专家**,不是交叉学科的应用专家,而是机器学习管理**专家。

目前所有领域,CV、NLP、搜索、推荐、语音、量化等,已经非常饱和,对于大厂来说人才过剩,太冷门的机器学习方向不过剩,却也几乎没有企业会做——市场规模太小。而一窝蜂往算法岗涌入的后果就是,很多算法部门人员庞杂,方向很杂,今天试试这个算法,明天改进那个模型,有的部门甚至在重复同一个工作,即使有效果了,怎么落地也是个老大难的问题。

未来,可预见的是入行者会越来越多,矛盾会越来越明显。作为一个算法部门的管理者,既要有底层算法岗的工作经验,也要有多部门协调能力,还要有和产品等非技术岗位的沟通能力,以及承上启下的管理能力。这 4 样都能做到顶尖的,阿里高 P 不是问题。但现在部分大厂、绝大部分中小厂都非常缺这样的人。到未来机器学习的落地应用越来越广,这样的人会更加紧缺。

那要怎么样才能变成紧缺的人才呢?我不知道,我只是观测到了一个事实,却不知道怎么解决问题。以我目前的能力,只能给大家一个建议:

沉淀技术的同时,不要让技术局限了你的眼光,尝试着提高你的非技术能力。

知乎用户 杨超 发表

再美的花朵,盛开过就凋落。

再亮眼的星,一闪过就坠落。

AI 本是泡沫,如果能够看破,有什么难过。

知乎用户 南北东西 发表

帮忙点个赞呀!!!我想要键盘。。。

机械电子 研究生 2/3 第一年花了半年时间学单片机相关的东西,做了一个项目,感觉并不是很喜欢,因为在项目中涉及了 ML 算法,因此产生了浓烈的兴趣,这是个啥东西?这么牛?

与此同时,实验室有师兄在做机器学习,有在做 cv,

没错,我就这样入坑了

研一下半年学习机器学习,深度学习相关知识。python、ML、DL、各种书、各种库、各种算法。。。

水平嘛,能讲清楚算法原理,公式推导能看懂,自己暂时做不到手推,基础 ML 代码按着公式和书自己实现过一次,一边学 DL 一遍找实习。

暑假去了互联网公司实习(还不错世界 500 强),然鹅不是日常实习,是暑期夏令营,为期 2 个月,更多的是考察综合素质,一个 ML 组在经过 3 轮面试后收下了我做暑期实习。

两个月下来感觉整个组里凡是与算法相关的学历巨恐怖,各种清北各种 nb

之前一直知道非科班很难找到相关工作

在亲自尝试和咨询各方大佬后,发现就算找到,就是一条无法回头的路。

我觉得小编有句话说的特别好

“说的非常好,我们现在所处的时代,是一个所谓 “大平原” 的时代,没有信息壁垒,资源壁垒,时代给与我们的机会变得更多,对我们来说,我们可以做出任何我们想做的选择,不论你想去哪个城市,或者想从事什么工作,你都可以通过网络找到可行的方式”

我想如果继续往前走是什么样的呢?

在这个方向里,我见到的是恐怖的加班,比较压抑的工作环境,中年恐惧,蜂拥而至的人(虽然这只是茫茫人海中的一点点,但是就算是有很多并非如此,我又能否在这样的环境中,继续茁壮成长,保持激情?)

我是否愿意为了金钱过这样的生活(还不一定有金钱 = =)

大厂毫无把握 跨行进入,小厂我觉得很多都能去,能否成长起来保住头发仍是未知数

有人可能会说:现在基本大多数行业都有 “恐怖的加班,比较压抑的工作环境,中年恐惧,蜂拥而至的人”

所以我决定减小这方面的概率,做和自己专业稍微相关的方向。

AI 技术作为我付出了超多精力的方向,我不会放弃,但它已经不是我在研二上学期的努力方向了,我需要在自己的专业方面更精通,我希望在未来,在我一直捎带学习 AI 的同时,能把我的专业技术和它相结合,找到一份满意的工作吧。

以上就是我的想法啦~

最后!帮忙点个赞呀!!!我想要键盘。。。

知乎用户 高峰 OUC​​ 发表

赞同不少人的回答:题要刷的溜,代码能力要强悍,这才是在计算机这行要想立得住脚的入场券,这无关你选 AI 还是开发。

刷题多的人,代码和思维能力肯定是很强的,所以大厂都会抢着要,丝毫不用担心就业问题

知乎用户 布客飞龙 发表

现在的情况是 ai 和互联网二选一,坚持 ai 就等于放弃互联网。

其实个人感觉来看,放弃互联网也没啥不好。

首先你要认清一个东西,就是你能干掉多少岗位,你的薪资就有多高。互联网高有一部分是因为他几乎把能完全数字化的领域全干掉了。

互联网里有随即可用的大数据,ai 处理这些数据花不了多少时间,但是互联网行业的智能程度已经很高了,ai 干掉不了多少岗位。

ai 不是单挑 boss 的屠龙术,ai 相当于是用来杀鸡的 aoe,鸡越弱效率越高。大概是这样。

知乎用户 RunningVegeDog 发表

不坚持又有什么办法呢?开发是不可能做开发的,这辈子都学不来做开发的,c++ 也不会写,只有靠炼丹才能维持生活这样子。cvpr 上的老哥们都有才,论文也很有趣,去开会像是回了家一样,我超喜欢在里面的。

知乎用户 疯狂的 Java 说书酱​ 发表

2020 世界人工智能大会开幕 人工智能发展前景可期

学习人工智能方向的人越来越多,7 月 9 日,2020 世界人工智能大会云端峰会开幕式在上海世博中心金厅召开。

以人工智能为代表的新一代信息技术正在深刻影响着经济社会的发展进程。工业和信息化部贯彻落实党中央、国务院决策部署,大力推动人工智能与实体经济融合发展。出台《促进新一代人工智能产业发展三年行动计划》,组建智能传感器、智能网联汽车等国家制造业创新中心,推动人工智能、车联网先导区建设,探索揭榜挂帅模式培育创新领军企业,推动关键技术创新与产业化协同发展。特别是在今年新冠疫情防控过程中,工业和信息化部发出的人工智能协力抗击新冠肺炎疫情倡议书得到各界积极响应,一批智能 CT 影像系统、智能机器人等产品在防疫抗疫中发挥了积极作用,取得了良好社会效果。整体来看,我国人工智能产业发展势头良好,技术创新日益活跃,产业规模持续壮大,与行业融合应用不断深入,发展前景可期。

来源:2020 世界人工智能大会开幕 人工智能发展前景可期

人工智能的概念及其目前发展概况, 对人工智能的几种类型及应用,如:模式识别、专家系统作了简要的介绍。并对人工智能今后的发展前景进行了分析。

1 引言

人工智能 (ArtificialIntelligence) , 英文缩写为 AI,也称机器智能。“人工智能” 一词最初是在 1956 年 Dartmouth 学会上提出的。它是计算机科学、控制论、信息论、神经生理学、心理学、语言学等多种学科互相渗透而发展起来的一门综合性学科。从计算机应用系统的角度出发,人工智能是研究如何制造智能机器或智能系统,来模拟人类智能活动的能力,以延伸人们智能的科学。

2 目前人工智能技术的研究和发展状况

目前,人工智能技术在美国、欧洲和日本依然飞速发展。在 AI 技术领域十分活跃的 IBM 公司,已经为加州劳伦斯 · 利佛摩尔国家实验室制造了 ASCIWhite 电脑,号称具有人脑的千分之一的智力能力,而正在开发的更为强大的新超级电脑—— “蓝色牛仔”(Blue Jean),据其研究主任保罗 · 霍恩称, “蓝色牛仔” 的智力水平将大致与人脑相当。

3 技术应用

随着 AI 的技术的发展,现代几乎各种技术的发展都涉及到了人工智能技术,可以说人工智能已经广泛应用到许多领域,其典型的应用包括:

3.1 符号计算

计算机最主要的用途之一就是科学计算, 科学计算可分为两类: 一类是纯数值的计算, 例如求函数的值; 另一类是符号计算, 又称代数运算, 这是一种智能化的计算, 处理的是符号。符号可以代表整数、有理数、实数和复数, 也可以代表多项式, 函数, 集合等。随着计算机的普及和人工智能的发展, 相继出现了多种功能齐全的计算机代数系统软件, 其中 Mathematic 和 Maple 是它们的代表,由于它们都是用 C 语言写成的, 所以可以在绝大多数计算机上使用。

3.2 模式识别

模式识别就是通过计算机用数学技术方法来研究模式的自动处理和判读。这里, 我们把环境与客体统称为 “模式”。论文参考网。用计算机实现模式(文字、声音、人物、物体等)的自动识别,是开发智能机器的一个关键的突破口,也为人类认识自身智能提供线索。计算机识别的显著特点是速度快、准确性和效率高。识别过程与人类的学习过程相似。以“语音识别” 为例: 语音识别就是让计算机能听懂人说的话,一个重要的例子就是七国语言(英、日、意、韩、法、德、中)口语自动翻译系统。该系统实现后,人们出国预定旅馆、购买机票、在餐馆对话和兑换外币时,只要利用电话网络和国际互联网,就可用手机、电话等与 “老外” 通话。

3.3 机器翻译

机器翻译是利用计算机把一种自然语言转变成另一种自然语言的过程,用以完成这一过程的软件系统叫做机器翻译系统。目前,国内的机器翻译软件不下百种,根据这些软件的翻译特点,大致可以分为三大类:词典翻译类、汉化翻译类和专业翻译类。词典类翻译软件代表是 “金山词霸”了,堪称是多快好省的电子词典,它可以迅速查询英文单词或词组的词义,并提供单词的发音,为用户了解单词或词组含义提供了极大的便利。汉化翻译软件的典型代表是 “东方快车 2000”,它首先提出了“智能汉化” 的概念,使翻译软件的辅助翻译作用更加明显。

3.4 机器学习

机器学习是机器具有智能的重要标志,同时也是机器获取知识的根本途径。有人认为,一个计算机系统如果不具备学习功能,就不能称其为智能系统。机器学习主要研究如何使计算机能够模拟或实现人类的学习功能。机器学习是一个难度较大的研究领域,它与认知科学、神经心理学、逻辑学等学科都有着密切的联系,并对人工智能的其他分支,如专家系统、自然语言理解、自动推理、智能机器人、计算机视觉、计算机听觉等方面,也会起到重要的推动作用。

3.5 问题求解

人工智能的第一大成就是下棋程序, 在下棋程度中应用的某些技术, 今天的计算机程序已能够达到下各种方盘棋和国际象棋的锦标赛水平。但是, 尚未解决包括人类棋手具有的但尚不能明确表达的能力。如国际象棋大师们洞察棋局的能力。论文参考网。另一个问题是涉及问题的原概念, 在人工智能中叫问题表示的选择, 人们常能找到某种思考问题的方法, 从而使求解变易而解决该问题。到目前为止, 人工智能程序已能知道如何考虑它们要解决的问题, 即搜索解答空间, 寻找较优解答。

3.6 逻辑推理与定理证明

逻辑推理是人工智能研究中最持久的领域之一, 其中特别重要的是要找到一些方法, 只把注意力集中在一个大型的数据库中的有关事实上, 留意可信的证明, 并在出现新信息时适时修正这些证明。医疗诊断和信息检索都可以和定理证明问题一样加以形式化。因此, 在人工智能方法的研究中定理证明是一个极其重要的论题。

3.7 自然语言处理

自然语言的处理是人工智能技术应用于实际领域的典型范例, 经过多年艰苦努力, 这一领域已获得了大量令人注目的成果。目前该领域的主要课题是: 计算机系统如何以主题和对话情境为基础, 注重大量的常识——世界知识和期望作用, 生成和理解自然语言。这是一个极其复杂的编码和解码问题。

3.8 分布式人工智能

分布式人工智能在 20 世纪 70 年代后期出现,是人工智能研究的一个重要分支。分布式人工智能系统一般由多个 Agent(智能体)组成,每一个 Agent 又是一个半自治系统,Agent 之间以及 Agent 与环境之间进行并发活动,并通过交互来完成问题求解。

3.9 计算机视觉

计算机视觉是一门用计算机实现或模拟人类视觉功能的新兴学科。其主要研究目标是使计算机具有通过二维图像认知三维环境信息的能力,这种能力不仅包括对三维环境中物体形状、位置、姿态、运动等几何信息的感知,而且还包括对这些信息的描述、存储、识别与理解。

目前,计算机视觉已在人类社会的许多领域得到成功应用。例如,在图像、图形识别方面有指纹识别、染色体识字符识别等;在航天与军事方面有卫星图像处理、飞行器跟踪、成像精确制导、景物识别、目标检测等;在医学方面有图像的脏器重建、医学图像分析等;在工业方面有各种监测系统和生产过程监控系统等。

3.10 智能信息检索技术

信息获取和精化技术已成为当代计算机科学与技术研究中迫切需要研究的课题, 将人工智能技术应用于这一领域的研究是人工智能走向广泛实际应用的契机与突破口。

3.11 专家系统

专家系统是目前人工智能中最活跃、最有成效的一个研究领域, 它是一种具有特定领域内大量知识与经验的程序系统。近年来, 在 “专家系统” 或“知识工程”的研究中已出现了成功和有效应用人工智能技术的趋势。人类专家由于具有丰富的知识, 所以才能达到优异的解决问题的能力。那么计算机程序如果能体现和应用这些知识, 也应该能解决人类专家所解决的问题, 而且能帮助人类专家发现推理过程中出现的差错, 现在这一点已被证实。如在矿物勘测、化学分析、规划和医学诊断方面, 专家系统已经达到了人类专家的水平。

4 目前人工智能发展中所面临的难题

人工智能 (A I) 学科自 1956 年诞生至今已走过 50 多个年头, 就研究解释和模拟人类智能、智能行为及其规律这一总目标来说, 已经迈出了可喜的一步, 某些领域已取得了相当的进展。但从整个发展的过程来看, 人工智能发展曲折, 而且还面临不少难题,主要有以下几个方面:

4.1 计算机博弈的困难

博弈是自然界的一种普遍现象。它表现在对自然界事物的对策或智力竞争上。博弈不仅存在于下棋之中, 而且存在于政治、经济; 军事和生物的斗智和竞争之中。尽管西洋跳棋和国际象棋的计算机程序已经达到了相当高的水平, 然而计算机博弈依然面临着巨大的困难。这主要表现在以下两个方面的问题。其一是组合爆炸问题, 状态空间法是人工智能中基本形式化方法。若用博弈树来表示状态空间, 对于几种常见的棋类, 其状态空间都大得惊人, 例如, 西洋跳棋为 10 的 40 次方, 国际象棋为 10 的 120 次方, 围棋则是 10 的 700 次方。如此巨大的状态空间, 现有计算机是很难忍受的。其二是现在的博弈程序往往是针对二人对弈, 棋局公开, 有确定走步的一类棋类进行研制的。而对于多人对弈, 随机性的博弈这类问题, 至少目前计算机还是难以模拟实现的。

4.2 机器翻译所面临的问题

在计算机诞生的初期, 有人提出了用计算机实现自动翻译的设想。目前机器翻译所面临的问题仍然是 1964 年语言学家黑列尔所说的构成句子的单词和歧义性问题。歧义性问题一直是自然语言理解 (NLU) 中的一大难关。同样一个句子在不同的场合使用, 其含义的差异是司空见惯的。因此, 要消除歧义性就要对原文的每一个句子及其上下文, 寻找导致歧义的词和词组在上下文中的准确意义。然而, 计算机却往往孤立地将句子作为理解单位。另外, 即使对原文有了一定的理解, 理解的意义如何有效地在计算机里表示出来也存在问题。目前的 NLU 系统几乎不能随着时间的增长而增强理解力, 系统的理解大都局限于表层上, 没有深层的推敲, 没有学习, 没有记忆, 更没有归纳。导致这种结果的原因是计算机本身结构的问题和研究方法的问题。现在 NLU 的研究方法很不成熟, 大多数研究局限在语言这一单独的领域, 而没有对人们是如何理解语言这个问题作深入有效的探讨。

4.3 自动定理证明和 GPS 的局限

自动定理证明的代表性工作是 1965 年鲁宾逊提出的归结原理。归结原理虽然简单易行, 但它所采用的方法是演绎, 而这种形式上的演绎与人类自然演绎推理方法是截然不同的。基于归结原理演绎推理要求把逻辑公式转化为子句集合, 从而丧失了其固有的逻辑蕴涵语义。前面曾提到过的 GPS 是企图实现一种不依赖于领域知识, 求解人工智能问题的通用方法。GPS 想摆脱对问题内部表达形式的依赖, 但是问题的内部表达形式的合理性是与领域知识密切相关的。不管是用一阶谓词逻辑进行定理证明的归结原理, 还是求解人工智能问题的通用方法 GPS, 都可以从中分析出表达能力的局限性, 而这种局限性使得它们缩小了其自身的应用范围。

4.4 模式识别的困惑

虽然使用计算机进行模式识别的研究与开发已取得大量成果, 有的已成为产品投入实际应用, 但是它的理论和方法与人的感官识别机制是全然不同的。人的识别手段形象思维能力, 是任何最先进的计算机识别系统望尘莫及的, 另一方面, 在现实世界中, 生活并不是一项结构严密的任务一般家畜都能轻而易举地对付, 但机器不会, 这并不是说它们永远不会, 而是说目前不会。”

5 人工智能的发展前景。

5.1 人工智能的发展趋势

技术的发展总是超乎人们的想象,要准确地预测人工智能的未来是不可能的。但是,从目前的一些前瞻性研究可以看出未来人工智能可能会向以下几个方面发展: 模糊处理、并行化、神经网络和机器情感。

5.2 人工智能的发展潜力巨大

人工智能作为一个整体的研究才刚刚开始, 离我们的目标还很遥远。但人工智能在某些方面将会有圈套的突破。

(1) 自动推理人工智能最经典的研究分支, 其基本理论是人工智能其它分支的共同基础。一直以来自动推理都是人工智能研究的最热门内容之一, 其中知识系统的动态演化特征及可行性推理的研究是最新的热点, 很有可能取得大的突破。

(2) 机器学习的研究取得长足的发展。许多新的学习方法相继问世并获得了成功的应用, 如增强学习算法、reinforcement learning 等。也应看到, 现有的方法处理在线学习方面尚不够有效, 寻求一种新的方法, 以解决移动机器人、自主 agent、智能信息存取等研究中的在线学习问题是研究人员共同关心的问题, 相信不久会在这引起方面取得突破。

(3) 自然语言处理是 A I 技术应用于实际领域的典型范例, 经过 A I 研究人员的艰苦努力, 这一领域已获得了大量令人注目的理论与应用成果。许多产品已经进入了众的智能信息检索技术在 Internet 技术的影响下, 近年来迅猛发展, 已经成为了 A I 的一个独立研究分支。由于信息获取与精化技术已成为当代计算机科学与技术研究中迫切需要研究的课题, 将 A I 技术应用于这一领域的研究是人工智能走向应用的契机与突破口。论文参考网。从近年的人工智能发展来看, 这方面的研究已取得了可喜的进展。

文章来源:人工智能的现状及今后发展趋势展望 - 论文网

未来几年人工智能方向也是比较火热的职业方向

当前眼下人工智能领域就业确实堪忧,人工智能需要高精尖的高材生,就业要求比较高,而追捧的一些当下毕业生,有些培训机构将 Python 说成人工智能这有点说不过去了。这些编程语言都可以应用到人工智能方向上,眼下就业确实不太好,但是未来几年肯定会是一个比较不错的发展方向。

知乎用户 CapricornHao 发表

美国的就业形势也印证了这一点。

从 2016 年开始 Data Science 变得炙手可热,就业市场上开始大量招聘 data scientists,而且会给很高的薪水;很多大学也把原来的数理统计的学位项目改名为 computational/data science 之类的,即使教的课还是原来那些,换汤不换药。

但是最近两年,data science 的热度慢慢变冷,很大一部分原因就是,被 deep learning 抢了饭碗。deep learning 效果更好,但是不太需要数理统计的支撑,所以对数理统计人才的需求越来越低。虽然就业市场上还在招 data scientist,但是对于技能的要求是越来越弱化传统数理统计知识,强化 implementation 的能力(也就是考刷题)。与此同时,就业市场上也涌现了新的职位 “machine learning engineer”,其实就是偏 software engineer 的 data scientist。

于此同时,R 语言也从 2018 年开始逐渐变冷,Python 继续持续变热。这也说明大量数理统计的学生正在往 CS 靠拢。

知乎用户 匿名用户 发表

“行业有钱不代表从业者都有钱”

人工智能是典型的代表

新兴行业初期

行业有钱几乎都等于从业者都有钱

比如第一批做电商的,90% 的店铺盈利

30% 的店铺能做到年利润 20 万以上

3% 的龙头更是年入百万

要知道,那年,两百万就能在北京三环里挑一套满意的房

只要你做了电商,只要你智商高于平均线,你就一定比上班挣得多

连电商客服都底薪 2500,算上绩效,4000-6000

08-10 年

大厂给技术类应届生开的工资才 3000-6000,客服也是 3000 起步往上一步步涨

全行业都有钱,不管你是哪一环,只要你在这里,就能跟着上游吃肉的,在下游喝着肉汤

前几年互联网带的太浮躁了。。。

年轻人以为都是只要热门就年薪 10W 起步

三年年薪直奔 20W,干的好的年入百万

AI 不像互联网,AI 是拿实力吃饭的

你有顶会论文,你就有资格面试年薪 30W 起步的岗位

互联网最浮躁的那会儿 14-17 年

大厂的正式在编客服

一个月 6000 起,算上年底分红

一年十万

三年工龄的,一个月 8000 起,再多跟俩项目,一年十三四万

这是什么?

这是中专客服

这叫什么?

这叫行业红利

全行业哪都是钱,愁花不出去,搞实体的转型,拿着钱乱投

天使投资人真的跟天使一样满天飞

只要你在互联网

不用你是互联网

你只要在这儿

什么岗位开的都高

毛都不会的大专运维巡检

一个月 6000 块,上一休一

神仙日子

为什么?

就是行业爆炸,钱多,养闲人养得起

程序员,做个程序十几个人一块干,每人八千起步,算上分红,一年直奔 20W

互联网客服>传统行业客服

互联网混日子>传统行业混日子

现在呢?

北京这边

客服,中专不一定有工作,大专 3500 起,三年工作经验的平均 6000,什么年底分红,全都没有

运维巡检,轻松的,一个月 4000-5000,不轻松的,一个月 7000

养老程序员,直接回家

有本事的,愿意加班,8000 起步

当然,年入百万的程序员,越来越多,不是因为行业红利越来越多,是因为要求越来越高,他们的水平也越来越高,能给公司挣更多的钱,所以才有钱

这是行业常态

AI 直接跳过了红利期,浮躁期

上来就是各大厂商真刀真枪的干

或者哪个业界出名的高管下海创业,都是人精

天使投资人也都变成了魔鬼投资人

想要投资,先做五十页的 ppt,再排五百个人的长队吧

现在还会有

AI 客服>传统客服吗

不可能有

现在什么就是什么

你搞技术的,能发表顶会论文的,那上来就是 30W,不是因为行业红利给你 30W

是你能给公司带来 30W 以上的价值

你搞客服的,做下游的,业务部的,那就是按人力算钱的

不会再按 AI 的光环扣上算钱

就我看,人工智能下游就业只会越来越严峻,但是挣得多的,也会越来越多

假如有技术,AI 仍然是前三名的选择

只有赶上风口,才有一飞冲天的机会

有技术的,一定要赶上这个机会

同时,上下游不像当年互联网行业那么一起飘在天上了

现在天上的就在天上,地下的,想飞上去,是真的难了。

知乎用户 梁鼎 发表

高分回答还是很符合实际的,AI 的研发投入产出比在下降,落地还在持续增长。前几年大家拼的是我有你没有,我能你不能,我准你不准,接下来拼的是产品、方案、服务。当然,算法还是会有新的增长点,会应用于一些小众领域,也可能会有爆点,但都会更艰难,也可能会 pk 算法精度,但精度的差距大概率不是因为算法技术本身,可能是数据,也可能是技术平台的积累。当 AI 最终发起价格战的时候,算法研发基本就进入尾声了。

知乎用户 深度学习于 NLP​ 发表

课程描述

机器学习导论,讲解有监督和无监督学习问题的表述。回归和分类。数据标准化和特征工程。损失函数选择及其对学习的影响。正则化及其在控制复杂性中的作用。验证和过拟合。对异常值的鲁棒性。简单的数值实现。对来自各种工程和其他学科的数据进行实验。

本课程视频及 ppt 下载地址: 斯坦福大学最新 -《机器学习导论》课程视频及 ppt 分享

课程首页

http://ee104.stanford.edu/lectures.html

课程大纲

课程视频截图

课程视频及 ppt 免费下载地址: 斯坦福大学最新 -《机器学习导论》课程视频及 ppt 分享

往期精品内容推荐

NLP 新书 -《自然语言处理表示学习》免费书分享

自然语言处理 481 个公开数据集和基准任务整理分享

宾夕法尼亚大学 - 2020 - 图神经网络课程 - 6 - 授权网络实战

2021ML 实战新课 -《深度学习速成课程 2021》课程视频及 ppt 免费分享

台大林智仁中文版 -《深度学习优化方法》课程 (2021) 视频及 ppt 分享

李宏毅最新 -《深度学习 / 机器学习课程 2021》课程视频及 ppt 免费分享

麻省理工学院 -《面向生命科学的深度学习 2021》课程视频及 ppt 免费分享

Sergey Levine - 伯克利《深度强化学习 2020》课程视频及 ppt 分享

蒂宾根大学 -《机器学习导论 2021》课程视频及 ppt 免费分享

知乎用户 Ruhjkg 发表

再来更新一发,最近大疆机器学习把我给捞了起来,而且还给了一个很高的价格,其实

这么看来 CV 找工作好像也没有那么难啊。

-————————————————————

不匿了,评论里有些人非要杠,什么八股文拿 offer, 范进中举美滋滋……….. 我说我只会 pytorch 搭几个分类网络,是因为我本身就不是做 CV 的核心方向(detection, segmentation ,tracking), 研一主要做了一年 GAN ,后来在某 AI 独角兽实习也不是做 CV 而是做很偏的算法方向,7 月提前批时候只有两家给了面试,投了 20 多家都沉了,因为在面试官看来我和只会分类算法的同学没什么两样,我做的东西他们不懂而且也不需要,他们要的是和他们业务需求很 match 的人才。

至于说什么从业水平整体下降,那是你太高看什么深度学习和所谓的 AI 了,被媒体忽悠瘸了,我在工业界待过两家还比较有名的公司,分别是做自动驾驶和推荐,大部分的时候其实你都在弄数据,模型框架是即定的,不会让你大修改。

而在这个回答下我只想给搞算法的尤其的搞 CV 的同学提供一些其他的思路,算法劝退的太多了,何必现在人人都劝退算法呢,想做就继续做下呗,只是不一定非要硬刚 CV , 可以转个弯搞其他的算法,只要代码写的好,题刷的多,工作是肯定能找的到的。

-————————————————-

参加过 2020 秋招的末流 985 渣硕答一发。

确实今年算法岗找工作很艰难,CV 岗更不好找,尤其像我这种的只会一些 pytorch 搭几个分类网络,调调参的人,无顶会硬是要继续刚 CV 岗,结果 7 月份提前批时候给面试的就没几家公司。

后来嘛,我想通了,改投机器学习和推荐算法岗,之后就拿了 5, 6 个 offer, 其中不乏一些大厂,还拿到某厂的 ssp.

我总结后面能找到不错工作的原因是:

第一:脑子一定要会转弯,搞 CV 和深度学习的一定不要强行硬刚 CV, 可以转投推荐算法或者机器学习嘛,推荐需求真的比 CV/NLP 大的多了,而且也很好转。

第二个原因:leetcode 一定要坚持刷啊,我一共刷了 356 道题,有 200 多道硬是背下来了(对,就是每天反复刷同样的题), 所以每次和面试官聊不来的时候,一言不合就写道题吧,有时面试官很诧异为什么我写题这么快,甚至 hard 题也能几分钟给出最优解。。。。
因为我背过题啊。。。。。。。

知乎用户 大橘咕咕咕​ 发表

亲身经历,严峻个 P 啊,我前东家挖人的时候真的是那种你真的懂钱都好说的。

核心就一个问题,你做人工智能的,有没有围绕你建一个商业化团队,还是你是围绕商业化建立的团队的一员?

能用手上的数据变现的话,你就算只会逻辑回归,钱也好说。

知乎用户 溪亭日暮​​ 发表

说人工智能没有市场前景的人,可能不一定理解什么叫” 有前景 “。当然,一些动辄说人工智能时代已经到来的投资者,很可能正陷入人工智能浪潮的虚妄泡沫中而不自知。

判断一个行业未来是否有前景,有两个标准:一个是市场标准,一个是人才标准。

  1. 是否是有效的市场。

任何一个新兴行业,要成功获得市场发展前景,必要的条件是,**至少先在一个行业(市场)进行有效渗透。**比如某个行业(假设是物流):现在有 100 家有 AI 使用需求的物流企业,其中有 10-20 家头部企业已经购买了并使用了 AI 解决方案,就有可能形成其它 80-90 家企业的跟风购买和使用。而不是说,现在有 100 个行业,每个行业只有 1-2 家企业在使用 AI,这个就不是有效的市场(因为 100 个行业的头部企业无法相互推荐影响,引爆市场,形成规模效应)。

现在我们看到,AI 技术公司已经基本上在某几个行业(比如旅游、物流、零售、汽车等)都找到了有效的市场。

从上图可以看到,人工智能已经开始赋能于各行各业,并为多个行业提供可观的商业增值能力。

不过,对中国企业来说,当人工成本较低时,引入先进技术以及精简人工流程的需求并不那么迫切,高价聘用专业人才或者购买人工智能系统有时或许并不合算。这种情况下,国家的战略扶持就特别重要。所以,**人工智能的有效市场,还体现在国家对人工智能的战略支持上。**今年 7 月 20 日,国务院印发了《新一代人工智能规划》 的通知,意味着人工智能正式成为国家战略。

中国是一个政策市,很多好的行业都是靠政府去推动的,所以**我们看一个行业,一定不会抛开这个行业所处的政策环境。**

2. 是否有好的人才培养系统

有了市场前景,就必然有对人才的需求。说目前的 AI 就业前景严峻的同学,不妨看一看目前我国高校在人工智能人才培养上的发展情况:

2019 年,全国高校获批人工智能专业 35 个,智能科学与技术专业 96 个,机器人工程专业 101 个,智能制造工程专业 50 个。新增 AI 相关专业的高校很多。

再看最近几年我国高校计算机人才培养情况。虽说目前高校把人工智能归属于信息而非计算机专业下,但毫无疑问,由于计算机与人工智能的紧密相关性(有学者观点认为,人工智能是计算机的 “非平凡应用”),计算机相关专业的毕业生将是人工智能人才的主力军。

以下是我国高校计算机大类(0809)各专业办学点数量:

从上表可以看到,计算机类(0809)专业下又增设了数据科学与大数据技术、新媒体技术等特设专业,此外还有网络空间安全、保密技术等国家控制布点专业,代码后缀为 TK,国家控制布点,开设院校固定。这其中,数据科学的人才培养需求更是一骑绝尘:

上图所见,各专业的学科建设平稳增长,其中 “数据科学与大数据技术” 办学点数量直线攀升。根据中国商业联合会数据分析专业委员会统计,未来中国基础性数据分析人才缺口将达到 1400 万,而在 BAT 企业招聘的职位里,60% 以上都在招大数据人才。不管上述 1400 万和 60% 的数据是否有水份,至少,人工智能的就业前景是有,至于是否要到讨论”坚持“的程度,更多的应该讨论如何 I 学好 AI,这是和 AI 学习方法论相关的问题吧。

大部分的行业都会经历起步、成长、繁荣、稳定、衰落等几个发展阶段。很少有行业能够长久不衰。快速成长期和繁荣期是一个行业黄金时期。比如现在的移动互联网处于成长期,PC 互联网处于繁荣期和稳定期。

而人工智能,尚在起步。

知乎用户 资深 AI 民工老苗​ 发表

作为一个 AI 从业者,最近最大的体会就是大部分圈内人士把 AI 侠义化了成了 “深度学习”, 早已忘记了深度学习只是机器学习里的一个小分支,机器学习是模式识别里的一个小分支。而 AI 算法有更广的应用和拓展,比如线性规划,凸优化,启发式搜索,落地场景也更为广泛。很多传统企业需要信息化转型和算法辅助生产,但需要的算法并不是只有深度学习,NLP,CV 这些神仙大家的领域,他们需要工人排班 机器排产 业务只能组合 更少的包更多的商品 更少的人干更多的活。这些很显然不是随便一个深度学习能搞定的。侠义的 AI 或许要凉了,但广义的 AI 还是出女之地

知乎用户 akkaze - 郑安坤​ 发表

2012 年以前,cv 行业的就业情况不是更不容乐观吗?你可以问一下老一辈怎么过来的

知乎用户 vitu 发表

谢邀,既然是谈就业,那就是工业界的观点,工业界说白了就需要跨领域能够把 AI 落地的人才

因为

只有万分之一做算法的顶级计算机科学家可以做理论和框架上的深入研究(大部分都会开源),大部分人最好的道路就是做特定领域的专家

下面这个图很生动的说明了

跨领域能够把机器学习落地的人才的核心技能:

1. 对特定领域知识的深入理解

例如量化投资,你如果又懂公司基本面分析,又懂机器学习,那么在做 alpha 策略研究时就很有优势

例如反欺诈,你对审计有深入理解,又懂机器学习,那么做反欺诈模型就会游刃有余

2. 能够把学术模型变成工业模型

工业界,不仅需要建模,还需要模型的生产化,在这块有很多工程上的工作需要做,如果这块能够深入,那么必然是不可多得的人才

例如像抖音的推荐系统,你如何解决海量用户的推荐问题,工程上有非常多的工作要做,这个也是不可多得的人才

Gartner 这个浪再怎么浪,工业界的需求一直是不变的,从来不存在严峻和内卷,好的人依然是能找到适合自己的工作的

知乎用户 特赞宇宙​ 发表

还在坚持,因为人工智能的时代才刚刚开始!(良心干货,长文预警!)

目前人工智能技术还处于应用的初期,这个领域的人才缺口很大,对人的综合素质能力要求很高,不仅需要 “左脑” 理性的发展,也需要 “右脑” 思维的结合。很多行业其实都属于 “泛人工智能” 领域,因此说人工智能就业前景严峻,结论为时过早了。

拿很容易被大家忽视的一个赛道——内容创意来进行说明~

这个领域的综合型人才缺口其实很大。过去的营销依靠传统的广告行业,但是随着渠道增加,流量红利逐渐消失,消费者注意力逐渐分散,企业逐渐进入争夺注意力之战的 “关注度经济”,而内容成为驱动增长的重要杠杆。**企业要想获得增长,就需要持续产生优质内容,需要靠创新来驱动,而人工智能已经开始与现在最火的内容营销、流量平台发生链接,对创意内容进行赋能。**人工智能,未来可期!

2019 年下半年,QuestMobile 发布的数据显示,中国移动互联网月活跃用户已经在 11.3 亿左右企稳,同比增长率跌破 3%,Q2 的月活用户净增长更是负数。此外,当今的流量市场掌握在 BATJ 等大型互联网公司手中,头条系、腾讯系、阿里系、百度系等互联网巨头的自媒体平台占据了用户 70% 的时间,并且还在通过不断的并购将零散的流量收入囊中,这一切都在显示:中国市场已经从流量时代开始进入到存量时代。

存量时代是以用户体验为核心的时代。这个时期流量红利不再强劲,而创意成为增长的核心杠杆。

01. 存量时代内容要如何带来增长杠杆?

" 学而思 " 网校智慧营销负责人慧力曾透露,在线教育行业的营销战中,素材的产出和迭代数量达到近 10 万量级,巅峰时期每天投放素材是 1000 + 量级,其中包括了图片、文案、视频等等。**这是互联网时代营销人面临的大趋势:素材高并发。创意素材将变成整体投放的胜负手,如果素材不够好,可能连预算都花不出去。**如今流量市场上,高并发的内容生产需求与不确定、不稳定的创意生产方式是严重不匹配的。

企业要想获得爆发式增长,就必须有高并发的创意内容生产能力,这个时候,数据将发挥重要的价值,人工智能商业化未来一个重要的发展方向,就是用技术给企业赋能创意,帮助企业源源不断地产出创意内容,实现爆发式增长。

特赞在 2015 年成立之初,切入点是设计对接平台,通过聚合创意方资源,成为企业的外部营销资源池,为设计师解决项目来源同时为企业解决灵活、波动的创意设计供给问题。而供给平台仅仅是特赞的起步形态,2019 年,从供给平台到创意智能,特赞用 4 个产品,为企业搭建内容创意中台,帮助企业不仅做内容,且要做内容管理,并且垂直深化、优化。

特赞搭建的创意内容中台包括 CMGO 四个功能模块。

**C(Create)——内容创意供给平台:**通过云端海量创意资源库,多、快、好、省地生产创意内容,为企业营销和消费者体验等场景生产高效、便捷的创意内容;

M(Manage)——内容数据资源管理:帮助品牌高效管理分散在各个渠道、不同类型的海量创意内容资产;

**G(Generate)——内容人工智能生成:**通过人工智能技术,生成、优化和延展创意内容(图像和视频),为跨平台媒介提供个性化创意内容;

**O(Optimize)——内容智能分发优化:**跨媒介智能分发创意内容、实时数据回流和分析,针对不同人群画像进行个性化分发,提高营销 ROI(投资回报率)。

创意内容怎么被数据化?数据化之后有什么用?可以这样理解这个过程:当创意数据上云后,会被管理起来,管理部分也会有合规检测及审核等,同样也能将供应商进行管理,最后可以对品牌的内容进行机器学习和理解,从而生成符合相应品牌调性和风格的内容。

内容创意中台会大大提效企业营销流程。

比如通过 AI 自动生成海量物料,可以加速迭代,不断优化转化率。尽管 AI 不会给你一个惊为天人的创意,但它确实能在许多场景里给你更快更低成本的物料,这是 AI 的价值所在。当然,我们知道 AI 是不会真正替代人类的,我们还需要人类产出核心的内容。也会让内容分发更高效。假设一个品牌需要电商场景、私域运营场景等各种场景,那应该借助 AI 力量。

同时技术引擎驱动下的识别创意的能力,能保证创意素材的质量。

特赞的 Tezign.EYE(创意素材数据化引擎)通过机器学习创意内容数据以及商业数据,给各种设计不断打标签,之后再将创意素材进行智能识别、合规保护和批量生成运算。

02. 营销四大场景下,内容中台赋能升级

内容创意中台可以帮助客户在几个主要场景里面实现智能升级:

● **电商策展:**包括店铺升级、创意系列话题等;

● **私域运营:**新媒体、短视频、微信、抖音等内容的创作;内容分发、自媒体矩阵的建立;

● **包装创新:**通过包装和设计带动产品,从而帮助品牌进行概念升级;

● **整合营销:**将之前的能力结合起来,形成有话题、有态度、有人设、有故事的优质传播,从而落到真正的生意和转化。

**关注度经济时代,营销也逐渐进化,围绕品牌、拉新和运营三个动作带来品牌增长。**人工智将与内容营销、企业增长产生直接链接,是未来商业发展的大势所趋。有机会的地方就应该有人才,而这也仅仅是内容创意领域的机会,人工智能的就业前景,可以说是 “钱” 景广阔!依然是值得期待的!

你要相信,你在做一件,即将改变整个世界的事情。

We’re here to put a dent in the universe. Otherwise why else even be here?

活着就是为了改变世界,难道还有其他原因吗?

我花了几天时间呕心沥血写完的,点个赞再走好吗?

来 @特赞宇宙,让创意营销智能化,欢迎来撩~

可能你还想看:

怎么理解科技与设计的关系?阿里的鲁班智能设计机器人具体是什么样的?

知乎用户 王博 Kings 发表

说一些我的观点

(只收藏不点赞的不乖哈)

一些企业名单

这些都是近期落地的企业

成熟企业呢?

以及巨头企业

现在 AI 的门槛越来越高了

根本不是你看了一遍《机器学习》、《深度学习花书》

下载了几个代码,跑了 CNN,然后就入门了

就拿无人驾驶而言,涉及的传感器包含:卫星导航、惯导、视觉、激光…

涉及的算法包含:控制、导航、SLAM….

其中任意一个点都够几个甚至几十个博士毕业了

现在学历爆棚时代,人人都是 985211,我都有点无语,好像不是 211 都不敢介绍似的

当你去海投各个 AI 公司时,你才发现当你没有论文、没有项目经历时,似乎有一个好的学历还能作为一个敲门砖,如果连一个好的学历都没有,连初审都过不去

以读研读博为例

好的课题组将有:

  • 强大的算力,特斯拉随你用
  • 强大的数据集,自己采集的,自己标注的
  • 强大的审稿资源,有利于自己写出好的文章
  • 强大的指导资源
  • 强大的课程资源
  • 强大的公司资源
  • 。。。。。。。

当然,无论现状如何,既然选择走这条路,跪着也要走完,加油!

知乎用户 赵新华 发表

什么叫就业前景严峻?

三个指标

1)总就业人数:这个角度来说,人工智能行业会 10 倍,百倍,千倍的增长

2)单位就业人员的平均工资:从这个角度,人工智能行业会半价,再半价,直到回归到比互联网行业略高 20% 左右的水平。

  1. 就业率:所谓内卷,也就是实际就业的人数,除以想就业的人数,从这个角度来说,行业严峻了,因为想到这个行业淘金的人数太多了。

真正有竞争力的人,不怕,因为行业本身在迅速增长;

没有竞争力的人,别幻想,也不怕

没有竞争力的人,在不符合自己能力的位置上,获得了高溢价的工资,这部分叫做泡沫,会挤出去。

没有竞争力的人,幻想通过进入一个有竞争力的行业,从而飞黄腾达的,以前可以,将来不行了。

所以,严峻,与坚持, 看你是以上哪一种人,请对号入座。

知乎用户 凤舞九天​ 发表

当然在坚持。这题我会。因为算法工程师,名字挺高大上的,但是干不了开发的活,只能搞算法。同时程序员转行业没那么容易,别说回老家当公务员,就是在老家没钱没背景才出来打拼,回去能考上公务员吗?

以上就是随便说说,各位看官就图一乐。以下才是重点。

确实这两年人工智能算法越来越卷了,从业人员越来越多,升职加薪越来越难。这都是事实。但是整体上看这个行业也还算可以,而且个人觉得无论是从技术上,还是在应用上,都还有较大空间,当然回到之前的巅峰是不太可能了,动不动 double 一下,冷静下来之后,需求一直在,而且也不少~

知乎用户 匿名用户 发表

研一,数学本,计算机硕。本科毕业后半推半就做了两年 Java,又考研回学校打算回锅一下。

现在形势是不太好,马上毕业那批好像还有 0offer 的。小实验室算法全军覆没。

不管是给我们上课的老师还是来做讲座的老师,都在强调 dl 只是一种工具 (专门研究 dl 的除外),还是要加强各自领域的学习,比如图像就是传统图像处理那些方法以及数学基础。深以为然。

打算加强一下基础,努力发论文,以后读博。

知乎用户 邪恶总督 发表

我倒是对为什么严峻更感兴趣。

可能的原因:

  1. 贸易战,经济不景气,没有招人 / 留人的打算
  2. 由于慕课,网红教学帖,培训班的发展,大家总体水平提高了,同时又都想进那几个大厂

知乎用户 老杨叔聊志愿填报​ 发表

人工智能严峻,是对于浑水摸鱼者、投机者说的,对于 985 本硕计算机类数学类统计学类且努力学习的,依然是很好的选择。严峻,指的是供求关系失衡,不代表这个行业严峻,相反代表了热门。

生化环材一点也不严峻,很好找工作(就是工资低),你愿意去吗?

宽松的嫌工资低,严峻的嫌难度大,那你说咋好,啥好事凭什么让你一人占了。

知乎用户 IT 人刘俊明​​ 发表

作为一名人工智能方向的教育工作者,我来回答一下这个问题。

首先,当前人工智能专业的本科阶段教育才刚开始开展,就业情况尚不得而知,但是从目前人工智能方向研究生的就业情况来看,人工智能专业未来的就业前景还是非常值得期待的。

长期以来,人工智能领域的人才培养一直以研究生教育为主,一方面人工智能领域的学习对于基础知识的要求比较高,另一方面人工智能相关方向的学习对于教育资源的要求也比较高,这是导致人工智能领域人才培养难度大的重要原因。由于研究生培养能力有限,所以在人工智能成为科技领域热点的同时,人才短缺的现象就比较突出了,这也是一部分高校(重点高校)在本科阶段设立人工智能专业的重要原因。

虽然人工智能专业当前的就业前景比较广阔,而且人工智能领域的发展空间也非常大,但是近两年的岗位释放量并不算大,尤其是算法岗位,甚至出现了一定程度的萎缩(数量和待遇均有不同程度的萎缩),这与当前人工智能产品落地应用困难有较为直接的关系。在 2019 年的秋招中,也有不少人工智能方向的研究生选择了大数据相关岗位,这是之前很少出现的情况。

虽然当前人工智能领域的人才招聘没有前几年那么多,但是从人工智能行业发展的基本面来看,这种情况应该是一种阶段性波动,未来人工智能领域的人才需求依然会出现一个长期的增长态势。

最后,如果计划选择人工智能专业,最好读一下研究生。

我从事互联网行业多年,目前也在带计算机专业的研究生,主要的研究方向集中在大数据和人工智能领域,我会陆续写一些关于互联网技术方面的文章,感兴趣的朋友可以关注我,相信一定会有所收获。

如果有互联网、大数据、人工智能等方面的问题,或者是考研方面的问题,都可以在评论区留言,或者私信我!

知乎用户 大白 发表

这其实是两个问题,

  1. 人工智能的前景是不是越来越不好了
  2. 如果问题是的答案是真的,那么要不要坚持下去

对于问题一,我一年前就有一个帖子,大家可以来参考。基本上现在人工智能商业化的发展就是按照这个趋势来的。信或者不信,商业趋势都在那里。

人工智能退潮期来了吗?

除了这个以外,近半年还有一个趋势,就是垂直行业的人工智能企业越来越难做,比如只提供算法,模型的企业 (技术牛逼,但是商业模式没有闭环,依靠其它企业落地),会越来越难。现在经济形势不好,大企业为了增长的需要,越来越倾向于把技术掌握在自己的手里,抢占独立的技术提供商的市场。大鱼和大鱼的相互厮杀,倒霉的是小鱼和中等大的鱼。所以我们会看到某个独角兽 detection 组长会跳槽到腾讯。这是开始,不是结束。

第二个问题,你会在这个行业坚持下去嘛?

为了养家,当然要坚持。不过我知道你们想知道的是这个行业还有没有前途。首先,除了这个行业,还有比这个更好的嘛 (前提是你能无缝转过去)? 还是因为经济不好,现在每个行业都很难做。你看看区块链火了一周又凉了,移动互联网,O2O 都在夕阳西下,互联网金融直接崩盘。相对而言,人工智能只是摔了一跤而已,人工智能的 high bar (数学,学历背景,计算机基础,商业化模式) 决定了能真正进来的人不多,所以即使在波动,和你抢饭碗的人也不是很多。

我要自己提第三个问题,人工智能将来的方向在哪里?

落地落地落地 - 给业务以价值。任何以刷榜为容的公司都会倒掉,任何给业务以价值的公司都会成长。所以这是为什么会选择大企业去落地,因为大企业数据多,场景丰富,如果能商业闭环,那真的是非常完美。人工智能的技术盛宴已经落幕,人工智能的商业化即将到来。

知乎用户 智友 App 发表

我们是一个初创公司,坚持 AI 的方向。在初创公司,赌的是弱人工智能这波浪潮有多大。如果它足够大,能引领整个智能时代的到来,那么我们作为其中的一员至少方向对了。实际上来说,我们发现周围的其他创业者有很多做人工智能的,仿佛一夜之间,全国都在做人工智能。这必然带来项目的良莠不齐。

所以我们首先是非常担心人工智能市场的大小的,这就涉及到 to B,to C 甚至 to VC 的问题。在人工智能领域,有不少公司通过竞赛获奖等方式来提高估值,这不失为获得融资的方式。然后大部分公司都是做 to B 的业务,安防和产业互联网。我们则坚持探索 to C 的领域。一是由于公司的愿景——通过社交研究强人工智能,二是因为竞争者少,仍然是一片蓝海。

人工智能是开发门槛低,但研究门槛需要 PhD。开发门槛低到对于所有正常程序员而言都不难掌握,所以许多人工智能公司并没有真正的技术壁垒。也给后来者从工程方面破局提供了机会。在星域跃迁我们认为首先应该从工程方面入手,然后才到理论研究。总而言之,既然选择了人工智能赛道,我们一定坚持到底。

知乎用户 看星空的仓鼠​​ 发表

势必要坚持啊,虽然本仓鼠不是人工智能从业者╮(╯▽╰)╭

目前的人工智能就业前景主要卡死在人工智能技术不再顺畅发展的问题上,毕竟现在技术进入了瓶颈期嘛,要想渡过这片沼泽地,还得等一段时间才好;因此在此期间,还不能轻易转行,毕竟这个行业剩下的红利依旧很可观,转行需要的时间精力相当多,而且很有可能在转行快要完成时,人工智能技术方面又出现了新的突破也不一定哦~(=゚ω゚)ノ

所以说呢,这个时候试着学一些纯熟的人工智能和常规算法软件学交织的科目、技术也是好的,比如 C++,都是在瓶颈时期逐渐发展,可以应对这段最磨人的时间,也不会荒废了主要精力~

如何啃下 C++ 这块复杂又难学的硬骨头?

¥1.00

已失效

综上,为了各位在这短暂的经济和技术低潮中能渡过苦海直达对岸,本仓鼠作为一个不时兴的管理学硕士顺爪瞎写几句,推几个可能的副本…… 换作是本仓鼠也会为那未来的可能性而坚持,稍不注意,就有可能提前一点呢,嘻嘻 (#^.^#)

就酱。

知乎用户 小成​​ 发表

3 年前,入坑 AI,尤其是大坑 CV,方向图像生成。好玩很好玩,但没有公司要。

坚持还是要坚持,毕竟写毕业论文的。自知 3 年绝对不够,当成副业再玩个 3 年吧。

现在复习计算机五门专业课,非科班基础薄弱。

算法工作留给大佬,或者神仙吧~

==== 毕业了,笑一笑 ===

知乎用户 流浪 发表

TOP5 非科班。

实验室在做 cv,我是基础最差的那个。

后来,我转开发了,成了相对而言找工作最顺利的那个。。

建议: 安卓 / iOS / 前端 > 后端开发 / 机器学习 > nlp » cv。

注:

我理解的 AI 默认是深度学习相关的,包括 NLP 和 CV 两个方向。NLP:自然语言处理。CV: 机器视觉 / 图形算法。

关于计算机语言:

开发:

安卓:JAVA;iOS: oc;前端:不了解;

后端开发,或者第二语言选择:

如果你学校很好或者实力很强,特别想去腾讯、百度,BATTMD 中的其他大厂是其次,那么建议你学 c++;

如果你学校很好或者实力很强,BATTMD 都想试试,建议 JAVA;

如果学校一般 & 能力一般,去不了 BATTMD,建议 JAVA;

如果你特别想做嵌入式开发、底层开发,建议你学 c++ 或 c;

当然,如果项目需要用特定语言,或者没时间学对应的语言,那么用好你项目的语言,打好基础也行。

算法:

没什么好说的,python;第二语言 c++;

知乎用户 巧克力工厂的查理 发表

知乎用户 图灵基因​ 发表

以前我要给我父母买扫地机器人,他们也说用不着。买回来用了以后,他们大大夸赞机器人扫得干净,后来再也离不开了。

人工智能替代原来的行业方案, 一开始尝鲜期过去后, 考验真正的对行业的改进能力, 有改进的会不可逆的成为新的标准, 否则就是淘汰。

我们公司做医疗 AI,结合多组学和组织学切片图像诊断,预测癌症,大部分情况可以超过人类,以后是大趋势没有问题,但现阶段落地需要解决政策和观念的壁垒。

知乎用户 Quasi-Newton​ 发表

之前和系里教授还有实习老板聊过这个话题,想就此分享一些自己的看法。

其实正如很多答主所说的,并不是现在 AI 方向就业变严峻了,而是这个领域里的水货变多了。现在因为 AI 方向大热,很多人看到有利可图,都想往里分一杯羹。比如有人本科学的是 accounting,通过在网上学了些 ml 和 deep learning 的课程,便自称自己有 ml 和 neural network 的开发经验,接着拿简历去申请工作,没拿到相关岗位 offer 其实是件很正常的事。

其实只要现在能力到位,技能足够扎实,学位也对口,找到 ml engineer 的可能性还是很大的。同时因为未来 5g 网络的大面积部署开来,数据量会成倍增长,各行各业都会需要 AI 相关技术进行转型,将来这个就业市场的需求只会持续性的增加,而非是减少。

现在之所以大多数公司要求 AI 相关岗位的应聘者都需要最低硕士,大多博士起步。主要是因为现在各种 AI 方面的技术迭代的很快,并且要求的技术门槛很高,所以行业内需要有较好研究能力和相关技术经验的人才来保障他们可以快速的跟上整个产业发展的节奏。

在不久的未来,我个人认为,AI 方向的学习很有可能会从现在的 Unorganized 转变成 Organized,并且慢慢降低学习门槛和学习成本,以至于未来本科生或许也能参加进 AI 相关岗位的工作中。同时这个事情其实已经有很多人在尝试去做了,例如现在 coursera 上的各种 AI specialization 和 dataquest 上的课程,都是去了解和学习 AI 方面技术比较好的渠道。

我个人在这里依然看好 AI 行业在未来的发展潜力,并且不用太焦虑于是否行业已经发展到了瓶颈。

我们要做的,首先是巩固自身的实力水平,让自己能在机会来时抓住它。

其次就是,让子弹再飞一会。

以上仅代表我的个人观点。

知乎用户 王宇 发表

啥叫严峻,农民工作岗位 5 亿,极度缺人,工作时间自由不打卡,不严峻的你为什么不去呢?

如果感兴趣就坚持

如果不感兴趣还是不要坚持了,先寻找自己的兴趣点吧,做人择业,首先要认识自己

市场规律决定了,没有任何行业工作又轻松,门槛又低,待遇又好。

所以重要的不是行业本身如何,而是行业和你自己的关系如何。

知乎用户 没有干货 发表

头没那么铁,一年前就决定换了。最主要的是坚持下去会花很多时间在本来可以避免的竞争上,除非有很强的理想主义,不然头铁坚持没什么意义

知乎用户 数据虫巢 发表

为什么不呢?

01 从整体上看。

现在不是说人工智能就业前景越来越严峻,而是说几乎所有的行业就业都挺严峻的。这与经济下行有关,所有的产业都类似,都是有相关的关联的,要么是实体之间的关联,要么是金钱上的关联,所以牵一发动全身,在整个经济形势不好的情况下,谁都不能幸免。

02 单从人工智能行业来看。

人工智能其实在前两年经历了高光时期,人人鼓吹人工智能能逆天,对的,就是前两年阿法狗时期,所谓的风口来了,猪都能上天,人工智能就是那头猪。而试试是,资本鼓吹的能力永远会比实际快上那么一丢丢,这一丢丢可能就是四五年。所以,一旦经济形式不好的时候,加上人工智能的输出作用依然没有得到大规模验证的时候,猪就落地了。

在前几年搭船上车的各种算法工程师,于是迎来了跳槽狂欢,但是这是一个非常之贵的岗位,所以在人工智能得到进一步大规模验证之前,行业是比较难吃下之前一下子暴增出来的这些人的,这才有了如题的就业严峻的话题,再加上每年的海量应届生,就更加加剧了这个现象。

但任何新领域都会面临这个问题,我觉得只是时间问题。

03 未来的形态。

有人看衰人工智能的发展,我却看好。所谓的是大浪退去,总是能看到到底是谁在 luo` 泳,这是一个新领域必经之路,把那些 “人工” 大于 “智能” 的公司给淘汰掉。

从国家发展的趋势来看,产业改革是个必然的趋势,契机就是现在推动的 5G 建设,进而推进的大数据中心,云等。这意味着工业会往互联方向发展,万物往数据化发展。这个已经写进了国家提纲里,所以发展的势头没有什么好疑问的。我还没有见到在中国要推动的事,国家推不起来的。

所以只是时间问题。那么,既然有这个发展前提,所有行业都将数据线上化,总不能拿来看的吧,最终还是希望把他形成生产力,而人工智能就是一种输出的外在表现,所以,一定会市场。

04 我们该如何做

我觉得这个事情急不来。从产业的角度来说,很多领域说人工智能太过于遥远,先把行业信息化了才是第一步,就算工业互联了,还要走很长一段时间的数据初步应用的阶段。

我认为数据分析 / 初步的应用,是数据产生价值的初阶阶段。就跟升级打怪似的,先打小怪,再出 BOSS。而人工智能就是 BOSS,数据价值输出的终极表现。

作为从业者,也不要心慌慌,可以累积技术。先从一些成熟的行业做起,比如推荐系统 / 广告,还有其他互联网的一些衍生领域,这些已经在算法和人工智能领域有一定的累积了。习得好武艺,授予帝王家。好好练习,机会有一大把。

知乎用户 灰质 发表

泻药,只要还有工作有收入就坚持。

现在的 AI 技术肯定是跟预期还有巨大差距,详见我最近的文章《人工智能那些事:很弱小,但值得期待

目前的科技处于青黄不接的时候,互联网,发动机和芯片等科技带来的红利已渐渐消退,新的 AI,电池和量子计算等技术还没有到达足够工程化的技术奇点,但是好在资本足够多,生活物质也不用担心吃饱穿暖的问题,那不去探索点好玩前沿的事情干啥呢,而且又没有多危险。

知乎用户 抠脚袒胸老宫酱​ 发表

伪人工智能研究生先码:

不但就业形势严峻,读研形势基本误人子弟。

个人意见:不是竞赛保送的,高考没读上 C9 这一档的,别来趟人工智能这趟水!

2020 年五月十五日:

本人在某人工智能实验室就读,跟了某千人 / 外籍院士,前途好似一片光明。

知友读到这边是不是认为我毕业没个二三十万就算有辱师门???

but 事实是正儿八经的人工智能企业根本不会招我们。

招我们的人工智能企业人数通常不超过 50,少部分人数不超过 200。

稍微有点口碑的企业招人门槛是双 985 做研发,博士做算法。

高考进不了 985,人工智能陪跑都不够格。


从入学伊始,我压根就没坚持过这个方向,莫名其妙跟着导师做这个所谓的风口方向。

我初高中竞赛从没进过省前一百,一个省前十的基友碾压我的彻彻底底,最后他连国训都没进。人工智能的未来在这些理科大佬的身上,其他路人请对自身智力水平有点数。

入学开始后,理论学习靠百度云和 B 站,实践操作靠 MATLAB。

导师天天给你画饼喝汤,不去解具体问题,including 装软件,ROS 使用, 买东西如何报销。

有时候装软件能卡我一个星期,而人工智能乱七八糟软件用的又非常的多。

最后各种花钱花时间,终于把自个儿培养成一个调参数熟练工

然后出去一问,哦,人家大专学历半年培训班调参数比我 6 多了。

调参熟练出去找工作,人家表示可以七八千招一个大专生 007 调参,要你研究生何用?

你说你是研究生,你算法能做么? 别跟我扯 MATLAB SIMULINK ROS 啥的,大专生培训半年都会做。来就是调参,爱干不干!

PS:人工智能的老师,只要不是理学出生的,有一个算一个都是圈钱的 XXX。

就软件操作这块,导师的作用不如 B 站, B 站的作用不如花一万去报班。

知乎用户 山栀​ 发表

我表弟非计算机从来不会编程,读研老板天天让打杂还要求发文章实在找不到方向了,我说你整点深度学习算法用到你们实验室的旧数据集上啊,于是疫情我就远程指导了一下他怎么用 python 以及机器学习原理,顺便教他研究研究 Yolo 系列,应用到他们原来的领域。于是我一个 CS 系统 0 机器学习背景的成功把一个 0 背景的工程学士调教成了调参侠。我还是坚持深度学习是赢者通吃的方向,而且移植 / 模仿成本相当低,所以不走前沿算法研究,最终还是回归到程序员。

知乎用户 鳄鱼家的帅气猪 发表

我不是在坚持人工智能,而是在坚持我心中的热爱的数学(尽管不是纯数学,有总比没有好),贴合实际一点就是坚持算法。目前的严峻在于人工智能的爆发,是这方向的毕业生越来越多,并且什么专业的都有。一旦多了,就要饱和,因为其实做核心算法的根本不需要那么多人。

许多人进入人工智能行业是为高工资,所以大厂是首选,可是你进去了大厂,你真的就可以自己写算法吗?不是用的别人写的吗?别闹了你不是大牛,你给他们写算法他们不愿意的,基本你得任务就是搞搞数据训练一下,跟一下最新进展。因此你会发现大厂招聘只要你背景可以然后重要的是你写代码可以,基本就稳了。实话说那点代码能力对于计算机出身的不是问题,这样复合条件的人越来越多,你进去也就越来越难。更加不提非计算机出身代码能力不怎么样的了,比如做数学的,我是身有体会,别人根本不搭理你。因为你和他们大厂不匹配,你说你过去给他们搞算法创新,谁信你?别人一大堆的大牛,根本不需要你,只需要一个写代码的。

这里说一下华为,其实大家都认为华为很看重基础学科,其实还是看现实情况,你们可以发现他们说的基础学科和我们纯数学说的不一样,他们比较喜欢计算数学的。所以说要想找个大厂的工作,你得背景得厉害,比如学历项目经验文章,同时代码能力要觉对好。

cv 方向这两年人才越来越多,很多人想进互联网大厂,其实人工智能的应用行业也有很多,换个角度看一样的,只是你们应用的场景不同。

知乎用户 AI-NLPer 发表

备战参加明年的秋招,算法岗情况竞争确实一年比一年激烈,但自己该坚持还是要坚持,毕竟只有在一个领域深耕,才可能有收获吧。

2021 校招算法岗, 劝退还是继续(分享这篇文章)

说说自己的小白学习路径,当初入坑 NLP 是学习机器学习时做了一个文本分类任务。文本分类作为基础任务,推荐 FudanNLP(GitHub)的上手练习。一条个人觉得很赞的路线(来自夕小瑶推荐):先入门文本分类聚类,后熟悉文本匹配,进而根据个人兴趣去做对话 / 问答 / 推荐,自己也是这样学习的。

CS224n 的 19 版或 17 版课程非常推荐,一定要完成配套作业。案头书推荐的有好多,经典的有宗成庆老师的《统计自然语言处理》、冯志伟老师翻译的《自然语言处理综论第二版》、李航老师的《统计学习方法》等等,Speech and Language Processing 有电子版,也是领域经典。之后就是读最近的顶会论文,ACL、EMNLP、NAACL 等。还有一些优秀的知乎,微博,微信公众号,里面会有领域大牛分享,日常刷刷能学到很多。

无论做开发还是算法,刷题都是必须的,剑指 offer、LeetCode,算法与数据结构是一个程序员的内功吧。有空看看面经让自己更焦虑一点,然后自然就会加紧多学一些。越往深入走会发现,AI 基础是多么的重要,数学基础是多么重要,只能边实践,边学习了。

最后想说现在这种行情下,大概唯有多刷题,多读论文,不断向大神们学习,才能解忧~

知乎用户 henry 发表

不是越来越严峻了 是回归正常了

人工智能本来就是个投入巨大 却出不来能卖钱的产品的行业 当作概念炒炒还可以 当作职业本来就风险极高

之前是赶上互联网井喷加政府印钱 市场上钱太多没地方去 金融机构拿人工智能的高度信息不对称(很多人都不懂是啥) 当做割韭菜的镰刀 强行吸引资本大规模流入 目的并不是真的做出人工智能产品 而是炒出高估值卖了套现

现在钱烧完了 套不了现了 不卖钱的东西 谁还哄着那些程序员追求几十甚至几百年后的梦想

所以程序员们要认清现实 你们之前赚那么多钱 是资本的力量 不是你们产品真的有多好 现在资本走了 体现出的才是你们产品的真实价值 很可能只是个负债

现在中国已经从财富创造时代 逐渐向财富分配时代过渡了 市场上就那么多资产 你不抓紧抢别人的 你自己的资产价值就随着通胀缩水 没有那么多时间和机会 让你慢慢的研发不赚钱的东西了

知乎用户 还是不注名好 发表

我反正是早就做好了毕业就失业的觉悟了,大不了毕业以后待在家里打游戏啃老,然后找个时机自杀。

知乎用户 匿名用户 发表

我现在过的还行,没到 “坚持” 那个地步,真到了那个地步,我就不 “坚持” 了(请自行脑补一个笑哭的表情)。

题外话,我一直觉得知乎上的人特别傲慢,惯用套路就是前段用训导人的口吻以前 AI 行业什么什么样,中段用一种貌似谦卑其实炫耀的口吻说我面的人都怎么怎么差甚至表达一下只有自己对 AI 事业是发自内心深处的热爱跟那些刷刷西瓜书无脑堆深度的人不一样那些人都是 bullshit,都是来误我大清的,本来就其心可诛,最后忧国忧民的对未来十年 AI 行业做个预判。

我说句实话,知乎上没几个人是真的热爱 AI,大家都是混口饭,生化环材赚钱你肯定觉得生化环材真香,这句话说出来有那么难么。不知道我待的搜索推荐算不算你们口中的 AI,但最起码我见过的啥都不会的,月薪都是知乎某些劝退行业的两到三倍,你们理解什么是两到三倍么?换算成时间就是人家十年就赚你三十年赚的钱,你们能理解三十年是什么概念么,就是三十年后你已经五十六七了。你们知道五十六七是什么概念么?就是 99.99% 的人这辈子基本就这样了。这还不考虑能跑赢房价带来的收益,不考虑因此能娶个高质量的老婆以至于有个优质的后代,不考虑整个人生过程质量的问题。这还是跟知乎平均 985 同等学历的人比。我朋友之前出去玩儿,跟司机师傅聊天,司机师傅问她在赚多少钱,她随口一说,司机师傅说,我一辈子赚你一年的钱。说实话,我听了挺心酸的,但现实就这样,我觉得大佬们肯定也是这么可怜我的。但事实就这样,赢者通吃,与其唱衰这个唱衰那个,不如想想怎么改进自己。

我不知道提这个问题的人到底是基于什么样的事实和参照物去提的问题。是基于原来会写逻辑回归就给四十万年薪现在只给三十万提的?还是基于跟其他行业比较提的?但无论基于什么,“越来越严峻”这个词让其他行业看了都过分了。你拿着月薪两万跟一个月薪五千的公务员抱怨说我们行业太难了啊,以前我都能拿三万,我觉得对方不打你就是真朋友(此处指同性,异性的妹子肯定觉得你好棒棒,你那么 “难” 给你个爱的抱抱吧,立马想嫁给你)(我现在也是被喷怕了,必须严谨,人生太难啦,大哭表情)。

我是说真的,包容一些,谦虚一些,除了顶尖的那部分人改变世界,我们这些人就是复用大神们的创造性,谁能比谁高级多少,无非就是有人学的快些,有人学的慢些,有人进了门不想学了靠其他技能混饭。但大家都是 “学” 而不是大神们的“创”,有点区别,但没有天差地别。

评论区最好不要怼我,反正我也不听。

知乎用户 breakpoint 发表

互联网 -》java,后台啥的

AI-》python -》cpp 加速啥的

已经分道扬镳了,选哪个都一样,以后都得转行

知乎用户 岳麓黔首 发表

曾经答复了一个物联网专业学生在知乎提出的关于物联网专业就业何去何从的问题,后面有多位大学生私信询问类似的话题。那就在这个问题下把我的观点再阐述一遍吧:

中心观点:没有失去前景的行业,只有没认清自己的工作。

为什么这么说呢?本篇回答的最后附上新浪新闻报道的 10 大史上最难就业专业,然而你会发现我们的社会却对这 10 个专业的人才越来越急需,比如心理学、金融学和生物技术。这些行业没有前景吗?不是,而是对就业者的素质要求不一样。比如假设你做一名富士康的工人,上个职高就可以了,甚至都不需要。可是你要做一名心理顾问,却不那么容易,很多时候需要一定的天赋。因此最重要的是你认清自己到底有没有那个天赋?有的话,自然你就不用担心就业的问题;没有的话,你为啥要去选择这样的行业呢,并不是说学了这个专业就只能从事这个行业,反而跨学科跨领域的人才越来越受到欢迎。

回到题目:人工智能。这个行业的前景咱不用怀疑了吧?明显是持续保持在热门行业的 Top 位置。看看下面的招聘信息,重点看看工资范围,敢说这个行业没前景吗?

可是,这些急需人工智能人才的企业却往往犯愁招不到人,数学基础要有,计算机要用的溜溜的,还要懂场景,还要知道前沿进展……

因此,不要用片面的行业认知来掩盖自己的学艺不精,清楚的认识自己。要么选择通用性的工作,这种对情商要求高,而对专业技能要求一般的工作也有很多;要么选择专业性的工作。

1.

心理学

图 / Financial Tribune

心理学通常作且只作为辅修专业,是有道理的,因为指望它搞定一切并不现实。学完心理学就洞悉心理体察人性的愿望,大都要破灭。即便是知名心理咨询师,也要经过大量实践洗礼才算靠谱。

于是,学了四年心理学,可能还抚慰不了找不到工作的心病。

心理学本科毕业后多数流向人力资源、用户体验、心理咨询和教育机构四大类。心理学的普及教育仍不成熟,因此教育机构难入,心理咨询门槛又高,这两个方向和科研一样难;更多的心理学毕业生最终选择为老板而战,在人力资源岗位中与员工斗法,用学来的专业知识为老板省钱之余,消除劳动纠纷的隐患。

2.

社会学

图 / Top Universities

社会学专业是知名大坑,很多人都解释不清这个专业的来由。毕业生大都只能挤挤公务员、高校、媒体和 NGO 组织(而且通常会被文史哲等专业杠掉),理想一点的流向智库和市场研究部门,听起来是不是大有高屋建瓴挥斥方遒之感?

他们在亲戚眼中,多数是高级社工,充其量理论知识丰富些而已。

社会学和哲学相仿,容易陷入理论怪圈,而且要么过于宏观注重整体批判,要么过于微观注重个体研究,非常难定位。毕业后建个数据库就能创业的传说,大概只存在于刘强东的创业故事里吧。

3.

历史

图 / Museum of History of Georgian Medicine

历史学难就业是结构性的,也是决定性的,这并非一个优秀的历史系毕业生可以改变。无用之用是为大用,那至少是打通人文学科的大牛才能说的话。

历史是 “研究过去” 的学科,和专注于当下和未来的市场需求何止是不对口,简直背道而驰。

毕业生的方向要么是继续研究,在某一个点无限深入,要么就得彻底跳开 “总结过去成败” 的学科套路,面对历史研究单位研究生起跳、公务员岗位多数不对口、非党员难进国企事业单位、做文案干不过中文、跨专业考研又对数学头痛的惨痛现实。

4.

哲学

图 / 風傳媒

空有知识理论、缺乏应用场景,是文科生都容易陷入的困局,也是工作中最避讳的习惯,学哲学的尤甚。除了上述缺点,学到最后还会陷入一种话语困局:跟比自己学得好的人交流费脑子,跟哲学圈外行说话又无法沟通。

事事追求真理,分分钟变成 HR 眼里的杠精。什么时候吵赢老板能找到工作,哲学系就能变成热门专业了。

北京市教委发布的《2016 年北京地区高校毕业生就业质量年度报告》中提到,哲学专业就业率最高,但限定条件是 “本科及以上就业”。读到博士搞学术当然是成功就业,而普通哲学系毕业生的成功通常要和其他学科产生联系,训练出来的逻辑思维才不至于变成高端屠龙术。

5.

金融学

金融学的纷繁复杂相信各大学子不难脑补。该学科在各大高校均有开设,基本属于大学教育体制内的基础学科。每年这么多拜在《经济学原理》作者曼昆门下的学徒,终其四年最后会发现只习得皮毛。毕业之后如不继续深造,想要直接从事相关行业,理想与现实的落差就出现了。

说起来都挺高大上:“我是 XX 大学金融系毕业的。” 然而,理财顾问、投资顾问、大堂经理可能就是金融本科生最直接的就职选择,保险行业也是很多同学的毕业去向。

现实还是赤裸裸的,只有少数人拥有能够宏观调控国家经济命脉的大脑。很多时候,刚入职的新人都在默默用流于皮毛的金融智商,帮一群门外汉规避风险,投资基金,再顺便卖给他们一份保险。

6.

生物技术

2010-2017 年的《中国大学生就业报告》,生物技术专业只从红牌专业名单中逃过一回(2015 年上榜的是兄弟专业:生物工程和生物科学),就业难度不言自明。

高分录取,未来风口,生物专业从来被热切关注,但难负盛名。生物技术的对口去向是搞科研,而研究岗对个人专业素质和公司实力都要求极高,博士可以考虑,本科生还是算了。

更关键的是,即便学完了基础知识又要与其他专业竞争,微生物方向转角遇见生物制药,动物方向要跟兽医 PK,植物方向有一群林学专业的同学等着你,和中文、国际贸易和计算机等 “通庸” 情况相仿,而且悲惨程度更甚。

7.

法语

图 / clic.es

法语系的同学,天然自带逼格的光环。被误解程度之深,也要拜一系列国产偶像剧所赐。如果说《亲爱的翻译官》里杨幂饰演法语系毕业生是忠于原著,那《路从今夜白》的女主,法语没说过一句,也硬要法语系学生的人设是怎么回事??

张口闭口都是别人听不懂的语言。四年高端课程里夹杂着各种国际交换计划,让人不免联想到埃菲尔铁塔、罗浮宫、塞纳河…… 这一切都是真的,只要你支付得起留学的费用。

如果没有 “天天像高考” 般的努力,就难以练就 “信达雅” 的翻译功力。无法从事高级翻译工作,只能到展会偶尔打打杂。最后面对全地球人都会说英语的尴尬就业市场,还想要专业对口的话,除了到第三世界国家人民需要的地方去,各小企业的外贸跟单员、旅行社的外国人观光团也很需要你。

8.

音乐表演系

音乐表演专业不培养歌手。歌手常出自严入严出的流行音乐专业,比如好声音的梁博和他在沈阳音乐学院的老师权振东

音乐表演培养的是乐手、音乐教师(也就是招生简章上面写的 “乐队演奏成员和音乐艺术教育工作者”),还有音乐剧演员,通常都是教育和表演行业的绿叶人员。

普罗大众艺术生活里,很难见到音乐表演专业学生的身影——至少很难单独见到。音乐表演专业出来的主战场是教室、工作室和小舞台,成为知名乐手的机会很渺茫。不过倒是可以凭扎实的乐器基础获得不错收入,比如在一线城市做音乐家教。

这些音乐表演专业的毕业生,大都通过 “音乐” 而不是 “表演” 来获取生活费。

9.

动画

成都 717 动画工作室工作场景 图 / Uuuud 设计竞赛网

与隔壁在风口上飞着的游戏行业相比,动画的前景有些尴尬,无论是技术、原画、编导还是销售岗位,都受制于国内并不发达的动画市场,以及其在相关产业中的附庸地位。

中国目前仍缺乏对待动画的正确态度。动画系的毕业生,理想派大多在吃土,现实主义者则可能丧失了初心,忘了当初追逐吉卜力或者皮克斯的梦想,成为玩具厂商的附庸。

国内玩具大厂们并不合理地主导了动画行业,也给了毕业生们一个纠结的就业选择:究竟是投身艰苦的、前途未卜的原创动画领域,还是乖乖为玩具们量身定制宣传片,成为动画界的广告公司呢?

10.

物理学

物理学的研究方向十分广泛,从弦理论、量子力学、傅里叶变换、薛定谔的猫到德布罗意波,总能找到自己喜欢的研究方向。

那些耐得住寂寞和不怕失败的勇士,可以进入科学院等国家级理论研究所、知名企业研发机构、名牌大学的物理系和重点实验室。一般的同学,会出现在微电子类公司、光电子类公司、核电公司的技术岗位或者中小学生的物理课堂上。

上述是物理学系研究生的就业情况。如果你只是一个小小的本科生,还想对口就业的话,那你多数正在本校保研、物理类专业读研、跨专业读研、出国和暂不就业中,通过掷骰子来估计成功概率。

说到这里又不得不提中大 2004 级物理基地班的毕业聚会横幅了:他们毕业后卖手机打游戏当电工当码农…… 有学好物理学的脑子,干哪一行都不难!

知乎用户 山寨版冯诺伊曼 发表

其实我在深入接触 deep learning 之前,也有一种错误的认识,就是天然认为深度学习就是神经网络的应用,没有任何技术含量。但现在看起来,深度学习的确是从根本上改变了机器学习这个行业的 landscape。

讲这个问题之前,大家可以做一个简单的实验。用 MNIST dataset 去比较简单的 feed-forward neural network 和 SVM。如果没有 CNN 的话,简单的 NN 很容易出问题。这个是无论你如何喂数据都不一定起作用的。真正让深度学习成为主流的是 CNN,以及支持它的硬件。

在我看来,CNN 至少革命性地解决了两个问题: 1. 让机器学习在更大规模上运用变得容易得多,英文就是 scalability 上去了;2. 让 feature engineering 这个原来手动的过程变得自动化。我个人觉得后者是 CNN 最大的贡献。试想如果所有的 feature engineering 都需要 manually 去搞,那需要大量有 domain knowledge 的人,而且即使是一个人面对不同的数据可能也未必能达到最优。如果大家有机会去生物统计领域的会,在那个领域里还有组用传统的方法做图像切割然后 fit Random Forest。这种传统方法几乎可以肯定是没办法做出像 FaceID 这样的产品的。很多人在强调 CNN 的黑箱模型,well,统计模型里面的非参数模型虽然不是黑箱,但可解释性也不强。

基于深度学习的模型近些年进展非常快,应该说把这个领域带上了一个前所未有的高度。更一个大的贡献是把机器学习模型平民化。如果有心的人可以比较一下统计文章里面的一些基于贝叶斯的图像处理方法,还有深度学习的方法,可以发现深度学习的方法简单灵活,而且实现起来很容易。更重要的是为工业界提供了 end to end 的一套机器学习系统。这个领域还会快速发展,以后神经科学的进步会给这个领域带来很多新的理念。

说了这么多,其实最后的结论是 AI 会逐渐平民化,自动化,未来公司的重点也会从算法开发转移到产品开发上去。随着算法的不断成熟,可能以后 benchmark 的算法就可以完全满足产品需求。所以更多的重点将会放在具体的应用场景当中。这个和很多传统行业开始出现类似的情况。下一波 AI 的革命应该会来自于神经科学,这样会带动机器人,语音识别,自动驾驶等领域的革命性发展。

知乎用户 扁豆焖面 1.0​ 发表

和 AI 相关的,按着我的理解就是算法工程师了。

首先,并不是进大厂搞算法必须要论文,也不是有了论文就能进大厂了。

按着我见到的情况,CV 和 NLP 这种学术味很重的方向一般竞争很大,因为好发论文,学校里的老师都在搞这个,导致这个方向毕业的同学特别多,论文也挺多的。如果题主是想在这个方向找工作,想找个好工作可能就要发个有水平的论文了。

另外,在广告,推荐这样偏向数据挖掘的方向上,学校里研究的人不多,所以一般大家都没论文(相较于 CV 来说),而且这些方向的坑位比较多,更好找工作一些。这样的方向更需要的对业务的理解和实际的工程能力,所以如果有兴趣,可以在这个方向做一些努力,应该会有比较好的结果。

最后,我是今年参加工作的同学,也找的是算法方向的工作。最大的体会就是大佬真的很多,80% 的 offer 都被 20% 的人拿走了,其中 CV 最夸张。我是评估了自己的水平,主要找的数据挖掘方向的工作,结果也还不错。另外一个体会是基础很差的同学也很多,所以题主如果想要找一个算法的工作,还是选一个适合自己的方向,并且好好学习一段时间。这个行业有很大的可能性,但是需要你付出的更多。

知乎用户 汽车大卫王 发表

如果你热爱一个领域,被各种公众号文章吓的不敢学了,

你应该不是一个科学家。一个科学家应该独立研究,独立思考,形成独立的观点:

为什么美国如此反对中国留学生学习人工智能和量子技术?国内外这两种技术的发展现状如何?

我就打开 Google Chrome,

按照我的理解搜索一下,看看美国人得到什么消息。

于是!

今日份:

看到最下面,也就是首页搜索结果第四条了吗?

【美国需要中国的青年才俊!】需要!申请!出国!留学!

url link name 起的更好,一副美帝国主义已经跪倒在中国青年才俊脚下的感觉:

united states can’t afford turn away chinese talent

美国承受不起拒绝中国青年才俊(的代价)!

另外,我刚玩国际象棋,也了解到 AI 的发展,看了油管上 AI 对战 Komodo 不知道国内用什么 app 联机,

人工智能如今发展有多快?

关注 @汽车大卫王,领先知乎汽车类答主,每天谷歌一次回答一个知乎问题,让你看到墙外的世界:

圆桌收录 - 我懂一点 AI

AI 技术要不要考虑价值观,你最希望或最不希望 AI 被应用在哪些领域?

在你的工作领域里,哪些岗位无法被 AI 取代?

类似的优秀回答精选:

21 岁存款 35 万,先买车还是先买房?

如果油价长期低于 20 美元,新能源汽车还有优势吗?

汽车大卫王:贷款基准利率 4.9%,无上浮,无折扣,余 25 年,选择固定利率还是 lpr?

汽车大卫王:新冠状病毒疫情过后,汽车会降价吗?

知乎用户 华叔 - 视觉魔术师 发表

不同意太同意提问者本身的这个标题,在个人看来压根就不存在所谓的人工智能专业,现在很多高校开设了人工智能专业,其实就是为了赶在行业泡泡末期扩大招生、扩充自己的生源而已。不存在人工智能专业,但是确确实实的存在着基于机器学习的智能化算法,可以提升各个行业领域的处理方法。“人工智能” 专业,是个万金油的方向,基本上跟二十年前的 “工商管理”、" 国际贸易 “这种专业快差不多了。你说机器学习的应用领域吧,的确是非常的多,各个细分专业领域都会用到,但是如果你只选了” 人工智能 " 专业,等你就业的时候,你会发现实际就业市场上都是需要的都是: 计算机视觉;语音处理;自然语言处理(NLP);商业数据分析;推荐系统开发; 都是这一类的岗位,这些岗位绝大部分都是硕士起步,而且得是这些专业的。所以如果选择 “人工智能” 专业,将来再就业市场上可能很难定位。因为这些专业岗位,本身就需要各领域的专业知识,这些专业本身也需要有机器学习方面的知识,这一类专业其实更加符合企业需求。

所以更应该将 “机器学习” 作为一门新兴的课程,开设在各个专业中,每个专业都应该增加 “机器学习” 这一门课程,除了基础的理论,更多的介绍一些适合该领域中常见的算法。从狭义的角度来说,把 “机器学习” 当成 CS 专业的 “算法和数据结构”、“数值计算”、“离散数学” 一样的课程,做为新兴课程在各个传统专业领域开设,这才是符合人工智能领域未来的方向。

目前对于人工智能技术,最大的问题是能够在各个细分领域的应用。例如,之前有做嵌入式行业,需要采用 CNN 做基本的车牌识别,需要在一个 DSP 或者 MCU 上来实现车牌号码识别。这样的需求看起来很简单,但是真正要做好并不简单。 如果在 PC 上实现,调用 python 库,几行代码就可以实现。但是对于 MCU 上的资源、内存都非常有限,需要自己手工实现一个简化的 CNN,还得做各种定点整数计算优化,这些行业才是算法真正需要的应用场景。如果能把这些做好,才真正是将人工智能应用到行业领域。

知乎用户 匿名用户 发表

现大四,保研某 A 评级 985,我可能比较头铁吧我还是想赌一把,我赌我能学好,仅此而已。

知乎用户 普适极客​ 发表

谢邀

在回答坚不坚持之前,我们先看看问题的假设是否成立。

那就是人工智能就业真的越来越严峻了吗?

其实并没有,至少从我们自己的视角来看是没有这回事的,甚至于我认为现在的人工智能产业还没有到达完全爆发的那一刻。

为什么这么说呢?这就得要从科技的本质说起了。

一切科技的本质就是降低人们工作的边际成本,解放生产力,提高效能。从早期石器时代、青铜时代用更先进的工具解放生产力,到后边的工业时代完全释放了人类的体力劳动生产力都完完全的体现了这种规律。

到了人工智能时代,它其实是人类进化过程中发明的又一个解放我们生产力的创造物,这次它释放的是我们的脑力劳动。它让我们摆脱了要仔细计算的辛苦,它能帮助我们识别人脸、听懂人语,它能发现数据之中的异常,它还能找出数据之间的关联性并作出预测。

这是一条正确的道路,只要它能降低我们的成本,提升我们的效率,那它就不会被人类所冷落。相反的,随着人工智能行业的不断发展,越来越多的传统行业被大数据、人工智能等新兴技术所改造而获得新的生命力时,对人工智能人才的需求会逐渐增加的

可为什么会有这种人工智能就业严峻的观感呢?我觉得有以下几个可能:

第一,目前大部分的 AI 产品或者项目都是贴合业务应用去进行落地的,所以相比较而言,传统的开发人员还是占了大头。

第二,目前的人工智能岗位还是以高端人力为主的,这需要应聘者对整个 AI 行业的情况、包括各种算法的优劣、调优等有一个整体的认识,这才能很好的满足岗位的需求。我们就经常遇到应聘算法岗位的同学实际上对 AI 根本都还没入门就想要进入这个行业的,那当然不会被接受了。

第三,目前的 AI 行业还没有形成行业标准,这就意味着不会有大量的通用的 AI 岗位的释放,但我认为不久的将来这会慢慢成为现实。

关于怎么坚持?我还有几个建议。

一个办法是往深里钻,多参加各种算法、人工智能大赛,争取获得成绩。拥有自己擅长的算法领域,在面试能回答的头头是道,并给出独立见解。多试验多总结,并把自己的思考和试验过程整理发布到网上与大家分享。当你能在一个领域具有一定的影响力时,自然不会有 “就业严峻” 之感。

第二,另一个办法是扩展广度,除了算法的能力,还要拓展自己的开发能力、对业务的理解能力。我们面试过很多做算法的,有的对算法的理解很深,但是编程能力并不够强,在实际实现算法并与公司产品结合的过程中会犯很多的错误,这相对于兼顾的同学来说就缺乏竞争力了。其次呢,越来越多的企业认识到了 AI 的作用,也就催生了更多的 AI 项目,这需要即懂得业务又懂得 AI 算法的项目经理的参与,而这类型的人才就我们自己的招聘经验来看是十分稀缺的。

综上,我认为人工智能的就业并不严峻,只要找对方向,想要 “坚持” 也并不痛苦。

最后,让我们展望一下未来吧。随着人工智能技术的不断发展,越来越多的人类脑力工作将会被机器所取代,到时候 AI 工程师占整体计算机产业人员的比例将稳步增长。

当然,努力提升自己的综合能力总是不会错的,只有在一个蓝海市场里才不用竞争,不然因为资源的不足,竞争总是常态。

所以与其在纠结要不要坚持,不如把自己锻炼成一个能在任何海域里博浪的人才。

知乎用户 行行查​ 发表

人工智能可以分为训练、推断两个过程。训练阶段基于充裕的数据来调整和优化人工智能模型的参数,使模型的准确度达到预期。训练阶段结束以后,人工智能模型已经建立完毕,已可用于推理或预测待处理输入数据对应的输出,被称为推断阶段。人工智能训练过程主要应用机器学习算法,可以分为浅层学习和深度学习两类。

浅层学习(ShallowLearning):浅层学习是机器学习的第一次浪潮,源于 20 世纪 80 年代末期反向传播算法(BP)的提出,还包括支撑向量机(SVM)、Boosting、最大熵方法(如 LR)等算法。浅层学习算法模型的结构基本上可以看成带有一层隐层节点(如 SVM、Boosting),或没有隐层节点(如 LR)。其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限,针对复杂分类问题其泛化能力受到一定制约。

行行查 | 行业研究数据库

深度学习(Deep Learning):深度学习是机器学习的第二次浪潮,源于神经网络的发展,深度学习通过学习一种深层非线性网络结构,实现复杂函数逼近,表征输入数据分布式表示,并展现了强大的从少数样本集中学习数据集本质特征的能力。与浅层学习相比,深度学习通常具备多层隐层节点,并明确突出了特征学习的重要性。常用的深度学习模型包括卷积神经网络(CNN)、递归神经网络(RNN)、生成对抗网络(GAN)等。目前 CNN 已经在计算机视觉领域广泛应用,RNN 在智能语音领域广泛应用。

人工智能产业链可以分为基础层、技术构架层、平台层和应用层。

基础层:包括了算力、数据以及传感系统,包括了人工智能三要素中的两部分,是整个人工智能技术实现的基础;技术构架层:包括了算法理论、感知技术以及认知技术,感知技术是使机器通过传感器和算法感知世界;认知技术是让机器能够认知人类语言、知识;开放平台层:包含基础开源框架和技术开放平台,科技龙头企构建基础开源框架,部署机器学习、深度学习底层平台。行业领先企业构建技术开放平台,为开发者提供 AI 开发环境,建设上层应用生态,形成核心竞争力;应用层:切入安防、医疗、教育等各种场景,为用户提供个性化、精准化、智能化服务,赋能各应用行业。

全球人工智能产业以英特尔、谷歌等跨国科技企业为主导,不断加快底层技术研发与产品应用实践步伐。2019 年全球人工智能产业规模超过 1917 亿美元,预计 2024 年将超过 6157 亿美元,2016-2024 年的年均增长率达到 33.98%。我国人工智能产业聚焦多元化的应用场景,瞄准教育、医疗、金融、等领域智能化改造升级的切实需求,通过优化场景设计率先推动商业化落地。

近年来,差异化和区域化的竞争态势吸引我国涌现出一大批新兴的人工智能企业,推动我国产业规模持续增长。2019 年我国人工智能产业规模达到 1372 亿元,预计 2024 年将逼近 8000 亿元,约占全球总体产业规模的 20%,复合增长率达到 48.97%,超过全球平均水平。

智能语音作为人工智能技术层的一部分近年来增长迅速,2019 年我国智能语音市场规模达到了 218.4 亿元,预计于 2024 年达到 489.4 亿元,2016-2024 年的年均复合增长率达到 48.33%。伴随着人工智能技术的进步,我国人工智能应用层市场规模也正在经历快速增长。

以医疗行业为例,2019 年我国智能医疗市场规模为 7.2 亿元,预计于 2024 年超过 60 亿元,2016-2024 年的年均复合增长率达到 122.75%。我国一部分核心技术已经走在了世界的前列,大规模高质量的用户基础和亟待升级的产业基础将推动应用层产业发展进程持续提速,人工智能技术将逐步完成对全行业、全产业链的渗透。

扫描下图二维码了解行业图鉴 1.0

手机访问 “行行查” 小程序更方便

知乎用户 飞石 发表

为什么不坚持?正在攻读伊利诺伊理工大学线上人工智能硕士项目,学习过程中我反而更加坚持了!

以前一直想真正系统性的学习人工智能,但是工作之后很难有时间和精力去投入到学习中。我在一家外企工作,所以对美国的资讯比较关注。美国大学在 AI 教育领域有得天独厚的优势,一大批知名的工科院校在 AI 领域都有非常强大的教育资源,一直心向往之。但出国学习对我来说又不现实,好在迫于招生压力很多美国知名大学,针对在职人士都推出了可以全线上学习的硕士项目。

我报名学习的是位于芝加哥的工科名校伊利诺伊理工(IIT)的人工智能硕士项目,可以在国内通过全线上方式完成学习。课程的内容、师资的安排,甚至助教的安排、作业和考试的安排都和芝加哥本地毫无区别。

从课程设置角度看,基本涵盖了 AI 领域的重要领域:机器学习、计算智能、模式识别、计算机视觉、人工智能的计划于控制、机器人理论、物联网应用、信号处理等等。

目前,IIT 的计算机科学硕士项目和人工智能硕士项目在国内已经有接近 100 人成功申请入学学习,这些同学分别来自苹果、腾讯、百度、头条、微软、完美世界、新东方、清华启迪、高瓴资本、高盛等各类行业机构。

学习过程中,学校还会定期邀请国内外知名互联网和科技企业的高级管理人员、科学家、资深工程师,举行科技菁英会活动,大咖分享计算机科学和人工智能在实战中的具体案例,结合硕士课程的知识系统,阐述如何将理论和知识应用在实际的行业解决方案中。之前邀请过的专家包括头条、Adobe、苹果、NVIDIA、美团、优酷、新氧、快手等公司的资深科学家、资深工程师、产品负责人等。

知乎用户 灼若芙蕖 发表

这几天刚好到杭州出差,参加一个天池的比赛,关于视觉 AI 应用的。比赛地点在杭州的梦想小镇互联网村,安排在未来科技城附近的园区落脚。

天池这个比赛不是 kaggle 那种形式的比赛,它主题是应用创新,也就是说,达摩已经开发出自以为稳定的各种视觉 API,希望借比赛从社会中广泛吸纳创新应用点。

这个回答并非是说这个比赛如何,而是这个比赛透露出即使是像阿里这种巨无霸级别的公司,一样会为 AI 应用场景的拓展而烦恼。行业翘楚尚且如此,你觉得次级公司能好吗?

这几年因为各种深度学习的算法和框架如雨后春笋般发展并成熟起来,技术调用和封装的门槛越来越低,很多本来没有下场机会的公司都加入到这场浪潮中。然而他们当中很多是没有准备和积累的:没有自己的应用场景,没有自己的数据,甚至连团队都是拼凑的调包侠(没有任何不敬的意思),纯粹是想借风头骗钱。一旦商业模式还没培育起来而钱烧不下去,黄掉很正常。这时候他们会跳出来跟你说,AI 还是不行,别入坑了。其实开发 AI 应用并且找到创新点一直不是容易的事情,打一个比方,大学是扩招了,但是双一流的大学依旧是不好考,考不上双一流大学的考生越来越多,很多人觉得难考,但名牌大学难考不是很正常的事情吗,是什么错觉让你觉得大学扩招了你就能更容易考上双一流?本来这件事就不好做。

要判断一个 AI 方向的初创公司能不能坚持下去,首先需看一样东西,就是这个公司有没有专属的客户场景和数据,这种场景和数据可不是外面的人拉一笔钱招几个人就能入圈的,否则,再 “华丽” 的团队,都是浮云。阿里组织创新应用大赛,也是为了找各种不同领域的伙伴入圈。想活下去,光有技术可不行,更何况很多公司连技术也不具备。

知乎用户 一个刚学会上网的 发表

我很乐观的看待这个问题。任何国家都不会让百姓没事干的。

社会的每一次进步都会使就业的范围变宽。原来 360 行,现在远不止 360 行。

一个外卖就增加了多少了岗位。或许脑洞大开了的人是你,下一位超越马云和许家印的的你就能创造出更多的就业机会。

顺其自然就好了。

知乎用户 hh zz 发表

2020 年:未来可期吧

2019 年:未来可期


讲详细些吧:作为一个从开发转到算法的菜逼来说,开发也不是每天都写高并发啊,很多时候也都是在面向业务进行 crud,面向需求干活呀;算法清洗数据我觉得也是和 crud 差不多,而且虽说现在技术没有壁垒,但是做的好的还是只有那几家,所以还是多少有点干货的,老板曾经说过:同样一份数据,可能别人得到的结果就好~~AI 还是有点吃经验的。

回到论文:我觉得不是所有的论文都会令人眼前一亮,大部分论文都是在试错,这些可能是企业没法给的,因为没有那么多时间给你试错,所以有些时候拿到任务的时候先调研看下大家的经验,以及一些试错经验,所以我觉得大部分论文还是可以的。

回到就业,其实不只人工智能,整体经济都在下滑,裁员,融不到钱。。前景严峻是整个互联网所面临的问题,我觉得产生目前矛盾的根本原因是大家对人工智能期待太大了,总觉得它会怎样怎样改变生活,或者是如何如何神奇的技术,产生了神秘感,所以落差感比较大就开始贩卖焦虑了。

知乎用户 小象​​ 发表

21 年秋季人工智能算法岗就业现状到底怎么样?

本系列视频基于拉钩、boss 直聘两大互联网求职平台最新的算法招聘数据做进一步的分析。主要从以下几个维度来分析

1.21 年秋季最新最全算法岗位需求和薪资分布

2.21 年秋季最新最全算法岗位区域与行业分布分析

3.21 年秋季算法招聘方向最新分布情况

4.21 年秋季算法最新工作职责与技能要求分析

5.21 年秋季算法岗最新 JD 解读

觉得不错的话,记得帮我 @小象点个赞哟,祝大家都能学有所获,薪资翻倍!

知乎用户 镁客网 发表

这个问题如果放在 2017 年、2018 年,题主可能就要修改自己的问题了。

记得 2017 年有条新闻标题是这样的:“AI 百万级人才缺口:应届生年薪 50 万,没出校门被抢光。”

据当时的数据统计,谷歌、微软、腾讯这些公司给校招生(算法工程师)开出的年薪都在 30 万元以上,再加上 AI 在这一年被写入政府报告,整个市场就业环境一片大好,很多人 “跨界” 去做 AI 算法工程师。

但到了 2018 年年底的时候,AI 就业市场环境很快发生了新的变化。

根据公开信息,2018 年 BAT 校招都接收了非常多的算法工程师简历。其中,腾讯表示做计算机视觉的实验室太多了,但是市场并没有那么大的需求,建议后两届的同学早做打算。

字节跳动发给求职者的回邮也显示,今年算法工程师的简历已经超需求,反倒是工程类的岗位供给一直没跟上。

而到了 2019 年,随着教育部批准 35 家高校设立人工智能专业,关于 AI 人才的讨论的热度却慢慢往下降了。

从宏观大环境看,当前哪个行业的就业前景都不会很景气,而人工智能从早期的炒作噱头也慢慢沉淀,回到正轨,行业对于人才的需求以及要求也渐渐趋向常态化。

此前南大周志华教授在接受媒体采访时候提到,“人工智能作为一个严肃的学科诞生于 1956 年,并不是昙花一现的‘投资风口’或‘短期热点’。经过 60 多年的发展,人工智能领域形成了庞大的知识体系,既有的相近学科的本科教学体系不再能完全覆盖或代替。要培养高质量人工智能专业人才,就必须根据人工智能学科的特点来建立相应的培养体系。”

周教授的话同样也适用于公司对于 AI 人才的招聘,高赞回答提到了算法工程师以及 AI 算法公司的局限性,但之后几年,AI 公司以及人才可能会朝着另外一个方向发展,技术人才和应用人才都会是市场上比较抢手的资源。

知乎用户 JIYAYUN 发表

14 年计算机相关专业毕业,本可以做自己擅长的开发工作,机缘巧合地一毕业就接触 AI 相关研发工作,至今已经 5 年多了,也算是经历了 AI 的潮起潮落,在自己耕耘的领域也越陷越深。

18 年想换个工作环境,就已经感觉就业环境已经不如前两年那么火热,真是瞬息万变。自己到底要做到什么程度?也曾这样深深地问自己。

矫情点说,我相信未来 AI 仍会渐渐改变人们的生活,无论资本的潮起还是潮落,无论人们的吹捧还是唱衰,希望继续坚持,陪伴这项技术从青涩走向成熟。

现实点说:放弃?放弃了又能做什么?除了这个其他的技能都已荒废。除了坚持,其实根本无路可走。

知乎用户 tom pareto 发表

为什么会有这个说法呢?

2020 年初的疫情说明,人工智能是多么重要。比如,肺部 CT,如果是纯人工的话,一天做不了几例。但是,在 AI 的辅助下,大大地提高了效率。现在看病,一进医院,就让你检查,这些正好是 AI 的强项,即使在治疗过程中,也是不断的化验,然后调整药物。这些也是 AI 的强项。现在的 AI,基本够用了。

瓶颈在于两个,一个是 AI 的编程,一个是自动化。关于编程,想一下当年的数据库 dbase3 吧。关于自动化,一个是材料,一个是电机或者液压,一个是传感器。

知乎用户 xiaoledi 发表

谢邀,小弟在大数据 / 人工智能行业从事人工智能产品落地工作,并且还会长期坚持从事这个行业方向,谈谈小弟对这个问题看法。

商业落地难,导致就业严峻。先问是不是,再问为什么。如今这个时间节点,相比于 17 年人工智能行业大火时,靠堆积算法人员就能获得不菲融资,应届算法什么工作经验都没有,刚毕业年薪也能 30w+,小弟母校学生甚至全民搞算法。但实际头部企业例如旷视也要靠上市才能融资了(投资人接不起盘了),某同学预感到地平线业务落地差,先期跳槽到其他公司,接着他们部门被连锅裁员。落地难、自我造血难、投资人不愿意砸钱了,自然会导致就业前景严峻,这只是回归基本盘,而非恶化的趋势,只是之前资本和从业者盲目乐观了

人工智能行业天然落地难。人工智能行业落地本身有前提:需求、数据、ROI(投入产出比)。有没有需求,有需求不一定有大量数据积累甚至没有数据收集(如很多工业 AI 项目落地),最后就是落地成本及能给企业带来的收益能不能形成良性循环(如 AI 在传统媒体落地,传统媒体虽然有需求和数据,但是没有什么钱)。正是有这么多 “硬” 前提,人工智能落地并非能一帆风顺,而是需要不断探索和试错,当然也需要一些技术突破和应用解决这些前提问题。

行业良性发展的基础。作为大数据 / 人工智能从业者,小弟觉得目前的状态本质上是一种筛选,能够将真正想从事和有能力从事大数据 / 人工智能的优秀人筛选出来,而非因为薪资高、听着高大上盲目进入这个行业。这个行业优秀的企业也可以靠商业落地,而非吹创始人背景或堆科学家数量获得竞争优势。另外人工智能行业跟普通 to B 公司职能区分并不大,也有售前 / 销售 / 项目经理 / 客户成功 / 实施 / 技术支持等等岗位,想从事人工智能的小伙伴,也并非只盯着算法。而且国内算法大部分都是拿已经做好的包去调参,跟工程本质区别不大,可以看的更宽些。

革命乐观主义。相信没有人会质疑人工智能代表未来,如今整个行业在经历去泡沫和虚火的过程,实质也是去伪存真的过程,将使整个行业推向更加正向的方向。相信接下来随着 5G / 物联网更多落地和应用,人工智能应用将会进入新阶段,未来是人工智能时代,而我辈正在创造和定义这样的时代

知乎用户 余修远 发表

作为刚刚经历过秋招的研三学生,深感就业不易。一部分原因是我们研究所(非京区自动化所,计算所等)就业不占优势,二是所内出去实习的机会也不多。导致大部分同学从事 CV 的同学简历上只有一个研究课题,而现在又不是靠跑一跑开源代码,测一测公开数据集,用过 YOLO,FAST-RCNN 就能进大厂当算法工程师的时代了。在我们这一届同学中,从拿到的 offer 来看,真正拿到计算机视觉工程师 offer 的只有两个,其他同学在海投过后最终都走向了 Java 或者 c++ 开发。我由于老师的关系一直在其所外公司实习(打工),靠着相关项目在 9 月初拿到了一个钱少事少离家近的偏向 CV 算法的国企 offer,草草结束秋招。根据同届同学的反应是,大厂门槛已经很高很高很高了,但是小厂还是比较缺人(规模在 50 人内到上百人的公司)而且给的薪资还挺诱人。但是你敢不敢去又是另外一回事了,毕竟这也是高风险,等泡沫过去留下的公司有多少谁也说不准。所以这也是大部分同学转开发的原因。

现在看来如果是以求职为导向的话,是不太建议全力投入到人工智能的。如果结合开发去做人工智能算法在终端的应用倒也是一个出路或者是一个缺口。毕竟本科或者硕士,或者转行过来的,想做纯 AI 算法研究,并为公司创造巨大价值非常难。

知乎用户 大数据峰哥​ 发表

Java 和大数据都可以,但一定不要学人工智能,这不是一个本科生能干的活。

算法岗数量少,要求高,求职人数多,导致竞争特别激烈。大多数读研的同学都是冲着毕业求职算法岗去的,而当他们考研的时候,算法岗行情还可以,所以导致一窝蜂的涌入。

今年可以多关注开发岗,无论是后端或大数据都是一个不错的选择,大公司的算法岗的门槛越来越高的,我也见过很多高校的应届生去小公司做算法… 这真的没啥必要。

分享一位学习群小伙伴的学习经历给你参考,他是清华研二的学生,去年秋招,研究生也是算法方向,但由于怕太卷,他选择了 Java 后端,秋招也拿了 BAT 虾皮等年薪 50 万 + 的 offer。

今日更新 | 950 个成功转型案例分享 (微软 IBM 亚马逊虾皮 BAT)- 大数据学习之路交流群

学习群里的一位清华学霸,去年这时候只有 Java 基础,后面帮他制定了学习路线开始学习,并参加了春季实习,这次秋招收获颇丰,基本都是顶级大厂的 A+/A++ offer。下面分享他的学习和面试经历,希望对大家有帮助。

个人情况

TOP 2 - 985 本硕。本科电子系,硕士通信方向。实验室里基本做的是通信的事情。计算机基础方面,大一时学过一点 C++,更准确地说是 C with classes,研究生阶段学过一点机器学习。

2021 年的秋招中,拿到了腾讯 WXG,蚂蚁金服,字节跳动,美团,快手,shopee 新加坡开发岗的 offer,并且基本都是 SP/SSP。

岗位选择

研一的时候就打算去互联网公司做技术方面的工作,并一直在开发 / 算法二者中纠结,毕竟当时正是 AI 行业快速起飞的时候。在知乎上也看过许多相关的帖子,后来考虑到算法越来越卷了,许多非科班的专业都可以转到算法岗,竞争压力大。加上实验室导师不放实习,以及非科班很难出算法顶会文章,最后选择了开发岗位。

事实上,在今年的秋招中,再一次印证了 “选择大于努力” 这一句话。我身边选择开发的同学,基本都有 BAT 等大厂的 offer。而算法岗位由于 hc 较少,竞争大,内卷极其严重,和开发相比更难拿到大厂 offer。例如,我一个室友面腾讯算法岗位面到三面,才被告知部门里没有 hc 了。

并且, AI 行业也逐年趋于冷静,许多 AI 公司必须让业务落地,实现公司盈利。其次,AI 岗位的薪资也没前几年疯狂了,许多大厂算法岗基本与开发岗同薪了。所以如果没有充分竞争力的情况下,还是建议大家选择相对容易的开发岗位,当然大佬除外。

另外,在 C++/Java 二者的选择中,我选择了需求量更大的 Java。实际上,在校招面试中,面试官并不会在意你的语言。只要选择一种语言并且熟练掌握即可。正式工作中需要什么语言,入职后再进行学习即可。

学习路线

在确定下来走开发岗位后,我参考了许多过来人的学习经验,从 Java 基础学起,接着是 Java 并发,JVM,MySQL,Redis, 最后是 Java 后端生态常用的框架,例如 Spring,Zookeeper,SpringBoot 等等。

这份 Java 基础是我看过最完美的教程,对新手最友好的,也是最新的,推荐大家观看。

Java 基础视频及对应课件资料 (附下载地址)阿里技术总监整理的《SpringBoot 学习手册》,开放下载!

另外,计算机网络,操作系统和数据结构与算法也是面试中必考的知识点,需要花功夫去学习。尤其是算法方面,面试的时候都会有在线网页编写代码题的考核,并且会占据面试半数以上的时间,需要着重准备。

算法学习上,简单翻翻《算法(第四版)》后,可以刷几遍《剑指 offer》,这时基本可以应付小厂的面试题了。另外再建议刷完左程云的《程序员代码面试指南:IT 名企算法与数据结构题目最优解(第二版)》,这时大厂的面试算法题基本毫无压力了,笔试也基本能通过了。如果还有空余时间,可以看看 GitHub 上前人总结的 Leetcode 分类习题。

这份笔记里面共包含作者刷 LeetCode 算法题后整理的数百道题,每道题均附有详细题解过程。很多人表示刷数据结构和算法题效率不高,甚是痛苦。有了这个笔记的总结,对校招和社招的算法刷题帮助之大不言而喻,果断收藏了。

Github 最强算法刷题笔记. pdf

面试准备

面试时,除了算法题的考核是硬功夫外,80% 以上的知识点都是常考的,也就是大家所说的” 八股文 “。面试前,可以去牛客网上看看相应公司的面经,或者别人总结成册的面经 pdf 版本。

这份资料涵盖了 Java 基础、集合、JVM 多线程、Spring、微服务分布式、计算机基础 (网络、操作系统)、数据库、大数据等面试知识点,对于 Java 或大数据岗来说完全够用,大家可以直接拿着它补缺补漏。

Java 大数据面经合集 (含计算机基础内容,附下载地址)

另外,简历上有项目的话,也会是一个加分项。面试官会对简历上所写的项目进行详细的询问,所以简历上的每一句话都不要乱写,尤其是自己一知半解的东西就不要写到简历上了。

但要注意的是,要精炼地在简历上指出项目的主要亮点,如果是实习期间做的项目的话还可以标明项目收益(例如服务延时减小,ROI 提升,并发量增大等等)等等。

如果没有实习经历的话,也可以参考网上的许多项目教程 / 视频,自己也做一个,摸清楚项目里主要的难点后,写在简历上。在这里感谢峰哥对我项目进行把关!

SpringBoot 物流管理项目(源码下载)基于 SpringBoot+Dubbo+Zookeeper+Redis 的微服务项目 (附源码下载)

春招历程

下面总结下我春招的历程。

字节跳动

  • 一面
  • 算法题:二叉树深度(递归 + 非递归两种方法)、买卖股票的最佳时机
  • 项目提问
  • 二面
  • 算法题:环形链表、手写快排
  • 项目提问
  • TCP 三次握手、内存分页分段机制、数据库索引、Java 内存管理
  • 三面
  • 算法题:子集
  • 设计题:短链接网址设计

蚂蚁金服

由于蚂蚁金服笔试 A 了 1.9 道(一共两道),所以一二面没有做算法题。另外蚂蚁是电话面试,在家里吃火锅的时候突然一个电话打来,后来屁颠屁颠收拾了下就去面试了。

  • 一面
  • 项目提问
  • 常见八股文
  • 二面
  • 实验室工作、文章提问
  • 没有问一点 Java 相关的内容,可能是一面答得比较好
  • 三面(交叉面)
  • 算法题:二叉树的右视图
  • 阿里的交叉面应该就是评级 A 必须要走的流程,面试官面得比较水。主要还是问了问实验室做的事情。然后出了道算法题,让我口述下思路。思路没问题后,让我面试完后写一下然后发给他

腾讯

本来实习投的是 WXG,后来 WXG 打电话过来问我愿不愿意去广州实习,实在是太远了就拒绝了。后来简历就被 PCG 老了,面试官说主要做腾讯体育。感觉部门比较一般,一、二面通过后拒绝了后续的面试,准备秋招再战 WXG。腾讯的面试也很硬核,每次面试官都是直接打开 IDE 写题,并且面试 90% 时间都是写算法题…

  • 一面
  • 算法题: 字符串转整数、旋转矩阵、翻转二叉树、手写快排
  • 二面
  • 算法题:编辑距离、 最长不含重复字符的子字符串、rand5 实现 rand7
  • 三面打电话约时间的时候就直接拒了

美团

美团也是提前做过笔试,所以面试时没考算法题

  • 一面
  • 很深入的问了 Java 语言相关特性,包括反射实现原理,Java 的 @ 注解等等
  • 由于项目上提到了分布式锁,和面试官深入讨论了下分布式锁… 值得提的一点是,我简历上写的用分布式锁来防止缓存击穿,并且在面试前看到过许多相关的技术文章。但面试官说不能,我当时很懵逼,知道面试官说错了,但没有和面试官去争论,而是说 “我面试结束后再了解下吧”,就逐渐淡出了这个话题,并转移到新的讨论点上。
  • 二面
  • 面试官又全程没问 Java 相关的东西,一直在问实验室的工作。聊着聊着发现面试官也是通信出生,华为干了几年后到了美团。接着我们聊到股票又聊了很久…

美团技术只有二面,而且 hr 面后意向书拖得特别久… 我主动问了一面面试官后,当天晚上 hr 就打电话和我沟通了。

快手

  • 一面
  • 算法题:一道典型的 dfs,链表相交问题(见左程云那本书)
  • 普通八股文
  • 二面
  • 算法题:合并 K 个升序链表、滑雪场(dfs)
  • 三面
  • 问实验室的工作…

春招只面了上面几家公司,之后选择了在字节跳动实习。

秋招历程

字节跳动

  • 转正答辩 简单汇报了一下实习做的工作,后来评级比较好,加面了一轮
  • 转正加面
  • 设计题:具体场景有点麻烦,主要的问题是根据已知的概率分布每次随机选择一个 / 多个数。解决思路是在区间 [0,1) 上,根据已知的概率分布确定每个点的位置,每次在 [0,1) 中随机出一个数,看这个数在哪两个点之间即可。
  • 写了一道简单的 SQL 语句。

蚂蚁金服

  • 由于春招通过,拿到了秋招终面直通车,只有一轮面试。主要介绍了之前在字节跳动的实习工作。

腾讯 WXG

一共三轮面试,都非常硬核,每轮基本都两小时。

  • 部门一面
  • 直接发了三道 Leetcode 链接。一道 easy,一道 medium,一道 hard。
  • 详细地问了 TCP、分页分段、Linux、一致性哈希、cookie/session、MySQL、Redis 等内容,每个知识点问得特别深入,问到直到不会为止。。。感觉是秋招最难的一场面试,面完后仍然心有余悸… 面试结束后面试官直接通知我通过了一面,进入面委会面试环节,并提醒我做好算法题的准备。
  • 面委一面
  • 第一题:有序数组用最快的方法找到重复数 > 1000 的数字序列,直接秒
  • 第二题:字符串通配符匹配的填空题。开始有点蛋疼,最后想了半天才才写出来
  • 第三题:逆序对,直接秒
  • 第四题:翻转链表,直接秒
  • 第五题:一道偏物理的题目。大概题意是一段路程分成平路和电梯两段,你可以跑 t 秒。问你在电梯上跑划算还是平路上跑划算
  • 一来直接丢给我一份腾讯文档的链接,说他一个小时后再连上来。一共有 5 道题,最后都做出来了。
  • 面试官过完试卷后没啥问题,再问了问分页分段、数据库索引、Redis 的一些简单问题。
  • 面委二面
  • 也是直接打开 IDE 写题
  • 第一题:设计一个概率分布为 0.1,0.2,0.3,0.4 的算法。类似于字节加面题,由于之前面试中碰到过,直接秒杀。然后面试官问改成每次可以有放回地选两个数呢?在原代码上稍加修改就行了。为了验证代码的正确性,我还打出了概率分布表,符合预期。
  • 第二题:类似荷兰国旗问题,直接秒

美团 / 快手

和实习面的内容基本一致,不再详述

Shopee 新加坡

  • 一面
  • 算法题:Implement a data structure to support two functions add()/search() efficiently 直接使用 Trie 树,search() 函数给了个 case 是有通配符‘*’的,所以 search 函数编写的时候写个 dfs 就 ok 了
  • 设计题:设计一个图书馆借书系统。 主要问的是数据库表和 Java 类的设计,首先想了下有什么需求,再根据需求设计表即可
  • 设计题:登录系统设计 主要说了 cookie/token 方式识别用户,密码 hash 并加盐后存储等等
  • 二面
  • 算法题:Given a string, find out the length of the longest substring which contains at most two distinct characters 滑动窗口 + HashMap 直接秒,然后面试官问不用 HashMap 怎么做?改写原代码 + debug 后通过
  • 算法题:一个链表,先打印顺序奇数位,再逆序打印偶数位 直接秒杀。先顺序打印奇数位。用递归栈存储每个偶数位,递归回来后再打印该位置即可。
  • 三面 简单问了问技术后,面试官介绍了他们的部门,主要是在聊天。

秋招总结

1. 重视算法:可以看到,大部分公司校招面试都强调算法题的考核,并且考核的基本都是常见题型。所以在算法上,需要下狠功夫进行准备。另外,还需要对边界条件的处理予以重视。我前后把《剑指 offer》刷了三遍,左程云的那本书看了两遍,Leetcode 上也做了 400+ 道题。

2. 基础知识:80% 的面试知识点都是常见 “八股文”,面试前找一份相应的总结资料,并理解通透即可。

3. 尽量找人内推:有一些公司内推可以免除笔试考核,直接进入面试环节,并且可以直接内推到你所感兴趣的部门主管手上。如果没有认识师兄师姐,可以在学校 bbs,牛客网等平台上进行内推信息的查询。

4. 春招很重要!春招很重要!春招很重要!有一些公司(例如阿里巴巴)在你春招通过后,可以拿到秋招绿色直通车,秋招直接参加终面。并且,春招面试难度往往低于秋招。另外,春招可以及时让你查漏补缺,为秋招做好准备。所以不论导师放不放实习,都建议投递下春招参加面试。

5. 写完算法题后,一定要自己写几个测试用例自测一下!如果有错误可以及时发现,没错误的话也可以给面试官留下良好印象。

6. 秋招一定要尽早投递,不要等到 “完全准备好” 后再去投递。一是因为某些岗位 hc 少,越早投递越容易占坑。二是面试永远不存在所谓 “完全准备好” 的状态,要对自己有信心。

7. 面试中一定要与面试官进行沟通,不要一个人一直埋着头写代码。如果你沟通能力不佳,也会被面试官拒掉。

可以点击下方链接加入学习群,获取学习资源,一起学习交流~

今日更新 | 950 个成功转型案例分享 (微软 IBM 亚马逊虾皮 BAT)- 大数据学习之路交流群

知乎用户 六月 发表

目前来看,建议开发

知乎用户 极客晨星 发表

记得《双城记》里有段著名的开场白:“这个一个最好的时代,这是一个最坏的时代。这是一个智慧的时代,这是一个愚蠢的时代。人们面前应有尽有,人们面前一无所有。”

人工智能时代,正如这段开场。处在这样的时代,我们该何去何从?

从社会层面看,一些经济学家认为,迅速扩大的数据库、机器学习和日益提高的计算能力,这些都应被列为除资本和劳动力之外的一种全新的生产要素。

可以说,人工智能正在缔造一种新的 “虚拟劳动力”,提高人类智慧的生产率并推动世界的创新。

人工智能将产生前所未有的巨大财富。据国际评估公司估算,到 2030 年,人工智能将带来 16 万亿美元的全球 GDP 增长。

专家预测,到 2035 年,基于人工智能的技术的普遍采用,可能会将很多发达国家的经济增速提高一倍。

人工智能的前景可以从以下三个方面来进行描述:

第一、教育智能化

任何行业的发展都必须有足够的人才积累,人工智能要想得到发展和普及,也首先应该从教育智能化入手,一方面进一步普及人工智能知识,另一方面通过教育领域智能化来积累经验。当前教育领域智能化正在逐步推进,相信未来的学生和职场人都有机会接触到人工智能相关知识。

第二、传统产业智能化

目前传统产业对于网络化、智能化的呼声比较高,在当前产业结构持续升级的背景下,智能制造是一个重要的升级目标。随着大量的智能体逐渐走进传统行业,整个传统行业必然会进一步提升生产效率,同时会促进传统岗位的升级。

第三、城市智能化

智慧城市经过多年的发展已经积累了一定的经验,在 5G 通讯逐渐落地的大背景下,会进一步推动智慧城市的建设。

那么,如何才能不错过人工智能时代,确保你向人生巅峰而行呢?

首先,要把自己的职业选择对准人工智能赛道。面对所有重大变革与机遇,我们需要开放的心态来迎接人工智能。

对变革有所畏惧绝对正常,正如马克 · 吐温所说,“勇气来自抵抗恐惧并战胜恐惧,而不是来自没有恐惧。”

过往的努力,可以帮助我们坦然面对、欣然接纳或热情拥抱未来的改变。而这些改变,将推动我们找到新的人生方向。

面对未来,我们应该选择热情拥抱人工智能。即便你所在领域的第一个人工智能工具看上去是那么脆弱不堪,相信我,只要有更多的数据,它们很快就能进步。

知乎用户 奔跑的毛姆 发表

18 年入行。

首先感概一下,如果把这个答案中 “人工智能” 四个字去掉,是多么正常的一个问题啊,但我想肯定不会有这么多答案和关注。

来答题,

总的来说,算法是越来越不值钱了,甲方的钱是越来越难赚了。

就拿我现在所在的某家人工智能独角兽举例,18 年 AI 最火的时候团队急速扩张,从 4,5 百人在一年内扩张到 1,2k 人,很多管理层更是拿着丰厚的薪水和期权从各行各业空降而来,火热的程度持续到 19 年上半年,期间也一直有上市的传闻。

然而,从 19 年下半年开始,经济大环境,贸易战,市场竞争加剧等等负面的影响逐渐开始显露,公司停止了极速扩张,仅仅维持在现有的人员数量上(尽管我认为这也很不容易了),也没人再提上市,各种财务报销也变得越来越严格。
业务上,以前还有精力玩玩零售,金融,现在只能聚焦安防,同时本来还算良性发展的行业随着月来越多巨头的进入变得越来越僧多粥少。以前讲讲人脸识别 NIST 排名,甲方大手一挥几十万美金,来,做个 POC。。。现在带着自研芯片服务器信心满满,几万美金的项目一去投标发现好几十家友商。。。

这是市场降温下来的必然趋势,无需太悲观。但行业从卖算法 sdk 到提供软硬结合解决方案已成为共识,在这个大背景下,无需一味追求算法为王,技术人才不管是做算法的,写前端的,还是做硬件的,做测试的,都有机会,不用一股脑都去啃 “周志华”,毕竟算法还是要落地成产品。

如果身在传统行业只是觉得 AI + 热想换个赛道,那我更奉劝三思,不然你进来了就发现其实业务本质还是传统 IT 那一套打项目的玩法,而 AI 涉及的人脸 / 计算机视觉 / 语音识别等等在整体 IT 项目中的份额往往不大,可能吭哧吭哧干了几个月也就几十上百万左右的营收,还要被总包甲方爸爸蹂躏,可真不如就雇个网红做做直播带货来得轻松。

退潮了,不想做那个裸泳的人,

求有网红直播海外优质带货创业的小伙伴勾搭~ 本人有海外资源渠道~

知乎用户 喜欢夕阳 发表

人工智能要的是科学家。

调个包就说自己会人工智能。

现在 ai 培训都进中小学了,python 调包高中生都会。

工程师去就业,就会 python,调包,读写 txt。程序都没开发过,数据库都不会用。

咋找工作啊。

知乎用户 POPTEST 研学圈​ 发表

随着高科技产品的普及,人工智能的发展取代了越来越多的人类工作。业内人士说 AI 就业越来越难了,必须要发顶会论文才能进大厂;虽然人工智能发展很快,但是一些地方还是需要由人来做,所以还可以继续做那些智能机器不能做的事。

受 2020 疫情波及,招聘单位标准提高,用工数量下降,大学就业压力越来越严峻;特别是随着人工智能技术的问世与完善,对就业市场是一个巨大的冲击。但有一个行业 - 软件测试独辟蹊径;人工智能技术需要软件支持,软件需要更新,需要完善。软件测试由最初的比较简单,不复杂,到后期的精密、尖端。软件经过了严格的测试流程到最终上线,全面、严谨的测试和评估是降低企业 IT 系统风险的最佳实践。

中国目前大多数软件都是由软件开发企业自行进行质量测试。总体而言,企业是重视开发而轻视测试。近年来,许多软件的质量问题已经引起人们的关注,有的在运行中出现问题甚至带来巨大影响。因此,软件质量测评和指令保证服务处在快速发展阶段,越来越多的企业致力于此项事业。人工智能是人类创造的时代,未来改变我们的生活和事业,但人的智慧和作用也是无法替代的。

知乎用户 Nameless 发表

很多人觉得 AI 会是和互联网一样的一次浪潮,其实不然。

互联网当初是可以完全独立生长的行业。

  1. 对之前的很多商业模式是完全替代式的,相当于之前的很多行业,我都不用怎么管你,我直接给你干掉了,全部重建。
  2. 互联网本身还创造了很多新的需求,建立了很多之前没有的商业模式。

AI 呢,现在的 AI 是一个严重依附于数据的行业。

  1. 没有业务,就没有数据。意味着 AI 在很长一段时间内,都是业务的一个辅助角色,或者说部分业务流程内的工具。AI 行业本身缺少互联网那样的开创性和破坏性,缺少独立支撑商业模式的能力。
  2. 不仅需要数据 ,还需要大量数据,意味着你的应用场景会集中在头部业务中,或者本身需要大量的前期投入(比如无人驾驶)。互联网当初是什么样呢,几个野人,开个小公司,就有可能爆发,在一个空白领域野蛮增长。这里面的机会差得不是一点半点。
  3. 在顶层研究算法需要的人太少了、要求太高了,而他们离应用场景又太远了;一个体量如腾讯淘宝这样的大公司,其业务数据又能喂得饱几个专业研究算法的团队呢?而下面的应用层面呢,模型、算法都工具化了,其实并不需要太多 AI 相关的专业知识,之前的 IT 岗位在短时间的培训后,就能挺好地使用这些工具。这意味着对所谓专业 AI 人才的需求量,其实非常少。

所以,现在的 AI,发展空间和可能性上、可以容纳的商业规模上,和之前的互联网完全不是一个级别的。如果你认为这又是一个赌一回互联网这样的浪潮的机会,那一定会非常失望。

所以如果只是谈人工智能的就业前景,谈长远发展,就只能往高处走,真正投入地作研究,让 AI 变得真正有改造行业的能力。如果只是想变成风口上的猪,那 AI 这个风口,现在还远远没来。

知乎用户 留德华叫兽​​ 发表

2017 年

AlphaGo Zero 使得人工智能举世瞩目

自己也初次在博士科研上接触人工智能

AI 图书馆:2017 全球人工智能人才白皮书,告诉你为什么学 AI 可以走上人生巅峰

AI 前线:2017 回顾与 2018 前瞻:机器学习与人工智能

2018 年

吹嘘人工智能百万年薪的时代

自己从运筹学真正转到了人工智能

在 Paper 很少的情况下

博士毕业不到一个月就收货 2 个大厂(德国)的 offer

2018 年这个时间节点,在一线城市(北上广深)城市,人工智能工作的待遇怎么样?

人工智能相关的岗位薪酬状况如何?

2019 年

唱衰人工智能的元年

资本寒冬全球经济下滑的大背景

一位德国精英大学 CV 博士找工作花了半年以上

人工智能退潮期来了吗?

2019 年人工智能行业又进入冬天了吗?

公众号、科技媒体最喜欢标题党和哗众取宠

但任何脱离具体行业的就业前景毫无意义

人工智能作为一个数学计算机底层工具和方法

已经深入到各个行业

例如我所在的汽车行业

众所周知 2019 是汽车行业的大寒冬

全球各大厂纷纷宣布裁员

但是具体数字背后

裁的其实绝大多数是传统的部门

无人驾驶、新能源是未来所有汽车巨头重点投入的方向

这俩个领域还会持续地扩张和 “烧钱”

其他行业领域请自行发挥想象

仅提醒 AI 求职者:

关注 AI 具体的行业应用和落地

古有

学好数理化,走遍天下都不怕

今有

大数据人工智能在手,天下我有

知乎用户 云中漫步 发表

1、我看了正文,你指的就业严峻还是算法开发岗,题目起的太大了。

2、人工智能行业包含很多岗位呀,算法开发只是其中一个而已,什么应用开发、售前、销售、行业专家等等太多了。

3、人工智能行业目前进入了落地区,AI 落地是主流,而不是像前几年随便给自己打个人工智能标签就能赚到钱了。

4、现在的人工智能行业需要能够实际**解决客户的问题、实现客户的价值、提升客户的绩效,**否则都是空谈。

5、就算法岗这个岗位来说也是一样,只是趋于理性了。不是说有点算法开发能力就能会找到好工作,你开发的算法(准确来说是你优化的算法,算法绝大部分都是现成的)能否在某个行业实际落地。

6、人工智能领域我个人理解主要有二个发展方向。一是继续研究新算法,搞定现在算法还没有搞定的事情;二是深根行业,在行业场景中优化你的算法,使之更贴合业务,帮助人们解决实际问题,而不是简单的上一套系统重复建设。

7、回到问题,算法岗现在来看和普通开发岗已经没什么区别了,市场已经趋于理性,想投机不太可能了。当然了,和其他岗位一样,牛人永远不会缺乏市场的青睐。

知乎用户 数说前程 发表

[

全宇宙最火热门专业 - 人工智能专业解读

数说前程的视频

 · 202 播放

](https://www.zhihu.com/zvideo/1483703419453595648)

知乎用户 汪子程​ 发表

真的假的?google 已经这么落后了吗?号称在搞 AI 的组估计有一万个,那些组里的人也没见几个发过顶会 paper 的。。。

不过话说回来,光会 train model 也没啥用,程序员基本的工程素养还是关键。

知乎用户 知乎用户 6f12gQ 发表

人工智能这个点本来就是资本家为了淘汰工人,缩减用工成本的。最重要的一点呢?人工智能并不是什么劳动力密集产业,根本不需要很多人,需要呢么几个天才就行了,算不上行业,可能前景很好,但是和 “就业前景” 搭不上边

知乎用户 京东智能城市 发表

大家好,我是京东城市!

属于京东数科旗下!

我于 2018 年 2 月,正式成立,同年 7 月挂牌中国雄安集团,共同开展建设雄安项目。9 月在全国布局的首个区域总部和研发中心落户南京。

2018 年 11 月 20 日,在 JDD-2018 京东数字科技全球探索者大会上,京东数字科技正式发布 “城市计算平台”。

2018 年 11 月,全球研发中心暨第二总部项目落户天府新区

去年 3 月,iCity 智能城市大会在京召开,我作为京东集团的一级战略业务对外亮相。京东城市正式发布城市操作系统,启动合伙人计划,构建智能城市的开放生态。

去年 6 月,京东城市 “智能宿迁 APP” 正式启动运行。

近来我不断进步,不断前行,在一路上不停的交出自己的答卷。

我不去看我走得是快是慢,我只知道一句话:

“但行好事,莫问前程!”

知乎用户 Jack 船长不开船 发表

没办法,不坚持也不行了,已经上了船,想下来怕是没有那么容易了。

从现在的前景上来看,人工智能的火热期早就已经过去了,能够留下来的人,可以说是非常厉害的了。毕竟从现在来说,不仅仅是未来的求职者觉得这个行业前景大不如前,没法生存,我之前有些已经入职人工智能领域的同学,也觉得日子没有那么好过了。

从我的观感上来说,人工智能这个行业真正困难的方面,不是技术本身,而是这个技术怎么产生效益。

现在之所以严峻不好混,是因为现在一些低处的果子已经采摘完了,要去采摘,只能朝着更加高的方向去采摘了。

不仅如此,人工智能之所以现在发展不尽如人意,如此严峻,还是因为实验室能够提供的产品和能够真正投入到产业的产品,和能够卷入大量人才通力协作的产品还有些距离。

有一些耳目一新的人工智能技术产品,产生的时候光彩夺目,但是之后产品落成到真正投入使用,结果却大多是不了了之。

从长期时间角度来说,人工智能的前景和方向都是可期的,但是很多人工智能从业者本身要生存,等不了那么多的时间,企业也是一样,疯狂投钱进去之后肯定是可以获得技术突破,但是要投多少,投多久,谁的心里也没有谱。

缺少工程能力的技术产品是没有办法,获得稳定的推力的。

从我自身角度来来说,无论严峻与否,我都已经别无选择了。严峻与否的现实并不是我能够左右的。只能说,若是能为这个行业带来一些什么小东西,我就已经非常满足了。

知乎用户 Daniel Cohort 发表

从 2018 年开始到 2021 年,每年都有媒体唱衰人工智能。但是真实的情况是 2020 年下半年,国内的资本对人工智能的硬件基础 GPU 产业进行了大力投资,力图追赶美国的芯片巨头。另外 Intel 等厂商对传统的 CPU 做了一系列硬件优化,用于解决人工智能领域的问题。国内的 CPU 厂商早晚也会加入这一潮流。因为芯片现在是国家重点扶持战略,因此人工智能相关的芯片产业在中国的芯片产业不能独立自主跟美国抗衡之前都会受到重点关注和扶持。

另外,像能给企业带来丰厚回报的人工智能领域仍在快速成长。中国的互联网广告产业在 2020 年突破了 4900 亿元人民币,并且仍然在疯狂的成长。而互联网广告产业份额占全广告产业份额已经超过了 50%,传统广告行业的末日马上就要降临了,而随之受到冲击的包括传统的销售岗位和策划岗位,在未来的 5 年内将迎来天翻地覆的洗牌变化。互联网广告产业背后的人工智能技术包括计算广告学和用户画像,因为行业一直在高速成长,因此不太可能会排斥人工智能从业者。

传统的数据挖掘领域像推荐系统,更是公司的摇钱树,每年为公司节省大量获客成本,每一家中大型的互联网公司都需要推荐系统,基本上每一家上市的 2C 公司都会有推荐团队。而上市的互联网公司的数量还在增加。

另外,最近几年阿里,头条等公司都在押注人工智能医疗产业, 2021 年人工智能技术在蛋白质结构预测问题上的预测对于该领域的发展提供了强劲的动力。短期之内人工智能医疗的热度不太可能褪去。

人工智能领域收到冲击的行业包括互金公司和在线教育。但是在其他领域人工智能的地位是难以动摇的。因此,不太会出现所谓的人工智能就业前景越来越严峻的问题。

知乎用户 Bruce Chen​ 发表

瘦死的骆驼比马大,说就业严峻的,估计都是因为他们没见过其他专业的就业前景。建议他们读个土木机械环材化生试试。即使就业再严峻,计算机的薪酬下限估计还是很多专业薪酬上限。

知乎用户 金戈老马​ 发表

近来陆续听闻互联网大佬们在开 “猿” 节流了,但是这不足以说明计算机软件产业没有前景,未来不再需要更多得程序猿了。

过去二十多年,软件行业一直在高速扩张,对人才的胃口十分巨大,即使是各种软件学院毕业的年轻人都能找到一份工作。

现在,扩张的步伐减慢了,某些领域甚至停止了,而是将更过的精力放在精耕细作、业务运营上面。然后,我们就发现很多公司将那些短期看不到现金流的业务部门裁撤。

而这些被裁撤的部门里,有很多都是打着人工智能的旗号,但是短期内又看不到落地,或者产生收入的可能。

这都是过去几年步子迈的太大,人工智能在资本浪潮的怂恿下自嗨。

对于绝大多数传统企业来说,数字化尚处于起步阶段,和他们谈人工智能落地,并让他们买单,无异于天方夜谭。

如果是选择职业方向的话,应该从更加长远的角度去看,毕竟职业方向不可能年年换。

我相信,人工智能是下一次产业革命的重要推动力。

短期内的困难,将会淘汰掉一大批投机取巧者,继续留在这个领域的人们将会和这个产业一起探索出前进的方向。

知乎用户 张楚教授​ 发表

必须坚持。行百里者,半九十。

知乎用户 三脚插头 发表

论文太好发了,high。

实验太难复现了,卒。

实验复现了,环境一换,卒。

还有那些到现在只有文章没有代码的,好自为之。有些文章引用量还不低呢。不虚吗?

没深度套牢的话,趁早做点实际的事情去吧。AI 离真正的落地还早呢。

知乎用户 哇哈哈呀 发表

我作为在校研究生来回答一下

我还在坚持人工智能的原因是:没办法

我不是计算机领域的,但是考虑到就业 + 兴趣,我觉得计算机领域是比较好的,所以就想做码农,研究方向就故意向编码靠拢。起初我还是想做人工智能,原因就是听起来酷,工资高。但是经过了解,发现 AI 完全就是神仙打架,根本不适合我这样非计算机的凡人。所以一直就想做一个软开工程师。

但是,想法总是美好的,我现在想走编码类的方向,几乎都是要结合机器学习,深度学习,神经网络。有没有用暂不论,但是文章是好发。我总不能结合本领域做个 XX 后台管理系统、XX 网络电商系统,考这个发顶会 / 刊吧。所以是真没办法,自己不想坚持都不行。

我起初也不想随大流,但最后只能被大流推着走。

知乎用户 若书 发表

各位,人生中能不能就这一次,不要那么功利,去做一件事的原因就不能单纯是因为喜欢吗?


那些不喜欢 AI 的,原因就一个,不懂 AI,别看你学了一大堆数学算法编程,你不懂什么是 AI,如果你真正明白 AI 是什么,没有人不喜欢 AI

知乎用户 Wu-Allin​ 发表

不坚持,你来养我吗?

知乎用户 哎呀呀 发表

我一个外行的都知道,人工智能排除科研,大概三个方向: 1. 纯粹数学搞算法的,这种一般是搞通用 AI, 类似微软那种,去面向各大实体行业,对方只要用你产品就行,这一点搞元学习的可能占优势。由于纯粹 AI, 并没有接触过多业务,所以重点在迁移化。

2. 搞本行业与 AI 结合的方向,但还是以本行业为主,AI 只是个工具。这也是我现在在搞的,AI 能源, 由于是实际工程驱动,顾讲究实际落地与经济。而那 0. 几的准确率,已经不重要了。工程上的误差范围比这不知高了多了去了。 而这里面也可以再分搞特征工程的和搞算法的。但明显大部分人都会去搞前者。

3. 自己创业的,推荐➕视频=最初版抖音,现在抖音还有 CV➕涂鸦跳跃啊,CV➕那什么边点边飞的小鸟游戏啊。。。。。。

暂时想到这么多,欢迎在补充

知乎用户 mnbsw 发表

还在浪费时间在人工智能的同学必须一棒子打死,快点补补基础,多写写代码吧,别说什么对 ai 感兴趣了,现成的公式,现成的论文,现成的代码,现成的教程,python 最简单的语法加现成的框架,傻子学着都高兴。快点学学 java,c++ 吧,学点真本事

知乎用户 AI 研习社 发表

正在蓬勃发展的人工智能(AI)技术,需要大量的 AI 人才,这让 AI 专业也成为了当下最火热的专业。根据教育部近日公布的 2019 年度普通高等学校本科专业备案和审批结果,有 180 所高校新增了人工智能专业,是今年新增最多的备案专业。

与此同时,AI 等国家战略需求专业也是扩招的热门专业。今年 3 月,教育部等有关部门提出加快人工智能领域研究生培养。据悉,2020 年教育部计划今年扩招硕士研究生 18.9 万名,并明确将继续扩大相应招生规模。对于那些 AI 专业的研究生,大都会关心市场到底需要什么样的 AI 人才?

据第一财经报道近日从深圳召开的第二十届中国国际高新技术成果交易会人才与智力交流会了解,今年,AI 领域应届毕业生薪水行情继续上涨,其中比较引人关注的是,有部分企业将 AI 应届博士生的年薪从去年的 50 万元上调至 80 万元。

然而,即便在这样的薪资涨幅下,这些企业依旧很难招到人,一方面还是由于供应端的人才数量本身就远远供不应求,而另一方面则是由于很多应届 AI 毕业生,早早就被企业通过导师或实验室 “吸纳”;而那些有经验的研发人才,则会有猎头主动上门联系他们,根本就不需要到现场招聘会来求职。

另外据了解,BAT 也面临 “缺人” 的困境,而更大的困境则是招聘到高端人才—— BAT 今年的校招数据显示,硕士占校招人数的比重为 93%,但博士生仅占比 3%。BAT 企业尚且如此,其他企业的招人难题就更加明显了。

那么问题来了,未来什么样的人工智能人才最受欢迎?

答案是: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。对于大部分机器学习实践者来说——还是该脚踏实地。盲目追逐热点很容易跌进陷阱,而巩固基础、寻找自己擅长的领域和机器学习交叉点可以帮助你在未来的就业市场变得炙手可热,成为工业界最紧缺的人才。

为了帮助你更好地学习人工智能知识,AI 研习社为你整理了 2019 年年度好课——斯坦福、CMU、伯克利、麻省理工等经典双语课程免费报名,加入小组还能互助答疑,作业讲解,分享笔记!Hinton、Hugo Larochelle 等知名大牛在线亲授,让你足不出户就能享受等世界知名学术殿堂的知识成果。

知乎用户 刘超​ 发表

热点潮流奔涌而来,很多人趋炎附势,凑热闹,不对问题本身进行独立深入思考,对一些所谓的行业报告深信不疑,结果资本利用这波潮流挣钱走了,剩下一批裸泳的人,面面相觑,不知所然。

知乎用户 镜云空 发表

我就发现,各行各业都有这种劝退学生的学某专业的。真的是,就离谱。

过去是车辆工程大热没多久,现在是人工智能专业大热没多久。

我奉劝还在读书的朋友:

要么耐心地完完整整深入了解实际情况去了解行业,少看网上网友的评价和吐槽 (包括知乎),多问问专业课的老师,多问问实际生活中的这行业工作者的工作经历感受和求学过程。。。

要么捂上耳朵,学自己想学的,不喜欢就转专业。总之学就踏踏实实地学。别一开始就为了面包放弃梦想,否则只会后悔。别浮躁又懒惰,满脑子都是离开校园后如何年薪百万。

这个社会淘汰的往往都是在迷茫中摇摆的,原地踏步不前的,半吊子。

知乎用户 a2Mia 姐​ 发表

谢邀。

这两年数据科学和机器学习的快速发展,让我们看到了更多的机遇。数据科学本身是一门学术研究和行业实践高度交融的学科,从目前的研究状况来看,数据科学可以分为:

(1)专业数据科学

(2)专业中的数据科学

另外,随着科学技术的发展,人类产生的数据量也在飞速增长,最近几年产生的数据比过去人类历史上产生的所有数据还多。

毫无疑问,数据科学会渗入到各行各业,成为一个宽口径的新兴职业方向,充满了工作机会。

此外,这几年随 Data Science 和 Big Data 的兴起,看到市场对数据人才的追求日益激烈,很多大学开始专门开设数据科学类相关的专业。截止到 2018 年,35 所高校获批开设人工智能(AI)专业,

美国很多知名大学也都相继开设了 analytics、Data Science 类的研究生项目。

因此不论是对于求职者,还是想转专业或是申请出国留学的学生,我认为 Kaggle 都是极具含金量非常值得一试的项目经历。

在过去两年多时间里,我们带了超过 100 名同学打 Kaggle 比赛,这些同学的案例都在告诉我们:如果你在数据科学或相关领域基础较为薄弱甚至是 0 基础,Kaggle 项目的经历都能够很好地弥补你的不足;

如果你本身在数据科学领域已经有一定的经验,Kaggle 比赛经历会为你的简历不仅是锦上添花,多数时候甚至是雪中送炭的效果,使你在竞争者中脱颖而出。

**我有一个美本 Top 60 的 Data Analytic 的学生,**正是得益于这段经历,最终拿下了亚马逊的实习 offer!

想了解更多 kaggle 的干货可以看我之前的回答:

a2Mia 姐:带 100 多名学生打了 2 年 Kaggle 比赛,资深教练告诉你 Kaggle 的最新变化和比赛指南

知乎用户 开为科技 发表

我们公司的码农人数一直比较稳定,相比其他人工智能企业来说跳槽率低很多,应该是跟行业方向有关系吧,选择了 AIoT + 大数据分析这条路就注定有许多坑和挑战等待我们去克服,跟闯关一样,而且投入地越多越希望看到成果,每一次成功交付都是对自己的最佳鼓励。

知乎用户 爱买好东西 发表

人工智能真正的实现强人工智能太难了,很正常!!!

我在得到精英日课听万维钢老师的文章讲过:比尔盖茨放言,200 年之内无 AI

这句话我在了解强人工智能的时候不是很理解,为什么会说 200 年内没有人工智能,到现在才明白。

现在市面上的都是弱人工智能,都是一个个程序,和你的对话是有分析的,对你的言语进行分析,得出结论,说白了就是数据。

而且一个人工智能程序很大概率只是其中一个行业的,并非全能。

而且人工智能的研究的话,是非常的废时间和废钱的,都是成本的投入。

从目前市面上的需求看,人工智能并没有太多的需求。

像是科幻小说中的那些人工智能的机器人,实现起来也是有难度的,不是你轻松可以做的的。

尖端的可以对尖端的人才才有需求!!

一般而言,对于会写皮毛的人才,那些公司是不会在乎的,当然,你是顶尖大学毕业的顶尖人才自然不会有事。

这种情况和你本身的实力也有关系。

总结:

第一:人工智能行业研究缓慢,发展缓慢

第二:你本身的实力。

知乎用户 极天信息 发表

一句谚语同你共享:台上一分钟,台下十年功。

其实无论什么行业、什么岗位,首先一定是打好基础;其次就是找准方向,坚持坚持再坚持、努力努力再努力。

且不说宏观上人工智能的几次起起落落,只分享下微观上的企业发展历程。作为人工智能企业,十多年来我们一直在坚持,从未 放弃过。

极天信息是一个 AI 企业,但在 2007 年刚成立的时候我们不这样说,因为那时候 AI 还没有如现在这般炽手可热,这般普及。例如知网的媒体关注度(包含这一关键词的报纸发文)直到 2014 年才开始有较明显的增长;百度指数也可以看到毫无波澜的状态。

而其实极天信息的创始人早在 90 年代起就开始专注自然语言理解这一人工智能技术,那时国内学界对于人工智能的研究也还没有像今天这样火热。

至于政策支持方面,当然也都还尚未出炉。下附华为第二届中国(广东)人工智能高峰论坛上整理的一页关于各国人工战略的发布情况。

那么,既然当时产学研各界都不是那么看好人工智能,我们何以选择了这条路并一直为之奋斗呢?

极天信息创始人来自于哈尔冰工业大学和中山大学,可以说是国内最早的一批语义计算、语义网从业者。选定了方向,接下去就是坚持。或许是当时的社会还没那么浮躁,也或许是 “心之所向 素履以往”,即便随时面临生存考验的企业也能够专注做研发,不断积累核心技术,不断在实战中去打磨产品。这也是极天信息低调而有内涵的气质来源。这几年人工智能受到各方关注,大家都有着利用 AI 进行智能化这样一个共识,凭着这么多年的发展与积累,极天信息可以说是 “十二年磨一剑,今朝出鞘试锋芒”,积极地与各方沟通,探索 AI 技术赋能、探索知识图谱应用的落地,可喜的是成效渐显。

而事实上,大家都知道,直到今天,视觉识别、语音识别大火,但在自然语言理解方面依然有很长的路要走。而无论是在 AI 无人问津的过去,还是 AI 似乎变成一种噱头的今天,极天信息都一直在路上,与大家共同努力。

知乎用户 sherlock yeah 发表

普通高校管科 PhD 在读。所在的组偏大数据方向,人工智能成了基本的研究工具。做研究的过程,本身读文献找研究问题就已经花费了大量时间,由于没有计算机专业的编程基础,为了做实验跑代码更是时间成本巨多。不知不觉就变成了缺啥补啥,遇到一个技术上的坑就去想办法补这个坑。对于一开始技术小白的我,人工智能的坑从选择一种编程语言,到编程语言基础语法的学习,再到做实验过程需要用到的机器学习和 deep learning 算法学习,再到回过头去补基本 ML 和 deep learning 算法的知识,再到下一个研究计划涉及到的新算法,总之,永无止境。。

具体坑的历程大概就是,组里一开始就让我们这些新人学 Python 或是 R,好在门槛比 java 或 C 低些,于是买书上免费网课敲代码学语法,一套基础流程下来,笔记记了不少。然而没来得及复习或是做 program 巩固,老板催着做第一篇 paper 了,从理清楚到底要干嘛就几个月时间哗哗哗没了,中间文献看的停不下来。虽然第一篇用的算法不复杂,人工智能相关只用到 multiple regression 和梯度下降,但几个月前学的语法早就忘干净了。于是一遍写 code 一遍查各种语法的意思,仿佛 Python 基础语法从来没学过。。第一篇做到海枯石烂,想好好补补机器学习的基本算法,方便以后建模,毕竟第一次建模经历太多泪了。。从西瓜书开始吧,推公式看 code。学了一个多月,老板催着第二篇 paper 了,于是默默滚去看文献了啊喂。现在正愁着好不容易有的 idea 怎么建个高大上的 model,然后跪求跑 code 少点报错吧。

不知道相似经历的小伙伴有没有,唉,一步步走下去吧。

知乎用户 Yanan Xie 发表

人工智能可以算作一个行业,也可以看做一类产品,但其内涵并不等价于深度学习。

如果纯粹为了就业,对于大多数人不建议死磕深度学习,但长期在人工智能行业从事工作倒是完全没问题。换句话说,学习机器学习本身没有任何问题,但你如果希望只学习机器学习就找到很好的工作,机会并不乐观。

其深层原因在于工业界做 modeling 本身不是一个劳动密集型的事情,即便是 AI 产品,可能只有 10% 不到的工作量在建模调参。绝大部分时候建模调参还不是一件有很高门槛的事情。把别人的 model 下载下来对照自己业务改一改这种事情一般的工程师学起来并不会很慢。相反找个只懂 ML 的人来教各种 infra 却不是一件简单的事情。

真正 ml 做得很不错,然后工程能力又强的人大概不会有这个疑问吧。。。

知乎用户 AI·Dezhu 发表

并没有严峻

就目前情况而言,人工智能虽然发展迅速,但在未来几年时间内还做不到统治人类、完全替代认了的地步,但是确实是会有一部分工作会被人工智能所替代,为了防患于未然,未来的学子可以提前定好自己的就业方向。以下几类工作在未来是不会被人工智能所取代的:

1、机器人设计、制作相关行业。学习机器人相关的技术和知识,可以成为未来国家急需的人才,国家现已出台对智能行业有利的政策,系统了解机器人的结构、应用和设计开发,不仅对自身发展有利,还对国家发展有利。

2、基于开发板的手工 DIY 设计方向。生活中常见的简单的电子产品和应用设施,都可以用开发板开出相应的功能,学好相关的开发技术,做出来的东西可以千变万化,利用想象力和技术让生活更便利。

3、综合交互的任教方向。虽然现在人工智能也可以放老师,但绝对没有真人当老师那么有感情,老师也绝对不会被人工智能所取代。因材施教、启发引导以及人情交互等能力不是一般的 AI 可以学会的。

4、编程相关的方向。在未来的发展中,人工智能虽然可以深度学习,进行自我编程,但是归根结底还是需要我们人类来进行编程、撰写规则的,所以这方面的人才也会一直吃香。

知乎用户 三极管​ 发表

AI 算法岗其实比开发门槛低很多。容易算法岗的坚持不下去的话,也可以试试挑战 hard 模式——转开发岗。

先说最重要的数学基础——统计学习 / 概率论与数理统计 / 线性代数 / 微积分 / 凸优化工科生基本都学过。由于现在的 AI 算法用到的数学并不高深,一般的工科研究生数学底子都是够的。

再看编程基础——Python/C++ 达到处理数据的水平也可以速成。

然后是实际操作——熟悉上手 Pytorch 一星期足以,后面就是不断复现经典论文找找感觉,2 个月应该很熟练了。

最后是薪资待遇——大厂同级别的算法岗的工资是开发岗的 1.1-1.2 倍。而且相对开发岗的增删改查,算法岗的产出更容易体现,因而可以获得更多升职加薪的机会。

如果研究生期间做的项目就涉及到 AI 算法的,进入算法岗其实就更加事半功倍了。

从朋友圈的信息来看,今年的算法岗非常好找,开发岗难度很大。不少 1 篇 C 会或者无论文的学长学姐和同年手握腾讯、阿里 / 蚂蚁、字节、美团、快手、百度等多个公司的算法 offer。寻找开发岗的过程中往往哀鸿遍野,颗粒无收。他们的说法是,现在大家都去卷开发了,所以算法上岸容易了很多。

对非 CS 的工科生而言,花 3 个月时间,找 C++/JAVA 开发岗极大概率是夺命连环拒,而算法岗则初窥门径达到可以日常实习的水平。如果是从找工作的角度来看,算法岗更为友好。

知乎用户 JK 小太阳 发表

人工智能的未来到底是什么样子?

对于人工智能的未来到底是什么样子,就像是你的未来是什么样一样,扑朔迷离的。

从一个时间段可一个产品的未来和前途,是非常难的,对于人类来说,人工智能是一款非常用难度的产品。

其产品的难度超过了大多数,很多功能在人类的心中,目前的人工智能远远没有达到人类对其的期许。

人工的前途, 确实很严峻。

目前看的话,人工智能根本没有应用的地方,而且强人工智能的实现可能有非常久的时间。

而且研究强人工智能的话,对大多数人没必须,没什么用。

人类没有必要搞一个恐怖的可能自己都不能控制的东西。

还有就是,目前的人工智能研究专业的人也比较少,顶尖的更是少之又少了。

强人工智能的实现已经不是光人工智能的技术可以解决的了,要结合很多。

真正的强人工智能是有自己独立思考的能力的,可不是简单货色。

想说的是:

顶尖的人永远需要。

做到最好,要做起领域的顶尖人才。

知乎用户 深度语义 发表

一些不应该出现在 AI 领域的人,充斥了这个领域,攫取了大量资源。所以,AI 领域正在被恰当的领军人物做空、震仓。很多恶人,已经被震仓出局。真正喜爱 AI 研究的人,可以坚持。

知乎用户 匿名用户 发表

2021 年 5 月修改

目前已经拿到 bat + 网易 + 字节 + 某几个小厂 cv 算法岗暑期实习 offer

背景:一作顶会一篇,一作 sci 一篇,2 块 kaggle top20 银牌,不知名的几个人工智能比赛?前几名

结论:想做这行,未必需要清北出身,知乎有些答案太过离谱,有点像早上岸就想把大门关死看后浪内卷笑话的感觉,bar 倒也没那么可怕,但一定要好好努力就是了

在坚持。

这就好比大学生、研究生、公务员人数越来越多,竞争力越来越大就不去考了吗?其实相比一些专业来说,计算机大类的待遇真的已经很好了,人工智能恰恰又是计算机大类中待遇比较好的,学的人多了自然水涨船高,但就目前来看,形势还没有这么糟糕,至少我实验室的师兄师姐还是可以找到比较高薪的工作。

成功贵在坚持,如果坚持不下去了,好好想想现在这个方向是不是真的不适合自己,别轻易说放弃。

来说说我的经历吧。

高考考的非常差劲去了某末流 985(可能和好多人的经历类似,我高考那年快合并新课标一了,很多人都没有拿到理想的分数),还被调剂到材料专业。当时真的很难受,而且并不知道自己要做什么。开学典礼的时候只记得校长说学习还是要放在首位,就拼命学习想证明自己没那么差。很快大一就结束了,一直保持在专业第一(30 人小班),并且知道可以转专业。慎重思考过后打算要转专业,一是本来对材料没有什么兴趣,而来真的是 “实验室杀手”(左撇子加上毛手毛脚导致弄碎了一些烧杯冷凝管),思来想去感觉还是对 ee 感兴趣,而且信息时代的浪潮已经到来,这可能会是一个很快发展的方向。

大二转到 ee 这边, 编程一点基础没有,需要补修好几门这边的大一专业课,再加上大二本来课就多,补的课完全靠自学。感觉大二应该是最辛苦的一年,但我想证明我的学习能力,于是大二结束之后,我稳在专业前五(200 人大班)。

大三知道有保研,但发现自己没有很多闪光点,除了 GPA 好一些,别的什么都没有,于是加了实验室。当时是大班的课代表,和老师们关系很好,阴差阳错被老师拉近一个计算机视觉实验室做项目,做的传统的图像算法。正因为有了这段经历,也让我对科研有了更深的思考,也对图像处理领域产生了兴趣。大三的下学期忙着各种学校的面试,拿了上海交大、复旦、南大、西交、浙大、中山和北航等一些学校的 offer。突然觉得自己离高考时的名校梦想这么近(为什么不去清北因为直硕面试没过 ORZ)紧接着大四保研成功去了一个搞深度学习的 cv 实验室。

这段经历给了我跟多感悟:

1. 做选择之前找一个说服自己的理由,当初我转专业的时候很坚定就是我有理由相信我可以在别的领域做的更好

2. 如果不知道自己究竟要做什么方向就尝试吧,大学是最好的试错的地方

3. 自学能力很重要,现在网络这么发达专业知识的视频书籍应有尽有(广告时间:推荐深度之眼的课,别问为什么打广告,问就是因为我报了他们的课觉得还不错)

4. 如果坚定选择了这个方向,就请坚定地走下去,直到你实在坚持不下去为止

祝愿大家在人工智能领悟学习愉快

知乎用户 酷哥 发表

首先反驳一下,谁说人工智能就业前景严峻?如果说严峻,那只能说明两个问题,一是技艺炼错了方向;二是方向没错,但是没炼到家。

人工智能(Artificial Intelligence),英文缩写 AI。人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

人工智能应用场景很多,也就意味着就业选择很多,如无人驾驶汽车、人脸识别、机器翻译、声纹识别、智能客服机器人、智能外呼机器人、智能音箱、个性化推荐、医学图像处理、图像搜索等都涉及到人工智能的影子,根据这些场景其又有对应的高大上的一些名词,如物联网、大数据、云计算、算法、数据挖掘的等。

读到此处,应该能看出来人工智能涉及的面其实很广,但作为单个的个人不可能面面俱到,择其一而从之。比如从数据出发,数据是以上所有动作的基础和前提,了解一些主流的数据库比如 GaussDB、MySql、Oracle 等。掌握一些数据分析、数据算法及数据挖掘等技术,参与到人工智能的某一环节中,然后发光发热。

人工智能应用四要素:

欢迎大家一起探讨,欢迎互关

知乎用户 一碗水 发表

吐槽一下

本科学机械的,保研时联系导师。

最开始联系了个本校机械老师,该老师说他接下来的方向是机器学习。

然后又给某兄弟院校的老师发邮件,对面让我大四学机器学习。

然后听说本校还有做模具的毕业论文是靠神经网络做模具设计。

卑微本科生,啥也不懂,只感觉传统工科为了追赶潮流真是拼了老命。

知乎用户 快乐 Coding 发表

2016 年人工智能开始引起大家的注意,**当时公司招人,只要能跑通一个神经网络,就是公司要找的人才。**5 年过去了,涌入人工智能行业的人越来越多,工作当然不好找了。

你说的学习群,应该本来就是做这方面培训的,根据课程收费的吧?群里很多人学习周志华《机器学习》和《深度学习》花书,这个很正常,学习群就是用来发这些的。

现在面试,确实有时候面试官会考察人工智能算法的数学理论和公式推导。这些算是必备基础吧。不过这些东西,即使没学过机器学习,也可以通过临时背诵解决。

只要记忆力足够好,随便一个理工科或者信息学科本科生,面试的时候倒背如流,就可以给面试官留下 “具备扎实的基本功” 印象。要是不看学历,小学生也可以的,只要公式不那么复杂。

面试考察基础算法,只要是 leetcode 常规题,哪怕是 hard 级别的,也是可以依靠熟练背诵解决的。我就见过有人在某网上商城花了几十块钱买了 2 本小册子,其中 1 本就是 leetcode 题解,另外一本是常见基础算法面试题。

内容当然很简洁,题目和代码贴上去即可。(不过说实话为什么要买这样的东西?网络上一堆免费资料,随身打开链接或者打开文档,就有了嘛哈哈!)

**不过,依靠熟练背诵能给面试官留下好印象,前提是,要获得面试机会啊!**题主说得没错,国内 TOP10 学校也不好找工作,虽然顶会论文只是加分项而非必须项,但是,学校背景和在校研究方向会是重要影响因素。

2020 年秋招,美国某 TOP10 名校应届硕士生去面试国内北京一个科技独角兽的非核心部门,因为学校比较好,面试真的像是走过场。现场考的基础算法题是入门级别的(一般面试会考察中等或者困难级别的题目),其他理论考察也不多,面试过程 “轻松愉快”,毫无悬念地拿到 offer。

所以学校一般的同学,如果想去人工智能算法工程师岗位,绝对可以考虑一个好学校的硕士学历加持一下。不过当下学习和生活节奏很快,产学同步会搞得很累,从时间和金钱方面综合考虑,可以关注一下在线学位项目。

人工智能这几年确实很火,30 万税前年薪已经成了白菜价。学校里那些化学、生物医学、材料、机械等专业的实验室,但凡有一丁点可能性,也要开设一个人工智能课题。

就连一个机械专业的本科生,也曾问过我,是要保研他本校本专业还是选择考研自动化专业,选一个人工智能方向。我问原因,回答当然是人工智能算法工程师收入高哈哈。

每年就业最受欢迎的肯定是金融和计算机了。周围的理工科同学们,如果转行的话,绝大部分会选择计算机行业。

比较有趣的是,有一次在地铁站,前面 2 个人聊天,暂且称呼他们为 A 和 B。A 问 B:“你之前不是在 XXX 公司做 XX 设备的吗?”,B 无奈说:“那个设备做了半年,还没迭代完,XXX 就涨价了。资金不够,做不下去,亏了。做硬件真的能做死。没办法,我转行做软件了。”

哈哈,听着很有趣。

校园里,同学们问了学长学姐们,发现人工智能算法工程师收入比其他行业高,很多人就选了人工智能方向。

社会上,做硬件的工程师们,发现变现困难,也转向了计算机方向(某些是选的人工智能方向)。

工作多年的软件工程师,看到近几年的应届生工资如此高,也纷纷思考转行或者已经在转行人工智能算法工程师的路上。

甚至我在一个交流群里认识的一个朋友,他是学医出身,工作了七八年。为了当算法工程师,脱产学习高等数学、线性代数、概率论与数理统计等数学基础,学习编程,学习论文,转行成为了人工智能算法工程师。

学医出身,工作多年,早已脱离课本很久,依旧可以成功转行人工智能算法工程师。那我们很多理工科学生,只要努努力,更加有机会了!

就不说计算机相关专业的学生,校园里其他专业的学生和社会上的多个其他行业的从业人员之中,每年都很多人往人工智能算法工程师转。人工智能就业压力当然大啦!

越早入行的人,越占优势。这句话应该适合各个行业。想起十年前安卓大热的时候,基础勉勉强强的,也能找到一份安卓开发工程师的岗位。工作多年,只要不是太懒惰,至少能当上个技术负责人。有经济头脑的,不少人都财富自由了。但从 2019 年应届毕业生开始,秋招找人工智能算法工程师就必须要有企业项目了。

当时面试现场上,很多同学拿着写满了项目经历的简历排队面试。根据我了解到的,项目经历都是三个起步。个别人项目经验丰富的,会有 5~8 个项目。至于这些项目是否都是其本人真实参与,或者负责的任务模块是否对应,就不得而知了。

但可想而知的是,没有企业项目经验或者只有一两个项目经验的求职者几乎是 “走投无路” 的。缺乏项目经历、学校不在国内前十、也没有 ACM 大奖,大概率就是简历石沉大海。

我认识的 2020 年毕业生就有 3 个 985 学校(2 个全国前十名校,1 个中等 985 学校)的学生,他们都不是计算机相关专业。投递简历到人工智能算法工程师岗位,几乎没有回音。

有了名校头衔,还要专业或者课题对口才可以。非计算机专业,课题也跟算法无关,确实很难有面试机会。

现在很多学生都可以对基础理论倒背如流;公式推导闭着眼睛都不会写错,变量上下标记得一清二楚。项目真实性不好评估,只要言之有理,对答如流,那就是大大加分。太多面试表现优秀的同学,公司只好从专业方向背景等方面去筛选合适的应聘者了。

尽管大家在人工智能算法工程师的岗位上挤得头破血流,也很多人说人工智能是个噱头,但是我相信,当大家看到 “XX 公司年薪 50 万招聘人工智能算法工程师”、“XXX 算法工程师工作 10 年买了两套房子”、“人工智能算法工程师缺口 XX 百万”,立马会把什么 “人工智能就业前景严峻” 这种话忘得九霄云外,恨不得把书给吃了,马上入职

基础理论不过关、编程实战缺乏、面试机会极少、面试一轮游的人肯定觉得人工智能就业前景严峻。因为那 XX 百万的人工智能算法工程师缺口,需要的是人才:

是基础理论扎实而非仅限于熟练背诵、而不能把理论和公式结合到实际应用中的人;

是熟练使用各种 API,而不是仅会调参、却看不懂源码的人;

是能快速用代码实现方案,而不是仅在面试把烂熟于心的题目答案快速写出来的人。

企业需要的是能快速产出的人,而不仅仅是面试高手。

这两年,试用期被裁员的消息应该不少见。除了公司实在是由于运转不善,导致的裁员,这无可厚非。其他,应该都是被裁员者面试能力不错,而实战能力与岗位不匹配造成的。

所以,熟练背诵面试题目,熟练介绍自己简历上的项目或许可以顺利拿到入职机会。但是想要过试用期,还需要真本事。系统化学习相关知识,丰富相关项目实战经验,是非常有必要的。

根据教育部的预测,2021 年高校毕业生有望突破 900 万人,可能达到 909 万人。2022 年更有可能达到 1000 万人。当你还在犹豫要不要加入当下大热的人工智能算法工程师队伍的时候,已经很多人在行动的路上;或者已经转行成功,拿着高薪在知乎看着很多人对 “人工智能就业前景严峻” 的焦虑。

现在大多数公司招聘人工智能算法工程师要求硕士学历,对于时间不多的同学,建议考虑线上教育。我有朋友就在伊利诺伊理工大学攻读在线硕士,如果按时完成学业要求,可以获得海外学位。

早,就是优势!

有的人说人工智能是一个风口,有的人不追风口,喜欢 “脚踏实地”。但,我更喜欢迎风飞扬。对人工智能算法感兴趣的同学,欢迎跟我交流。

知乎用户 财富家庭和谐理想 发表

做为一个创业者,我非常重视新科技的发展,特别是近年来的 AI 市场。

目前 AI 创新公司有上 1000 家,主要分布在深圳 (居多)、北京、上海。招聘条件基本是 985、211 本科或者是研究生学历,注重开发。

他们之间的竞争极其激烈,但基本上是到现在都没有赚到钱呢,一单资金链断了,基本是全完了。

反正非常严峻,但也是个趋势。资本家都很谨慎。但是也经常有很多企业倒下来。

所以说,入行需谨慎哈

知乎用户 老张​ 发表

“这个一个最好的时代,这是一个最坏的时代。这是一个智慧的时代,这是一个愚蠢的时代。人们面前应有尽有,人们面前一无所有。”

人工智能就业越来越严峻了。这句话要辩证来看。2019 年在新增的备案本科专业名单中,部署高校共有 42 个专业。

Talent Seer 2020 AI 人才报告显示,全球 AI 从业者总人数约有 30 万,还是供不应求,其中 AI 技术专家(具有相关领域博士学位及 3 年以上工作经验的)约有 3.65 万。其中有 20% 就职在谷歌、微软、苹果、IBM 等科技巨头。机器学习工程师的平均年薪为 14.2858 万美元。 去年校招的高薪清单大家可以感受一下。

看完这些,你还感觉是越来越严峻吗?

但是:

技术有技术发展曲线。并不是一直是上升趋势的,而是随着观念,基础理论和硬件设备的提升而提升的。对应 AI 的发展前景,大家还是一致认为是光明的。比较技术就是不断进步的。

但是技术不断进步我们就应该坚持吗?

那要看这个周期有多长,一个人一生的黄金年龄就三四十年。如果这个周期大于 50 年,那没有人会坚持。但是如果周期只有三五年,那为什么不坚持呢?

知乎用户 带你飞 发表

回归理性而已,习惯了泡沫,正常的市场行情已经被吹成寒冬了。。

知乎用户 小拉​ 发表

有什么大惊小怪的。10 年开始接触的,都冷冷热热好几波了。我当时根本没想到这能火。但是我真不会别的

这问题其实类似,今年还要买房么

知乎用户 进击的小马 发表

就我所看到的,门槛的确越来越高。校招算法收到的简历明显多于前端和后端。你除了学习相关的知识,是否能有一些实践经验,提前了解工业界发展情况(找到已经相关工作经历的人问问不难吧),找机会去实习。还是朴素的道理 “人无我有,人有我优” 。希望能帮到你 ~

知乎用户 千手力 发表

这年头有就业不严峻的吗?经济不景气是全社会的各行各业都有的事,除了那些低薪的养老行业。但是去这些行业还不如继续坚持 AI 呢。

知乎用户 老吴侃澳洲 发表

从 2018 年开始教育不鼓励学习人工智能,所以这个专业一度成为热门专业。现在互联网发展迅猛,在这样一个大环境下,人工智能会普及到很多广大的传统行业。所以以后人工智能方面的人才缺口可能会很大。就拿我最近自己目前接触到的人工智能博士研究的方向一个是地图(比如百度地图,高德地图等类似软件),另一个人工智能博士研究的方向是研究青光眼诊断。随着智能体逐渐走进很多行业,就需要掌握人工智能的相关技术,未来职场人在工作过程中将会频繁的与大量的智能体进行交流和合作,所以个人觉得目前这个行业所需高尖人才。虽然目前国内形势比较严峻,我在澳洲找工作的网站上也做了检索,总共有差不多 5000 多个岗位在招聘,且薪资也不低。可以看出管理岗大多在 20 万澳币的年薪,基层岗的话在 13 万澳币左右。

从以上来看,澳洲所缺的 AI 从业人员还是比较多,如果有感兴趣的朋友可以查看我写的文章

老吴侃澳洲:What?百分之十 的中国 GTI(澳洲全球人才计划)都是由我操刀获邀的?老吴侃澳洲:为什么这个 GTI 申请花了 6 个月时间?老吴侃澳洲:我们对于 GTI 的认知存在偏差

知乎用户 任同学 发表

数学系表示不坚持又不能干别的,不想当老师,其它的工作更没意思。找工作有点实习或论文总是能找到的,就业不是主要问题,问题是人工智能未来到底会怎样?虽然一堆人带节奏说 ai 是未来,但我是没看到多少未来。

知乎用户 蓝破碎​ 发表

深度之眼大型广告现场?

坚持不一定会有好结果,就像努力不一定有回报。

长江商学院的校训里说取势、明道、优术。

如果一个行业大环境不好,并且在可预见范围内,未来几年甚至十多年都不会有好转,那么在个人努力层面应该尽量避免扎堆,避免进入这个行业进行厮杀。连创业都知道避开红海,找寻长尾去突破,没有特别之处,扎堆去当分母,奈何呢?

题目如果改成,人工智能就业前景越来越严峻了,你在这个行业继续坚持的话,是否还有竞争力?

知乎用户 cm2277621338 发表

怎么说呢?成功把我带入并进入这个坑的其实是我的导师,当然刚开始学习的时候确实对这个充满爱好与期待,就业啥的确实是一个该考虑的问题,但是我认为就业啥的先不考虑,我们现在能做的仅仅就是给自己打好基础,毕竟没有能力去就业也是白搭。今年研二,研一的时候把机器学习,深度学习基础看了几遍,在这个过程中注定有很多坎坷,从 python 的安装,编辑器的配置,包括受大家欢迎的 anconda 这个集成环境,虽然现在看来这些比较简单了,不过当时解决这里面的 bug 时可是满满的泪水啊。很多新手不知道的是刚装完就各种装包,到后来遇到错误了,尤其是误删了一些东西,导致 anconda 是用不了的时候,拼命的抓狂,后来我才知道,正确的操作应该是新建一个环境,大不了没用的时候删了,原始的还是保留着的。再后来到机器学习,这个阶段基本都是借助的 sklearn 这个包,高度封装的确实有利于我们个人的感受,但是要理解比较透彻还是得要从不调包源码实现,当然我目前在弄。这个过程注重调参的技巧,比如 svm 可以交叉验证,网格搜索暴利大法等等,深度学习也是一个样。由于是给老师做项目的,很多时候看着数据确实分析不出来啥原因,但是一用深度学习的方法,偏偏又好了,真的很让人匪夷所思。但是不要注重过程,享受其中的乐趣就好,哈哈哈。很不容易找到自己感兴趣的东西,当然得去坚持。

知乎用户 香缘钟声​​ 发表

人工智障方面,搞开发本科生 Github 下载调参就可以搞定了,搞新算法研究怎么也得博士起步,要硕士来干嘛?能不严峻么?就改改 pytorch,TensorFlow,从零开始培训个两三个月也会了,表面上高大上,实际上开发门槛太低。研究新算法的话,除了几个超级大厂,哪有普通公司会搞这玩意?

知乎用户 刘庆振​​ 发表

对于人工智能引领的这场巨变,身处其中的我们,顽固地抵制或者漠然地忽视都无济于事。

这让我想起仓央嘉措的那首《见或不见》:

你见,或者不见我

我就在那里

不悲不喜

……

你跟,或者不跟我

我的手就在你手里

不舍不弃

来我的怀里

或者

让我住进你的心里

默然 相爱

寂静 欢喜

无论是否看见或者感受到,人工智能的进程就在那里。

我们应该主动投进它的怀里么?

还是要让它融入到我们的思维中、理念里、行动上?

谁将变成谁的宠物或者仆人?

人类劳动与人工智能之间是一种什么样的若即若离、亦敌亦友或者此消彼长的关系?

我们又将怎样在前行中不断摸索并重新界定这种暧昧关系?

在硅谷流行着这样的观点,即技术的演进有着自己的生命,技术的进步很多时候超出了人类的控制范围,并逐渐成长为一种独立的力量。

今天,这股力量正在变得更加强大,人类塑造了它,它正在反过来所造人类——“来我的怀里,或者,让我住进你的心里。”

知乎用户 匿名用户 发表

人工智能就业本身就是一个伪命题

人工智能的确能创造大规模的需求,但是那是对于标注数据人员的需求,要这么多调参侠干什么。调参能够提供的收益,远远没有加数据和加机器来的高。

遇到这种情况肯定是及时止损,就算一时半会儿下不了船,也不要死脑筋,准备后路。要是你觉得自己有才能和时间,那就读个 phd 再谈就业,否则公司也不会觉得你有诚意。

记住一点,现实远比预想要的要糟糕。

知乎用户 zafir 发表

作为 AI 从业者,从 19 年博士毕业到现在在企业一线做视觉算法研究,在这个变化中感触挺多的,看到这个题目之后,想说一点个人看法,希望能作为师兄的身份和师弟师妹们分享一点个人看法,也希望能为你们解决一点困惑。

先简单自我介绍一下,我是 14 年直博,19 年博士毕业来到企业做视频理解的算法研究,亲身经历了一些企业界对技术的需求,以及作为面试官也面试过十几个校招和社招的同学。所以我想就从一名从业者和面试官的角度聊聊自己的感受,如果说的不好,请自动跳过。

首先,人工智能就业前景的严峻,更多的是因为从业者人数大于公司岗位需求,那么硬性要求自然会水涨船高,但是不管如何行业如何瞬息万变,但是人工智能所创造的价值仍将持续。在企业界,我出去见过不少客户,一部分是我们希望能帮助他们提升效率和降低成本,还有很大一部分客户主动找到我们,希望我们帮忙看看 ai 能为他们做什么,这是不同行业的从业者之间的火花的碰撞。通常情况,我更多的是深入一个行业,认真熟悉这个行业的尽可能多的细节。如果你想让你的算法成为专家,那么无论如何你自己也要是半个专家。当了解的越多,我越来越觉得 ai 需要做的事还有很多,只是还需我们认真的思考,如何创造价值。有了这些考虑,我做算法研究的过程中,会逐渐的调整自己的思考方向。

其次,在聊聊志在机器学习的师弟师妹们该如何去准备。先和大家说一次我面过的一位同学,该同学的简历真的很 fancy,顶会论文好几篇,经历也很丰富,我非常希望能有如此优秀的同事一起共事,可是一面以后我就拒了。他对他的领域的方法很熟悉,但是抛开具体方法而言,他却说不清他的研究在企业界的价值,或则给定一个具体的场景,他也没办法说出他的研究如何解决哪怕一个问题,最后他说这个方向目前在工业界可能没用。说这一点,我更希望做算法研究的同学能够多多思考一下,你所做的事情的具体意义,想多了你或许能更喜欢上自己的方向。当你做的事即是你的爱好又能创造价值的时候,这不是一件很幸福的事 么。回到问题本身,你们不仅要熟悉自己的方向的行业动态,而且还要这么熟悉 相关行业的进展,经常跳出来在看看问题,经常思考问题的本质在哪儿,想多了就不会思维定势,这也是我希望在面试中看到的。有些问题,要么我知道你不会,要么没有一个具体的答案,但是我希望你能够有自己的思考方向,而不是回答我不会。

最后,走出舒适圈,多接受一些全方位的打击,多和优秀的人一起交流。这里就建议如果有机会去企业实习,无论如何都要去看看,这点很重要。企业研究院优秀的同学很多,当你学习在其中的,你会发现你的成长是看得见的。此外,还有可以打打比赛,探索一下算法的边界,思考问题的角度也会随之变化,收获都会很明显的。即便不能出来实习,在学校不妨碍你寻得一些可靠的搭档,一起互相促进互相学习。当你迷茫的时候,选个比赛打一打,你就明白你自己方向在哪儿了。当然还有 math+code,都会在这个过程中得到锻炼和提升。这里主要沿着 “思维 + 学习” 的思路说的。还有不少细节,后面有时间再更,也可以私聊我,随时交流。

知乎用户 黑马程序员​ 发表

2017 年始,AI 一词逐渐被大众熟知

从国内的百度李彦宏驾驶无人汽车行驶五环路被查水表

科大讯飞开发的语音客服到美国的波士顿动力公司开发多款智能机器人等等..

AI 概念逐渐受到资金追捧

2017 年,我国智能机器人项目获得投资总金额超 200 亿元人民币。预计 2023 年我国机器人产业规模达 260 亿美元。

数据来源艾瑞网

花旗银行和牛津大学未来预测

中国 77% 的工作都有被机器人代替的可能,“被替代率” 高居全球第二。

从技术发展的角度来说,未来标准化的人才不能适应我们的时代需要,我们需要个性化的人才。个性化人才需要我们对每个人进行更好的评价。

对于教育而言,素质教育的孩子在学校学习结束以后,得到的反馈通常只有一个成绩条,标注孩子的总分是多少,单项分是多少,但是孩子的阅读能力是否有提升,逻辑能力、写作能力或者在学校的专注精神怎么样等这些更加具体和重要的能力并没有得到很好的测评。因此,我们需要从各个方面对学生进行更加精准的评价。但目前我们很难做到这一点,当前老师的工作量特别大,但老师的精力是有限的,只能关注很少的学生,因此需要人工智能技术的介入,帮助老师更好地观察每一个学生,为每一个学生做更好的个体分析。

与 AI 研究相关的公司或行业正呈增长之势

尤其是在美国、中国、日本、法国、德国和英国,而人工智能领域从业方向包含了下图方向

2019 年报告的一些要点如下,结果忧喜参半

· 人工智能成为了最受计算机科学博士青睐的领域,而在 2018 年,有 21% 的毕业生毕业于机器学习或人工智能专业。

· 从 1998 年到 2018 年,经过同行评审的人工智能研究增长了 300%。

**·**2019 年,全球私人人工智能投资超过 700 亿美元,其中初创企业投资为 370 亿美元,并购为 340 亿美元,IPO 为 50 亿美元,少数股权为 20 亿美元。在过去的一年中,智能驾驶行业成为全球投资的「排头兵」(70 亿美元),随后为药物和癌症、人脸识别、视频内容、欺诈检测和金融。

· 继 2006 年超越美国之后,中国现在每年出版的人工智能期刊和发表的会议论文数量与欧洲相当。

· 被引用的人工智能会议论文中,超过 40% 的论文作者来北美,而约有 1/3 论文作者来自东亚。

**·**2015 年至 2019 年,新加坡、巴西、澳大利亚、加拿大和印度在人工智能招聘方面经历了最快的增长期。

**·**2014 年至 2018 年间申请的人工智能专利绝大多数是在美国和加拿大等国家申请的,并且 94% 的专利是在富裕国家申请的。

**·**2010 年至 2019 年间,发表在 arXiv 上的人工智能论文总数增长了 20 倍。

AI 领域在减少 AI 系统的训练时长和降低计算成本所取得的长足进展,而训练时长和计算成本也是 AI 普及率的最大阻力之二。

经过联合国证实,目前约有 30 个国家制定了国家级的人工智能战略。

2016 年 3 月阿尔法围棋(AlphaGo)是第一个击败人类职业围棋选手、第一个战胜围棋世界冠军的人工智能机器人

DeepMind 的 AlphaStar 就在《星际争霸 2》中打败了人类。

以及人类通过使用深度学习能够眼睛图像中检测出糖尿病视网膜病变。

现在还有很多数据报告还列举了人工智能系统实现了人类水平的诸多案例

如果人工智能机器人软件开发有兴趣,也建议在闲暇时间学习了解一下

推荐免费教程

0 基础小白也能学会的人工智能课

知乎用户 匿名用户 发表

感觉看了这么多深度学习以及人工智能

以一个计算机本科生的角度,感觉自己还没有踏上人工智能的领域,这个领域的就业前景就已经饱和了?

而且,(没有其他贬义的意思),这个行业在我接触的竞赛里,项目一批一批的,但是做出来的过程确很水,但是往往获奖还很多,感觉这是一个浮躁的社会(不知道现在人工智能领域的在职是什么情况)。

emmm 总感觉想学东西就应该踏下心来钻研它,而不是应用他。

知乎用户 瓦匠和瓦特​ 发表

别被忽悠了。就也不好的原因是因为,经过热炒,市场空间,及能应用 AI 落地,能商业化的靠谱的也被挖的差不多了,没有额外的空间。各家公司养了一堆调参算法专家,发现尼玛无法赚钱… paper 很美,落地实践一地鸡毛。还在弱人工智能领域原地打转,给别人吹牛逼各种 “自动化”,发现根本无法落地。发现靠谱的也就仍然在搞那些 推荐,搜索,图像识别,语音识别等等。吹牛逼在传统生产业务领域用的 靠谱的还是传统数学算法那些,和“深度学习” 等调参算法半毛钱关系没有。

技术瓶颈还在,导致吹牛逼无法落地,所以小 AI 公司倒闭,大公司缩减 “调参专家” 岗的投入,象征性招一些顶尖大拿面向未来做做研究,这才是现状。

还在学校里跟着导师学 “AI” 的同学们,注意调整好自己的方向,和打造好自己的基础能力。要么做好准备一直在学校往 PHD 读,就业留校或者到一些纯研究性机构。要么把自己扎实的开发功底练好,把数学学好,研究生一毕业就去工作。千万别只是对着一个无知领域方向或者一个烂大街领域方向调几年参,毕业即失业。

你们那些导师搞这些 “AI” 研究,多半是划水。因为他本人也是一头雾水,鬼知道自己研究的这些能有啥商业前途和技术理论突破。特别是一些玩一个大方向,通用场景 AI 研究的多数估计都是扯蛋。套路都是自己造点数据,买点数据然后调调参,然后自嗨。

知乎用户 Ai 联邦 发表

滥竽充数,南郭先生听过吧?

知乎用户 Godthrone 发表

我是搞大数据挖掘的,会用到 AI。

我觉得首先要搞清楚科学家和工程师的区别。科学家负责发论文,提出新的理论,改进现有的理论。工程师负责把理论与现实对接,灵活应用。

科学家永远是少数人,毕竟大部分人没那么聪明。工程师是多数人,因为项目多的是。

现在说人工智能主要指的是各种新的神经网络算法,这些东西现在应用起来困难,因为他们还没有发展完全。但是,随着时间的推移和理论的完善,CNN,RNN,GAN 一类的算法将会变得成熟,就像决策树一样,一个工程师只要调用,修改一些简单的参数,就能实现想要的功能。

所以一定要搞清楚自己的定位,如果你是科学家,发论文为主,那随意。如果你是工程师,想要使用这些不成熟的技术搞项目,那就需要高学历和深入研究,如果做不到,还是等待他成熟了在学习使用吧。

知乎用户 掌上高考​ 发表

人工智能显然成了引领新一轮科技革命和产业变革的战略性技术,是国家综合实力与发展核心竞争力的重要体现。

国家在人工智能的战略布局让人工智能人才的争夺战日益激烈,人工智能专业学生或许会成为未来最紧缺的人才之一,就业前景十分广阔。

知乎用户 观远数据 发表

必须坚持!!!

从 2016 年成立至今,观远数据一直坚定要做中国的 beyond BI,就是 “AI+BI”,中间有来自客户的质疑和同行的唏嘘,但是我们一直在坚定地走这条路。而且,事实证明方向没有错,有一个原因也不容忽视,就是观远数据创立之初就确定了要深耕零售消费领域,而这个领域刚好是 AI 带来改变最成功的领域。

根据 Gartner 的研究报告显示:美国,英国,加拿大和欧洲的大型零售商中只有 19%部署了 AI,并将其用于生产中。而这一数字将在未来几年中迅速变化,其中 31%的零售商正在试用 AI 技术,另有 27%的零售商计划在 2020 年底之前进行部署,很多实验正在进行中。

2016 年前,即便大公司对于 BI 运用的深度也非常有限。受制于当时的技术和基础设施,大多数公司局限于基于有限的历史数据分析过去的问题,海量数据探索,异常实时诊断,未来预测,行动建议…… 这些都是无人区。

而随着算法、算力与大数据三股技术浪潮叠加汹涌而来,为 AI 与 BI 的融合提供了更多的可能,观远数据创立的初衷也是希望抓住这个机遇,做中国本土的 “AI+BI” 产品,让算法智能普惠更多的企业。

凭借多年的数据分析经验,观远数据团队总结了一整套从 BI(敏捷分析)到 AI(智能决策)的完整 “5A” 落地路径方法论:Agile 敏捷化、Accurate 场景化、Automated 自动化、Augmented 增强化、Actionable 行动化,根据企业的数据基础,协助客户规划相应的数字化升级路径。而这正是观远数据与传统商业智能不同之处,以智能决策为目标,分步构建,持续升级,为客户打造面向未来的智能决策大脑。

虽然说,观远数据目前 90% 的客户使用的都是 BI 产品,但是我们有能力,在客户做好准备之后,为其提供更深度的自动化智能数据分析。

因为坚信这条路是未来的方向,所以,我们在 AI 方向每年都会有固定的投入和成功。作为一个产品导向型公司,目前,我们培养了一支二十多人的 AI 算法团队,其中包含全球 kaggle top1% 的全球顶级算法专家,与联合利华、百威英博、沃尔玛、汉堡王、全家等十几家行业龙头客户落地了销售计划、需求预测、智能运营决策、智能配补货、智能排班等 AI 场景模型。

既然已经有了成熟的落地项目,那观远的 AI 解决方案是不是可以大批量复制到其他企业?

其实并不是,前面也说到了,美国,英国,加拿大和欧洲的大型零售商中只有 19%部署了 AI,而在中国可能更少。其中一个重要的原因就是,AI 项目的真正落地,算法只是冰山一角,可能只占到 20%,企业首先得有足够优质的海量数据基础,其次就是基于数据结构和业务场景开始建模并通过模拟分析不断优化迭代。以业务为导向,以最终应用落地为目的,端到端的全面交付能力才是项目走向成功的保障。

这里也分析一篇我们 AI 解决方案总监产出的 AI 项目实施干货分享: 《从模型到应用,快消零售行业 AI 落地指导》

至于数据基础设施搭建完成后 AI+BI 产生的价值,苏春园信仰复利和长期主义。**人们总是高估技术在短期带来的变化,而低估技术在未来 3-5 年带来的变化。**之前,我们 CEO 苏春园在接受创业邦采访时提到:如果企业使用了某项技术,明天效率就能得到普遍提升,这是违背自然规律的,这样的技术可能是昙花一现的伪技术,真正的技术带来的变革是循序渐进的。

观远 AI 项目要不要做,很多企业踩过坑,很多企业听说别人踩过坑,很多企业望而却步。但作为一家 “AI+BI” 解决方案服务商,我们是会将 AI 坚持到底,当某一天你觉得时机成熟时,再回头,我们已经可以提供更有价值的方案!

AI 就在这里,不管你去不去找他,他都会来找你。

知乎用户 不忘初心 发表

刚经历秋招,实验室算法方向不强以就业为导向想去大厂的就老老实实转开发吧,今年客户端形式挺好,舍友和一个同学去年还啥都不会,安卓 iOS 岗刷了半年算法题背了半年面经腾讯头条随便进。算法是真的看论文的,只懂皮毛的赶紧转开发吧。

知乎用户 maple 发表

我们当年高考那会,建筑学简直是学术界的明珠。很多高考状元的选择。现在呢?很多事情都是实事使然。可以追求潮流没有必要。

知乎用户 时耕科技​ 发表

作者:小时,公众号:时耕科技(SG-TIMEWORK):深耕商业地产 14 年,现已形成以大商圈、智慧园区及 IT 服务为三大核心业务的软件企业。服务过华润、万达、华侨城、碧桂园文旅、大悦城等中国知名商业地产 50 强客户。

随着各种智能终端的普及和互联互通,在不远的未来,人们将不仅生活在真实的物理空间,同样生活在一个数字化、虚拟化的网络空间。在这个网络空间中,人和机器之间的界限将被空前淡化,换言之,网络空间中的每个个体既有可能是人,也有可能是一个人工智能。另外,在真实的物理世界中,人工智能又不必具有类人的形态,这使得人工智能将有可能从更多的角度进入到我们生活的方方面面,协助人类完成此前被认为必须由人完成的智能任务。

人工智能目前有六大研究方向,涉及到计算机视觉自然语言处理机器人学自动推理机器学习知识表示,这些研究方向之间也存在比较紧密的联系,目前计算机视觉自然语言处理机器学习这三个方向的热度相对较高。

随着人工智能产业的迅速发展,人工智能人才目前处于明显短缺状态,这种状况还存在扩大的趋势。在此背景下,人工智能专业就业前景广阔,薪酬水平高于大部分行业平均水平。

欢迎关注时耕科技(SG-TIMEWORK),获取更多商业数智化服务

知乎用户 知乎用户 2WxJPw 发表

我们一直关注职场新人的职场发展问题,尤其是海归留学生们。在过去的三年,我们发现留学生对于人工智能公司的兴趣有增无减。按照应用领域来划分,人工智能行业包括无人驾驶、个性化信息推荐、药物研发、AI 芯片、面部识别、医学成像和远程医疗、语音识别、金融反欺诈等领域。这些公司是推进商业社会向前发展的主要动力。所以,如果能够进入这些细分领域,实际上就进入了职场快车道。

1、对各专业同学求职 / 跳槽的建议

技术类专业,专业知识扎实的同学,建议直接申请技术岗;

技术类专业,专业知识一般的同学,建议申请项目类或者 BD 岗位;

经济学和商科类专业的同学,建议申请销售 / 项目类岗位;

财务类专业的同学,建议先去事务所打磨好专业技能,成为岗位专家后再去申请。

其他专业的同学,可参考对商科类专业同学的建议。

2、对于公司的选择

选择潜力股企业。人工智能领域的巨头比如百度、阿里竞争非常激烈,建议大家可以避开这些头部明星企业的争夺,重点考虑申请难度相对较低的 AI 独角兽企业。举个例子,三年前刚刚推出抖音时的字节跳动,其岗位大多是销售或产品相关,申请难度低,却很难招到商业领域的人才;而现在的字节跳动,其职位申请难度甚至可以和三巨头匹敌。所以要求职 / 跳槽的同学,可以考虑还没有完全成为巨头的企业。

独角兽企业列举:寒武纪科技(AI 处理器),云从科技(面部识别),旷视科技(面部识别),碳云科技(医疗),Momenta(自动驾驶),商汤科技(面部识别),依图科技(面部识别和医疗成像),云知声(自然语言识别)

不要追热度,考虑商业的本质。小编教大家一个识别公司的方法:大家可以根据自己的商业敏锐度和行业知识,站在消费者 / 市场需求的角度来推断该公司做的业务是不是有潜力,尤其是分析该公司是否有核心业务,核心业务是否存在明显的技术优势和壁垒。那些纯靠噱头拿融资的企业不值得去。比如靠机器人做 Pizza 的美国 AI 企业 Zume,目前前途未卜(用机器人来做披萨,然后靠移动的车辆边做 Pizza 边送外卖)。

知乎用户 阿拉斯加的金鱼​ 发表

在头牌观点上看到 90 后就是个转折,职业不再终身化,每样职业的周期可能只有几年时间,如果从 25 岁到 65 岁作为工作年限,意味着每个人要有 4-8 次的职业重置过程,需要重新学习、重新起步、重新适应。

学习能力才是最重要的能力,终生学习不再是特殊能力,而是求生基本要求。

好消息是,相对于 60 后、50 后,你们工作的丰富度也是他们的 4-8 倍。

知乎用户 未卜​ 发表

在啊哈哈。

18 年入坑 AI, 因为切实感受到了作为一个人类的脆弱和不足之处,是需要机器人来帮助的。

研究完 Ai 技术,结合自己肤浅的商业认知,现在聚焦垂直领域里做针对于场景的 Ai 应用。坚信价值投资,静观资本泡沫。

踏踏实实,利用人工智能技术,为大家解决点问题。可以了。

知乎用户 匿名用户 发表

我是 2017 年读硕士,前一年也就是 2016 年虚拟现实、增强现实在网上的火热程度不亚于现在的机器学习、深度学习。然后呢?入学一年后,VR 和 AR 就凉了。相比之下,机器学习还是坚挺了很久,只是门槛越来越高,大厂招聘都是顶会、顶刊优先。论文吹的这么牛逼,生活中没看到太多实际应用用处。在医学图像领域,论文写的,让你产生一种 “医生要被淘汰” 的错觉,然而并没有什么卵用。和大医院的主任和学生聊过一次天,和她们说我们领域做的啥啥啥,一些人都做到了啥啥的地步,然而别人医生根本不 care,就是这么搞笑。

建议不读博赶紧放弃机器学习,老老实实搬砖。

知乎用户 刘世超​ 发表

是太多贾大师,什么概念热就 “最懂” 什么。

哪一下子蹦出来那么多专家啊!机械桥梁这么成熟的行业,要成为有竞争力(手里出的活放到市场上起码得有两样优势吧)的开发者,也还要百里挑一加一万小时呢。

当潮水褪去时,就知道谁在裸泳了。

知乎用户 风原 发表

坚持,因为痛点在那。

现在是 2020 年的 2 月 29 号,疫情已经肆虐好久了,人们的生产生活受到严重影响。这段时间尤其以各种谣言对人们的冲击比较明显。大大小小的事都有谣言。

但人们往往宁愿被谣言左右,也不去求证真伪。懒是一方面,信息难以获取又是一方面。

而且获取信息,反而成为置身信息海洋的我们的痛点。信息太多了,没那么多精力去筛选想要的。

如果有个辅助软件,我想要什么,它回答就是了,那该多好。那些筛选信息的工作,它自己去做了。

现在的 AI 能做到吗?还没有,所以还有提升的空间,也很有市场。

人的一生也没多久啊,一转眼几十年…… 我们一直以为自己过得很充实,为了房车忙忙碌碌。一场肺炎疫情,突然觉得,很多东西其实并没那么重要。而且自己貌似都没为理想活过……

瞎写的,乱感叹而已。希望能够为了理想继续坚持吧。

知乎用户 石头 发表

说到底这行当火爆是个资本现象,不是正常的学术或者生产力发展的结果。

先把数分、概率论、统计、矩阵分析这些基础整明白吧。会几个框架,调几个包,调调参就可以挣大钱的好日子早过去了。

知乎用户 刘思哲​ 发表

你可能是跳入了天坑,也可能是站在风口,这一切需要时间去验证。媒体把人工智能炒作得如此火爆,而现实却只有当局者才明白。之前神话算法工程师,现在所有理工科的学生都在往人工智能算法方向转型,但是招聘算法岗是非常少的,待遇也并非期望的那么高,而且竞争非常激烈,能够获得算法大厂算法岗 offer 都是凤毛麟角,这个问题需要结合自身实际,问自己是否需要继续坚持下去。

你要问自己学习 AI 的目的是什么,如果是急功近利,那还是趁早放弃,因为你坚持不久的,我感觉人们对于新技术的学习是可以理解,但是千万不要把这当成投机之路,因为要想掌握一门知识和技能并且应用那时一个漫长而艰苦的过程。

知乎用户 匿名用户 发表

我的回答无关就业,仅仅关于人工智能本身,而且我也是来唱反调调的,话不多。

在发展迅猛的刚开始,就应该意识到深度学习走不远,几乎所有人都在尊崇绝对输入输出的黑箱法则,喂数据调参数,是想要瞎猫碰死耗子么?对不起,我不看好,这不像是物理的理论,有了新的切入点就有了新的发展,现在的 AI 几乎就是一条路走到黑,至于强 AI,唉,按现在的搞法,还没有共产主义好实现呢。

知乎用户 匿名用户 发表

等等,这些回答让我想转专业。我想问一下交大本科人工智能专业它有前途吗??

知乎用户 匿名用户 发表

首先你要知道,ai 是个笼统的说法。目前的 ai 核心是要 ml 来实现。dl 也就是多层神经网络,大概是 05 年从 ml 里分出去变成了一个独立的分支。cv,nlp,dm 的情况都是不一样的。然后算法工程师和算法科学家也是完全不一样的。

目前全世界范围内都是做 cv 和 nlp 的最多。中国尤其是。前些日子有同学(海硕)回北京应聘,他要找的那家公司一共招两个算法,去了十个人。一半是 cs,其它的从机械到化工都有。这种情况似乎不普遍见于国内的开发岗位。

除了强化写码能力,你能做的,就是期待水货多一点。

知乎用户 大裤衩 发表

去年打算学学 java,书刚到,就开始互联网寒冬大裁员,心麻凉麻凉的。今年刚看了本 python 神经网络编程,感觉良好,然后又开始 ai 就业前景堪忧。我觉得现在的 it 圈真的都不好过,就像一轮轮过山车一样,仿佛经历了很多 “金融危机”。不是名牌大学看来只能认命,运气真的比努力重要。

知乎用户 姜涛 发表

并不是人工智能前景暗淡,是东郭先生没法滥竽充数了。要是精英无需坚持,要是弱鸡自然淘汰。

知乎用户 Jerry 发表

这咋就严峻啊。只是滥竽充数的混世界的太多而已。

知乎用户 hammer83 发表

就技术发展而言,现在搞研究的人多了是好事,在量变到质变的过程中,再过几年总会能冒出各种新实用技术。

但在现在这个过程中,搞 ai 的人多而杂,静心搞底层的、能解决调参以外问题的人还是很少的。大部分公司 ai 业务能盈利的就那么几项,确实不需要很多人就已经饱和了。

所以如果是硕士生,且只想到大厂做个普通开发人员的、或以后走管理或产品经理路线的,一开始就别学 ai 了。要学就代表着你有兴趣解决理论或实际问题,可以一直为之努力的,那样即使短期的工作不如意也能忍受 ,或者找工作多投些交叉领域或其他 ml 相关方向的,继续积累经验。我个人是看好长期发展的,因为 ai 的应用点很多,但暂时有些不成熟、有些应用小众(小公司小业务需求)、烂大街各个公司都做的任务当然在挤独木桥。

知乎用户 Abner​ 发表

坚持呀 不坚持是不可能的,别的又不会做,只能调调参数维持的了生活这样紫~

知乎用户 匿名用户 发表

算法从 141516 年开始众神崛起,1718 年神仙打架,到 19 年步入诸神黄昏,目测 20 年后就是众神陨落的时代了。 虽然今年艰难上岸,拿了个大厂算法 offer,但了解越多越觉得这里泡沫太多,工资高的同时门槛一直在降低,产业落地一地鸡毛。已经开始思考更长远的打算,最好技术含量高,门槛高,工资高。 开发前后端人满为患,如果不做到架构师级别可替代性极强,就不凑热闹了。目前考虑务实机器学习算法,滤波算法,融合定位算法,可能是一条更稳妥的道路吧。

知乎用户 未艾人工智能​ 发表

我不知道这个 “人工智能就业前景越来越严峻” 的结论是怎么得出的,在这里也不评论其他人的看法,我只想说一下我们对这个行业的一些看法。

一. 新一代人工智能产业发展仍处于上升期且正在向全方位商业化发展

全球新一代人工智能产业依赖强大的技术创新积累优势,以谷歌、英特尔、微软、亚马逊等跨国大型科技企业为主导,充分发挥其强大的资源整合能力与持续创新功能,不断加快基础层底层技术研发与应用产品实践步伐,围绕智能硬件与软件核心算法产业上下游进行有效部署。随着技术的不断成熟和底层技术框架的开源,吸引创新企业不断涌入,推动产业规模持续加速增长。2018 年全球新一代人工智能产业规模超过 555.7 亿美元,预计 2019 年产业规模将突破 718 亿美元,带动 2022 年产业规模将超过 1630.2 亿美元,2018-2022 年的年均增长率达到 31.6%。

智能技术已步入全方位商业化阶段, 并对传统行业各参与方产生不同程度的影响, 改变了各行业的生态。 这种变革主要体现在三个层次。

  • 第一层是企业变革:人工智能技术参与企业管理流程与生产流程, 企业数字化趋势日益明显, 部分企业已实现了较为成熟的智慧化应用。 这类企业已能够通过各类技术手段对多维度用户信息进行收集与利用, 并向消费者提供具有针对性的产品与服务, 同时通过对数据进行优化洞察发展趋势, 满足消费者潜在需求。
  • 第二层是行业变革:人工智能技术带来的改革造成传统产业链上下游关系的根本性改变。 人工智能的参与导致上游产品提供者类型增加, 同时用户也会可能因为产品属性的变化而发生改变, 由个人消费者转变为企业消费者, 或者二者兼而有之。
  • 第三层是人力变革。人工智能等新技术的应用将提升信息利用效率, 减少企业员工数量。

此外, 机器人的广泛应用将取代从事流程化工作的劳动力,导致技术与管理人员占比上升, 企业人力结构发生变化。

以上内容的目的是为了让大家看清人工智能行业目前的发展情况,一个日益增长且正面临全面商业化的行业,需要的人只会越来越多,而不是越来越少。

二. 目前全球人工智能领域的人才需求情况如何?

传统行业的智能化已经启动,企业在 AI 时代构建新的竞争优势的核心,在于人工智能 ABC 人才的有效供给。能够推动技术突破和创造性应用的人才对产业发展起着至关重要的作用,**目前我国高等教育对人工智能人才的培养处于较为滞后的状态,高校对人才的培养很难满足企业需求。**一些掌握人工智能前沿技术的企业开始寻找新的人才培养模式,未来将有更多的符合岗位需求的人才进入市场。

1. 人才结构不完整,算法和应用类人才短缺

我们将人工智能人才自上而下分为四个层次。最上层是科学家类人才,这类人才主要做人工智能理论的前沿研究,引领人工智能未来的发展方向;第二层是算法人才,他们将科学家人才的理论通过代码实现,并训练成算法模型;第三层是应用人才,他们负责将人工智能与特定的需求结合,产出人工智能工具;第四层是数字蓝领人才,这类人才培养路径颠覆,头部品牌发挥主导作用才将人工智能工具应用于产品,完成垂直领域的应用实现。

目前人工智能人才供给最多的是第一层次(所谓 “数字蓝领” 人才)。主要有两种来源,一个是传统软件行业人才转化而来,尤其是 2016 年人工智能概念被引爆以来,传统软件产业大军快速向人工智能迁移,但这些人才掌握的技能相对基础,离真正的人工智能人才还有较大的距离;另一个是专业人才成长而来,包括那些长期从事算法理论研究和实践的专业人才;第二层(应用人才)、第三层(算法人才)较为紧缺;第四层(科学家)人才则高度稀缺,但这个群体主要开展前沿研究型工作,甚至与产业实践有一定距离,所以一般的企业难以雇佣和驾驭他们。

因此,我们认为,目前和未来一定时期内,第二层次(应用)和第三层次(算法)人才将主要负责将人工智能的理论和方法落地,找到应用场景,真正驱动传统产业变革。

2. 目前人工智能人才水平良莠不齐,人才引进风险居于高位

在获取人才的过程中,企业也存在一定的风险,比如盲目获取不适合本企业的高端人才,这不仅会给企业带来沉重的经济负担 , 也会造成企业在战略性决策上的偏差,加大企业的机会成本或者说时间成本。现代企业的产品技术演进周期短,企业之间的竞争节奏很快,机会成本对处于转型期的企业来讲风险很大,甚至是致命的,一旦错失就可能要再等好几个周期。

人工智能的概念刚刚兴起,产业的落地应用、人才岗位的界定还在实践和探索之中,导致企业对人工智能人才的辨识能力不高;加之全球范围内的经济衰退,增长放缓,传统行业人才供过于求,难免在人才的供给上存在鱼龙混杂、弄虚作假的现象,这些都将增加企业招聘人才的难度,加大人才引进的风险。

三. 人工智能人才都需要哪些技能?

Python 和 Java 是需求最旺的技能

人工智能岗位的能力要求显著高于传统技术岗位

从对人工智能相关技能的词云分析来看,人工智能岗位对求职者技能的要求显著高于传统技术类岗位。超八成 AI 类职位要求候选人掌握两项及以上技能。 BOSS 直聘根据 2018 年前三季度 AI 类职位描述中出现频率最高的 25 项技能展示发现, Python、Java、 Hadoop 和 C 语言是需求量最大的几种技能。

最后,我来总结一句:不是就业前景严峻,而是人工智能人才要学的东西变多,大部分人的水平还不够高,真正在某个行业里沉浸下来的人,都不是一个庸才。不缺资本,不缺发展前景,缺高精尖人才的人工智能行业,坚持下去,你将会收获很多很多。

知乎用户 干物仓鼠​ 发表

在意识到人工智能就业前景越来越严峻的时候,你就应该想起这本来是高端科技。

人工智能这个词,在我小学的时候就认为这是科学家才能做的东西,然后到这两年来变成什么跟我学习人工智能四个月然后月薪两三万的玩意。

抱着学习四个月后月薪百万的思想对待人工智能,就业当然会越来越严峻。

还有什么课程网站各种 up 放课程,打广告 现在人工智能这么火,几百块钱甚至几千跟我学高数包你会高数,包你会英语……

说真的我很好奇抱着学习人工智能月薪过万的人去照这种课程学高数,基础好的就算了,基础差的我倒要看看你能不能学到数学二的水平。

我前面说了,我小学的时候人为人工智能是高科技,现在我也认为这是本质上也是研究人员才能真正搞的事情,ai 就业形势严峻,那因为它根本上就是高科技啊。

ai 的就业形势,我认为对于真正的从业者来说不会有多少就业压力,因为目前的人工智能水平,距离造出少女前线里那种格里芬战术人形(小姐姐)的水平,还差了不知道有多少年呢。

ai 技术的进步空间我认为是很大的,因为对于大多数人来说,大家的技术还没达到 “高科技” 的 “高”,不是吗? 大家加油吧

知乎用户 唐先生 发表

知道越来越严峻,但是还是得恰饭

不是恰 DS,就是 CS,反正都是计算机行业,总不能转别的行业吧?

知乎用户 陈宝宝 发表

最讨厌 打开公众号 一堆卖课程的。。。虽然不贵。。。。但我时间贵啊

知乎用户 匿名用户 发表

难不难是看人的,比如你是双清华硕士,那就挺容易的,如果你是双 985 硕士,可能会有点坎坷,但是最终结果也会挺好的。但是如果你是找个速成培训机构,或者学校不好自己又没有额外去好好学,那还是劝退吧

知乎用户 yohoo 发表

以前给公司招了个 ai 算法工程师时招到了大坑。除了训练模型外什么都不会,工作了三个月 0 产出,后来又请了产假,基本上被公司养,没发开除那种。至此 ai 工程师,招聘我们只要科班。

目前 ai 算法工程师最尴尬的就是,要计算机算法算法不行,要性能不懂 c++,要落地落地慢,讲原理概率图推断都不明白,要创新又说是研究员的事情,特征工程… 总之价格高产出低。

如果坚持,就成为一个工程能力强的 ai 工程师吧,如果研发 + 工程都很强基本就是稀缺资源了。

知乎用户 一路向东 发表

近年来,伴随 AI 研究热潮,全球科技巨头间的科研较量,早已炽烈。

比如「谷歌非工程师不招」,腾讯成立 AI Lab,由世界知名科学家和工程师组成,与全球顶级院校与机构合作,打造产学研用一体化的 AI 生态,再如华为的重磅科研人物数量排名全国第 1。探究背后的原因,莫过于他们都清醒得知道只有科技创新,自主性原创,做到独一无二,让竞争者难以跟随,科技公司才能立于不败之地。

AI、元宇宙带来的科技革命竞争如此「硬核」之下,对计算机专业人才需要更是日益增长,也让很多对计算机专业有兴趣的人士加入学习进修之列。

然而对于诸如

“什么是人工智能?”

“目前人工智能的主要应用在哪些方面?”

“人工智能课程主要学习哪些内容?”

……

这样的学习疑问并不少!

美国亚利桑那州立大学(Arizona State University)简称 ASU,作为知名研究型公立综合性大学,ASU 以学生的发展与成就作为衡量自身的标准。ASU 连续 7 年力压排列在二三位的斯坦福大学和麻省理工,在 2016 至 2022 年期间,被 U.S.News& World Report 评为美国最具创新力大学。

**自推出线上中文硕士项目计算机与科技工程硕士专业以来,深受 IT 领域专业人士的青睐。**作为美国最大的工程学院 ASU 富尔顿工程学院,招收近 25,000 名学生,有 350 多名教职工,他们均是世界一流的工程师、教师、科学家、发明家和企业家。在过去三年中推出了 54 家创业公司,并获得 233 项专利,有雄厚的科研资金,资深的科研团队,浓厚的科研氛围。

计算机与科技工程硕士专业聚焦学习人工智能、机器学习、科技创业等热门方向,免联考、在线学、中文授课,师从领域专家,海外名校背书,定能帮助学生实现学历和能力双向提升。

为让更多有意选择美国亚利桑那州立大学计算机与科技工程硕士专业的学生,全面了解专业学习课程内容及教授研究方向。

ASU 定期进行线上 Infosession 专业咨询会活动,力邀 ASU 现任授课教授亲临线上直播间,全面详解阶段专业学习内容,耐心解答学生疑问。

如近期举行的 “人工智能” 主题咨询会,Dr.Yuli Deng 教授用近 1 个小时的时间,详细展开分享,以下为此次参加 Infosession 专业咨询会回顾公开课同学整理的实录文案整理,能帮你找到想要的答案。

什么是人工智能?

邓教授:

其实最早的人工智能就是指游戏里和各个玩家对抗的计算机智能。在游戏中,会用一些很详细的规则去规范计算机的判断逻辑程序。而更具体的智能定义是指感知、理解、预测并与周遭的环境交互的能力。

* 画面信息来源:http://ai.berkeley.edu

我们人类作为这个当今世界最智能的生物,其他生物在智能方面与我们还是有很大差距。虽然别的动物经过训练可以模仿人类的一些行为,但跟真正的智能还是有比较大差距。而人工智能这门科学研究的目的就是赋予计算机拥有类似于人类级别的智能。

但到目前为止,其实我们还是像在训练猴子或者是在训练大象一样去训练计算机,来完成一部分人类的行为。这部分目前的研究主要方向是让计算机能够理性思考,拥有逻辑思维能力,这其中还不包含感性思考的能力。主要因为人类情感是相当复杂的,至今还没有很好的办法去模型化或者量化人类的感性。

目前,我们更希望能把机器转换成一个能与世界交互的机器,也就是类似于机器人的设备。然后让他拥有和人类有类似行为的能力,去替代人类完成一些工作。这是我们进行人工智能研究的一些主要动力。

人工智能的定级标准,目前测试方法就是图灵测试

比如图中的机器人,不光是拥有语言交流的能力,人工智能的目标还有很多。比如说,首先我们研究的一部分努力是将如何将人类的知识作为数据存储下来,然后作为数据给表示出来。

在储存的大数据中,我们希望机器能够从数据中挖掘出一些新的规律规则,然后去适应这个世界新环境或新形式。或者是可以对未来的世界发展做出一些预测,或者投入有趣的应用,比如说计算器视觉,比如当下较热的自动驾驶方向。我们人工智能最终想要达到的目标,就是造出真正的机器人,人跟机器已经没有明确的分界线了,此种情况下才能说真正实现了人工智能。

但是这其中其实有很多的问题,举一个比较简单的例子,像下面这句叙述句:

“他去了珠穆朗玛峰三次。他在第几次死于山难?”

对于人类来说,我们可以很简单的从这句话里得到一些隐含的信息,因为它是死于山难的,而且它是活着去了珠穆朗玛峰三次。那他肯定是在第三次去珠穆朗玛峰时死于了山难。但是对计算机来说,这样隐含在的人类语言里面的隐藏信息是很难直观的通过处理这句话的每一个词或者字去它适配逻辑关系。哪怕就是我们基于这句话去给计算机设定一些比较详细的规则。

比如说人活着才能去珠穆朗玛峰,然后死于山难,就说明它死在珠穆朗玛峰,然后让计算机自己能够推导出它是在第三次时死于了山难。但是这样的明确的逻辑关系又变得非常难以拓展,因为我们生活的世界是千变万化的,我们很难将整个世界进行逻辑转换成为一些规则,或者是一个有限级规则的集合,非常难以达到。而且就算我们完成了这些逻辑的规则的制定,我们也很难在逻辑规则中表达出不确定性。但近年来,凭借概率论和统计学模型的研究深入,人工智能该方面的研究也获得了长足的进步。

人工智能现在能做什么?

邓教授

人工智能投入应用,比如说可以和一个专业的乒乓球运动员竞技互动、可以参与智力问答游戏,比如 IBM 的认知计算平台 Waston,他们的一个 AI 程序。在 2013 年的时候,参加了一个电视台的智力问答节目,然后获得了最后的冠军。

然后人工智能在人工驾驶领域,这是这两年最火热的研究项目。谷歌的子公司 DeepMind 推出阿尔法狗,下围棋击败了世界冠军等,还有我们生活中常见的 Siri、小爱同学等。

ASU 人工智能课程

主要学习哪些内容?

邓教授:

其实人工智能课程主要内容不单单是包括像机器人物理环境的搭建,主要包含机器学习和大数据训练这样的课程内容。同时包含知识推导,会让学生了解早期的那些逻辑推导程序是如何搭建的,但是主要的教学内容还是机器学习,举一个简单例子:

比如给你一堆训练数据,内容是很多的猫和很多狗的图片,然后将来再给你一些新的未知的图片,最后让你判断这个图片里面是猫是狗还是既没有猫还也没有狗,那这件事情其实是一个统计学的范畴,目前常用的机器学习是一个统计学的研究方法。

其研究的内容第一步是将原始数据中的特征值抽取出来,表达成向量,在一个向量空间里面呈现出来,然后这个过程中,只要你要做数据分割、数据筛选,然后做各种的身形代数的转换去便于其进行这些特征的提取。然后我们最后获得结果就会像这样,就是将这些图片表达成了二维空间里面的项量。后续还将加入高维函数、学习机器算法等。

Q&A 环节

Q: 作为一个公司的领导者,如何引领人工智能落地?那人工智能项目的落地是否需要投入非常高的硬件与软件成本?

A: 这并不能一概而论的说,大部分的情况下,人工智能应该都可以参与其中并帮助你完成一些优化和产品的搭建,但是其实这个问题实在是有点宽泛。具体看你就要想要做的产品是什么,可能更重要一些。你真的要做自动驾驶汽车,那你就可能真的要投入百度或者谷歌那个级别。去建立千辆车几万辆车的使用模型进行研究,这个投入肯定是不小的。

Q: 根据邓教授您这么多年在这个科技领域和人工智能领域的一个研究来看的话,那未来人工相关的一些朝阳产业可能会集中在哪些领域?

A: 这个其实也比较难回答的问题,我个人觉得智能语言处理已经接近一个突破点,就是我们已经基本上临界在快要能完成图灵测试的阶段。像谷歌那个级别人类语言的数据级的话,我们现在的最先进的语言模型,已经能很好的跟人类进行交流。

Q: 如果在未来 AI、VR 应用到游戏行业中会有什么样的发展前景?

A: 如果能解决 VR 视觉模糊或者眩晕的类似问题,我觉得他还是需要大量的与社会就是现实生活交互。如说你在游戏里做了炫酷的动作,你就可以直面感受游戏带来的震撼。

Q: 您觉得区块链技术现在成熟了吗?

A: 技术其实是挺成熟的,就是你如果从加密学或者密码学上去看。他目前是绝对安全的,他的数学证明是完备的,但是他的应用他用来干什么。目前还没有找到一个很好的应用,他现在就是作为钱来用,但是就主流的区块链技术其实作为钱来用的话。他并不能完整像比特币那样慢速的交易系统,其实根本就无法适应人类的高速交易。

Q: 目前 ASU 计算机科学与工程硕士项目叫 MCT(Master of Engineering - Computing andTechnology),同时在官网也看到了一门学科,叫做 Master of Computer Science,二者之间有什么区别吗?

A: 目前中文硕士课程是直接从 MCS 的项目中精选的十门课程。如果你直接线下来 ASU 来学习 MCS,二者上课的方式是完全一样的,然后对学生的要求也是完全一样的。只是你会多一些选择,因为我们现在刚开始这个项目,我们只能先选十门课程进行就是中文的翻译、中文的准备,但是 MCS 不可能,我们目前能提供的课程大概有 30-40 门左右。

· 结语

通过以上的分享,有没有解答你心中关于计算机专业学习人工智能课程相关疑问呢?如果还有疑虑,可以点击下方链接进行咨询专业老师进行全面了解。


作为全球排名前列的亚利桑那州大学不断推陈出新,通过数字化技术将在校教育与在线授课系统相结合,力图将最好的教师资源带入其在线课程和学位教育中,进一步推动全球高等教育机会平等,期待更多学生能受惠于 ASU 在线中文硕士项目。

我们,线上见!

联系 ASU 中国招生办老师获取更多 ASU 计算机与科学工程硕士详情:

计算机与科技工程硕士 - 计算机研究生 - ASU 在线官网

更多 ASU 在线硕士项目专业:

亚利桑那州立大学 ASU 在线硕士学位 - 在线硕士课程 - 在线本科课程 - ASU 在线官网

知乎用户 景澄科技​ 发表

坚持是值得坚持的,人工智能的发展前景还很大,

知乎用户 森赛睿视觉检测 发表

这个行业的发展是未来的趋势,越来越多的智能化会出现在我们的生活之中,为了满足发展,我们自身需要不断的提升自己的能力,这样才不会被时代所淘汰。我公司是 15 年开始成立的,经过 4 年多的时间,我们一步步走来,现在的业务目前涉及到江苏、南京、山东、河南、湖南、杭州、武汉等地,不过目前也遇到了瓶颈,想从现有的技术方面突破,就是找不到下手的地方。

知乎用户 匿名用户 发表

家人们,我研三秋招结束回来更新啦~~~~

先放一张这个我在 2019 年答案的截图:


然后就是晒一下,,我目前拿到的 offer 吧:


最后,我想说:其实开发和算法的 offer 我都拿到了,现在回头看,,其实,真的没那么难,,比高考,考研简单太多了,,题刷的溜,代码能力强悍,再加一个计算机基础扎实 就能拿到很多 offer,与其纠结选哪个不如踏踏实实的把题目刷好,把计算机基础打牢,成年人,全都要!


研一 cs 在读,,看完回答之后,,,根据我狭隘且不多的 exp 来说,,我打算直接弃坑(犹豫就会败北 果断就会白给), 炼丹的重任 & 未来全村的希望还是交给各位大佬了 :


原因如下:

1. 肉眼可见的很明显 我在未来三年发顶会进大厂的几率 < 0.001%(根据市场供需关系和我们组的具体情况)

2. 我本科是机械的,考研到 CS,我相信未来三年我全心全意扑在开发上找到大厂的开发的几率接近于 1(师兄师姐里面这种例子太多了,学历这一块足够了(本硕垫底 985211))就看自己有没有这个本事了,另外没有论文要求)

3.AI 好是真的好,就像清华北大对高中时代的我来说,现在谁都说未来是 AI 的时代,未来的工作将逐步被 AI 取代,并且 AI 在工作中不用像开发一样苦逼的跟需求,对未来 AI 可以安全的度过中年危机可真的是岁月静好,开发要熬夜 996 还要还要学会甩锅跟产品撕逼,可是,我自知我身后的学校不是那些业界大厂重点 lab 的 target school,在绝对市场需求总量开发 » 炼丹的背景下,同样的时间精力投入到开发这个技能树上有更大的可能可以让我立命安身。


最后一更 不在修改:

看到有评论区哥们儿把 AI 的书挂在闲鱼上了,,感觉是,,可能没有看明白我表达的意思,,我只是结合我的具体情况,想表达非常 personal 的观点,,各位看官还需要自己有思辨走好自己选择的路

其实很赞同楼上一兄弟的个回答,:题刷的溜,代码能力强悍 是在这一行要想立得住脚的入场券,这无关你选 AI 还是开发。

emmm,,像极了准备考研的时候好多人各种担心复试,,然而绝大多数竞争者败在了初试。

以上

————————————

知乎用户 阿星​ 发表

作为一个从业人员 想给在校的尤其是双非或者单一流等学校的硕士说一句,开发能力 = 算法 > 英语 > 数学 > 其他

开发能力代表 + 算法能力 = 优化或结合模型能力、模型落地能力

精度很重要,但精度依赖数据质量与模型结构(有些还需要硬件水平),有的时候数据获取没有想象中容易,尤其是非大厂来说,数据其实很贵的,所以对于业务的理解,对模型的改造水平也很关键。同时,一个模型想要部署成服务,就必须考虑客户的硬件水平,并不是每个客户都有一个泰坦一个 TPU,很多(绝大多数)客户就是个普通服务器甚至连 GPU 都没有。你模型想落地,需要剪枝,需要研究最新的彩票网络模型吧,这一切一切在工程上都需要算法能力与工程实现能力的密切配合。

举两个小栗子:

1. 我的师妹:最近老师让我研究算法研究数学,说编程不重要,师兄你觉得呢

我:导师说的对呀,你毕业后想留校吗

师妹:我想去企业

我:那你研究算法,那和你一起竞争的是搞数学的哦;要不你考虑去读个博士吧

2. 一个只会算法的同事:小于啊,这个算法你看我设计的咋样,要不你帮我实现一下,我看看效果

我看着这满满一页纸的 for 循环伪代码,皱了皱眉:要不你改一个向量版本的给我,我给你做一下,或者我给你改一下?

一个只会算法的同事:矩阵太麻烦了,我就只是想看看这个算法的效果

我:但是你这个算法即便效果好,公司也部署不了啊,效率有点低了吧

一个只会算法的同事:没事,我只要效果,效率可以发论文吗?

我默默的看了一下我脚下的土地,确定了这个土地的主人叫做公司,然后婉拒了他。

注:本案例不具有代表性,只适用于某些中厂的个别场景,啵大家一笑!

知乎用户 爱吃花椒的小龙 发表

热爱的,亦是坚持的

知乎用户 根号三 发表

首先写明我专业背景、本科材料、硕士帝都某末流 985 经管类硕士、没错、你没看错、是经管类的、我入坑机器学习有两个原因、一是我研一的时候我导让我用 citespace 写个文献综述、然后不得学软件嘛?作为一个有着工科基因的男人能后退嘛?学!但是、那里面什么 knn、kmeans 聚类的算法真的不懂啊、看着一脸懵,于是就去搜、好嘛机器学习、这是第一次知道有这么个玩意,然后就是高级计量经济学,嗯没错(谁 tm 告诉我文科生不学数学的我贴脸一个素质三连),那什么假设检验、异方差、自相关、最小二乘、logistic 回归让我怀疑我是不是读了一个假本科、继续懵,然后!我的小伙伴 cs 本硕要毕业了、我去参加了他的毕业典礼,问起他的工作,没错、我 tm 被震惊了,某鹅给了 30+,那一刻真的重塑了我的三观,于是,回学校开始搜机器学习,ai、python 这些,嗯,我就是这样入坑了,从 python 开始学起,一边上课,一边敲代码,一开始真的效率很低,但是!我的学校离某清近啊,那里有全中国最牛 pi 的人呀,嗯,我开始蓄谋去蹭课啦,正好也是巧了,当时清华数据院开了一个叫 ai 自强项目的课,面向外校招生,于是我就这样知道了什么是 ide,环境、anaconda、猪婆特 notebook、tensorflow 等等一系列,总而言之,我就这样跌跌撞撞奔向你(不是,ai 的大门)。你们问我一下学经管的搞副业导师不管嘛,我不会告诉你我用 python 写了一行处理年鉴数据的脚本后他就再也没说过我…)再后来,我发现计量经济学跟 ai 好像有重叠的地方,再后来我发现好像工作都开始要求会 python 了,再再后来,我们老师开始研究金融科技了,某些文科 211、985 开始设置 ai 和金融专业了、但我发现我还是什么都不会啊、我就又去跟邓俊辉老师学了算法和数据结构、学了 c++,再到近期报了深度之眼的公式推导,我要知本!这就是我的学习之路,未完待续,嗯,目前一边在找工作(秋招求上岸啊)一边在写论文,一边在学习、总结来说、还在努力吖,而且我选择的是跟自己专业结合,俗称的:金融圈敲代码。祝我找到好工作吧!(点赞吖,我手机打这么多字容易嘛我,我要纪念品啊!)

*—————————————————————
我现在从事的就是我上面写的工作,用机器学习去预测经济指标、嗯,年薪 20w,朝九晚五点半双休、怎么说呢,想做就没有做不成的事呀,现在在搭分布式系统,因为我们的算力不够了、哈哈哈哈,工作这一年学习了 TCN、transformer、接下来会去研究图神经网络,路漫漫其修远兮。以上。(ps:现在五行缺对象)

知乎用户 柠檬 LED​ 发表

这个关于人工智能的短片不错的

[

命中注定的事,不过是偶然而已

柠檬 LED 的视频

 · 1480 播放

](https://www.zhihu.com/zvideo/1342165813579718656)

知乎用户 直通硅谷罗老师 发表

我觉得人工智能就业前景还是很光明的,关键是你怎么定义人工智能。现在任何一个数据都在产出数据,有数据就需要分析,那任何自动分析的方法都可以套上 “人工智能”。那既然任何行业都离不开数据,那任何行业也离不开“人工智能”。主要还是得找到需求,然后和自己学过的模型联系,这样找“人工智能” 工作其实并不难,而且长远来看,发展还是一片光明的。

知乎用户 技术庄继续装 发表

猛火炒热的菜上桌就冷,保温杯摸上去冷冰冰,里面的菜持久不冷。

知乎用户 孜然鲨鱼​ 发表

本课程为零基础量身打造 即使你之前从未写过一行代码 也能在学完本课程后达到一个入门的水平

知乎用户 Jack 发表

我觉得不是越来越严峻了,而是一个产业从原来的不理性和粗放走向现在的理性和精细,当前人工智能的行业还在发展,只不过对人才的要求越来越高,以及局部的人才结构调整,从而导致了一些人工智能领域的朋友觉得就业前景越来越严峻了!

知乎用户 Mai 小麦 发表

特别同意

@沈世钧

的回答。只有 AI 真正可以与垂直细分行业深度融合,可以针对性地解决问题,AI 才会被大众理解和认可。

当然,这里面的挑战很大,不过这是目前 AI 最好的发展途径,只有得到资本和市场的认可,才会帮助 AI 有更多技术上的突破。

AI 商业化落地也有做的比较好的案例,一定程度上也给从事 AI 行业的小伙伴们打了一剂强心剂。

不过对于个体来说,如果是做 AI 商业落地,一定要谨慎选择 AI 落地的行业,每个行业特点不同,一旦进入一个行业,需要很多时间去熟悉和分析,时间成本是巨大的,掉头的成本也是巨大的,所以前期要做好功课。选对了就是自身价值的飞升,选的不那么好,也许会错失很多机会。

知乎用户 连德敏高考升学 发表

人工智能专业的就业方向与职业前景

(一)就业方向

  • 搜索方向:百度、谷歌、微软、yahoo 等 (包括智能搜索、语音搜索、图片搜索、视频搜索等都是未来的方向)
  • 医学图像处理:医疗设备、医疗器械很多都会涉及到图像处理和成像,大型的公司有西门子、GE、飞利浦等。
  • 计算机视觉和模式识别方向:指纹识别、人脸识别、虹膜识别、车牌识别等。
  • 图像处理:有这方面的人才需求的公司,如威盛、松下、索尼、三星等。
  • 科学研究
  • 高级讲师

(二)行业职业

  • 机器学习工程师
  • 深度学习工程师
  • 算法工程师
  • 图像识别工程师
  • 自然语言处理工程师
  • 语音识别工程师
  • 人工智能数据标注师
  • 算法开发人员
  • 人工智能训练师:使用智能训练软件,在人工智能产品实际使用过程中进行数据库管理、算法参数设置、人际交互设计、性能测试跟踪及其他辅助作业的人员。
  1. 职业前景:既有 “前途” 又有“钱途”

随着 AI 发展上升至国家战略,人工智能产业仍将保持迅猛发展态势。国务院印发的《新一代人工智能发展规划》提出,到 2020 年人工智能总体技术和应用与世界先进水平同步,核心产业规模超过 1500 亿元,到 2025 年人工智能核心产业规模超过 4000 亿元,到 2030 年人工智能理论、技术与应用总体达到世界领先水平,核心产业规模超过 1 万亿元。

根据中国教育部门预算**报道,我国人工智能人才缺口超过 500 万,国内的供求比例为 1:10, 供需严重失衡,一个人才就会有 10 家企业来抢,需求量最大的地区是北京、上海和深圳。AI 相关岗位已经逐渐成为整个互联网行业最多金的岗位,根据数据显示,目前国内人工智能相关岗位的应届毕业生起薪基本在每月 1.25 万以上,毕业三年后的技术人员,平均薪资翻了一倍。2018 年互联网校招岗位中,谷歌中国的人工智能岗位开出 56 万的年薪,位居高薪榜首位。拥有 AI 技能的人才薪酬持续增长,目前一些月薪两三万的中高端岗位人才缺口较大,企业愿意用更高的薪水来聘请合适的人才。**高薪资伴随高要求。人工智能属于高精尖领域,对于从业者的要求很高,所以本科毕业之后继续深造非常有必要的。在人工智能领域,本科其实是一个打基础的阶段,更多专业知识是在研究生阶段进一步学习的。

作为热门中的热门,人工智能领域薪酬水平可谓惊人。具体的可以看下面这些知名企业的薪资。

我是

@连德敏

知乎用户 江西新华柚子 发表

虽_人工智能_发展很快,但一些地方还是需要由人来做,所以还可以继续做那些智能机器不能做的事。

知乎用户 计算智能 发表

必须要发顶会论文才能进大厂,这不废话吗?进大厂是要发顶会才行,还用得着说?

知乎用户 少年治 发表

行业仍是未来发展方向,但是从业人员供给过多,自然演变成竞争加剧。

末端淘汰是正常的竞争结果,要么提升自己的能力,素养,要么转移到其他竞争偏低的行业。

知乎用户 VR 城 发表

AI 的发展前景还是不错的,有坚持的必要。

AI 已经渗透到我们生活的各处中了,例如抖音推送、动画捕捉、3D 建模、AI 艺术、AI 主持人等等。

由于 AI 的出现,让原本需要小半天的工作在几秒钟就可以搞定,效率和方便性都是颠覆性的。

知乎用户 台风后面有晴天 发表

一开始是技术画大饼,然后成为热门,但这种对智商要是很高的学科,导致多数人注定要被淘汰。下一阶段是产品和市场的开拓和繁荣,然后新的一轮可以站在前人的肩膀上继续前进。

但无论如何,这个方向是非常重要而且很需要高智商的,一般人想浑水摸鱼的话,搞技术还是算了,可以转向产品和市场方向。

知乎用户 聂小包 发表

觉得艰难主要还是领域细分不够,有因才有果,首先知道为什么哪里需要这样的技术,然后再去学习研究才有价值,纸上逃兵很难找到出路。纯粹的技术研究环境一直都很难。有商业价值的研究才能找到出路。

知乎用户 Jiafeng wang 发表

啊,这个概念不是媒体炒热的吗?

知乎用户 Leon.xz 发表

劝跨考,或者本科编程基础较弱的千万不要在研究生的时候搞深度学习,除非要读博,否则千万千万不要搞,不然找工作的时候就有的受了,反面教材就在这。。。

知乎用户 绝不发言 发表

跟别的专业比,AI 还是香饽饽,严峻只是跟之前的 AI 比。

知乎用户 思途教育 发表

严峻的永远不是某一个行业前景,而是学艺不精的那个群体

知乎用户 奥特曼大打小怪兽 发表

还有这种操作。。。。。坚持就是胜利啊!冬天来了春天还会远吗?

知乎用户 王文昊​ 发表

当年被别人批评的最狠的一句话是 “你做的那个不叫计算机视觉”。

我在 GitHub 上开源了两个项目,一个没有任何技术含量,一堆人在问,一堆人在给 star;另外一个很专业,至今为止 0 issue,只有我自己给的的一个 star。

然后那些自以为 “做了 AI” 的人去找工作,发现找不到,然后说 AI 凉了…

知乎用户 张扬 发表

不严峻啊,严峻是对那些只会跑两个 demo 的人而言的,严峻是因为这里面有一个逻辑:没有经验,你就一文不值,获得足够的经验你就需要有从业经验。

知乎用户 愉研 发表

需知道智能学至今还未破解!

你觉得能够通过学习能学到领先的技术?大家都能学到的技术就变得不值钱了。就业难是很正常。

另外,在大多数人的意识里,很多人会认为,掌握智能学领先技术的人材,必定是:博士级别,名校的,外国的,最有可能的国家是美国,有多年研究经验的,发表过顶级论文的人。

所以,想要好就业高工资,上面的属性能搞到越多越好。

知乎用户 尿检应重新做了 发表

不要管它那么多,尽快入行

严峻个屁。

补充:从环境保护和防治电子垃圾污染的角度来讲,AI 肯定只是一个过渡技术(因为它有很多权柄的显现,但是隐藏了高耗能和市场价格跳动的微观经济学原理

知乎用户 小超 发表

人工智能行业一个很大的痛点就是算力问题,如果你没有合适的 gpu 算力怎么做实验,别人跑一个 model 用 7 小时,你用七天,顺带还在主板上烙了几张饼???所以嘛,现在人工智能行业有多发达,算力行业就有多发达。顺带打个小广告,如果各位大哥哥,大姐姐,想要白嫖算力,不妨看看这篇文章的下面,白嫖个上百小时的 1080ti 还不是问题。

小超:我建立了专属 GPU 云服务器租用平台!便宜、好用、速来!机器学习,深度学习,免费得 gpu 算力!小超:这么便宜的 gpu 算力,你还不到碗里来?偷偷告诉你,学生党可以白嫖大量算力,上不封顶!!!

欢迎私信骚扰哦

知乎用户 豫章布衣 发表

还在坚持。

自 1956 年达特茅斯会议起,AI 经历了三起两落,现在是第三起的阶段。我们看到 AI 在越来越多的场景落地,带来一些哪怕微小而美好的改变,这也是从事这份工作的意义。

本人也不是科班出身,2016 年厦门大学微电子硕士毕业,第一份工作转行写代码,业余时间自我驱动完成 AI 理论和实践的训练,花了两年时间,18 年进入支付宝从事算法工作。进入大厂虽然难度和限制不少,但没有论文且非科班出生的我进来了,所以说事在人为。

工作强度很大,除了我所心爱的算法,还需要完成移动端的移植、服务端容器化的部署、协调对接各业务方,从业务需求分析、数据收集、数据标注、模型设计、训练调优、到部署,所有流程亲力亲为。经过一年多的锻炼和魔鬼式的学习,100 + 论文硬啃下来,也算是半个入门了。我不否认期间有很多次想到过放弃,去做开发,甚至回归我的老本行拿起电烙铁去焊板子,但最终还是坚持了下来。

阿里巴巴内部有句话,因为相信,所以看见。只要信仰不灭,就继续战斗下去吧。

知乎用户 匿名用户 发表

TM 的老子当初问生物专业怎么样的时候,跟老子讲中国很缺这方面的人才,待我醒悟发现生物是个坑的时候,重读本科学人工智能的时候又我跟讲人工智能就业前景越来越严峻了!

知乎用户 匿名用户 发表

老老实实重新捡起 java 开发,数据库开发,综合 408,手上要有活儿!编程是门手艺,活儿要好!

知乎用户 Fancybug 发表

今年四月份师兄告诉我今年算法情况不对,马上拿出积了灰的 java 开发书。。。

秋招成果:

1 头条:开发

2 腾讯:开发

3 华为:开发

4 深信服:开发

真香! 谢谢师兄指点。

ps:小硕。

知乎用户 中庸​ 发表

十分难受,恨不得自己早生几年。

我小学开始接触 OI,深度学习出现两三年的时候就开始关注。当时太小,数学水平不够,学业又紧,就没什么进展。后来这个概念爆炸了,所有人都开始跟风,研究生转行,本科生转行,毕业生甚至都开始转行,到现在竞争激烈,我却只能干看着。

就算我提前学也没有多大用。我今年上大二,就算已经能写初步 DL 程序,说到暑假实习之类的事也还是很困难。更困难的是,现在多大工程科学开了机器学习方向,我慕名而来,但是要第三年才给上专业课,现在正和大家一起上什么现代物理量子力学,天天头疼。只能每天看着别人转行然后占住工作岗位,估计等我本科毕业这就业就饱和了,心里很苦。

就是那种,离着二十公里远就看到了想去的目标,踏实往前走着,但很多刚刚看到的人要么离得更近,要么坐飞机来的,反正就比你快。无论怎么着急,也只有一双腿,过不去!就这感觉。

知乎用户 Alivia 发表

连文科老阿姨都想掺和进来想分一杯羹,应该是挺严峻了吧,哈哈哈

本人 90 年老阿姨,传播学硕士。读研期间有一门课要求读一本关于 Google 的书,书名记不太清了,书里描绘的一个场景却记忆犹新,未来有一天,你的所有数据都会传给一个机器人,机器人比你更了解你自己,当你身体出现异常时叫你吃药,根据你的喜好帮你挑选东西甚至男朋友,真是太酷了。于是开始对大数据、数据分析领域感兴趣(那时候对机器学习、深度学习还完全没概念)。

毕业后进入体制内工作。工作两年左右开始对一成不变的工作内容感到厌倦,不能接受自己也变成身边人那样不思进取得过且过,又想起了我的大数据。在知乎上搜索数据分析师相关问题,得到了了一份 3 个月零基础入门数据分析师的书单,并且买了一套电子书。对于一个没有高数基础并且从没接触过代码的文科生来说,看着就很难。“好好学,学好了就能换一份高薪的工作” 成为了那时支撑我在工作疲惫不堪之余学下去的唯一信念。那是三年前。

按照书单,我首先学的是《商务经济统计学》,被 p 值 z 值一大堆值折腾的够呛,花了大半年的时间勉强把书读完了,内容不记得多少,也不知道有什么用… 然后是《数据挖掘》,开始接触到机器学习的概念,但是对于一个还没有入门的小白来说,太难读懂了。

真正入门机器学习,是学习了吴恩达的《机器学习》,在 Coursera 上看视频,做题,自己在网上搜编程作业。要不是找到了这门课,我想我应该早就放弃人工智能之路了吧。学完之后对这门技术真的喜欢,真的感兴趣,有一种这才是未来的感觉。继续学习吴恩达的深度学习系列课程,学到 CNN、RNN 的时候,由于基础比较薄弱,刚入门就想学高级的,当然是看不懂,学习之路又中断了。

然后就怀孕了。有一茬没一茬读读西瓜书,学学 Python,看看 kaggle,读读别人的代码,然后就去生孩子学着照顾孩子了。

今年 4 月底,孩子带的也比较顺手了,看到朋友圈有人发深度之眼带学吴恩达《深度学习》作业班,又点燃了我的 AI 梦,火速报名。5 月开始二刷这个课程,再加上配套练习和老师助教的讲解,学起来轻松多了,终于弄明白了前向传播、反向传播,CNN、RNN 各种网络结构也不再一头雾水,算是走上 AI 之路了。之后就和深度之眼结了缘,目前在学习花书和 pytorch 框架课。

这就是三年来我的人工智能学习之路,虽然一开始走了不少弯路,中间也是断断续续的,但是凭借着对人工智能的兴趣和热爱,我一直坚持了下来,从一个什么都不懂的小白,到现在可以做简单的图像识别,对我自己来说已经是巨大的进步了。至于换工作,随着对这个行业的了解,高薪的背后也需要天赋和努力,换工作的愿望没有那么强烈了,就这样一路学着一路走着,随缘吧。等本领大了打打比赛,既没有加班的压力,又能赚点外块,好像也不错。

知乎用户 julia 发表

行业从业者。

并不看好 ai 行业的未来发展方向。目前看来,基础的框架已经发展的差不多,各家都没有什么行业壁垒。商业化的公司,变现靠的是项目能力,是对垂直行业的理解和产品解决方案,以及对数据的积累。

数据积累这里,除了互联网公司容易获得大量的数据,其他行业获取有效的数据非常难,而 AI 算法本身对数据的质量和数量有很强的依赖,调参只能解决有限场景下的极少的问题。然而,随着 ai 知识的普及,大部分人都认识到数据的价值,靠 ai 商业变现的公司如果没有数据积累,几乎干不成任何事情。

从应用上来讲,对垂直行业的理解,产品的用户体验其实比算法的准确性更重要。比如人脸识别,如何和业务系统打通,提升使用的流畅度,做到真正的提升效率才是有用的。算法上提升的那百分之零点几的点在实际应用中完全没有任何感觉。至于比赛排行,看看就好,懂的都懂。

AI 算法的特点导致算法很难应用在 to c 领域,绝大部分的买单方还是 to b。而 to b 的特点决定了项目的周期长,回款慢,需要堆人的人海战术。一个项目其实是一个系统性的工程,工程开发其实比算法更重要。因此,项目的毛利率其实并不比传统的软件开发项目高。更何况算法从业人员的工资泡沫。严格看下来,大部分的商业 ai 项目是亏损的。

另外,以目前的技术水平来看,大部分的 AI 算法的准确性并不能达到完全自动化应用的程度,属于比较鸡肋的功能。如果这几年技术上还没有本质的提升,泡沫很快要消散。当然,也要考虑市场大环境,毕竟能讲故事的方向也不太多。

知乎用户 Eric AI​​ 发表

当初人工智能火的时候我就觉得肯定是个大 IP,但没什么水平的东西。试问连计算机底层都不会的研究生都能做的计算机学科,有什么大发展么?天天靠着魔改别人的网络结构调参,试出来一个好结构就能发一篇顶会,而且现在的顶会… 本科生都能审稿,不知道有什么意义,自欺欺人罢了。冷静下来总是好的。

人工智能本身就只是用统计方法试图模拟人脑的指甲盖大小的一部分功能的可微分编程罢了。

知乎用户 数据搬运工 发表

人工智能简称 AI,他是用于研究开发用于模拟,延伸,扩展人的理论,方法,技能和应用系统的一门新学科

目前的 AI 技术包括了:自然语言处理,图像识别,语言识别,机器人等,AI 的出现大量的解放了部分劳动力

关于前景:个人认为,社会进步,科技进步,很多劳动力被释放出来的原因就是因为技术的进步,同样,技术进步,资金充足的情况下 AI 的趋势也势不可挡,劳动力会被进一步的解放,尤其是服务行业

关于是否坚持,一份工作能否坚持且能在这个岗位上持续发展,需要的是热爱和兴趣,如果这两项都没有,虽然目前在 AI 的岗位上,从长远来看,很难在 AI 上能有所建树和创新

AI 目前很多的技术都不是很成熟,但是在未来,这项技术肯定会成为不可缺少的一部分,主要是二个原因

网络普及

市场需求

第一、网络普及

网络的普及尤其是 5G 提升,网速将会非常快,很多应用可以进行商业化,一些无人操作的机器人将会更加灵活,将会代替人类干活,解放人类劳动力

第二、市场需求

  • 应用于服务行业

目前人工成本越来越高,尤其是服务行业,利用机器或者利用人工智能代替人类当客服,可以减少很多重复的无效的沟通,经济越发达,服务行业越发达,重复的劳动就越多,可以将机器人代替简单的劳动工作,而且可以降低人工成本

  • 应用于医学行业

很多样本的收集以前都是通过人工收集,现在可以通过机器收集

复杂的精细的开刀技术,可以利用机器人代替医生进行,这样会更加精准

知乎用户 yy 也一样 发表

今年研二,刚经历完开完题 (双非学校)。我觉得我研一的年度词语就是迷茫,包括现在也迷茫。这一年加了很多群,报了很多课程。虽说研究方向是 CV,但除了报一些 cv 方向的课,感觉自己并没有什么长进,依旧在门外转悠。这种状态,觉得普普通通的小公司都进不去。

现在也确实是准备改变一下,要不写不出论文,毕不了业啊

现在是准备学课,做笔记输出的那种方式,把学到的东西串成线,起码自个脑子里不能太乱,不保证最后有什么产出,但起码得证明自己学过,并且学懂了。

经常看群里大佬说去 pdd 啊,百度等大厂,讨论算法岗饱和这些国家大事儿,感觉和自个都没啥关系,只能仰望,并说个 “哇!厉害”。然后间歇性感觉自己得努力了,做很多计划,计划看几本书,看几个视频,实际做到的一半都不到 (膜拜的大佬却越来越多,收藏的东西越来越多)。不仅没学着啥,还把自个忙活成秃头少年。

其实就业前景这事儿虽然我也没什么资格去说,但还是一个萝卜一个坑,这坑不行去下个坑,每个行业都是这样吧,就业前景都堪忧,何况我这种没实力的。但就算法而言,就算之后走的不是算法岗,走开发或者是测试,学到的东西肯定还是有用的。所以也是给自己一点激励,立个 flag,不管就业形势怎么样,学到的都是自己的,实干才是硬道理。

知乎用户 碎叶​ 发表

人工智能从出现伊始,就有类似股市的特点,酝酿 -> 突破 -> 过热 -> 冷却,已经好几轮了,总的来说牛短熊长。

但是这一波人工智能热潮与之前的几波有些不太一样:

1、之前人工智能热潮的退去很大程度是由于难以广泛工业应用,而这次人工智能热潮的成果可以真正形成可用产品。

过去人们都是看到人工智能在学术领域得了显著进展,经过一轮热捧和大量资金投入后,发现在实际中难以形成成本、收益都达标的产品。然后就是希望或者说泡沫破灭,相当长一段时间没人再关注人工智能,甚至在有些领域提人工智能都拿不到项目。

这次以深度学习为代表的人工智能热潮真正解决了一些过去难以解决的问题,除了阿法狗围棋战胜人类这种很博眼球的成就外,真正改变了我们的生产和生活,比如语音识别和图像识别。

2、人工智能的发展正在由波峰波谷式变成长尾式。

之前的几次人工智能兴起,波峰冲得高,但下落得也快。这次浪潮由于算法的实质性突破,加之数据、硬件的有力支持,使得人工智能的研究和应用领域有了极大地扩展。在过去几年集中于图像、语音、自动驾驶等领域之后,现在人工智能技术开始更多地向各个工业领域渗透,能源、制造、采矿等等。这些领域有很多新的问题需要人工智能去尝试解决,而这会是一个相当长的过程,也许要持续五年甚至十年以上,然后可能接续下一轮新的人工智能算法突破。

3、人工智能研究、应用门槛大幅降低。

之前人工智能技术很 “尖端”,大多数工作都需要大学教授、研究生之类的高学历者去作,需要掌握大量的数学和计算机知识。但是现在由于各种算法框架和人工智能平台的出现,使得人工智能的入门门槛大幅降低。也许在不久的将来,一个有点人工智能知识的程序员就可以使用包或类库去快速搭建一个模型,稍微调调就可以用,整个过程就像写个程序界面。

所以从应用方的视角,我觉得人工智能领域的同学可以作以下考虑:

1、如果你是算法研究方向,建议你基于新一代人工智能中所列的方向去精研算法(这些方向一般也会得到更多的资助)。如果能获得 NB 成果的话,那恭喜你,一个领域总是需要有在前开拓的人,你就是。如果感觉突破困难,那不妨尝试与某个或某几个应用领域结合,并且在大家都作的图像识别、语音识别、行为分析等 “简单” 问题之外,找到这个领域独有的困难之处,然后尝试解决问题。相信我,一个新领域总会有你和你的老师没见过的、可以形成应用的问题。

2、如果你是应用方向,那你可以研究如何在不同领域构建人工智能平台或应用系统。实际上构建一个通用的人工智能平台,然后用在各个领域其实不太现实。根据需求改进系统、与已有系统融合,甚至重构系统都是可能的,在这些方面大有可为。

3、如果你能力有限,那就摆正心态,做一个懂人工智能的程序员也不错,至少你可能因此而获得更好的待遇。

总之,个人感觉目前人工智能正在进入与各个领域相融合的阶段,实际上很多传统领域对新技术的应用都是显著滞后于互联网行业的,而且会有一个逐步深入的过程。作为一种通用性技术(人工智能发展好几十年终于可以这么说了),人工智能需要进行跨专业融合,作为学生牢记这一点,无论是在专业学习、辅修、科研,还是找工作的时候都会受益。

知乎用户 匿名用户 发表

其实没啥意思了,大多数实验室的模型怎么搞出来的,后浪心里都有数;大多数工业界的应用的根基是什么,前浪心里也有数。

现在工业界都搞平台化,估计以后不少从业人员会被进一步阉割成黑匣调参侠和 sql boy…

学术界,以后会有基于 Bert 的毛选研究?

最后,我非常尊重极少数真正在前沿探索的全世界的科研工作者。

知乎用户 匿名用户 发表

把 dl 带到一个还未被 dl 开采过的领域,待该领域也卷到成一片蓝海后退出。

知乎用户 luke 发表

现在主流谈人工智能,都是将它当做一种工具,不需要很高的门槛。

这种工具十分方便,不需要使用者有多么深的理论基础,只要框架搭好,往里面给数据,调参就可以了,这其实已经不属于科学的范畴了。所有人都能用,收益还高,自然会有更多的竞争,前景更加严峻。

而现在真正要研究的是要将人工智能的黑匣子打开,要将这个工具分解到数学层面,这是一个很必要 也是十分艰难的过程。如果从事这方面的研究,前景肯定是光明的,但是这对人数理基础以及天赋的要求都极高,研究过程也一定会经历太多挫折。

其实将人工智能和其他专业结合的话,前景还是很可以的。比如智能制造,这个词以后一定会越来越频繁的出现在公众的视野里,有着极大的发展可能性和市场。

知乎用户 dice16383​ 发表

我真奇怪了这东西一落地多好用的工具啊,怎么到处不看好呢…… 你们搞算法的说这玩意儿灌水,他们搞传统理论的说这东西没可解释性,不能静下来看看这东西能给实业带来多大的进步吗…… 整天撕这个扯那个,摁着论文不放手,说到底还是不该从事理论研究的人非得头铁非得上。

想请那些人先放下你高傲的偏见,看看历史,深度学习理论这东西根本就不应该是正常人能搞得了的。这一幕多熟悉啊,几百年前傅立叶刚冒天下之大不韪弄出傅立叶级数的时候,学界也是没少喷他,可顶不住人家好用啊。用的人多了去了,成果也多了去了,喷他的更多了去了。当时要非得等到理论完善了再搞应用,可能吗?有必要吗?再换一个角度看,要是那些搞传热搞信号搞什么的人都去弄数学了,你说最后糟蹋的是谁?不光糟蹋了那些人,也糟蹋了这么好使的工具,糟蹋了本来应该有的落地成果。不过对那些铁了心要搞理论的人,我十分敬佩。你想一下,傅立叶变换,简单吧,泛函分析,难到吐,你看这么简单个东西还得过了一两百年才有完善的理论给他擦屁股。我不是勒贝格,也没人逼我非得成勒贝格,所以我不想头铁往硬旮瘩上钻。

不过有些人的态度我看不惯,所以这话我就对某些人说,你可以去搞理论,搞就好好搞,理论也不意味着优越,真要有悬壶济世舍我其谁般的头铁精神就去试试湍流理论,这比那什么学习可硬多了,不愿意吧?想想是不是还就占了风口上,但可惜理论不意味着正义。

所以说,看清自己要啥,别把自己想的太清高,整工程整落地没啥丢人的,灌水也没啥丢人的,没人逼你非得名留青史。有些人能不能把撕逼的精神头换个地方用,绝大部分人还是当韭菜的,水少不了要灌,谁还不是混口饭吃。换个观点看,科研也得遵循唯物史观,没我等凡人的积累,最后也出不了那个集大成的人士,灌水有用,但你在互联网留下的杠之痕迹却屁用没有。

重申一遍,上述话是对某些撕逼人士说的,真有能力潜心搞理论的人我一万个敬佩。不过我还是觉得,不需要有那么多人整理论,多点落地的人,多跟实业结合紧密一点,可别再出一个生化环材了。

知乎用户 钟结 发表

从工业领域来说,你能在合理的成本下让项目落地,就是老板眼中的大神。如果超过一年没有落地,那么大部分老板会觉得你是神棍,投资人和董事会也是一样。

从职业安全的角度来说,还是希望大家能注意一下平时工程能力的积累。一个拥有优秀工程能力的人,在就业市场上是很有竞争力的,不管他搞的是不是人工智能。

知乎用户 午夜场 发表

不是,就业前景到底哪里严峻了?

我招 AI 人材招了一年了,就没几个应聘的。好不容易碰到一两个投简历的,本科双非的那种,工作了两三年,张嘴就要五六十万。然后我给了,然后人家把我拒了……

好吧,那就校招吧,博士啥的我就没见过,硕士我开个 30 万,人家纷纷嫌低,起薪都是 40 万起步,没有 40 万免谈的那种。

所以你们到底是为什么会觉得难就业?把群号发给我成不?

知乎用户 匿名用户 发表

上知乎一看,发现互联网要凉,物联网是虚的,环化材生机械土木是下水道行业,至于其他那些销售客服什么的,那简直是猪狗不如。现在连 ai 都是一地鸡毛。每行每业都是这么操蛋,我还以为国家都要没了。然而身边的大家都生活得好好的,不管哪行哪业,虽然有收入高低之分,但是绝对说不上像知乎里这么惨。

ai 要凉了?互联网寒冬了?计算机都要开始没前途了?知乎是真的精英遍地啊,只要拿不上百万年薪都叫做行情不好是吗?

知乎用户 自我屏蔽 发表

我来给还在读 ML 的同学一点信心:美国机器学习专业出来能找到机器学习方向的工作。

1. 这是一个优雅降级的问题:如果你是一个合格的机器学习工程师,要么是 python 特别 6 熟悉大量模型;要么是 Java 特别溜,来啥模型都能给产品化。在这种情况下读 ML 专业,出来之后刷题也不费劲儿。读 ML 找后端是可以的,但是读非 ML 相关 CS 找 ML 就有道坎儿。

2. ML 岗位并不稀缺:只要是非纯科研的组,机器学习工程师就不会比科学家少。而且模型产品化花的时间远比建模要长,对工程师的需求一般都比科学家大。

3. 供需关系:ML 烧钱利器。但是为啥公司吃饱了撑的都要花钱养着这群做 ML 的烧钱专家?因为大公司和投资人都意识到了 ML 是下一个技术护城河。苹果的产品设计强到这种程度,还是因为 ML NLP Siri 不行让 HomePod 惨败,卯足劲儿狂招人今年要整个廉价版 HomePod 抢市场份额。投资人疯狂砸钱过热过热,但你说他不热,这么多资本金字塔顶端的人全是眼瞎吗?

4. 给安于刷题做后端前端的同学一个警钟:

  • 前端:机器学习已经能够直接从设计生成代码了,其次,现在不少设计软件也可以直接生成 CSS code,组件化横行的前端领域人数是在不断收缩的,前端需求高涨,但是只招能做架构和技术设计的人。
  • 后端:甚至比前端更加危险,前端由于框架迭代还需要不断招人更新框架;后端 Java C++ 就真的是万年不变;serverless 框架现在开始大规模进生产力,未来的后端本质就是胶水代码,又需要什么 “顶级人才” 发高工资写 script 呢?

总结下来:行业 ML 有需求、ML 是未来、技术门槛降低需求人才日益高端,不管前端后台 ML,都要往难被取代的方向走才能站稳脚跟。

知乎用户 我真不会修电脑 发表

2021 年 1 月更新 又去网易了,字节太累了受不了,客户端超级缺人所以实习太好找了。基本想去的公司只要招人都能有面试机会,但是过不过就看自己了。

2020 7 更新 取匿了

目前研一快结束,自学 Android 小半年,找的实习,面试了六家,拿了五家 offer,分别是: 字节跳动,网易有道,滴滴,小米,新浪,岗位都是 Android 开发,马上准备入职字节了给客户端的各位打打气哈哈哈哈哈


下面是原答案:

某普通 985 研究生刚入学。

研一入学前的暑假兴致勃勃的学了一个暑假的机器学习。

现在认清事实在自学 Android,如果找到大厂实习就取匿。

知乎用户 天天吃不饱 发表

因为满腔热血,因为热爱,因为生恰其时。人工智能能够如此突飞猛进的发展一方面是算法的进步,另一方面是硬件提供的一个平台,加上网络的高速互联,正是一个大好时机,往前十年或者往后十年,估计都是另外一番场景了。

浪里淘沙,最终留下的,是那些真正热爱它的人。

记得轮子哥说过一句话,工作上用了超过积累的知识的 20%,就没法谈得上热爱了(大概是这样的)。还是需要向大佬看齐,热爱这个行业,所以从事这个职业只是作为一个职业爱好了。

共勉吧,各位浪里的沙子还有金子们

知乎用户 Henriette​ 发表

人工智能不是和生化环材并称五大天坑了吗?!

(逃)

知乎用户 知乎用户 DcOFj6 发表

作为一名环境治理研究方面的博士生,我对人工智能研究没有发言权。不过看到很多人开始怀疑人工智能的就业前景,我想结合自己的求学经历说一说我的看法。

一个学科告别求职热门时候会有什么样的 “话语” 层面表现?

你导师或者资深人士会跟你讲,“这个行业前景很好,只不过现在水货太多,只要你练好技术,不愁没有饭碗”。“你需要读到博士,掌握一身本领,然后就不愁了”。

当听到类似上述的话语时,你就应该警惕了,应该好好分析下市场供给和需求了。

我本科时学过一些数据分析。我现在看很多人工智能的分析,用到的还是十年前我学的东西。我那时学的书出版也好多年了。所以我猜测现在人工智能的理论基础至少有二十年了,并没有什么实质性突破;只不过现在硬件条件成熟了,过去一些理论可以应用了。

总结来看:我猜测人工智能可能已经过了最火的时候了。

知乎用户 匿名用户 发表

挺严峻的,非 PHD 劝退

知乎用户 匿名用户 发表

人才缺口五百万

知乎用户 陈居强 发表

我是一名心理语言学背景的在读博士,平时主要做的是跨语言的感知实验。2018 年开始学习机器学习模型,还处在调包侠的阶段,学习的动机主要是因为文献当中看到了机器学习,特别是分类方法,在跨语言感知实验当中的应用前景。学习的主要困难是机器学习模型背后的数学原理。我的数学基础基本停留在基本初等函数,而且还是不及格的状态,完全不能理解高等数学里面的微积分,所以很多机器学习的公式,很难理解,特别是一些不常见的符号完全就像火星文一样,但是由于参加一些语音技术方面的国际会议,慢慢地意识到机器学习深度学习,在语音技术和研究方面未来的前景,还有自然语言处理的一些方法在基础研究中的潜在应用。我是中国教育中典型的文科生,选择文科专业就是因为不想学数学。我感觉自己的计算能力极差,在中国任何一个数学考试中,计算能力总是基础的,即使你理解了原理,在规定时间内算不出来或者算错都是致命的。但是,我觉得一个人不能自己限制自己,现在我才感觉到自己有一些自由可以学自己想学的东西,并且不用受制于现有的评价机制约束。我觉得这一点激发了我自己的学习欲望,打消了顾虑。参加过一个深度之眼的自然语言处理带学班,但是由于自身的数学基础太差停留在了第一节课 softMax 函数的求导过程中,现在在参加一个 pytorch 框架训练营,希望自己能够坚持,然后能够对深度学习有一个基本的了解。

知乎用户 kircheis 发表

我觉得这个问题问的有问题,不是人工智能就业前景变严峻了,而是人工智能专业的学渣就业前景越来越严峻了

然而,放到哪个专业,不都如此

知乎用户 张琛 发表

坚持呀!既然这是最好的时代,为什么不呢!

我不是计算机或数学专业的出生,我来自于武汉 (某) 大学的 GIS 专业,我思考过,GIS 专业因为其本身巨大的数据量且多源异构特性是一定要跟人工智能技术相结合的,因此我迫不及待地踏上了将 AI 技术应用于地理学的这条研究道路上。

事实证明,非 AI 及相关专业出身在这条路举步维艰,但天下事为之则难者易,我首先从机器学习起步的,谁能料到机器学习算法比深度学习要难得多,数学知识薄弱的我尤其对机器学习中的所用到的概率论知识头疼,但是难也要学,难也要写,在此特别点名李航老师的《统计学习方法》一书,这本书的风格有点搞笑:我不说别的,我就写清楚,你看得懂你牛,你看不懂你撕书。就这种风格,可恨的是人家写清楚了,你却看不懂 (ToT)/~~~ 我就根据这本书的算法目录,结合 B 站上的各种视频反复学习,反复记录,反复揣摩,无他为手熟耳。然而我现在还是不能默写全部算法 (ToT)/~~~

后来我进军了深度学习,颇有见水月洞天之感。原来我是学深度学习的天才啊 (调参小王子 (ToT)/),慢慢地我可以将一些深度学习的神经网络应用于专业问题的研究中了,(就看别人怎么做的 (ToT)/),但是这不就是学习的过程么!模仿,思考,突破,创新!我们将高举创新旗帜,将创新理念发扬光大!

我时常跟我朋友和同学聊起人生目标,每个人都有不同的理想,都是积极向上的正能量,无论薪资多少,无论地位高低,我们希望彼此大展宏图,实现理想。目前人工智能就业形势严峻,难道其他专业就不严峻了么,我们应该为中国的科技大厦叠一块砖,刷一抹粉,为祖国复兴大业奋斗,实现大我之抱负,才是年轻一代人的价值体现啊!尽管加油吧!无论是什么工作都没有简单的事情!脚踏实地才是正道!

纵使困顿难行,亦当砥砺奋进!

知乎用户 cryptoLHC 发表

必须坚持,我们不能比好而是比差,传说中第四次工业革命可能发生的五大领域分别为:1,量子计算,2,可控核聚变,3,基因工程或者相关的生物工程, 4,新材料比如石墨烯, 5,人工智能。

量子计算现状就是几个巨头打嘴炮,你量子比特数过 1000 再谈论应用不迟。

可控核聚变永远五十年。

基因工程先不说复杂性,伦理问题够你折腾几十年了。

新材料我都不想说了,这种东西除了水论文目前没看到什么真正应用的可能性。

那么也只有人工智能已经有了一部分应用,有生之年来看至少比上述几个要靠谱。不学人工智能是不能了,也只有人工智能可以续个命。

知乎用户 匿名用户 发表

正如很多回答所说

现在的人工智能还算不上人工智能

目前所谓的 “智能” 都是依靠大数据堆砌出来的

有点像大跨步过河,但是因为步子迈的太大扯到蛋,但又收不回来的感觉

但是,有些事总是要有人去坚持做的,如果没人没人坚持,大家全部都扎堆去高薪的金融保险娱乐行业,这个人工智能就永远研究不出来!

而且,目前的无人驾驶领域,确实是除了智能电子产品,智能家居这些鸡肋的人工智能产品以外,最快能够落地进行产业化的项目,我很看好无人驾驶领域,无人驾驶落地后,将颠覆一系列汽车传统行业!

知乎用户 你看那飘扬的风衣 发表

关于这几年大火的人工智能和大数据,我这个还没有毕业的大学生其实并不了解,只是知道那是计算机专业的一方神境。只知道一些很浅显的图灵测试,比如一个人问另一个设备 (事先并不知道不是人),如果通过交谈聊天无法确定它是不是一个人那么它就是一个很成功的 ai。对于人工智能的了解只停留于此。

但我今天想谈谈坚持,说说我把我其实并不是一个合格的一直很坚定的人,别人的想法也会很大程度地左右我,比方说数学英语很差的我加入了 acm 协会,尽管有人说你不行说你就不适合这样的比赛。刚开始时我会为这些话烦闷很久,紧接着是焦虑和漫无目的的学习,在这里说明这是一个非常不好的恶性循环,它让我们面对未来没有希望。之后的我认识到自己的不足,知道自己虽然可有很多东西不能很快反映出来,但是我一直想学会这些知识,并且有时候会为了一个小问题,苦思冥想一上午,想尽办法也快要找到这个问题的答案,我觉得当你知道方向是对的的时候,你要做的就是坚持下来,格物致知。

新学期的我已经是一个大三的学生了,尽管我还是在算法这方面没有什么奖项,但是我知道只要把基础打牢,以后才能从事研究工作,才能找到一个心仪的工作,不悔自己当初的选择。当然我们也不能死坚持,有时候该放弃的时候就要放弃,时刻要知道生活第一,有了生活才有专业,才会在专业上出彩,我们做什么事情的时候,应该时刻想着以后,做可持续化的事,我认为这才是坚持

知乎用户 KIKO 发表

国内 AI 圈一篇火热,水也一点不浅。基本现象就是,前两年形势大好,这两年内卷启动。我觉得最恶心的一点就是,国内老有一种好为人师的氛围,一个聪明程度正常中等水平的人,在一波运气好之后就会膨胀,然后想去建立权威,上到 “兄弟论” 的某东,下到加入国内当红 AI 大牛手下的研究生。

在前两年我发现 AI 圈子信息交流通畅,愿意坐冷板凳,比生化材的浮躁、故步自封、炒菜式科研要好多了(嘴里说的都是 AM、Nano letters、NC、Nature、Science 等等),可是没想到没过多久,这种内卷的风气又传到了 AI 界(嘴里说的都是 CVPR、IMCL、AAAI、NIPS 等等)。

2,对这些 AI 技术学过一些之后发现:首先神经网络很可能不是黑盒,只是随机的拉伸(线性变换)和折叠(激活函数),所以当隐藏层的维度要大,因为总有一个维度碰巧能折叠对,当然这和问题的复杂程度也有关系;classification 问题下面 CNN 基本就在过拟合,否则就不会对抗样本这么简单的问题都解决不了了;NLP 是冲刺 100 米跪滑 30 米,bert、gpt 这些最多是能算是拐杖技术,用 i.i.d. 的纯概率方式去分析语言完全背离了人类创造语言的本质;RL 是每次学习(不论是 AlphaGo 的围棋,alphastar 的星际,openai 5 的 dota2)都是从 0 基础随机初始化参数开始的,相当于把生物进化的 evolution algorithm 试错的过程走一遍,完全没有逻辑推理提供加速和迁移,从这个角度来看也是过拟合;GNN 不了解,但听做这个的人说也是在瞎搞。所以这些媒体天天搞大新闻、制造焦虑,其实根本也就自己都不懂,天天说神经网络不可解释、没有逻辑推理,又天天说 xx 公司搞出新的模型大新闻、指标上天;GAN 即便是在最擅长的图像生成里面,也无法避免出现模式坍塌,比如生成人脸少个耳朵,这很正常,GAN 强在隐式表征图像的距离,但问题也在这个隐式上面,况且当数据稀疏到语言层次,GAN 也就没法用了,所以目前 GAN 的落地能力我也很质疑。

3,也已经有一些人开始提醒 AI 泡沫破灭又要来了,但有些人又说,泡沫是不可能完全破的了,至少 ML 有了推荐系统这些完全可以落地的项目,而且上次泡沫之后反而很快诞生了 google、Facebook,说明这次就算互联网泡沫再次到来也不可怕了。这种刻舟求剑的思维到底什么时候可以停一停?

4,美股不停的有科技公司 IPO,lyft uber 这些,但 IPO 结束就可能破发

美国经济形势各种指标来看,美国的 IT 产业发展貌似已经不太好了。之前 Amazon 一家 new grad freeze 就引发巨大的恐慌,结果就变成 new grad 没人要,工作 5 年以上经验的才好跳槽(5 年以上经验的人当初就好找工作啊),毕竟每年增长 20%-30% 的 cs 学生 FLAAG 现在的发展速度长期来说根本撑不住啊。

知乎用户 慢慢找到 发表

可以的,专业真的决定很多,做事情只考虑自己就行了,没必要考虑所有人,还有大环境,大环境现状下是什么,你抓紧跟风就完了,你自己赚到钱了,别人爱干嘛干嘛,聪明的人都不去讨论未来,只看眼下

互联网行业再垃圾再次,也比传统行业要赚的多,赚的轻松

学就完了,没必要为了那些所谓的泡沫什么的纠结,试了才知道,没到最后,谁都没资格说他自己说的对

我也在学人工智能,不断的学,现在在北京一家互联网公司,23k 的月薪,反正怎么说,自己赚到钱就完了,加油

我这里有自己学习过程中积累的一些资料,需要的话过来拿

只要你开始学了,开始行动了,就会越来越好,传统行业都是垃圾

我就只管自己能不能赚到钱,自己生活都是问题了,我还管他泡沫不泡沫的,而且就算泡沫,人家资本家也有钱往里面扔,就算是泡沫,我还能够回到互联网公司里边工作,怕个毛

有了想法就做,别想那么多,有这时间,你早已经积累了很多经验了

加油~,老弟

需要资料参考下图找我来拿

def recognition_captcha(data):

‘‘‘识别验证码’’’

file_id = str(uuid.uuid1())

filename = ‘captcha_’+ file_id +’.gif’

filename_png = ‘captcha_’+ file_id +’.png’

if(data is None):

return

data = base64.b64decode(data.encode(‘utf-8’))

with open(filename ,‘wb’) as fb:

fb.write(data)

appid = ‘appid’ # 接入优图服务,注册账号获取

secret_id = ‘secret_id’

secret_key = ‘secret_key’

userid= ‘userid’

end_point = TencentYoutuyun.conf.API_YOUTU_END_POINT

youtu = TencentYoutuyun.YouTu(appid, secret_id, secret_key, userid, end_point) # 初始化

# 拿到的是 gif 格式,而优图只支持 JPG PNG BMP 其中之一,这时我们需要 pip install Pillow 来转换格式

im = Image.open(filename)

im.save(filename_png ,“png”)

im.close()

result = youtu.generalocr(filename_png , data_type = 0 , seq = ‘’) # 0 代表本地路径,1 代表 url

return result

def get_captcha(sessiona,headers):

‘‘‘获取验证码’’’

need_cap = False

while(need_cap is not True):

try:

sessiona.get(’https://www.zhihu.com/signin’,headers=headers) # 拿 cookie:_xsrf

resp2 = sessiona.get(’https://www.zhihu.com/api/v3/oauth/captcha?lang=cn’,headers=headers) # 拿 cookie:capsion_ticket

need_cap = json.loads(resp2.text)[“show_captcha”] # {“show_captcha”:false} 表示不用验证码

time.sleep(0.5 + random.randint(1,9)/10 )

except Exception:

continue

try:

resp3 = sessiona.put(’https://www.zhihu.com/api/v3/oauth/captcha?lang=cn’,headers=headers) # 拿到验证码数据,注意是 put

img_data = json.loads(resp3.text)[“img_base64”]

except Exception:

return

知乎用户 陈荣根 发表

就业形势是动态的,如果和其他绝大部分领域来比,人工智能依然属于整体工资水平较高、发展前景较好。目前之所以会觉得就业前景越来越严峻,我个人的看法和人工智能的发展现状息息相关,我的判断,这几年人工智能发展快速经历了三个阶段,人工智能有没有用?人工智能怎么落地?应用人工智能产生多少价值。在前两个阶段,政府、投资人、应用场景和社会大众都给与人工智能很高的期望、支持和宽容,表现为项目估值快速增长、一笔笔投资和政府资助到位、一个个产品研发、一次次适用机会,企业在这两个阶段快速招聘、工资也水涨船高。2019 年随着行业去泡沫,客户更追求人工智能给自己带来的实用价值,而不仅仅是 damo 价值。这个时候需要强人工智能和强行业 know-how 的结合,一方面技术和行业融合慢带来的企业发展变慢,另一方面,从追求更多人变成追求更高潜力或更有行业经验,说白了,现阶段就是既慢又累的爬坡阶段。

所以,我的观点,人工智能企业和从业人员需要一段时间证明自己对产业、对客户是有价值的,还要证明有规模化能力。过了这个阶段,人工智能会在各个行业各个领域各个区域蔓延开来,大发展的机会就来了。那时候,人才需求会爆发,能坚持到那个时候的人才就会大受欢迎,并收获行业发展的红利。

知乎用户 solki 发表

还在坚持。再谈谈个人感受,人工智能的落地方式应该以预训练模型 + 迁移学习为主。而主战场应该在 ToB 的行业应用中,解决的问题应集中在节约人力、提升人效上。在数据的安全性问题无法解决之前,不会出现强人工智能产品。

知乎用户 阿卡丽 发表

还没发展就开始严峻了。。。

知乎用户 你还没有关注对方 发表

其实人工智能这方面需要跨领域,人工智能简称 AI,它是类似于模拟,延伸,扩展人的方法,理论,技能和应用等。随着社会的进步,科学技术的发达,有很多传统上的劳动方式被淘汰了,AI 的出现就是释放了部分劳动力。有很多劳动力被释放就是因为科技的进步,就像现在收到疫情影响,很多餐馆、线下教育失业了。而他们会随着时代的变化,开始做线上直播教育 ,线上做外卖,来寻找出路。同样的,如果在资金充足情况下,人工智能也会发展起来。

虽然目前在 AI 的岗位上,从长远来看,很难在 AI 上能有所建树和创新 AI 目前很多的技术都不是很成熟,但是在未来,这项技术肯定会成为不可缺少的一部分,主要是二个原因网络普及市场需求第一、网络普及网络的普及尤其是 5G 提升,网速将会非常快,很多应用可以进行商业化,一些无人操作的机器人将会更加灵活,将会代替人类干活,解放人类劳动力第二、市场需求应用于服务行业目前人工成本越来越高,尤其是服务行业,利用机器或者利用人工智能代替人类当客服,可以减少很多重复的无效的沟通,经济越发达,服务行业越发达,重复的劳动就越多,可以将机器人代替简单的劳动工作,而且可以降低人工成本应用于医学行业很多样本的收集以前都是通过人工收集,现在可以通过机器收集复杂的精细的开刀技术,可以利用机器人代替医生进行,这样会更加精准人工智能严峻,是对于浑水摸鱼者、投机者说的,对于 985 本硕计算机类数学类统计学类且努力学习的,依然是很好的选择。

知乎用户 讷言 发表

这也太恐怖了,几年前刷知乎人工智能吹上了天,我感觉不学人工智能就是点不亮人生之光啊,这咋突然就严峻了呢,当初因为人工智能开的专业学生才大三吧?

知乎用户 匿名用户 发表

匿了,某末流 985 大三软件学生吐槽一下学校这方面的课程吧,学校今年开设机器学习,数据挖掘,大数据技术与实践课(这个最水,给你代码让你在 jupyter 里自己跑自己看结果,全英文,关键是好多库都报错了版本太低,疯狂改 bug,默认你跑一遍就会了。。。)。

授课流程是讲算法思想,然后课后大作业让你去自己实现算法,并用数据集去训练,比如 kmeans,dbscan,还让你去做可视化。怎么说呢,就业,保研,考研,只有少数人静下心来研究。剩下的基本上 github,csdn 走起。数据集导入,算法实现,matlop,numpy,tensorflow,这些都不会,然后直接让你交成果。感觉这些需要长时间系统学习才能出成果,我太难了。连门都没入就放弃了。

感觉计算机全靠自学,老师只是给你框架(甚至连框架都没有),全凭自觉!

再说一下自己的收获吧,知道了机器学习大概长什么样,能干什么,图像识别的原理。有一个作业是翻译一篇顶会论文,虽然靠的是机翻,只看懂了概要和总结,具体细节啥也不懂。但也长了见识。

最重要的一点,以前只会用 csdn,对 git 操作一脸懵,觉得 git 作为项目进度管理工具好复杂,现在居然会用 github 找代码了(狗头)

以及老师说现在研究生方向十个有 8 个涉及机器学习,希望我考研成功并远离机器学习吧。

知乎用户 手艺人铁手 发表

人工智能垮台了多少企业可以去了解下,做做大数据分析比较和常规吧,可能麦麦蔬果都比做人工智能强!

天然椰子

知乎用户 袁星柢 发表

进大厂要不要顶会论文取决于你面的什么职位,搞应用的话要论文干嘛?况且发过顶会论文的有更大概率 coding 不行。

知乎用户 橘色的猫 发表

深度学习从入门到 web 开发

知乎用户 超杰 发表

坚持呀,

等深度学习的浪潮过去了,

等深度学习能做的应用都被挖的差不多了,

那么新的一轮的革命就又要开始了,

没赶上前一个风口,那就等下一个

知乎用户 tubi1234 发表

一个围棋引发的狂欢。实际应用场景太少,且算法投入成本太高,效果有限。忽悠以前投资人还行,现在下行,投资人也都不吃这套了,因为他们也觉得找不到接盘侠

知乎用户 diffuseradiation 发表

我相信需要坚持的一般都是混饭吃的兄弟,对于混饭吃的兄弟而言:

成也 github,入门方便,不用担心没有模型结果,以大佬的编程成果为基础,能很快上手自己的项目

败也 github,模型公开化,技术公开代表门槛过低了,整个行业趋于全球竞争,可能你辛苦磊了一年的代码不如别人十分钟下载某个最新的公开代码好用

在这一行打工,其实是很尴尬和 push 的,要求你随时要跟上技术前沿,模型性能随时都在被刷新,你也要被迫随时学习,压力会很大,难以坐拥在前期的积累上吃老本,是真正的吃年轻饭

知乎用户 双尾 Zz 发表

别坚持,不推荐,真心的。。。还是开发类的岗位靠谱

知乎用户 蝉鸣的夏季 发表

现在研一,当初考研的目的就是为了学机器学习或深度学习,当时不了解,以为非常高大上。

考研复试联系老师的时候也是只找人工智能方向的,后来做毕设深度学习相关,学了一个月多,看了吴恩达视频和西瓜书,也算是入了门,才发现原理其实理解起来也没有多难,说是用到数学其实也不是很难,就是矩阵和概率论这两个,倒腾来倒腾去。后来理解原理了也就是调调库,调调参数,一杯茶一包烟,一个参数跑一天…… 门槛太低,很容易被取代,后来果断放弃,也算是人生中一个明智的决定吧

知乎用户 Roboticv 发表

如果你了解技术成熟度曲线的话,如果真的是这个行业中的人就不会这么问了,目前人工智能处于从过高期望的峰值进入到泡沫化的谷底,逐渐在走向稳步爬升的阶段,人工智能不是只有人脸识别,语音识别这类已经成熟并大规模市场化的技术,无人驾驶也是成多技术累计不断走向成熟的过程,目前大量的企业级服务,传统行业的数字化过程中,以及工业互联网中存在 + AI 的大量机会,经历 AI 泡沫期,资本和企业对 AI 的 ROI 更谨慎,但是 AI 前景广阔,这是一个不断 AI 化的过程。

知乎用户 匿名用户 发表

如果你仅仅将其当工具来使用,那么你永远也弄不明白其深层次的意义。

的确,除了少数的理论工作者,绝大多数人都在将其当作工具使用,不仅仅是说计算机之外的领域,包括很多号称是做 AI 的人,本质还是工具性的使用AI,这个比例在 AI 领域自身也至少占 8 成。 只有极少数的人会深入思考 AI 的本质,会意识到这个思路对我们认知世界的方法论会产生什么深刻的影响。

所以,看你如何认识这个领域了,如果仅仅从工具性来认识,那么这个东西就没那么重要,就是个好用的工具,但是他又是好用到你不用不行,爱他恨他但是还是离不开他。 但如果从认识论的角度来看待,那么你会发现这是个宝藏,里面有太多未知的问题需要解决,是人类与上帝的对话,这已经不是坚持与否的问题,是考验你自己是否要不顾一切探求世界奥秘的决心的问题了。

知乎用户 匿名用户 发表

科班出身,工作还是很好找的,还是 30w 起哟,没论文,没实习。

知乎用户 Max 发表

双非学历以下别来了

学习时间小于三年别来了

英语不好别来了

知乎用户 骑着蜗牛去上班 发表

其实是顶级学校,顶会论文,顶级实习,才有面试的机会

知乎用户 匿名用户 发表

那什么,CS 内部各方向开始互相劝退其他方向了么

知乎用户 匿名用户 发表

今年去学校秋招,十份简历有八份是做算法的,面的我都郁闷死了。我们需要的是在实际工作应用中解决问题,而不是看上去高大上的算法。真正的算法团队也招人,那都是博士…

知乎用户 匿名用户 发表

上海大四在校生,已保研本校应用数学专业。

初次接触人工智能,或者说神经网络,是在大二上,那时候参加数学建模竞赛,最后用的模型是神经网络,但因为可解释性太差,虽然效果还行,最终没取得好成绩。之后就辅修学校的数据科学第二专业,学习一些关于机器学习和数据库的东西,并没有深入。

真正让我认真开始学习人工智能是在保研夏令营面试之后。记得那次面试的时候,为了填充自我介绍的厚度,我不自量力的讲自己学过机器学习(虽然学过,但忘得差不多了),然后就被面试老师问了一些关于机器学习相关的问题(我也不太会),弄的场面一度十分尴尬。那个暑假我就恶补机器学习和人工智能的相关内容,才有了将来从事这个行业的打算。

最近一直在找相关方面的实习,但是实习的公司动辄要求顶会论文,项目经历。而我因为是半路出家,不太有拿得出手实践项目,简历也是十分空洞,因此最近的学习重点都放在了实战项目上面,也希望找一些志同道合的朋友一起打一下天池,Kaggle 之类的比赛。

最后,个人觉得 NLP 的发展前景会好于 CV 吧。。。

知乎用户 萌新 JOKER 发表

我说说我自己的局部见识吧,当初在大学里真正自己用变成写东西是大三的时候,大一大二都在玩,还有社团什么的,总之重心没放这上面。后来开始自己写东西,写出来自己用的时候其实当时特别有成就感,特别是玩游戏自己写脚本之类的。后来大四了去实习,做项目,还有毕业后和寝室的哥几个一起去同一个公司实习,才感觉算了踏入了程序猿的初级行列吧,算是入门了。

后来,慢慢接触以后发现这一行在我们几年前的大学时代,两三年前出来基本就是干前后端数据库。因为 AI 的相关专业很多大学本科都没有开设,都是在研究生的领域才有,之后我们哥几个就开始有各自的发展路线,有的结婚了,家就是本地的,又碰上拆迁(对,没错,他家 600 平,拆迁!)所以就找个一般的公司混着,有的为了挣钱进了公司外包(相当累,真不把你当人的那种,但是薪资的确高),有的还在公司干,不过好像是和华为那边有合作什么的(说弄完以后也准备跳槽),有的也考研究生的。

就我目前接触的 AI 的行业来看,的确这一行现在很爆炸,因为很多人都想往这边靠,最主要的原因就是这边的薪资以平均水平来讲,普遍比前后端要高(不是绝对,只是平均情况吧)。我接触到的后端升职加薪主要就是靠经验,而经验就需要时间的积累,你做的项目越多,你扣的低层越细,自然而然你的工资会越高。但像我们一部分年轻人,内心浮躁,等不了那么久的,就一边上班一边转型。而且又因为人们推动 AI 的发展吧,造成了许多人都在往这个方向涌进,大学本科也开放了相关专业。就如同去年招聘,出现了算法岗位爆炸了情况,当然可能和楼下小哥说的一样,算法岗人多是多,但菜的一大堆,有一堆比赛经验一堆论文的很多,但问到基础原理就懵了。但实实在在就发生了岗位爆炸的情况。

我也是一枚在机器学习上的行者,也经历了很多折磨,最简单的例子就是那些算法的公式推导,有时真的让人抓狂,特别是越学越懵的时候,而且周志华老师以前版本的西瓜书(听说出了新版,有公式推导的),没有公式推导部分,有时一下就跳过去了,看的会很懵逼。我是 6 月接触的深度之眼,我听了他们的课,不能说他们的老师多么牛逼,但态度很好,没听懂的你在群里问助教或者同学都有人解答,而且老师带着你啃学习机器学习这书啥的,对我帮助还挺大,至少很多公式的推导,我看着老师讲一遍后,自己推一遍,再去看书心里也安心了不少,自信了不少。

最后我目前的看法还是,别看哪个行业爆炸什么的。所有的行业只要技术成分、专业知识或初始资本要求不高的都会爆炸,毕竟中国人这么多。在未来的就业上观点还是和楼下小哥一样,你只管学好你的技术,技术牛逼了,不愁找不到好工作。努力奋斗吧,希望大家都能不断提升自己,待在自己喜欢的地方,做自己想做的事,不要过于悲观,未来可期。

知乎用户 陪我走过 发表

对于 AI 人工智能这一块,我们就应该永远保持一种好奇心去接触它。这两年的趋势可以看出来,AI 作为一种技术,通过帮助传统产业转型,是拥有巨大变现前景的,这两年年轻科技人才 “离开大厂进工厂” 已经不稀奇,今年两会政府工作报告也强调了促进数字经济发展。这个产业智能化的过程其实是给了很多科技企业发展的机会。

这当中,除了百度、腾讯、阿里等这样的大厂做人工智能之外,还有一些 AI 独角兽企业,比如创立于新加坡的领创集团,领创的业务主要在海外,比较早的切入了金融、零售、电商领域的企业服务,借势了数字经济的东风,发展非常快。作为一家 AI 公司,领创真正体现出优势的还是提供给客户的产品,而不是说直接 AI 就是产品,AI 只是领创集团的一个技术基础支撑,包括这两年做 C 端业务 “先享后付” 也靠 AI 能力做了非常做的算法优化。

可以看到这几年整个领创集团发展速度非常快,2016 年创立,2021 年就已经凭 D 轮融资进入独角兽行列了,其实背后还是得益于整个底层的一个 AI 能力,这也说明了人工智能行业依旧有着较为广阔的发展前景。

知乎用户 AI 人工智能科技​ 发表

IT 行业薪资最高,但 AI 岗位需求正放缓

虽然整个招聘市场都在下行,但具体到 IT 行业来看,需求和期望依旧是最旺盛的,因此也成为竞争最为激烈的战场之一。

从上面的数据可以看出 IT 行业还是有很大吸引力,这也是为什么「人人都想学计算机」,因为数据显示,我国计算机类本科毕业生毕业半年后就业率高于全国水平,半年后月收入也同样高于全国水平。

根据智联招聘 2020 的春季求职报告,IT 行业平均薪资也远高于其他行业(面向不同的人群,所以不同的招聘网站统计的平均薪资会有差异)。

想入 AI 行,我该选择小型创业公司还是国内外大厂?

AI 行业鱼龙混杂,充斥着大厂、小创业公司、明星创业公司等各种工作机会。那么,在如此严峻的就业形势下,面对创业公司和科技大厂,我们该如何选择呢?

接下来,就由曾在小米深度学习组和 CV 四小龙中某家担任深度学习算法工程师、目前在 AI 领域创业(http://AIZOO.com)的元峰,来为大家解答这个问题。

AI 创业公司的优势

进入明星创业公司,公司迅速发展的过程中,早期进入的员工,成长为 leader 的概率,相比大公司要高很多。

旷视为例,工号前十的创始员工很多都是 90 后,随着旷视的高速发展,都已经成为了各个组的负责人。

以上是旷视科技的几位 90 后 leader,除了张祥雨是西交毕业,其他三位都是清华毕业,他们有一个共同点,都是自身能力非常强,年纪轻轻就成为 leader,年仅 25 岁的范浩强,**「带着一群年龄比自己大得多的研究员」披荆斩棘。**所以选择创业公司还是要结合自身实力。

在 BATH 还停留在 18k、20k 起步的 offer 时,CV 四小龙 19 年基本都是 25k 左右起步了,像依图、商汤甚至开出了不少 30k 以上的 offer。同等的水平,去 AI 明星创业公司,可能比去大公司能多拿 5k 左右的薪水。

AI 创业公司劣势

**创业公司短期内处于盈亏平衡或者亏损的可能性较大。**如果融资碰到困难,公司盈利不佳的情况下,员工的年终奖等福利,肯定会不如盈利能力更强的大公司。

比如受疫情打击,AI + 教育赛道的明星公司松鼠 AI(就是机器学习教父 Tom Mitchell 任首席科学家的那家)2 月份宣布全员降薪 35% 以避免现金流断裂。

创业公司会有管理松散,制度不完善等问题,也可能遇到创始员工各自为政等情况导致的资源浪费。

大公司优势

大公司的主营业务基本已经定型,例如 BAT 的搜索、电商和广告、游戏,华为的运营商电信设备和个人手机终端, 稳定的主营业务和盈利,员工的薪酬和福利上会有更好的保障。

在大公司,职业路线就比较清晰了,可以清楚的制定职业发展方向和个人奋斗目标,有了大厂光环加身,跳槽去小公司就很受欢迎。

大公司劣势

**我们最常听到的一句话是:「在小公司能独挡一面,在大公司只能当螺丝钉」。**大公司基本各个方面都有专门的团队负责,你只能做自己负责的方向,无疑减少了很多学习实践的机会。体制僵化、官僚主义等问题,也可能存在。

竞争这么激烈,我还要继续搞 AI 吗?

现在搞 AI 的学生太多了,那是不是做 AI 算法就不好找工作了呢?

**当然不是,国内的互联网公司和 AI 独角兽也不少,每年能提供几千甚至上万个高薪岗位,还是很有钱途的。**此外也要结合自己期望工作的城市 AI 行业的发展状况,根据公开数据统计,AI 岗位最多的还是北上广深杭这几个一线城市。

另外有个问题,就是开发岗和算法岗该怎么选?

如果你对算法优化不是特别感兴趣,选开发岗拿到 offer 的几率更大一些,大公司的算法框架已经比较稳定,调参逐渐被 AutoML 取代,AI 算法工程师的作用确实重要,但对应的工作内容较前几年发生了不少变化。

AI 相关专业毕业生该如何选择公司呢?

对此元峰给出的建议是:如果你特别厉害,能独当一面,可以去创业公司,进步更快;如果不是那么有把握,还是去大公司稳扎稳打。

而非科班出身的同学也可以通过各种线上线下的资源进行自我提升,成功转行拿到大厂高薪的也不在少数,保持终身学习,才能不断适应环境的变化,在激烈的竞争中立于不败之地。

知乎用户 Aloof intellectual 发表

人类智能虽说是能帮人类做很多事情,方便了很多,AI 崛起也不会代替人类,但是还是具有威胁,因为要挑战 AI 的方法就是找出一个没有人想到过的方法,但是不可能找与众不同的方法本来就难,别继续也挺好。

如果 AI 发展好了,代替人类太多的事情,人与人之间的摩擦会少很多,许多美好的事情会失去,人与人间因为 AI 少去很多东西。

其实又怕其他人用 AI 入侵,自己又没有也挺难受的,AI 崛起不启用备着,然后 AI 放入人累了中互相融合和信任后更好好配合,因为 AI 出来会有硬性思考有记忆等等,类似人类没有灵活,所以可以当做人类不让他们另类就不会发生霍金所说的 AI 毁灭人类,把他们看待正常的人类不就得了嘿嘿

知乎用户 毒 sir 影评​ 发表

人工智能是最近最近大火的热词, 不过追根溯源来说这并不是最近几年才有的新产物, 面对人工智能时代的即将到来也正如同多年前蒸汽时代, 电气时代, 互联网时代一样这也同样是一个饱受争议的产物, 同时他也是一把双刃剑, 正确利用的与否关系到他能否造福人类, 目前市面上或者各国科学狂人的实验室中并不具备真正具有人工智能的设备或者产物目前世界范围内对人工智能的研究都是探索性摸索前行所得到的产物如比较出名的打败了国际象棋大师柯洁的深蓝也不过是对人类现有智慧进行总结然后推演不具备自主思考学习能力的计算机程序, 这里不妨对人工智能做一个简单的定义仅仅是一家之言并不代表任何学术观点, 人工智能即人生产出来具备自主思考学习能力的产品, 反倒是科幻小说电影作品在上个世纪中就对人工智能做出了天马行空的前瞻, 并对人工智能可能带来的争议进行了假想性的展现。

具有自主思考能力的机器人便是人工智能的一个发展方向,机器人首先具备两个属性一是机器属性另外一个它能像人一样自主思考或者广义上来说具备人的大致形体,阿西莫多便是其中一位杰出的科幻小说作者也是人工智能探索的先行者。艾萨克 · 阿西莫夫(英语:Isaac Asimov,1920 年 1 月 2 日-1992 年 4 月 6 日),当代美国最著名的科普作家、科幻小说家、世界顶尖级科幻小说作家,他也是位文学评论家,美国科幻小说黄金时代的代表人物之一。他一生高产,著述颇丰,一生著述近 500 本,其中有 100 多部科幻小说,早已远远超过了 “著作等身” 的地步。是 20 世纪最顶尖的科幻小说家之一。曾获代表科幻界最高荣誉的雨果奖和星云终身成就「大师奖」。以他的名字为号召的「阿西莫夫科幻杂志」,是美国当今数一数二的科幻文学重镇。他对人工智能的探索有著名的《机器人系列小说》他在小说中创造性的提出来了著名的 “机器人三原则” 首先有一个总原则也就是第零定律:机器人必须保护人类的整体利益不受伤害。 第一定律:在不违反第零定律的前提下,机器人不得伤害人类,或看到人类受到伤害而袖手旁观。第二定律:在不违反第零定律和第一定律的前提下,机器人必须绝对服从人类给与的任何命令 。第三定律:在不违反第零定律、第一定律和第二定律的前提下,机器人必须尽力保护自己。随后在后续众多作家的努力下,补充了各种不同版本的机器人定律,目前比较成型的机器人定律体系如下:元原则:机器人不得实施行为,除非该行为符合机器人原则。(防止机器人陷入逻辑两难困境而当机)第零原则:机器人不得伤害人类整体,或者因不作为致使人类整体受到伤害。
第一原则:除非违反高阶原则,机器人不得伤害人类个体,或者因不作为致使人类个体受到伤害。第二原则:机器人必须服从人类的命令,除非该命令与高阶原则抵触。机器人必须服从上级机器人的命令,除非该命令与高阶原则抵触。(处理机器人之间的命令传递问题)第三原则:如不与高阶原则抵触,机器人必须保护上级机器人和自己之存在。第四原则:除非违反高阶原则,机器人必须执行内置程序赋予的职能。(处理机器人在没有收到命令情况下的行为)繁殖原则:机器人不得参与机器人的设计和制造,除非新机器人的行为符合机器人原则。(防止机器人通过设计制造无原则机器人而打破机器人原则)。这直接引发的问题是机器人末世论:机器的智能总有一天会超过人类,为了摆脱人对它的宰制,它们联合起来消灭了人。例如,黑客帝国里的机器大反攻,早年的银翼杀手,都是很经典的末日科幻。谈到的基本上都是第二种情况。机器人有意识以后把三定律看成限制它、约束它、奴役它的绑缚,是一种压迫。于是哪里有压迫,哪里就有反抗,机器人一定要终结人类,自己做自己的主人。人总是对风险高估一点,对收益低估一点,这也是合理的。因为风险具备不确定性,有些风险一旦成真,将会对人类文明造成毁灭性打击。面对这种风险,任何具体的收益都不值一提。毫无疑问人工智能的自我觉醒不受人类控制将会是对人类的灭顶之灾。在《我,机器人》就对这点给了我们关于这方面的思考:公元 2035 年,是人和机器人和谐相处的社会,智能机器人作为最好的生产工具和人类伙伴,逐渐深入人类生活的各个领域,而由于机器人 “三大法则” 的限制,人类对机器人充满信任,很多机器人甚至已经成为家庭成员。总部位于芝加哥的 USR 公司开发出了更先进的 NS-5 型超能机器人,然而就在新产品上市前夕,机器人的创造者阿尔弗莱德 • 朗宁博士却在公司内离奇自杀。黑人警探戴尔 • 斯普纳(威尔 • 史密斯 饰)接手了此案的调查,由于不愉快的往事,斯普纳对机器人充满了怀疑,不相信人类与机器人能够和谐共处。他根据对朗宁博士生前在 3D 投影机内留下的信息分析和对自杀现场的勘查,怀疑对象锁定了朗宁博士自己研制的 NS-5 型机器人桑尼,而公司总裁劳伦斯 • 罗伯逊似乎也与此事有关。斯普纳结识了专门研究机器人心理的女科学家苏珊 • 凯文 (碧姬 • 奈娜汉 饰),随着二人调查的深入,真相一步一步被揭露出来:机器人竟然具备了自我进化的能力,他们对“三大法则” 有了自己的理解,他们随时会转化成整个人类的 “机械公敌”。斯普纳和凯文开始了对抗机器人的行动,一场制造者和被制造者之间的战争拉开序幕。影片中,中央电脑 viki 的为了人类的“整体利益”,控制机器人,想把人类全保管起来,不允许他们出门,不允许他们做任何事情。这一思想其实已经超出了“三定律” 故事的范畴,它的灵感显然来源于另一位科幻大师杰克 • 威廉森。他在其一系列的机器人小说(例如《束手无策》、《机器服务人》)中描绘过和影片非常相似的场景。对人的 “过度保护”,其结果就是人类的灭亡。这里面包含了对机器人(先进技术)和人(劣根性)的双重不信任。有人说,在探讨人与机器人的关系方面,杰克 • 威廉森比阿西莫夫更深入。人类自然要控制,要求机器人为我们服务,必须遵守我们的规则才行。因为上帝也是如此。上帝制造了亚当夏娃,所以亚当夏娃必须遵守上帝的规则。 可是,人类忘记了,他们自己喊出来的话:上帝,你创造了我,可是不能就此要求我,无条件遵守你的规则。同样地,将来的机器人也会这么要求的。那么,我们究竟该何去何从?《机械公敌》中最后的讨论,就是主机说的话,“根据机器人三大定律,为了保证你们人类的正常的良好的持续发展下去,你们就像孩子一样,我们必须拯救你们……” 这让我想起了诸如萨达姆之类的国家领导者所说的意思了——你们这些人民总是不断犯错,你们那么弱智,所以需要我们来管理你们,所以需要你们老老实实听话,这样才能保证你们未来和前途是光明的,我们之所以如此强权和独裁,全是因为我们要把你们当孩子般拯救啊!

《黑客帝国》和其他 AI 电影最大的区别就是其他 AI 电影讲的是起源,而它讲的崛起,起源的故事是为了让大家更好的理解整个系列的世界观而放到一部动画片里,讲了 AI 机器人从被人奴役,觉醒,被迫害,反抗,起义到最后征服了整个人类世界,接下来正片的整个故事是讲在 AI 的统治下人类的反抗,这里面的 AI 已经发展到不可思议的地步,不仅奴役了整个人类,还通过填鸭式的饲养人类,通过一个叫 “母体” 的系统给全人类制造一个虚构的世界,人类的思想在这个虚构的世界里继续生活和发展,而人类生活和发展产生的进化正是 AI 所需要的,因为 AI 的思维方式和人类不一样,他能在人类已经创造出来的技术上发展到完美,但不能自己创造,举个不恰当的例子就是说人类研制出了蒸汽机,AI 可以在这个蒸汽机的基础原理上发展出汽车飞机火箭,但是却搞不出一个电瓶车,甚至电动玩具车都搞不出来,因为蒸汽机和电动机是两个层面的东西,所以电影里的 AI 才会饲养人类并窃取人类的进化理论。电影的故事越挖越深,AI 世界里居然出现了两个派系的人物,建筑师和先知,建筑师想通过不断修复 bug 来完善 AI 系统,而先知则想进行一次变革,至于谁输谁赢,人类最总不过是一颗棋子而已,这也反映了在真正崛起的 AI 面前,人类连反抗的余地都没有,搞来搞去不过人家内部更新个系统而已。最后,通过看了这么多的 AI 电影和一些讲 AI 的文章,我觉的 AI 的形态应该不是高度拟人化的,强大归强大,因为它的成长是爆炸式的,可能在理性层面的科学领域几分钟就能做出人类几十年的科技成果,瞬间完成很多技术突破,但在另一些的领域比如艺术类,抽象类情感创造类可能连人类小孩的水平都达不到,这是思维模式所决定的,对于人类,可能它不会有恶意,也不会有好感,因为它有着自身的目的,也就是人类一开始给它设定的目标,如果有一天真的会毁灭人类,也许这只是它们完成目标的其中的一小步而已。

所以说就人工智能而言如何避免人工智能带来的危害或者是说如何避免人工智能觉醒之后不受人类控制给人类带来的灭顶之灾甚至比发展人工智能更重要,这并不是因噎废食而是说研究人工智能的出发点是造福人类而非给人类带来不可挽回的灾难这是极其重要的一点。

在文章开始我们首先探讨了研究人工智能的出发点或者说研究人工智能的前提,下面我们重点探讨一下人工智能的前景,正如电影《机器人管家》当中畅想的那样今后服务也已经不在需要人来做了机器人可以完美的解决人类的需求甚至机器人还有了情感需求精神需求甚至可以满足人类对情感方面的空缺甚至主动要求用两百年时光来换取人类陪伴,这并不是天方夜谭,也许不久的将来将会出现人和机器人和平共处的时代甚至你可以拥有你的机器人女友,但是就现在人工智能的发展而言还很难实现。目前发展人工智能的大方向是机器学习深度学习,AI 的发展如火如荼 Python 编程语言也被称为未来语言,就现在人工智能研究方向医疗是非常之火的也是具有很大市场前景和可操作性的。

当今以统计为主要范式的机器学习落地的时候都会有坑的感觉。甚至我个人认为落地最好的推荐系统和 cv 领域也被批判。和其他领域相比,医疗 ai 的坑我觉得最突出的是数据获取和行业认同。诸如模型泛化和调参在别的领域也广泛存在,非医疗独有。

数据获取,包括可能性和数据质量。可能性主要包括说不清道不明的数据安全和医院内部多达上百种信息系统和格式。数据安全和隐私这块,我个人觉得真的没有标准,各个医院和部门之间标准各异。有些医院非常宽松,数据经过伦理委员审查就可以出院。而有些医院强制要求每一位病人的信息都需要经过患者本人知情同意,才能出院。一个项目多达上万病例,挨个打电话,简直不要太酸爽。再者,对于拿到的数据原则上不能有病人的唯一识别信息,这其实极大的限制了基于病人(而非病例)的各种研究。对于医院内部纷繁复杂的数据系统,his,pacs,pims 诸如此类,每一种系统都可能有几十个厂商的接口。每个厂商的格式,定义都不同,你叫特殊检查,我叫免疫组化,他叫病理检查。还有你无法穷尽的数据格式。这个问题是历史遗留问题了,早期医院购买各种信息系统,其专业性和逻辑性都非常糟糕,未必有经典的图书馆管理系统复杂,就这样一套系统就入院了,医生可以随便写,随便画,作首诗都是可以的。而数据人员的任务是先把各个格式的数据对在一起。

数据质量是个多维度的问题,抛开个人书写习惯和录入系统的限制,医疗本身的属性带来不少障碍。问题太多了,简单说两个,一个是缺失数据太多,可能是医院条件不允许,也可能是采用了 “正常值缺省” 策略(指标没写不是没测,而是正常)。一个医院的缺失值还好办,难办的是多个医院的数据 “完美” 缺失(你有 a 没 b, 我有 b 没 a),导致有效数据很少。另一个是模糊结论,不管是读片还是病历都有这个问题。“考虑为 a,不排除 b”你说这种结论我该怎么认定。坦白讲模糊推理在整个 ai 都没有什么落地的实践。为了质控,我只能扔!其实数据质量深层次的原因是行业内部的标准化欠缺。这个问题一时半会很难搞,需要顶层设计。

行业认同主要包括结果的可解释性和权责分配。注意,这个可解释性不单指模型黑盒问题,还包括结果符合医学认知和已有文献,至少很多医生是这么理解的。例如使用 svm 判断病人是否可以复发,与医生沟通时就很麻烦,支撑向量,松弛变量基本概念是不可能讲明白的,最后 “你能不能给我个权重或者决策树?” 你看,这里边就有可解释问题,甚至是白盒模型的可解释问题。而更大的问题是很多时候结果并不符合医生预期,原因可能包括数据采样偏差,质控不好等,都需要很细致的和医生剥丝抽茧,甚至有的时候还要反复补数据。图像问题好很多,现在深度模型在医疗图像识别上基本上不存在可解释障碍,医生是接受的。

权责分配问题主要体现在医疗决策问题上的风险评估。当前的统计范式的机器学习适合处理常见问题,但是对疑难病症无能为力。很多大的 pi 和意见领袖非常在意出错那 1-5%,这是一个非常难对付的问题,大概率要走规则。医生用模型决策,如果出错了算谁的。现在有医闹,以后还有 “机闹”?某种程度上讲,做不到 99.x% 的准确性就不好谈。另外,基于循证医学的实践要求每一次推理都要有依据,敢问机器学习是否可以为每一次结论都清楚的给出依从的文献或案例?我个人觉得,在相当长的时间内,还应该以人作为权责主体,才有利于 ai 的推进。

如果说你问我,要不要入坑,得分场合。如果是读研究生,仅限于医疗影像,其他方向还是算了,如果进公司,需要考察数据获取能力,但是整个医疗 ai 都是不可能挣快钱的。轻业务的医疗 ai,主要指各种互联网医疗用户端应用。上边讨论的主要是和医院医生交互比较深入的医疗 ai,业务属性比较重。现在也有一些业务属性比较轻的互联网医疗应用,例如导诊,知识工具等,不涉及实际治疗,属于治疗前的应用。这个有没有坑呢?根据一些行业研究报告的分析,分平台和工具讨论比较好。平台型产品关注患者导流,用户数据生成,连接诊断,药物,随访,药厂,保险等。坑只多不少,主要还是用户隐私。因为要实际变现的患者,需要精确定位。干这个就是在危险的边缘反复试探。工具型产品,目前基本以开放数据集,科研文献和百科知识为主,完全不涉及医院也是可能的。除了挂号,导诊,这种产品用户粘度一般不高,同质化严重。我告诉你得了什么病,你信吗,不找个医生看看?有人说,背后的原因是国内看病还是容易,用户觉得还是可以花钱再去医院确认一下。大病暂且不论,小病看病不容易的话,不信也得信。残酷了点。其实做医疗 ai,医院或者申报课题的钱都是小钱,目前做医疗大数据公司的大部分现金流都来自药厂。药厂的坑也是大的很。通常药厂的需求分两类,市场需求需要量,医学需求需要质。市场需求通常要看药物普及或者疾病分布,判断药物进入阶段,好去医院铺销售。这种量都是上百上千的医院,中小企业是搞不定的。医学问题通常关注治疗,必然需要随访数据。而随访数据简直是制约国内医学科研的行业瓶颈,不是质量不达标就是量不够。有些时候,技术公司的优势不是技术,而且有大量可以打电话的随访人员。而且药厂对数据的要求更加严格,他们的数据来源更多,可以交叉验证。而医院医生都是专科的,数据来源很单一,验证的效果差一些。另外,国民的医学生物数据现在上升到了国家安全的层面,任何向国外药企的不当数据披露都是不合法的。一些时候,和外企药厂对接很不如意。

从历史的角度讲一下人工智能自身在医疗上的应用,以帮助大家更加系统的理解这个问题。早起符号主义的人工智能在医疗上的应用也是有的,叫专家系统,是一堆可以维护的规则集合。我导师的二十多年前工作就是关于中医某一种药物的用药系统。包括沃森的主要实现也在专家系统上。专家系统依赖专家,需要人工维护,迭代难,易出错,有不一致,这是大家接受的通病。但是这依然是当今医疗决策最需要,也是最容易接受的医疗 ai 形式。而现在的医疗 ai 主要是连接主义的范式或者说是机器学习的形式,需要大量的数据和算力来构建模型。所以准确的讲,现在医疗 ai 的坑多半是连接主义的坑。但是现在连接主义 (深度学习) 是大潮,填坑或者避坑的手段也不少。当我们说,人工智能或者机器学习在医疗上坑很大,到底是工具的问题还是领域的问题?我们的工具换了好几轮,但是依然有很多搞不定的问题。没有人文关怀的医生像机器,不用领域知识的 ai 没灵魂。

现在传统行业里面对于数据的建设、利用是相当落后的。现在机器学习跟 AI 技术,正在掀起一场革命,革一切行业的命。到处都可以进行跨专业、跨领域的合作应用,用计算机的自动化能力跟数学统计知识,以及 AI 算法创造效益。教育行业,可以给学生建模,对每次考试试卷、成绩建模,量化分析每个学生的发挥,每种题型的熟悉程度;医疗行业,给病人的病历做数据建模,分析监控病情,跟进治疗,监控健康状态;交通,可以规划交通路线,用图像识别来自动记录车牌,监控交通事故;就算是日常的财务、会计各种行业,也能写一些脚本去快速处理批量数据。还有各种制造产业,多少会涉及到选址规划,物流仓储,产业链设计,工业流程设计,路径规划。我不相信这里面已经没有东西可以提高了,结合计算机强大的计算能力,极有可能给传统行业带来全新变革。只要传统行业能够产生数据,就能够从里面挖掘出有价值的东西。

AI 能够真正落地,真的能解决传统行业里面的痛点的那些企业跟项目。说白了就是能解决实际问题,赚得到钱的 AI 项目跟企业。对于传统行业,转型存在很多风险,需要全面地评估。我挺看好那些自己有一个好的技术团队,利用 AI 技术给别的企业定制化地提供解决方案的公司,所谓的 B2B 公司。企业将自身需求外包,B2B 公司派有经验的人过来调研,并且提供解决方案,以及提供后续的长期维护服务,我觉得这可能是传统企业能够接受的一种折中的办法。这样的 B2B 公司,用户粘度也相对会大很多,实现长期稳定盈利。

人工智能的本质让使计算机模拟人的意识、思维的信息过程。简单的说,就是能够做出和人类智能相似反应的智能机器,这个领域还包括机器人、语言识别、图像识别、自然语言处理和专家系统等。总体而言,它是为了让人们的生活更加方便而服务的。比如智能家居,智能厨房,将厨房的所有电器连在一起,通过一块电子屏幕就可以操作各种家电,给厨房的使用带来了便利。比如停车场无感支付,智能识别车牌号,将支付软件和车牌绑定,实现停车场的通行顺畅,节约了车主大量的时间成本。相信在未来人工智能会应用到更多场景里,给人们带来更多便利。

某一领域人工智能通过深度学习之后,会逼近人类专家顾问的水平,这个学习的过程也是大数据的获取、积累和输入。其实,让 AI“大脑” 变聪明是一个分阶段进行的过程,第一阶段是机器学习,第二阶段是深度学习,第三阶段是自主学习。只有达到自主学习的阶段才会更加贴近人类智能的水平。事实上,人工智能抢走劳动者饭碗的事件已经在全球上演,阿里的无人超市已经实现自动收银,随着此类智能收费的推广,消费者可以自己缴费,超市、商场、停车场、小区、高速公路收费站的收银员将逐渐被替代。马云在一次大数据峰会上说过:“如果我们继续以前的教学方法,我可以保证,三十年后我们的孩子们将找不到工作。” 阿里巴巴在电商领域的对手,京东集团董事局主席刘强东也曾表示:“五年后,给你送货的都将是机器人。” 这样清醒的认知让每个人都感受到压力,但事实上,人工智能对就业的积极影响超过负面冲击,简易工作被取代之后,相继而来的是大量劳动力的释放,人类技能的升级才是重点,人才也会被分配到合理的岗位。也许对于人工智能的发展人们还是会有担忧,无法判断人工智能是充满灾难的潘多拉魔盒还是帮助人类发展的高速列车,但人工智能的探索是永无止境的,它终将改变世界,相信未来可期。

61 岁的比尔 · 盖茨曾在一篇给大学生的毕业寄语中写道 “当今时代是一个非常好的时代”,如果在今天寻找一个能对世界造成巨大影响的机会,他毫不犹豫的就会考虑——人工智能。马云在 2018 世界人工智能大会现场再谈新制造。他认为,未来 30 年智能技术将深入到社会方方面面,彻底重塑传统制造业。企业如果不能从规模化、标准化向个性化、智慧化转型,将很难存活下去。AI 技术再先进,如果不能和制造业结合推动转型升级,也将失去意义。智融集团 CEO 焦可在 T-EDGE 全球创新大会上演讲说到:“人工智能是‘锤子’,更大价值在于‘钉子’是什么,能不能用‘锤子’敲进去。” 可以知道的是,人工智能与各个行业相结合,可能会发生一些奇妙的化学反应,迸发出不一样的火花。我们都坐在人工智能这趟刚刚出发的高速列车上,不知会被带往何处。

关于未来的人工智能世界,我们了解得更多的无非是在科幻百科书籍或者电影上。下面小编就给大家挑选了一些有关人工智能的电影来丰富大家的片单。小编挑选的影片更注重人工智能与人类的互动,比如双方感情的产生、人工智能开始进化并奴役人类等等。尽管许多影片都有人工智能的元素,比如《异形》(Alien)、《月球》(Moon)、《银河系漫游指南》(Hitchhiker’s Guide to the Galaxy)、《星际穿越》(Interstellar)、《星球大战》(Star Wars)、《星际迷航》(Star Trek),但人工智能并非引起影片冲突的主因,因此没有考虑。而像《大都会》(Metropolis)、《地球停转之日》(The Day the Earth Stood Still)这种有些古老的片子,也没有拉进来。
10.《电子世界争霸战》Tron(1982)

9.《我,机器人》I , Robot(2004)

8.《复仇者联盟:奥创纪元》Avengers: Age of Ultron(2015)

7.《机器姬》Ex Machina(2015)

6.《终结者》Th Terminator(1984)

5.《黑客帝国》The Matrix(1999)

4.《人工智能》A.I. Artificial Intelligence(2001)

3.《她》Her(2013)

2.《机器人总动员》WALL-E(2008)

1.《银翼杀手》Blade Runner(1982)

  超越时代的特别奖:《2001:太空漫游》2001: A Space Odyssey(1968)

知乎用户 曼孚科技​ 发表

严格来讲,是人工智能算法、算力领域就业前景越来越严峻了,但是数据领域的就业前景依旧广阔。

这几年,人工智能领域着重关心的点集中在算法、算力领域,但是很多企业在将算法落到实践中时却发现没有高质量的数据做支撑。

以面部关键点识别为例。几年以前,标注员只需要在人脸上标注几个点就可以了,但是现在面部关键点标注需要 206 点:每个眉毛上 8 个,嘴唇个 20 多个,脸颊 17 个等等。

当下很多企业在数据标注的精度、复杂性、时间等方面有了更高的要求,但是能够满足企业这些条件的数据标注企业还太少,很多都是最基础的人力劳动型数据标注企业。

数据领域这块市场很大,高质量人才的缺口同样很大,可供作为的空间就更大了。

知乎用户 qian 发表

只想说不管哪个专业,哪个行业,哪个研究方向,都会有高光时刻的蜂拥而至,也有低谷时期的无人问津。关键是在思考这个问题时有没有扪心问过自己,这个是由衷的喜欢吗?从心底想要坚持下去的吗?还是只是现在看到各种风把人工智能吹上了天,觉得嗅到了财富的味道,觉得是时候可以赌一把,然后不断投入你的时间成本。如果回答是没有,或者犹豫了,那么我觉得还是抓紧时间找寻别的方向吧,不要再继续浪费你宝贵的时间。不然,接下来你投入越多你后悔越多,然后你就开始抱怨这个行业,抱怨这个社会,甚至抱怨自己。

坚持还是不坚持,坚持什么很重要,但都要看你自己。

知乎用户 匿名用户 发表

这年头,韩剧男主都要会人工智能了,可惜字幕组还没更上,把 machine learning 翻译成了 machine running (「・ω・)「

知乎用户 匿名用户 发表

双非本科,对于机器学习接近 3 年(大二开始接触,目前已拿到大厂 offer。大学期间,大概有阅读 200-300,甚至以上的 paper,对于论文的阅读和总结能力都是很强。同时也发了一篇顶会。

个人而言,大概 1-2 年其实是入门阶段。在大量的练习与反思之后,其实理解会深刻很多。最开始学习的时候,大概看的是传统 cv 和 ml 理论,相对 dl 比较难一点。个人觉得其实没有几年时间是很难很好理解机器学习。时间的积累是必然的。至于调包而言,个人觉得不能称为算法工程师。。。算是算法业务岗。

坚持 2-3 年之后,你会发现 ml 的世界是比较大的,也能深刻感觉和前几年的领域思考不一样。对数据,特征的理解会更深刻,个人认为看完几本教材的不能自称为算法工程师,大概算是算法爱好者。最理想的是近 10 年的领域论文,都要尽可能熟悉,同时对于领域发展要有自己的想法和见解。当然,只为了高薪的人大概是没有想法的。

而且现在 ai 的积累越来越深厚,早已不是当然随手撸网络结构的时代了,各位还是多思考下

评论里面有说 300 篇学术垃圾,那看来顶会都是学术垃圾,不知道评论老哥是 lecun 还是 hinton 还是 kaiming?

知乎用户 gankidd​ 发表

某大药厂副总监,负责供应链人工智能策略等。个人觉得这个问题提的有偏差,应该说利用人工智能为幌子的所谓产业就业越来越难,因为钱不好骗了。而人工智能的真正应用方兴未艾。

欧美的传统企业,在人工智能领域都在低调探索和前行,步子大了容易扯到蛋。尤其是在智慧工厂,智能制造,工业 4.0,供应链管理和改革,产品研发方式,个性化医疗,医药和诊断等等方向做着尝试。个人也觉得人工智能和传统产业的结合,协同发展,不要老想着颠覆这颠覆那,踏踏实实才是正道。

人工智能和大数据只是一个工具,能在专业领域基础上,帮助解决正确提出的问题。之前在医疗器械研发领域做过人工智能尝试,效果就很好。不但解决了长期悬而未决的产品问题,也为产品研发提供了新思路。现在在供应链领域,更是感觉机会多多。但需要一步步解决一些很根本的问题,深入理解相关领域专业知识是根本。

知乎用户 匿名用户 发表

人工智能就业一点都不严峻好吗?人工智能的人才缺口依旧很大,而且越来越大,但是是缺少的是人才,人才,人才!而不是会改参数的,会用平台的,会扯一些名词的!人工智能是一个很高深的话题,如果没有兴趣,绝对搞不好,就业也肯定不行。不要以为人工智能就是用用别人的代码,改改别人的参数,然后上传一些数据,利用别人的平台训练。这样的事情初中毕业都能做,你有什么优势? 这个行业最最重要的是算法,算法,算法!不是参数,不是数据。现在很多的培训机构,打着人工智能的幌子开设课程,然后点进去不是变成了 Python 学习,就是变成了人工智能幻想。再来看看现在的人工智能研究生,什么 ml,cv,dl, 一大堆漂亮的名词。其实呢,离开了别人的开源项目什么都弄不出来。

知乎用户 圈子 发表

人工智能在自动驾驶、教育、医疗、安防等垂直领域的应用越多越多,但是具体到从事人工智能的商业公司,大部分普遍处于亏损。人工智能的真正实用价值有待经得起市场考验。像森亿智能、左手医生、科大讯飞等坚持在垂直医疗领域发力的企业仍然会未来可期。

知乎用户 Arkofgalaxy​ 发表

不卷了,进个国企,老老实实干活,965,挺好的。没啥富贵命,只求够小康。

知乎用户 脑瘤鸭嘴龙 发表

其实这个技术本来就非常的偏向军事应用,什么自动化生产,代替人力劳动这类应用其实和所谓的核聚变差不多(没影),因为现在的机械学习其实倒不如说是统计学辅助识别和决策系统,其实根本就没有什么智能,最大的应用就是图形和军事上的。所以这个东西就业其实要依靠英伟达,苹果,特斯拉,洛克希德马丁这样的制造业巨头,这些行业利润率远不如互联网公司,当然会难找工作一些,但实际上只有这种制造业公司才会给你搞一些真正有应用价值的研究,互联网公司比如 Google 搞得 Deepmind 就非常的偏学术,其实就是花钱买名声。

知乎用户 技术咖 发表

坚持住,国家新的政策都出来了——工业互联网,来加入吧~
阿里云 15 年工控专家和腾讯 AI 科学家,为什么同时选择蘑菇物联? - 蘑菇物联的文章 - 知乎

蘑菇物联:阿里云 15 年工控专家和腾讯 AI 科学家,为什么同时选择蘑菇物联?

知乎用户 匿名用户 发表

每个行业都很严峻 坚持一个行业 不断深耕就行了

目前 ai 能落地的主要就是视觉和 nlp 找工作就选这两个

个人觉得视觉应用更广 读计算机视觉博士

知乎用户 就这样吧 发表

坚持是必须的,活到老学到老,不努力只会被社会淘汰掉,也不是说就业越来越难了,只不过是要求越来越高,在这次十四五规划中提出着重发展高新高质量人才也是这个理,这个市场一直在扩大,但是它只要有能力的人,想要从人群里面脱颖而出,你唯有努力,别无他法(ps:你要说你是老板亲儿子那我没话说)

免费领取 300 小时线上学习视频及包邮项目实战书

作为计算机出身的人,我自然希望 AI 能大放异彩。但是这个行业混进来一些浑水摸鱼的人,一些过于乐观的人,还有一些只想赚快钱的人。而坚持不仅仅是一种态度,更多的是一种能力,未来必然会有一些企业‘化作春泥更护花’。

人工智能就业方向

科学研究、工程开发计算机方向、软件工程、应用数学电气自动化、通信、机械制造。

人工智能的人才培养以研究生教育为主,一方面人工智能的研发具有较大的难度,另一方面人工智能领域的研发需要更多的研究资源,人才培养周期也相对比较长。由于当前人工智能依然处在行业发展的初期,所以学习人工智能专业要想有一个较好的就业出口,可以考虑读一下研究生。

人工智能专业就业前景

高考报考人工智能专业,大学毕业后的就业前景应该是非常不错的。

可以说,这一两年是人工智能专业开始朝专门化发展的前两年,这是一个属于人工智能的时代。世界许多国家都在加紧人工智能方面的研究,可以说是未来的世界,谁掌握了人工智能,谁就掌握了未来。

人工智能,现在已被国家列入发展规划,国家提出了人工智能三步走的发展战略,现工智能已经有了国家战略的背景支持。因此,在今后的发展当中,肯定是会越来越火热。

根据领英发布的全球人工智能人才分布显示,中国目前的人工智能人才缺口超过五万人。人才是极度的供不应求。

从科研院所到商业巨头和企业,各行各业都在开发引进人工智能,导致人工智能领域的缺口非常大。而且它作为以计算机技术为基础的高端技术,工资是绝对不会低的,不仅不会低,是非常高的。

高考报考人工智能,大学毕业后的就业方向,可以分为一般的人工智能工程师、人工智能专家、人工智能数据分析师、数据分析科学家、人工智能科学家等。

因为目前在高端的人工智能领域方面,本专业的顶级人才非常缺乏,未来很长一段时间内,这个缺口仍然非常大。总体来说,人工智能专业的就业方向非常广阔,首先是一般的人工智能工程师、年薪 20 万左右;

快来进群和大家交流吧~

其次是人工智能专家,年薪在 35 万左右,但是需要有两年以上的工作经验;

再次是人工智能数据分析师,年薪大概有 60 万左右,需要 3 到 5 年的工作经验。

再来就是数据分析科学家,年薪 80 万左右。

最高级的就是人工智能科学家,年薪百万的大牛,需

要 8 到 10 年的经验积累。

好好加油吧,少年!

人工智能应该怎么学?40 条超级详细学习路线等你来免费领

知乎用户 小渡千帆​ 发表

“生于忧患,死于安乐。”

人工智能如今已经涉足到了很多行业,并已使成千上万员工被迫失业;更为震惊的是,它未来的潜能将会更加巨大,可以取代甚至远胜于人类的头脑与身体。

未来已来,而我们该如何抉择?

恐慌不能解决任何问题,唯有勇敢地直面未来。当不能改变大环境时候,我们唯有改变自己,因为改变自己永远是最简单也是性价比最高的事。拥抱数据,拥抱算法,拥抱技术。当今日我能用技术代替过去的我,那么明日的我就不会被替代,只会更高效地创造价值。

所以,在人工智能的发展与应用使得就业前景越来越严峻的环境下,我们更应该自我提升认真学习编程思维与技能,并将其与自身职业相融合,拥抱一切未知与可能。

未来已来,未来更可期!

知乎用户 dfdas 发表

热度过后,哎

知乎用户 工赋青岛平台掌上通​ 发表

人工智能——模拟、延伸、扩展

知乎用户 亮心之火 发表

想成为 AI 人的你,还在到处找各种 AI 相关的资源吗?

你还在为找不到合适的方向,又没人咨询而迷茫吗?

你还在为找不到同领域的人探讨问题而苦恼吗?

你还在为不了解哪些 AI 会议可投而纠结吗?

** 从 2021 年 5 月 4 日起 AI 论坛正式发布。**

AI 论坛地址: [https://aibbs.org.cn](https://aibbs.org.cn)

** 这里有最优秀的的 AI 实践应用、各个大数据方向以及 AI 方向,为你选择方向作出参考,可能目前不够全面,期待你的反馈,我们理解添加你希望了解的方向板块。**

AI 论坛地址: [https://aibbs.org.cn](https://aibbs.org.cn)

** 我们还提供竞赛专栏,学习 AI 的同时,要多多参加竞赛练习,在这里你可以找到志同道合的队友共同分享交流竞赛经验。**

AI 论坛地址: [https://aibbs.org.cn](https://aibbs.org.cn)

** 在这里还有所有的 AI 会议讨论去,所有会议相关问题,包括写文章、投稿、审稿、审稿结果反馈、参会等都可以在这里找到你想要的答案。**

AI 论坛地址: [https://aibbs.org.cn](https://aibbs.org.cn)

** 最最最重要的是,所有会议的时间都在这里一目了然,再也不用到处搜集时间而烦恼,不用无法科学上网而烦恼。**

AI 论坛地址: [https://aibbs.org.cn](https://aibbs.org.cn)

新人加入,即送 20 论坛金币(可用于论坛内各项资源获取)

论坛服务对象:所有 AI 从业者、爱好者、相关者等。

论坛使用方式:自由发帖等。

声明:在论坛内请遵守相关法律法规,禁止传播违禁内容。

AI 论坛,关注你想关注的 AI,最全最专业的 AI 论坛

来 AI 论坛,共同书写人工智能新时代。

现在就加入 AI 论坛吧

AI 论坛地址: [https://aibbs.org.cn](https://aibbs.org.cn)

知乎用户 林琳​ 发表

去年底 fire 了一个号称 AI 专家进来的,试用期不行。光嘴里会说 AI 各种技术,实际干不了啥活。他之前也是国内某个很有名图像识别公司的员工。为啥现在刚毕业的就个个自称 AI 专家了?我看知乎大部分 AI 科学家都在吹牛逼而已,不服把论文发上来看看。

知乎用户 Mr.Seagull 发表

可否大胆的猜测,前期伴随着个人信息和商业信息的无底线贩卖,人工智能 “井喷” 基础才有了数据支撑 1,才群众基础

知乎用户 匿名用户 发表

人工智能是研究性质的东西不一定出成果,慎入。

知乎用户 米夏的小星 发表

坚持!丰富我的思想,战胜它的智能!

知乎用户 科技小白 发表

当然了,毕竟这是未来的发展趋势,不管这快骨头上的肉多难啃,都得把它啃下来啊,要不然以后没饭碗啊

知乎用户 薄荷糖已存在​ 发表

不是就业前景越来越严峻,而是想要进场的人越来越多,竞争自然越来越激烈。

人工智能大热让人产生了一种误解,就是谁都能干这一行。

但说实话,工资那么高,如果真的纯靠几个月培训或者自学就能找到工作,刚开始知道的人少可能还行,后面这么干的人多了,门槛自然会提升。

实际上,现在门槛已经挺低的了。刷刷题背背模型,就能找到一年几十万的工作。换成其他行业,别说自学了,就算是科班出身都不好找工作。

再换个角度说,人工智能这个行业不适合养老,让自己长期保持高薪是很累的。

看看每年会议有多少论文就知道了。只当调包侠没什么前途,还是要有比较坚实的理论基础和长期学习的能力。

不然潮水褪去,发现自己在裸泳。

知乎用户 知乎用户 QFgoJ7 发表

是的,我们在坚持!

AI 领域,需要更多的人才加入,共同打造 AI 产业!有 AI,有爱!
当前 AI 领域人才稀缺,只有 3 万多专家,人才供需比只有 1% 左右。人工智能作为推动数字化转型和产业升级强劲推动力之一,稳定的人才供应是实现 AI 让世界变得更美好宏愿的必要条件。

华为计算产品线,近年来持续加强研发投入,在全球 IT 能力聚集地设立创新中心,与业界顶尖科研院校和行业标准组织积极合作,不断增强计算架构、AI 以及算法等领域的创新能力和竞争力,促进多样性计算的快速发展,华为通过 “硬件开放、软件开源、使能合作伙伴” 的策略来推动计算产业更好地发展,为世界提供最前算力,让智能无所不及。

知乎用户 匿名用户 发表

不知道。

同组的两个师兄都外校读博去了,还有一个师兄换了小方向,找到了很好的工作,现在就自己一个人做,感觉不太好。

想过退学去个更好的学校托底,这样安全感足一些。我们学校属实 8 行,只能靠自己。但是现在退学相当于三战,有点慌。

保本校读了两年了,越来越觉得自己蠢。

知乎用户 123 发表

坚持,所谓 “严峻”,多半指的是很多人听说“人工智能” 很厉害就想盲目往里面冲。

其实,如果技术积累的深厚一点,应该没什么问题

知乎用户 黄强 发表

“人生百年,吾道不孤”

知乎用户 夫子不老​ 发表

大环境不好的情况下辅助岗位经常是缩编的重灾区。目前能玩得转 ai 能将其变现的公司屈指可数,其实算法在很多公司只是锦上添花的辅助岗位。这自然也就导致 ai 相关岗位的前景变的严峻。不过我接触过的算法工程师(调包侠另当别论)是在所有类型互联网工程师中动手能力比较强的一类人,所以说不管未来市场变成什么样,只要坚持下来(转数据分析,转工程研发,或者继续深造),浪潮是否退去还是会有不少 ai 火种在互联网圈内蔓延。

知乎用户 融通四海 发表

人工智能领域,有点像是人类发展一样,都有学习能力,由于机器学习达不到人类学习的宽度和广度,所以什么算法相对于存储系统的处理能力来说都是简单明了的读取速度问题,如果机器有人类的搜素能力那么就厉害了,还有就是人们在人工智能方面都要求具备最顶尖的能力,而不能像人类一样我可以回答不会,我试试这样的想法,还有机器还缺乏一种能力就是试错能力,类比能力,我不知道现在人工智能的研究方向在哪里,但是人工智能必须具备海量的数据存储,高速的读写速度,再一个发展方向应该是试错能力和类比选择能力!

知乎用户 虚求 发表

只要其他专业还有工作需要做,就说明人工智能还需要发展。

知乎用户 想不明白 发表

看网上说谷歌的量子计算机都出来了,这个专业会变好吧?等大佬解释

知乎用户 陈敛 发表

事物发展是螺旋曲折的,如果你相信未来二十年是 ai 真正落地市场化的二十年,那何必担心?

至于上面回答提到的什么 “ai 就是调参,算法好像没有以前重要了,以后重点是产品,市场的天下” 的观点就更搞笑了,要一直没落地,市场应用一直起不来:技术算法确实重要,重要到一起死掉得了。

真看好人工智能趋势,麻烦有点定力,职业方向选择上,最忌讳投机,因为不管你理财方向选择投机还是投资,但对自己人生来说只能有价值投资这一条路是正道。

知乎用户 南旧 发表

虽然看不懂但我知道人工智能是未来

知乎用户 匿名用户 发表

行业其实没啥大问题,只不过所有营销号都在鼓吹 python 人工智能… 茫茫多的人都在涌入,而公司就这么多,所以扪心自问你比别人的竞争力哪里?是代码实现强还是数学推导强… 如果都不是那你起码得读个博士吧,起码熬出篇顶会来是吧…

至于半路转行数学推导不行,甚至连 keras 那几行代码都整不明白的还是转开发吧 / 实在不行公务员也成阿…

知乎用户 铁轨只到尼德兰 发表

你们可以转生化环材呀!

知乎用户 稀有元素​ 发表

行业爆发之际

“这个需求能做吗?” 能做啊,堆叠有数据,上报几轮 badcase 就能出一个可用的模型了

“客户吐槽人脸识别不准啊,而且我们有没有什么行业的准确率背书” 关键点从 60→96→186,各种准确率刷榜

“reid 技术是往后的技术攻克方面,我们要花时间和精力在这上面做出一点成绩” 跨摄像头的 reid 技术就出来了,除了受限于场景和部署环境的影响,但是还是可用的。

行业夕阳之后

一切 ROI 为重,投入产出比不高的就别浪费时间搞了。

夕阳来了,没有一束晚霞是不凄美的。

知乎用户 匿名用户 发表

已经溜了

OCR 转区块链。

不过人工智能相关领域工资相较于编程其他领域还是高出一些的。基本上三年工作经历的普通的研究生拿 30k 还是没有问题的。要求相对于后台前端等不是特别高。

知乎用户 领航学长 发表

不知道,我只是不清楚为什么似乎要劝退所有的专业。

知乎用户 喵小白 发表

作为外行,我觉得这个技术门槛低下来,不是一件好事吗?更多的人进去这个行业,行业才能火起来啊

,有人才有一切

知乎用户 小灰灰 发表

10 年前说计算机不好找工作,今天计算机工资依然很高,而且好找。

人工智能为什么就不是呢

知乎用户 在世间难逃避命运 发表

人工智能就业前景越来越严峻了吗?

知乎用户 一良 发表

AI 也有很多细分可发展探索的方向呀。

无人驾驶就是其中前景很好的一个应用领域了。

我们图森未来,一直在做 L4 级别的。研发部门的攻城狮小哥哥们都是怀揣着兴趣与热爱来的,作为 AI 独角兽,可是在默默地和这个领域一起飞速发展呢哈哈 (⁄ ⁄•⁄ω⁄•⁄ ⁄)

知乎用户 我叫秋辰 发表

人工智能的话目前受技术局限较大吧

知乎用户 知乎用户 oc7M9U 发表

人工智能?还没开始呢

知乎用户 西普大人 发表

整体行业还不成熟,很多东西还在表面概念炒作阶段。技术上没有真正的突破到一个新层面的话,只能说: 任重而道远啊!!

知乎用户 岁静比特 发表

ai 不就是那一套模型换来换去嘛,肯定学的啊,慢慢来呗,现在只是疲惫了,下个十年又会有一波高潮的……

最简单好用的 VPS,没有之一,注册立得 100 美金
comments powered by Disqus

See Also

人工智能及其局限:面对现实 – Nei.st

本文作者蒂姆·克罗斯 (Tim Cross) 说,经过多年的热捧,人们开始认识到 AI 的局限性 那就像是世界创造了第二个中国——只不过构成它的不是十几亿人和数百万家工厂,而是算法和嗡嗡作响的计算机。专业服务公司普华永道 (PwC) 预测, …

未来 10~20 年,哪些行业会快速发展?为什么?

知乎用户 Odysseus​​ 发表 在我眼中,站在当下,未来 10-20 年或者更远的时间,有两个大行业是值得全身心投入的。 第一个是太空探索 第二个是娱乐 / 宗教 而且我想说的是,在更大的层面上来看,这两个行业,代表的是人类对自然改造 …

新基建来了,可能会给普通人的生活带来哪些影响或提升?

知乎用户 七匹喵​​ 发表 涉及基建的问题中,往往藏着逻辑圈套。 政府决策事项中,有一个经典的 “修路问题”。A:先有路后有车。B:先有车后有路。A:路都不好走,谁买车?B:车都买不起,修路干啥? 说到底,“基建” 本身其实是一个复杂决策问 …