現(xiàn)在西二旗或望京的地鐵車廂里打個噴嚏，就能讓10個算法工程師第二天因為感冒請假。

不久前，訊飛AI同傳語音造假的新聞刷爆科技圈，科大訊飛股價應聲下跌3.89%（不是65.3%，標題黨文章害死人）。 吃瓜群眾紛紛感慨，有多少人工，就有多少智能。

AI概念在2015年起就紅得發(fā)紫，不論是送外賣，搞團購，賣車，或是推薦莆田醫(yī)院的，是個公司都會標榜自己是搞人工智能的。

在21世紀的第二個十年，計算機專業(yè)相關的學生不說自己是搞AI算法的，同學聚會都抬不起頭，相親都沒機會。

隨便從一摞簡歷里抽出一份，一定會有AI、調(diào)參、CNN、LSTM這些關鍵詞。未來最賺錢的職業(yè)，一定不是天橋貼膜，而是天橋調(diào)參，50塊錢一次，一調(diào)就靈：

天橋調(diào)參

NIPS會議，人滿為患，改改網(wǎng)絡結構，弄個激活函數(shù)就想水一篇paper; 到處都是AI算法的培訓廣告，三個月，讓你年薪45萬！

在西二旗或望京的地鐵車廂里打個噴嚏，就能讓10個算法工程師第二天因為感冒請假。

誰也不知道這波熱潮還能持續(xù)多久，但筆者作為一線算法工程師，已經(jīng)能明顯感受到危機的味道： 以大紅大紫的圖像為例，圖像方向簡歷堆滿了HR的辦公臺，連小學生都在搞單片機和計算機視覺。

在筆者所在的公司，人工智能部門正在從早前研究院性質(zhì)的組織架構分別向前臺和后臺遷移：前者進入業(yè)務部門，背上繁重的KPI，與外部競爭者貼身肉搏。

后者則完全融入基礎架構，像數(shù)據(jù)庫一樣普通和平凡。之前安逸的偏研究生活被打破， AI早已走下神壇。

以筆者愚見，對于一般的算法工程師，這種危機包含兩部分：一方面是來自人的競爭，大量便宜的畢業(yè)生和培訓生涌入這個行業(yè)，人才缺口被迅速填滿甚至飽和，未來的競爭會更激烈。

另一方面則是來自機器的競爭，大量算法工程師會很快被他們每天研究的算法所代替。 這兩者互相惡化，AI人才市場終會變成一片紅海。

連小學生都會寫模型

工具和框架本身的發(fā)展，讓設計模型所需的代碼寫得越來越簡潔。10年前從頭用C++和矩陣庫實現(xiàn)梯度下降還是有不小的門檻的，動輒上千行。而當今幾十行Keras甚至圖形化的模型構建工具，讓小學生都能設計出可用的二分類模型。

強大的類庫吞噬了知識，掩蓋了內(nèi)部的復雜性，但也給從業(yè)者帶來了不小的惰性。從業(yè)者的技術水平，和使用模型的復雜程度關系不大，越是大牛，用的技術更底層更make sense。

不僅如此，深度學習本身的性質(zhì)，造成了明顯的數(shù)學鴻溝。與SVM, 決策樹不同，由于模型存在大量的非線性和復雜的層次關系，且輸入信號（例如圖像，文本）也很復雜，因此嚴格的數(shù)學論證是需要極高的抽象技巧的。

該方法為什么好，在什么類型的數(shù)據(jù)上好，有時連作者都在拍腦袋，很多state of arts的方法，成了口口相傳的經(jīng)驗和trick，而非嚴謹?shù)膖heory。 連batch normlization（批規(guī)范化，只包含四個初中數(shù)學級別的簡單公式）為何有效，都被爭論了好幾年。

只有鳳毛棱角的專家，能深入到模型最深處，用數(shù)值分析和理論證明給出嚴謹?shù)拇鸢浮?大部分人在入門后便進入漫長的平臺期，美其名曰參數(shù)調(diào)優(yōu)，實際就像太上老君煉丹一樣。

我們把這種現(xiàn)象繪制成下面的AI學習曲線，左側是稍顯陡峭的入門期，需要學習基本的矩陣論，微積分和編程，之后便是漫長的平臺期。

隨著復雜性越來越高，其學習曲線也越來越陡峭，大部分人也就止步于此。 越來越易用的工具，讓曲線的斜率變大，入門期變短，卻并不能改變右側的陡峭程度。

AI學習曲線

入門容易深入難，這條曲線同時也能描述AI人才的收入水平。而真正處于危機的，莫過于夾在中間的蕓蕓眾人：對理論一知半解，對工具非常依賴。可替代性很強，一旦AI浪潮過去，就知道誰是在裸泳。

市場和業(yè)務變化越來越快，能有哪些核心業(yè)務，是能讓工程師靜心調(diào)個一年半載的呢？

當一個從培訓學校里出來的人都能做模型時，有多少業(yè)務能讓公司多花兩三倍的人力成本，而僅帶來1%的性能提升呢？

機器都能調(diào)參，要你干嗎？

面向大眾AI科普節(jié)目，最常討論的便是“AI時代如何不被機器所取代”。很不幸，最容易且最快被取代的反而是算法工程師。

算法崗比工程崗更容易被取代。 在現(xiàn)有技術下，由于業(yè)務需求的復雜性， 自動生成一套軟件App或服務幾乎不可能的（否則就已經(jīng)進入強人工智能時代了），但模型太容易被形式化地定義了。

根據(jù)數(shù)據(jù)性質(zhì)，自動生成各個領域的端到端（end2end）的模型也逐漸在工業(yè)上可用了：圖像語音和廣告推薦的飛速發(fā)展，直接套用即可。理論和經(jīng)驗越來越完善，人變得越來越可替代。

特征可以自動生成和優(yōu)選，特征工程師失業(yè)了； 深度網(wǎng)絡采用經(jīng)典結構即能滿足一般業(yè)務需求，參數(shù)搜索在AutoML下變得越來越方便，調(diào)參工程師的飯碗也丟了； 以前需要大力氣搭建的數(shù)據(jù)回流和預測的鏈路，已經(jīng)成了公司的基礎組件，數(shù)據(jù)工程師也沒事干了。

此處引用老板經(jīng)常說的一句話：機器都能干了，要你干嗎？

從目前AI熱門論文的情況看，廣告推薦領域已經(jīng)逐漸成熟，很多技巧沉淀為一整套方法論，已進入平臺期。

下一個即將被攻陷的領域應該是圖像；而文本由于其內(nèi)在的抽象性和模糊性，應該是算法工程師最后的一塊凈土，但這個門檻，五年內(nèi)就會有爆發(fā)式的突破。

如何最優(yōu)化職業(yè)發(fā)展？

人工智能已經(jīng)火了至少五年，它在未來五年是否火爆我們不能確定，但一定會更加兩極化：偏基礎的功能一般程序員就能搞定，像白開水一樣普通。而針對更復雜模型甚至強人工智能的研究會成為少數(shù)人的專利。

在一般的技術公司，傳統(tǒng)意義的軟件開發(fā)和產(chǎn)品設計，遠比AI算法的需求來的多。

算法永遠是錦上添花，而非雪中送炭，再好的算法也拯救不了落后的業(yè)務和商業(yè)模式。一旦經(jīng)濟下行，企業(yè)首要干掉的就是錦上添花且人力成本較高的部分。

如果你是頂級的算法專家，這樣的問題根本不需擔心。但是，對大部分人來說，如何找到自己的梯度上升方向，實現(xiàn)最優(yōu)的人生優(yōu)化器呢？

筆者給出一些不成熟的小建議，供讀者拋磚引玉，基本也是往兩頭走：

首先是深入原理和底層，類似TensorFlow的核心代碼至少要讀一遍吧？就算沒有嚴格的理論基礎，最起碼也不能瞎搞啊。

切莫不能被工具帶來的易用性迷惑雙眼。要熟悉工具箱里每種函數(shù)的品性，對流動在模型里的數(shù)據(jù)有足夠的嗅覺，在調(diào)參初期就能對不靠譜的參數(shù)快速剪枝。

按個人理解，做算法帶來的最大收獲是科學精神和實驗思維，這是做工程很難培養(yǎng)出來的。以前看論文看了introduction和模型設計，草草地讀一下實驗結果就完事兒了。

殊不知AB實驗設計很可能才是論文的核心：實驗樣本是否無偏，實驗設計是否嚴謹，核心效果是否合理，是否能證明論文結論。

也許一行代碼和一個參數(shù)的修改，背后是艱辛的思考和實驗，做算法太需要嚴謹和縝密的思維了。即使未來不做算法，這些經(jīng)驗都會是非常寶貴的財富。

再者是盡早面向領域，面向人和業(yè)務。AI本身只是工具，它的抽象性并不能讓其成為各個領域的靈丹妙藥。

如果不能和AI專家在深度上競爭，就在業(yè)務領域?qū)＞钔冢瑩碛斜葮I(yè)務人員更好的數(shù)據(jù)敏感度，成為跨界專家。現(xiàn)在已經(jīng)有大量AI+金融、AI+醫(yī)療、AI+體育的成功案例。

人能熟悉領域背后的數(shù)據(jù)，背后的人性，這是機器短時間內(nèi)無法代替的，跨界帶來的組合爆炸，也許暗含著危機中的機會吧。

最后感慨一下，同樣是80后，年齡相差無幾，有人已是副總裁，有人帶了幾個人的小團隊，有人還在基層苦苦掙扎，軌跡在畢業(yè)時分叉，幾年后早已滄海桑田。