在过去的十年中,新兴产业先后经历了若干次技术浪潮,从Web 2.0到Online Social Network、云计算、数据挖掘、AR,到现在的AI技术浪潮。这两年所讲的AI一般来说是指人工智能中一个特殊的领域,深度学习

 

深度学习给AI带来的技术浪潮与前几次的浪潮有一定区别,其带来的社会影响远大于前面几次浪潮。之前浪潮的技术发展主要在互联网领域,而AI浪潮带来的影响却已经深入到生活的方方面面,无论是公司还是政府都加大了投资力度。并且AI的技术发展不仅了带来了欣喜和机遇,也带来焦虑,人们开始忧虑自己的工作会不会被AI取代,甚至AI会不会有一天可以控制人类。现在我们带着这个问题来正确认识AI行业,我们怎么步入这个行业,以及AI的职业发展。

 

AI的定义及发展历程

 

AI是在1956年由John McCarthy等大牛提出,John McCarthy认为AI是“The science and engineering of making intelligent machines.”。

 

第一次AI的大跃进是在上世纪50年代到70年代,这一时期AI的主要投资来自政府,当时也产生过一些AI应用,比如对话机器人。之所以称为大跃进,是因为这个时期人们对AI有种过于乐观的态度,当时有人预计未来20多年之内机器可以代替人类做任何事情,这忽视了AI其实还有很多关键问题没有解决。到了一九七几年浪潮渐渐平息。

第二次比较大的浪潮是上世纪80年代,代表性的发展是Expert System。

上个世纪80年代后期机器学习得到了突飞猛进的发展, 比如第一次把Backpropagation应用在Neural Network中。

2010年之后,随着技术的发展,深度学习在工业界广泛应用于图像识别和语音识别

2016年,深度学习取得了里程碑式的胜利,Alphago战胜了李世石,所以2016年被很多人称为人工智能的元年。

 

AI的行业现状和未来趋势

 

 

(左侧对应点线图,代表公司成交数量。右侧对应柱状图,代表全球对于AI产业初创公司的投资总量)

 

这张图显示了全球对于AI创业公司的投资趋势,可以看出,全球都对AI领域的投资在不断提高,对其发展保持着乐观的态度

大家想一想,为什么投行都愿意把大部分资金投向人工智能,助燃这些星星之火呢,这是因为第四次工业革命已经来临,且不可阻挡。

 

我们再来看大公司对AI创业公司的收购情况,Google是比较早期做大手笔AI收购的大公司。

 

 

为什么这些公司愿意花钱在AI产业中呢?是因为大家对AI未来几年带来的收益呈乐观态度。

 

这张图显示了从2015到2024年,AI将给全球带来的预估产值。

 

 

大家可以看出,2017年,相对于几年之后,AI带来的产值还处于一个起步阶段,在6亿美元左右。到2024年,可以到达120亿。但从今年起,产值会呈翻倍增长趋势,而未来会逐渐放缓,现在正是风口的开端,也是工程师们加入的最好时机

 

AI技术的主要应用

 

 

那么我们可以从何种领域加入呢,会对哪些领域可能感兴趣呢?目前AI的应用总体上分为六大领域:

 

Robotics

是机械工程和电子工程和计算机科学的一个交叉学科,顾名思义,这个领域最重要的应用就是机器人。比如Jibo公司推出了Social Roberts,它可以进行对话,拍照,做人脸识别。再比如无人机,它也有一些图像识别系统。该领域内,另外一个比较有名的应用就是自动驾驶。这些都是深度学习在Robotics方面的应用。

 

医疗

AI可以通过收集实验数据,预测细胞之间的一些交互,从而研究产出一些新的药物,或者可以帮助人类更好地认识我们自己。

 

电子商务和零售领域

是机器学习应用时间比较久的一个领域。其中包括对产品的推荐,基于用户行为的广告点击,以及商品购买预测系统。

 

金融

比较有代表性的是信用评级。人工智能通过收集和分析用户的历史行为,为金融机构提供一些风险控制的工具。

 

计算机视觉

比较具有代表性的有基于内容的图像检索系统,另外在安防领域的摄像头,以及在安检系统中基于深度学习的图像识别都得到了很好的应用。

 

语音交互

这个主要起源于深度学习在语音识别方面的进展。其中比较有代表性的有Amazon的Alexa、Google的Google Assistant,微软的小娜,苹果的Siri。

 

你是否找到了自己感兴趣的切入点呢?

 

AI相关技术岗位及职责

 

 

这张图反应了在AI领域不同职位的供需比,中间1.0的位置代表的供给和需求是平衡的关系。越往左边红色的部分代表岗位是供不应求的,相反越往右边绿色的部分代表的岗位是供大于求。

 

可以看出Deep Learning, Machine Learning, Natural Language Processing这些和机器学习相关的职位在目前的就业市场上是处于供不应求的状态。右侧传统的Java工程师现在是呈现一种供大于求的趋势,所以,如何现在决定加入AI工程师的队伍,请向左看。

 

 

上图显示了Google内部深度学习的应用趋势,可以看到其呈现快速上升的趋势,到2017年可以会以更快的增长速度增长。同时深度学习在Google内部也被用于不同的产品,比如Apps, Maps, Gmail, Android, Youtube, Translation, Language Understanding等。

 

AI有哪些具体的职位?这里列出5个AI职位的职责及技能要求。

 

Core Machine Learning Engineer。它包含两个层面,第一个层面比较偏硬件系统,你要想办法优化并行计算,使得Training的过程能加速。第二层面更关注算法和通用的平台本身。

 

 

Applied Machine Learning Engineer。与第一个职位不一样的是,它是在一个具体的领域中,即垂直领域中应用 AI 的Methodologies,更多地是使用现有的开源Library,当然也不排除会深入Library做一些改动,这个职位是计算科学和数学相结合的职位。

 

 

Data Scientist。它会更注重产品的Prototype这个阶段,而Applied Machine Learning Engineer会更注重产品的开发和发布。Data Analyst与这两者都有区别,它更偏向Business,比如向客户或公司高层提供一些Business Insights。

 

 

AI System Engineer。因为现在很多基于SaaS的公司,会越来越多地使用AI技术来提升自己的产品,所以传统的System Engineer也可以转到AI System Engineer这个角色。这个职位更多地需要基于系统的知识和全栈的知识,需要对Machine Learning有一些了解,但是要求并不是特别高。

 

 

Data Analyst。主要是给Business相关部门提供Insights,要求相对来说低一些,需要懂一些脚本语言,对统计和机器学习有一些了解,要会使用一些分析工具。

 

 

AI Engineer所需技能树

 

 

这张图描述了不同职位对技术和能力的要求,其中横坐标代表了以上的5种职位,纵坐标代表了不同种类的知识,圆圈代表了某个职位对于具体知识的要求(圆圈越大,对该类知识要求越高;越小,要求越低)。

 

从图中可以看出各个与AI相关的岗位对技能的需求。System Engineer比较关注System和CS基础方面的知识。Core Machine Learning Engineer和Applied Machine Learning Engineer相对要求比较全面一些,既需要知道System的知识,也需要知道Modeling相关的知识。这两个职位也是在就业市场中最受欢迎的两个职位。Data Scientist相对来说对System的要求会少一些。Data Analyst相对其他职位来说要求更低一些。

 

AI职业发展路径

 

 

这些职位的职业发展路径是怎样的?大部分Engineer会不断增强自己的技术能力,发展到Tech Lead,继而发展为CTO。还有一些Engineer会转到Product Manager,走Product路线,继而走到CPO。

 

对于Data Scientist,如果想停留在Research这个领域,可以走到Research Lead,继而到Chief Scientist。

 

对于Data Analyst,有两条线,一条线是增强自己能力,走到Data Scientist,另一条是转到Marketing和Sales这些与其直接打交道的部门。

 

当然任何时候你也都可以去成立自己的公司,作为自己公司的Founder。

 

如果选择从事AI行业我们应该选择去哪里工作?

 

 

从区域上来看,对比美国和中国这两个AI发展最快最多的国家。从公司的角度来看,美国和中国都是在不断上升的。就美国而言,公司对AI的投入占主导,而美国来自于政府方面 (National Science Foundation) 对AI的支出要少一些。美国政府对AI的支出主要来自National Science Foundation(NSF)。NSF主要投资在Intelligence Information System领域,从2009年到2017年该领域的投资是有所上升的。但是Trump上台后,对整个美国的研究经费都削减了很多,所以明年对这个领域的预算降低了不少。

 

相对于美国政府而言,中国政府的投入显得非常慷慨。中国在NSF方面的投入现在已经达到了美国总数的三分之二,在未来几年将会赶上美国在NSF方面的投入总额。与此同时,中国还有863,973和一个又一个的五年计划,可见这些总体投资是要高于美国政府的投资的。对于中国,另外一个资金投入力量就是地方政府,想对于美国,中国的地方政府都非常有钱,比如一些二三线城市计划在未来几年在AI方面的投资要达到几十亿人民币,更不用提那些一线城市。

 

在公司方面,到底是加入大公司还是小公司呢?

 

大公司的好处有以下几点:

  1. 大公司资金充足,如果公司缺一项技术,可以不需要自己做研发,而是花钱买。
  2. 公司内部的资源丰富。假如你不懂某个技术,你可以方便地找到这个技术的开发人员寻求技术支持。
  3. 不缺客户。开发出来的产品很快就能被客户直接用到。
  4. 有较成熟的体制。这使你较少担心与工作本身无关的事情
  5. 提供各种各样的培训机会。
  6. 岗位调动比较容易。
  7. 更好的福利。比如医疗保险等。

 

大公司的缺点是什么呢?

  1. 决策过程比较漫长。通常达成一个决定要经过很多部门的会议,有时候效率很低。
  2. 对于Junior Engineer而言,Visibility比较小,做的工作可能很难被上层看到。
  3. 职业发展上,有些大公司会更早地触到天花板。

 

小公司的优势也有很多。

  1. Unique Experience。这个Experience不仅是不同于大公司,不同的创业公司之间也是不同的。
  2. 管理层会比较扁平,会有很多的机会和公司的高层合作。
  3. 同事相对来说比较Nice,工作也比较投入。
  4. 小公司人手不够,很多情况下会身兼数职,在多方面得到发展。
  5. 做的工作许多人都能看到,在公司的Impact比较高。
  6. 相对来说优秀的Engineer比较集中,在工作过程中更有机会接触到他们,从而在技术方面的成长较快。

 

小公司的缺点在于:

  1. Job Security不高,容易受到外部因素的影响,比如大环境、融资等。
  2. 资源比较少,当需要一个技术或工具时,通常要自己去研究怎么做。
  3. 在Work life balance方面不是很好。
  4. 在短期内收入不是很高。

 

无论是对于区域还是公司规模,我们都需要自己去权衡利弊,做出最适合自己的工作选择。