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

[1500281230401_3535_1500281230623.jpg]

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。

[1500281270973_9494_1500281271318.jpg]

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？

[1500281297052_5799_1500281297301.jpg]

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。

[1500281322855_9934_1500281323091.jpg]

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。

[1500281366700_5412_1500281366923.jpg]

[1500281345119_925_1500281345357.jpg]

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。

[1500281400346_4639_1500281400604.jpg]

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。

[1500281417985_9536_1500281418196.jpg]

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。

[1500281455640_26_1500281455833.jpg]

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。

[1500281472490_7670_1500281472688.jpg]

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。

[1500281510444_477_1500281510629.jpg]

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。

[1500281542060_2129_1500281542273.jpg]

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？

[1500281720757_445_1500281721031.jpg]

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。

[1500281751575_7366_1500281751747.jpg]

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。

[1500281775095_3633_1500281775440.jpg]

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。

[1500281805996_3745_1500281806184.jpg]

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。

[1500281831971_1369_1500281832179.jpg]

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。

[1500282021473_547_1500282021764.jpg]

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。

[1500282079779_8196_1500282079965.jpg]

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