2019 年人工智慧行業又進入冬天了嗎?
加入極市 專業CV交流群,與 6000+來自騰訊,華為,百度,北大,清華,中科院 等名企名校視覺開發者互動交流!更有機會與 李開復老師 等大牛群內互動!
同時提供每月大咖直播分享、真實專案需求對接、乾貨資訊彙總,行業技術交流 。 點選文末“ 閱讀原文 ”立刻申請入群~
作者 | 微調
來源 | “2019 年人工智慧行業又進入冬天了嗎?”
https://www.zhihu.com/question/308512268/answer/570450954
最近,知乎話題“2019 年人工智慧行業又進入冬天了嗎?”引發熱議,已經有人在說,經歷了好幾次冬天的人工智慧又進入了冬天了,是這樣的嗎?如何理性看待人工智慧技術和行業的發展?如果真的是冬天,從業者應該怎麼做?
來自CB Insights的統計,2017年全球範圍內有152億美元的投資被投入到AI領域,其中,中國公司吸引到的投資為73億美元,佔全球比重達48%,位列第一。而2016年,這個比重還僅有11.3%(約7億美元)。
“16、17年,幾乎整個投資圈都在聊AI。天使輪的專案投資人看看方向、團隊,聊一聊即便就定了,很多公司什麼都沒有,一個PPT只要帶上AI也能拿到不錯的估值。”一位AI業內人士表示,而絕大多數AI演算法的開源也在一定程度上降低了人工智慧行業的進入門檻。
雖然資本蜂擁而至,但所見的收益卻微乎其微。由於技術本身的制約、自身造血能力不足以及商業模式尚未成型,AI公司短期內還很難看到盈利的可能。
以下是精選知乎答主“微調”的回答,希望能給大家帶來一些啟發:
我想講三個故事,僅供參考*。
故事1:從「預測模型」到「資料視覺化」,regression?
我們團隊是做資料科學諮詢的(data analytics consulting),我們一般會跟客戶說:“我們幫你做個“人工智慧”模型(其實只是簡單的預測模型),一年可以給你省xxx多少錢,增長xxx使用者。”當然,我們會把這種專案包裝為科技轉型(technology transformation),告訴客戶不升級你就要被時代拋棄了,好讓他們買單。這種專案一直都很好賣,尤其是2017年前。各大諮詢公司的套路都差不多,從學校拉幾個畢業的碩博生,做好PPT(一般諮詢公司的PPT中有一頁是介紹團隊),“編”幾個成功案例,去了一般都能順利把案子簽下來。但說到底就是做幾個簡單的模型(一般就是邏輯迴歸、決策樹和一些傳統的統計模型),而這種三四個月左右的專案往往能要到100萬美金(大概是4-6個諮詢師的錢),顯然利潤是很豐厚的。那時客戶非常依賴我們的專業,因為它們內部的確沒有這個方向的人才。而且當新概念起來的時候,每個公司都想嚐嚐鮮。但從17年後大部分(包括傳統行業比如連鎖超市、加油站)都基本有了自己的資料團隊,他們不再那麼相信我們包裝的很好的預測模型了。原因很簡單:一是大部分諮詢產品的質量不高,二是與其付錢給外人還不如自己組建團隊(人力成本其實在逐漸下降)。
企業變精明瞭。想要賣出大型人工智慧專案越來越難,不少諮詢公司也從賣人工智慧諮詢退回到了賣廉價的Dashboard(視覺化)產品。現在想賣預測模型,必須先做出Proof of Concept (PoC),也就是驗證這個概念是可行的,讓客戶感覺到這東西可能有用,不然免談。然而做出靠譜的PoC基本就相當於做完了整個專案,這是個悖論。以諮詢公司為縮影,我們16年招了10多個數據方向的畢業生,而2017和2018年都沒招人全都是內部轉崗過來的,今年年初留了一個實習生轉正。而16年進來的人也只有不到三分之一還未跳槽,其實大家這幾年都沒做到真正的人工智慧,只不過是在大量的在做資料視覺化(如Tableau)罷了,偶有零星的專案。
故事二:從「稀缺」到「過剩」,再到?
不可否認的是,初級從業者補給量已經大幅增,來源包括:各種速成的一年制碩士(國外有很多12個月或者16個月的碩士專案),自學轉行的人,培訓班畢業生。熟悉我的人應該記得,我的回答是從17年初的勸進-->轉向17年底的謹慎勸退--->直到18年初的勸精。我們都知道系統是存在滯後性的,所以當人們知道一個行業上升時都會大量湧入,直到過剩。從面試角度的一個直接感受是,很多人的履歷都很不錯,但基礎一般都不穩,喜歡談大方向不喜歡做細節。我有幾個同事非常喜歡提深度學習解決方案,可我們公司其實連GPU都沒有多少。
這個現象大概是很多企業的共同現象。仔細回想一下,在多少公司郵件裡面大家都是凡事必提「機器學習」、「人工智慧」、「深度學習」?這個現象在新進入行業的從業者身上更加明顯,凡事都想用最複雜的模型來捍衛自己的稀缺性,導致很多專案做到流產。
這也不是倒退,而是一種篩選。就像我在 2019 秋招的 AI 崗位競爭激烈嗎? 中說過的,回撥期的重點是培養自己的niche,也就是如果只用一個詞形容你的專長,是什麼?如果你的一句話專長是「機器學習」,那麼大概率你是沒有專長的。上兩門課就能成為專業人士那高薪的好日子已經過去,該面對現實了。
故事三:從「科研」到「商業化」,fill the gap?
研究和應用之間的割裂依然存在。商業化科研成果很難,同時面臨內外的壓力。從去年九月到現在和實習小同學一起寫了三篇論文,一篇理論和兩篇應用。作為一個快要畢業的研究生,他對於研究的幻想是坐在那裡刷刷的列公式或者做大量的程式碼,而現實情況是:想點子一週,做實驗一週,寫文章一週,修改包裝一週。他後來才意識到寫文章其實是一個銷售工作,大部分文章考慮的都是“可發表性”而不是“實用性”。而他幻想的通過科研來反哺團隊也沒那麼容易,真的想要走到商業化不容易。我們也嘗試把以前寫的一些文章做成專案賣給客戶,但往往在內部就過不了第一關,因為大家對於問題的理解不在一個層面上,而且這是在分其他團隊的蛋糕,所以一般走不到客戶那一步計劃就夭折了。比如我們想把一個全新的預測模型(預測公司財務表現)賣給某金融客戶,那麼得由內部的金融方向團隊(和客戶有交情)從中引薦。但基本在這一步就死掉了,因為沒有人願意被替代,即使一起分蛋糕都不行。各大公司其實或多或少都有這個問題,研究團隊(尤其是基礎研究)往往與工程團隊和銷售團隊之間關係不好。這在技術領域,尤其是人工智慧領域,不算什麼祕密。
所以從大方向上來看,人們沒那麼容易被忽悠了。這技術能做什麼,做到什麼程度,大家心裡都有數,所以故事越來越難講了,錢也越來越難“騙”了。再加上大量從業者湧入這個行業,甚至包括很多基礎不夠紮實的人,導致大眾對於這項技術的效果有了一定的懷疑。同時企業也慢慢認識到了底層研究很難帶來直接利益,因此就會戰略性的裁撤沒有必要的研究部門。這導致了就業市場看起來是雙向收緊:即初級和高階崗位的需求及收入都下降了,尤其是落地難度比較高的方向。再加上全球經濟環境的週期性變化,前景看起來讓人擔心。
其實東西是好東西,技術也是好技術,但炒起來就要回落,沒什麼可意外的。這是合理的回撥,不是寒冬。而回調期該做什麼?我認為: (1)培養自己的專長,給自己一個標籤,即別人提到你就會立馬想到的那項技能。有志向的人可以回到學校再去重造一下也不錯。(2)調整心理預期,拋棄幻想接地氣,明白解決問題才是硬道理。拋棄模型崇拜,不要凡事都唯新技術是舉。現實和學術之間除了聯絡以外,還有很大的路要走。(3)踏實一點,再踏實一點。
*注:本文僅以特定行業進行觀察,而人工智慧領域廣大無邊,切勿以偏概全。
小編的想法:
解決問題才是硬道理,對於視覺演算法工程師來說更是。我們需要掌握新技術,但是更需要技術落地應用,促進整個行業的發展。而能夠從最終的場景應用來用演算法解決問題的演算法工程師,才是永遠不過時永遠稀缺的,極市也非常希望可以給大家提供這種能力培養的平臺,正如之前我們推送的 矽谷高階工程師告訴你:演算法工程師必須要知道的面試技能雷達圖 ,演算法工程師核心競爭力是解決實際問題的工程化能力,而這個核心能力是需要通過真實專案實踐來培養的,歡迎關注極市社群專案需求板塊
( http://bbs.cvmart.net/c/new_project), 也歡迎留言或者加小助手微信(Extreme-Vision) 私信交流~
對此問題你有什麼獨特的見解,也歡迎留言回覆與大家討論~
*延伸閱讀
矽谷高階工程師告訴你:演算法工程師必須要知道的面試技能雷達圖
劉鐵巖談機器學習:隨波逐流的太多,我們需要反思
每月大咖直播分享、真實專案需求對接、乾貨資訊彙總,行業技術交流 。 點選左下角“ 閱讀原文 ”立刻申請入群~
覺得有用麻煩給個好看啦~