2019 年人工智能行业又进入冬天了吗?

技术讨论 Admin ⋅ 于 3个月前 ⋅ 348 阅读

近来,知乎话题“2019 年人工智能行业又进入冬天了吗?”引发热议,已经有人在说,经历了好几次冬天的人工智能又进入了冬天了,是这样的吗?如何理性看待人工智能技术和行业的发展?如果真的是冬天,从业者应该怎么做?

来自CB Insights的统计,2017年全球范围内有152亿美元的投资被投入到AI领域,其中,中国公司吸引到的投资为73亿美元,占全球比重达48%,位列第一。而2016年,这个比重还仅有11.3%(约7亿美元)。
“16、17年,几乎整个投资圈都在聊AI。天使轮的项目投资人看看方向、团队,聊一聊即便就定了,很多公司什么都没有,一个PPT只要带上AI也能拿到不错的估值。”一位AI业内人士表示,而绝大多数AI算法的开源也在一定程度上降低了人工智能行业的进入门槛。
虽然资本蜂拥而至,但所见的收益却微乎其微。由于技术本身的制约、自身造血能力不足以及商业模式尚未成型,AI公司短期内还很难看到盈利的可能。

以下是精选知乎答主“微调”的回答,希望能给大家带来一些启发。
作者:微调
来源:https://www.zhihu.com/question/308512268/answer/570450954


我想讲三个故事,仅供参考*。

故事1:从「预测模型」到「数据可视化」,regression?

我们团队是做数据科学咨询的(data analytics consulting),我们一般会跟客户说:“我们帮你做个“人工智能”模型(其实只是简单的预测模型),一年可以给你省xxx多少钱,增长xxx用户。”当然,我们会把这种项目包装为科技转型(technology transformation),告诉客户不升级你就要被时代抛弃了,好让他们买单。这种项目一直都很好卖,尤其是2017年前。各大咨询公司的套路都差不多,从学校拉几个毕业的硕博生,做好PPT(一般咨询公司的PPT中有一页是介绍团队),“编”几个成功案例,去了一般都能顺利把案子签下来。但说到底就是做几个简单的模型(一般就是逻辑回归、决策树和一些传统的统计模型),而这种三四个月左右的项目往往能要到100万美金(大概是4-6个咨询师的钱),显然利润是很丰厚的。那时客户非常依赖我们的专业,因为它们内部的确没有这个方向的人才。而且当新概念起来的时候,每个公司都想尝尝鲜。但从17年后大部分(包括传统行业比如连锁超市、加油站)都基本有了自己的数据团队,他们不再那么相信我们包装的很好的预测模型了。原因很简单:一是大部分咨询产品的质量不高,二是与其付钱给外人还不如自己组建团队(人力成本其实在逐渐下降)。


企业变精明了。想要卖出大型人工智能项目越来越难,不少咨询公司也从卖人工智能咨询退回到了卖廉价的Dashboard(可视化)产品。现在想卖预测模型,必须先做出Proof of Concept (PoC),也就是验证这个概念是可行的,让客户感觉到这东西可能有用,不然免谈。然而做出靠谱的PoC基本就相当于做完了整个项目,这是个悖论。以咨询公司为缩影,我们16年招了10多个数据方向的毕业生,而2017和2018年都没招人全都是内部转岗过来的,今年年初留了一个实习生转正。而16年进来的人也只有不到三分之一还未跳槽,其实大家这几年都没做到真正的人工智能,只不过是在大量的在做数据可视化(如Tableau)罢了,偶有零星的项目。

故事二:从「稀缺」到「过剩」,再到?

不可否认的是,初级从业者补给量已经大幅增,来源包括:各种速成的一年制硕士(国外有很多12个月或者16个月的硕士项目),自学转行的人,培训班毕业生。熟悉我的人应该记得,我的回答是从17年初的劝进-->转向17年底的谨慎劝退--->直到18年初的劝精。我们都知道系统是存在滞后性的,所以当人们知道一个行业上升时都会大量涌入,直到过剩。从面试角度的一个直接感受是,很多人的履历都很不错,但基础一般都不稳,喜欢谈大方向不喜欢做细节。我有几个同事非常喜欢提深度学习解决方案,可我们公司其实连GPU都没有多少。


这个现象大概是很多企业的共同现象。仔细回想一下,在多少公司邮件里面大家都是凡事必提「机器学习」、「人工智能」、「深度学习」?这个现象在新进入行业的从业者身上更加明显,凡事都想用最复杂的模型来捍卫自己的稀缺性,导致很多项目做到流产。



这也不是倒退,而是一种筛选。就像我在2019 秋招的 AI 岗位竞争激烈吗?中说过的,回调期的重点是培养自己的niche,也就是如果只用一个词形容你的专长,是什么?如果你的一句话专长是「机器学习」,那么大概率你是没有专长的。上两门课就能成为专业人士那高薪的好日子已经过去,该面对现实了。

故事三:从「科研」到「商业化」,fill the gap?

研究和应用之间的割裂依然存在。商业化科研成果很难,同时面临内外的压力。从去年九月到现在和实习小同学一起写了三篇论文,一篇理论和两篇应用。作为一个快要毕业的研究生,他对于研究的幻想是坐在那里刷刷的列公式或者做大量的代码,而现实情况是:想点子一周,做实验一周,写文章一周,修改包装一周。他后来才意识到写文章其实是一个销售工作,大部分文章考虑的都是“可发表性”而不是“实用性”。而他幻想的通过科研来反哺团队也没那么容易,真的想要走到商业化不容易。我们也尝试把以前写的一些文章做成项目卖给客户,但往往在内部就过不了第一关,因为大家对于问题的理解不在一个层面上,而且这是在分其他团队的蛋糕,所以一般走不到客户那一步计划就夭折了。比如我们想把一个全新的预测模型(预测公司财务表现)卖给某金融客户,那么得由内部的金融方向团队(和客户有交情)从中引荐。但基本在这一步就死掉了,因为没有人愿意被替代,即使一起分蛋糕都不行。各大公司其实或多或少都有这个问题,研究团队(尤其是基础研究)往往与工程团队和销售团队之间关系不好。这在技术领域,尤其是人工智能领域,不算什么秘密




所以从大方向上来看,人们没那么容易被忽悠了。这技术能做什么,做到什么程度,大家心里都有数,所以故事越来越难讲了,钱也越来越难“骗”了。再加上大量从业者涌入这个行业,甚至包括很多基础不够扎实的人,导致大众对于这项技术的效果有了一定的怀疑。同时企业也慢慢认识到了底层研究很难带来直接利益,因此就会战略性的裁撤没有必要的研究部门。这导致了就业市场看起来是双向收紧:即初级和高级岗位的需求及收入都下降了,尤其是落地难度比较高的方向。再加上全球经济环境的周期性变化,前景看起来让人担心。


其实东西是好东西,技术也是好技术,但炒起来就要回落,没什么可意外的。这是合理的回调,不是寒冬。而回调期该做什么?我认为:(1)培养自己的专长,给自己一个标签,即别人提到你就会立马想到的那项技能。有志向的人可以回到学校再去重造一下也不错。(2)调整心理预期,抛弃幻想接地气,明白解决问题才是硬道理。抛弃模型崇拜,不要凡事都唯新技术是举。现实和学术之间除了联系以外,还有很大的路要走。(3)踏实一点,再踏实一点

*注:本文仅以特定行业进行观察,而人工智能领域广大无边,切勿以偏概全。



小编的想法:

解决问题才是硬道理,对于视觉算法工程师来说更是。我们需要掌握新技术,但是更需要技术落地应用,促进整个行业的发展。而能够从最终的场景应用来用算法解决问题的算法工程师,才是永远不过时永远稀缺的,极市也非常希望可以给大家提供这种能力培养的平台,正如之前我们推送的硅谷高级工程师告诉你:算法工程师必须要知道的面试技能雷达图,算法工程师核心竞争力是解决实际问题的工程化能力,而这个核心能力是需要通过真实项目实践来培养的,欢迎关注极市社区项目需求板块,也欢迎留言或者加小助手微信(Extreme-Vision) 私信交流~



对此问题你有什么独特的见解,也欢迎留言回复与大家讨论。

推荐阅读
有没有必要把机器学习算法自己实现一遍
如何准备 2020 届 AI 算法岗秋招?

本帖由 Admin 于 3个月前 取消沉帖
成为第一个点赞的人吧 :bowtie:
回复数量: 0
暂无回复~
您需要登陆以后才能留下评论!