沈世鈞:人工智能就業前景越來越嚴峻了,你還在堅持嗎?

沈世鈞

我也是AI從業人員,這些年,AI,我是親身經歷了從“黑科技”跌入“俗學”的過程。我清楚的記得,早些年,在模式識別領域(例如人臉識別、語音識別等),大家都發力在數學算法的時候,算法工程師雖然努力多年,精度卻一直上不去,幾乎沒有實用價值。然而,突然有一天,在NIST競賽中,有一個廠家突然爆發,一騎絕塵,直接把競爭對手甩下幾個身位,也直接把很多識別技術(例如人臉識別)推到了實用的地步。這個事情對業界的震驚很大,不久後,大家瞭解到競爭對方之所以能取得這麼大的進步,正是因爲引入了以“深度學習”爲基礎的AI技術後,整個業界的研發重點就迅速切換到了AI的跑道上。在隨後的時間裏,大家都如飢似渴的閱讀各種paper,就是我這個打配合的軟件工程師,也開始接觸與AI相關的各種技術,包括神經網絡、深度學習等等。之後,各家廠商的人工智能平臺就搭建了起來,各種模式識別技術(例如人臉、語音)放棄了傳統的數學算法研究,直接切換到深度學習平臺上。而經過深度學習的訓練,在兩年後的NIST競賽中,各家公司的算法精度上雖然沒有趕上原來的第一名,但已經開始接近了。這也說明了,兩年的時間,模式識別領域,在算法上,大家都統一切換到了以深度學習爲基礎的人工智能上。同時說明了,從技術上來說,“深度學習”並不是一個特別高深,特別新穎的技術,而更多是“舊瓶裝新酒”,是對大家觀念的扭轉。因爲在此之前,計算資源缺失,數據缺失,所以才使得嚴重依賴於此的深度學習技術難以實用化。而經過互聯網多年的積累,計算和數據都到位的時候,“塵封”多年的深度學習技術則突然“枯木逢春”。我從不止一個算法科學家嘴裏聽過,從對腦力的挑戰來說,深度學習的精巧度遠不如傳統的數學算法。甚至,相對於早前的數學研究,大家都覺得“深度學習好“傻”,好“暴力”,一種常見的套路是:設置框架,喂數據,調參數,喂數據,調參數…,循環往復.而且,就這兩年來說,好多普通的軟件工程師,都慢慢開始對算法研究缺乏敬畏了,因爲我聽到最多的對話就如下面:“你們算法實驗室,能不能儘快把質量檢測精度再提高下。”“當然能,不是正在準備數據,正在訓練嘛!”從此,大家也能夠感受到,算法的提高,在很大程度上賴於數據,而不僅是算法工程師的腦力。這直接導致了一個後果:以深度學習爲基礎的人工智能技術,在使計算機變得“聰明”的同時,卻使算法工程師變得更“傻”。這種傻有兩個緯度,一個是從人的角度看,算法工程師的工作難度在降低,從陽春白雪變爲了“朝市之學”。另一個角度是,雖然機器變得越來越聰明,但我們卻不知道它爲什麼變得聰明,它到底學會了什麼?原來,算法科學家通過數學精確的控制着機器的行爲,是機器的“管家”,而現在,算法科學家在某種程度上淪爲了機器的“保姆”。因此,在技術上,深度學習不僅沒有推高算法工程師的重要性。相反,正在降低他的重要性。從我身邊看到的,原來搞算法研究,博士是主流,而這兩年越來越多的碩士正湧入這個行業。而且,不僅在技術上,在商業上,算法工程師的稀缺程度也不如以前。就拿人臉識別來說,原來大家的算法精度都比較低的時候,爲了促進算法的實用性,大家都瘋狂的招兵買馬,以提高算法的精度。而經過這些年的發展,各個廠家的精度都有了大幅的進步,都越過了實用的門檻。因此,在算法上繼續大幅投入下去,再取得的回報是非常有限的,甚至連錦上添花都算不上。這個時候,大家急需要做的就是儘快的用好的產品佔領市場,以獲取經濟回報。而這,無論對資本來,還是對社會,纔是一門技術健康發展的應有之義。當然,在接下來的幾年,人工智能行業肯定會繼續繁榮下去。但這種繁榮之下,很可能不是技術的繁榮,而是產品和市場的繁榮。因此,對將要入行的技術新人來說,還需冷靜的觀察和思考後,再做決定。

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章