关于程序员转型AI这件事,三位老炮跟你聊些干货(中)

接《关于程序员转型AI这件事,三位老炮跟你聊些干货(上)

Part 2 孟岩:人工智能的泡沫与啤酒

1. 人工智能产业有没有泡沫?

著名财经作家吴晓波最近发表了一篇文章,《为什么新科技的风口总火不过一年》,在文章中引用了Garner技术发展曲线,他认为人工智能目前处在第一波峰的顶点,那么很显然,马上就会面临泡沫的崩溃。如果他的判断是正确的,那么这将是第三次人工智能的泡沫破灭。

作为财经作家,吴晓波非常的博学,而且也特别的聪明,他能够很快的从一个现象当中抓住足以引爆舆论的点。但从专业角度分析的话,这个判断有问点题。从这幅图上来看,无人机、机器人和物联网已经开始爬坡了。

那问题来了,如果无人机、机器人和物联网即将迈上迅速成长的阶梯,你怎么可能想象人工智能会崩溃呢?因为无人机,机器人本身就是人工智能的应用平台,而物联网则是大数据的最大来源,会有力的推动人工智能的发展。大家要理解,在无人机、机器人、物联网这样的技术浪潮当中,人工智能将扮演很重要的角色。

所以我直接说我的观点,人工智能目前没有泡沫。

具体的分析一下。

第一,本轮人工智能技术的红利还没有吃完。今天人工智能的热潮,是技术上主要是深度学习的突破引发的。深度学习理论上的突破是2006年,所以大家会问一个问题,11年过去了,深度学习的红利是不是已经吃完了?

我们来看,这张图是吴恩达在一本书叫 Machine Learning Yearn的书里面一幅著名的插图,纵坐标是算法的表现,横坐标数据量。从这个图中你可以看到,对于大规模的神经网络来说,数据量越大,它的性能就会越高,也可以说它的能力越强。我问过在这方面非常顶尖的专家,目前有没有看到顶点?他告诉我说,他们有人已经做到上万层的深度神经网络,还是没有看到这个顶点在哪里。深度学习它的红利是很厚的,目前还远远没有吃完。这是第一点。

第二件事情,最近DeepMind公布了两分钟的Video,他们利用深度增强学习,教会虚拟空间的木偶走路、跳跃、跨越,甚至在漂浮的木条上保持平衡和跳跃。这些木偶并不知道什么叫走路,仅仅是给它目标,给他激励,他就自己学会了走路,自己学会了跨越障碍物,甚至可能在一些复杂情况下比人的表现要好得多。这充分展现了深度学习的潜力。

所以我们不需要看每天 arXiv 上那么多的论文,就从这些新闻事件上来看,都可以得出结论,这一代技术的红利还远远没有被吃光。

另外,我们不能光看技术,还要看这个产业。

这个是来自麦肯锡的一个报告,2013年到2016年里面,AI这个领域获得的外部投资增加了3倍,2016年的总规模达到了260亿到390亿美金之多。投资的效应是累积的,这些投资将会对 AI 的发展产生很大的拉动。

一个重点的行业是自动驾驶。同样来自麦肯锡的报告,预测从2015年到2010年,自动驾驶和半自动驾驶车辆的数量将从100万上升到1000万台。汽车这是一个几万亿美元的产业,单单只要考虑这一个产业的转型,对于 AI 就足以产生巨大的牵引力。

所以我完全不担心这次 AI 的泡沫会崩溃。

今天的 AI 整体是什么水平呢?如果你反推,从现实需求出发来对 AI 提要求,你会发现,它有很多事情确实做不到。但是如果你正推,从AI今天已经具备的能力出发,来看看我们能够解决什么问题,你会发现,在今天的AI的能力范围之内,已经可以解决很多问题,可以激发很多行业的变革。

所以如果你们认为AI有泡沫,我告诉你,泡沫只会来的更凶猛,这是第一个问题,AI是不是有泡沫?我的回答很明确,AI没有泡沫。

2. 人工智能人才薪资虚高吗?

第二个问题,人工智能的人才薪资是不是虚高。PingWest 最近发表了一篇文章,作者花了很大的功夫去做调研,写出来一篇强文,题目是《百万年薪的人的泡沫与人工智能的虚假繁荣》。文章写得很棒,我读了好几遍,也推荐所有人都去看。

这个文章的核心意思,是说现在很多 AI 的人才在市场上拿到高薪,但是却没有为企业赚到钱。有些挂着高级学术头衔的人,跑到企业里先拿个高薪爽几年,然后可能拍拍屁股就回学术圈了。

我们怎么看待这个问题。

首先,AI 和数据科学人才的高薪是个全球现象,他们现在就是在享受薪资溢价,这个是事实。我接触的很多 AI 界的人也是这么看。

我们看一下美国的情况。

在美国,AI、机器人,机器学习与数据科学人才薪资水平目前快速增长中。你如果是程序员,你的薪资平均水平是九万一千美金,不过图中代表众数(mode)的那根柱子靠左,说明更多的人是略低于这个水平的。这说明少数的超高薪的程序员把多数低工资的程序员给平均了。而算法工程师,尤其是数据科学家,他们整体收入水平很高,均值十三万美元,而且图中代表众数的那个柱字偏右,说明超过这个收入的人群在他们整个这个人群当中也是多数。在招聘网站上,把 AI 方面人才的广告挂出去,5天时间招不到人,显著高于其他职业。意味着什么?供不应求。这个是美国的情况。

英国是全球人工智能的另一个中心。从2014年开始,英国的AI人才需求迅速的直线的上升,就是需求量迅速的上扬。

然后看印度,他们对程序员和机器学习专家的收入做了一个对比。结果呢,机器学习专家的收入不仅始终高于开发者,而且差距还越拉越大。

我们再从另外一个侧面来看一下,我们知道这个AI开发者使用的主力语言主要是Python。

这是从2005年到2016年,这三个语言薪资水平之间的一个对比,排在上面的是遥遥领先的是Java,它在整个企业应用,电子商务开发的地位,很难被撼动,目前它的薪资是排名第一的。排名第二名的是世界上最好的语言,PHP,这个语言跟Java一直是并驾齐驱,保持不是很大的一个差距,但是到2014年,15年之后,出现了一个死亡交叉,Python语言在收入上开始超过PHP,我相信Python开发者的薪资水平超过是Java是迟早的事情,在最近两三年之内就会发生。

中国会怎样呢?大家看这幅图,也来自麦肯锡,在世界地图上蓝色越深的地方,当前劳动力当中可以被机器和人工智能取代的比例越高。墨西哥、玻利维亚、秘鲁这些国家,它整个自动化程度很低,所以有大量的手工工作都是可以被机器所取代的,他们是深蓝色。然后呢,像美国、加拿大、澳洲这样的国家,他们的自动化程度很高,所以他能够被机器所取代的工作的比例并不是特别高,所以是浅色的。

你看我们中国呢,是比较深的,是49%到51%,就是在我们中国的话,AI和自动化取代人力是非常有潜力的。所以呢,我认为在未来的相当长的时间里面,中国的做AI的这帮人,都将参与到一场劳动力替代当中,而且是占据优势地位的一方,享受高薪是必然的。

但是刚才那篇文章里所说的薪资泡沫也很确凿,因为我们看到呢,很多的企业,现在花了很多的钱去雇了一些一流的博士硕士,但是 AI 这个产业的规模还没有起来,这些高薪基本上是靠投资人撑着,这合理不合理?

我认为事情的本质是人才结构的问题。这张图是我和蒋总讨论了很久以后我们列出来,其实一个成熟的,在未来5年以后真正赚到很多钱的人工智能企业,它的人才结构应该是这个样子的,应该是AI专家学者,机器学习的博士们,资深专家比较多;然后呢,应该有一大堆AI的机器学习工程师,AI的产品经理、架构师在这里。更重要的底下有大批的开发者,数据工程师,运维人员,行业人员,这是一个合理的结构。

但是实际情况,目前市场上独立的人工智能初创企业,普遍严重缺乏优秀的产品、工程和运维人才。有些公司非常得意的宣传说,你看我的团队里,一流名校博士占百分之多少,比 Google、Facebook、微软高多了。但其实这样的构成恰恰有问题,这种团队的工程化、产品化能力会成为瓶颈,从而制约他们赚钱的能力。很简单,用户只会为产品和服务买单,不会为论文、算法和你们的学位买单。正是这样的反差,让一部分人觉得这里头有泡沫。

那么怎么办呢?我主张不要着急,把这个事情交给市场。投资者不傻,他们很清楚,现在我们处在算法红利期,算法领域还不断的有突破,所以我们先把懂算法的人找来,花钱养着他,先把论文看懂,先突破,往前突破。

但是算法红利期还有个两三年可能就要结束了。这不是说算法不会有进步了,还是会有很大的进步,但是呢,从算法的突破,到工具化,这个转化路径现在变得很顺畅,两三年之后会更顺畅。如果你有一个算法突破,发表论文出来,很短的时间内,几个月,甚至几周内,Github 上会有实现出来,甚至你可能会看到百度、谷歌把新的算法放在自己的开放API里面,这就意味着,企业竞争主要拼的就是工程能力和产品能力了。到那个时候,整个 AI 产业里的薪资水平会有更合理的分布。

我说一下我的结论。所谓的人才泡沫问题,只是一个暂时性的现象,是发展的一个必然过程,不需要担心。

3. 数据科学向左,人工智能向右

我再说第三个问题,选择方向的问题。

我们现在叫广义 AI,其实里面大致包含两个工作性质差别挺大的方向。一个是商业分析与优化,一个是智能产品与解决方案。

两者主要的不同是谁来做决策,人做决策还是算法做决策,这个决定了自动化程度的高低。

商业分析与优化技术的应用的周期当中,人仍然在里面扮演很重要的角色,数据分析是用来辅助人类决策的,自动化水平受到人的决策的制约,不会太高。

另外一个方向叫做智能产品和解决方案,自动驾驶、扫地机器人、自动广告投放系统,都是这类。整个产品的执行过程基本上是完整的,很少需要有人干预,决策主要由机器来完成,自动化程度接近 100%。

大家很快会面临方向上的选择,你是走左分支,还是走右分支,这件事情你们要好好的想一想。左边这一支走下去,你可能会成为数据分析师、数据科学家、CDO。右边这一支走下去,你应该会成为 AI 工程师、AI 产品经理,CTO。

走左分支,你的关键是获得高质量的业务数据。在中国,这个事情难度很大。

这个是最近的一个全球数据开放度调查,美国排名第8,中国排名第93。如果你们想走左分支,尽可能加入到一些具有数据访问特权的机构,否则想在中国想低价拿到别人的数据是很难的。

那么怎样选择行业呢?麦肯锡给了六个原则,

  • 第一,数字化高度成熟;
  • 第二,业务规模巨大;
  • 第三能够把AI用在自己的核心业务里边,而不是一些边缘业务;
  • 第四,它能够同时的去接纳多项科技,不仅仅是AI,可能还有区块链,还有物联网,还有其他的科技,都能够去接纳;
  • 第五,它更加注重增量,而不是存量;
  • 第六,领导对AI的应用有强有力的支持。

选择方向的时候,用这六把尺子来量一量,就会有一个大致的判断。这是麦肯锡的一个行业分析,排在第一名的,叫做高科技和电信,就是它各个领域里面绿的比较多,如果你们在这个领域做AI比较容易。今天大部分在互联网领域里,你们可能在这个领域里面做AI比较容易,因为数据也比较全,各方面的支持也比较到位,人的意识到位。随后分别是汽车和生产线、金融、电力、娱乐传媒、零售等行业。我们现在很多人都在谈医疗的大数据,医疗的AI化,但是其实呢,这个行业的准备度是不足的,做这个方向,要克服很大的难度。

其他的行业不一一解释了,谢谢大家。

文章来源:AI科技大本营

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

编辑于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏互联网数据官iCDO

【营销101】Facebook图谱搜索应用指南

译者:李晓艳 本文长度为5511字,预估阅读时间10分钟。 摘要:作者通过详尽的介绍,手把手教你玩转Facebook图谱搜索 ? 社交搜索很长时间以来都...

3778
来自专栏程序员的知识天地

知识都是公开的,程序员水平相差巨大的因素有哪些

为一个程序员,我深感有网络的好处。遇到什么难题,上网搜索一番,一般能找到解决办法,或者启发。于是有时忍不住感想,既然各种知识都是公开的,是不是每个程序员的表现都...

853
来自专栏程序员互动联盟

为什么国内程序员很少进行代码重构?

说到代码的重构对于国外的程序员提到的比较多,特别是大型的开源工程,基本上一个模块或者函数的实现会反复的修改,一个文件能被修改成千上万次,曾经订阅了linux内核...

2857
来自专栏专知

想成为大牛?从写博客开始

The most importantpart of a data science project is writing a blog post

1156
来自专栏AI科技评论

论文控|谷歌DeepMind成员、牛津学者发表新论文——探讨AI系统的目标控制

GAIR 今年夏天,雷锋网将在深圳举办一场盛况空前的“全球人工智能与机器人创新大会”(简称GAIR)。大会现场,谷歌,DeepMind,Uber,微软等巨头的人...

2616
来自专栏磐创AI技术团队的专栏

福利 | 免费试用磐小妹智能客服系统

【磐创AI导读】:今天正式向大家介绍下最近磐创AI技术团队开发的一套智能客服系统,同时为回馈各位粉丝的长期支持与关注,我们为前10位有需要的老友提供免费接入使用...

1332
来自专栏腾讯大讲堂的专栏

极客公园 & 腾讯大讲堂 [ 走进腾讯 ] 活动精华回顾

[核心提示] 微信表情背后有着怎样的发展沿革?产品如何通过交互设计来把理念传达给用户? 编者注:7 月 19 日,由极客公园联合腾讯大讲堂开办的公开课「走进腾...

22110
来自专栏华章科技

这些数据获取方式,一般人不知道

在这里给大家推荐一些能够用上数据获取方式,有了这些资源,不仅可以在数据收集的效率上能够得到很大的提升,同时也可以学习更多思维方式。

1052
来自专栏量子位

成人网站Pornhub上线了AI系统,用计算机视觉识别艺人和姿势

维金 编译整理 量子位 出品 | 公众号 QbitAI ? 热门“成人娱乐”网站Pornhub将开始使用一种新的人工智能系统,基于面部识别技术来自动识别成人明星...

2736
来自专栏IT派

爬取了7年1500万个GitHub活跃账户,程序员比例最高的国家竟然是……

最近突发奇想,想统计一下全球程序猿都住在哪里,所以就爬了GitHub,将GitHub上的个人资料聚合在一起,结合国家或城市的人口进行分析并将数据用D3进行可视化...

1153

扫码关注云+社区