转行人士如何在人工智能领域保持一定的竞争力？

原问题描述：

• 没有学术认可：转行意味着没有相关领域的论文记录和对应的学位，即便水了一篇，被学术界认可的概率很低。而且码力有限，只要科班一直保持写码学习，写码速度感觉没法赶得上对方。
• 业务需求受限：公司搞业务，受限业务需求，没法过多深入领域的未来，而且很多业务用不着人工智能，或者说很多业务不是一个算法问题而是系统架构问题，衡量一个人的价值必须是项目业务熟悉程度+工程架构分析等能力，然而这个评价体系同人工智能毫无关系。
• 超级公司才能生存下来：天朝完整的数据监管总有一天会出现，BAT 等大公司的数据优势会越来越明显，尤其电商+贷款+广告+信息流的混合四打。。小公司只能打特定领域小场景，不过很快也会被大公司吞掉。意味着要搞人工智能，未来只有少数几个公司值得去，职位需求大但是通道变窄，人工智能领域成为沙漏结构，烂的一大批，好的一大批，中间水平待不住。
• 强项没卵用：机器学习广大分支的数学要求显然过低(不是和码农那种加减乘除数学比)，只要智商正常，感觉是个数理出身的都能看懂基础并瞎扯一通，学术界只看论文就能刷掉一批，而公司评价模式并不理会这些，是靠业务+出身+计算机各个领域基础做评价，广大偏数理的转行人士唯一强项除了看论文，起不了太多作用。
• 留守国内一样被吊打：人工智能领域的热度，在未来几年内能够集齐顶级名校+顶级学霸+顶级项目+顶级智商的卡片，相关牛人履历完全是超赛状态，中国互联网的人口红利以及政府的政策倾斜，对这些人的潜在吸引力非常巨大，预计未来几年会有更多人才流回国内，不出国一样被吊打。
• 从事智能+x 的交叉学科的前途不明朗：受限经费，国内冷门方向的派系割据战争十分可怕，子方向大佬未必认可交叉。而且科普不足，冷门学科大佬未必懂人工智能到底能在自己领域能干啥，可能一个 excel 表都能处理的数据都想搞搞神经网络。。或者又回到20年前各种统计学习的若干数学性质和神经网络的种种联系。。
• 当人工智能网红通道狭窄：比如兜售各种转行经验，写水的不得了的科普，然后在 live 日赚几千，被勃学家点名批评，这条路非常不正经，除非抱着拯救广大劝退专业的孩子的目标，有点追求的人都不想 all in 这条路。

摆正心态，拥抱变化，打好计算机各个方向的基础，努力学习新知识，然后等着被时代车轮各种辗轧是不是广大转行人士在人工智能领域唯一可以做的。

以下是答案：

因为人工智能这个领域真的很大，我将其狭义的限定在“使用机器学习和数据挖掘解决现实问题”上，比如做推荐系统、无人车等。因为大部分人不会走学术路线，所以我们将转行限定于工业界而不是做学术当教授。加了这些限定以后，我认为转行者最大的优势反而还是原本的专业知识，以及跨领域知识。所以我认为不要放弃一切从头来，而要先定位找准自己的市场，避免盲目而动。

1. 转行没有学历和论文怎么办？

做人工智能产品对学历的要求是“既松又紧”。比如要应聘一个电力工程师的岗位，那么学历要求一般都要求是电子工程本科或者计算机工程。而机器学习领域的职位，如算法工程师、数据科学家的学历专业要求其实比较“松”，愿意接纳不同学科的应聘者。如果你们多看几个机器学习的招聘广告，接收的学科一般包括：

• 计算机相关: 计算机科学、计算机工程
• 统计、数学、物理等
• 其他理工科学位(如电子工程、生物统计等)

这个现象是因为现阶段没有一个对于“AI对口专业”的严谨定义以及大量人才缺口，所以英雄不问出处，也是比较容易转行的阶段。而对于学历要求的“紧”主要体现在本科生招的少，基本都是要求研究生及以上学历。

至于论文这件事情，除了少量高端的研发工作如Research Scientist (研究科学家)，大部分时候都是不硬性要求的。基础类工作似乎很少要求有论文，甚至也不要求有任何研究经历。如果你的目标只是数据工程师或者工程师，不必为此发愁。综上，从硬件要求来看：有理工科硕士以上学历是基本要求，其他的条件是锦上添花。

2. 如何发挥自己的强项？

这个见仁见智，但我感觉不必完全抛弃自己的专业。举个偏题的例子，我们团队去年遇到了一个“奇葩”的应聘者，他刚刚拿到航空航天的博士学位。他对数据的知识理解有限，编程也仅停留在Matlab上，但阴差阳错的我们还是留下了他。后来发现了他在我们开发中的重要作用...那就是做优化的部分，他可以很快的分析出为什么我们的模型在某个特定情况不稳定，据说这是他曾经的研究方向之一。所以呢，转行也不代表没有优势，还是得找到那个“痛点”，这个得依靠时间和自身经验。

至于交叉学科不好做，非常同意。还是以工业界为例，我们一开始想跟会计师合作，让他们给我们解释审计流程并开发自动化产品。不仅遇到了他们的抵触，而且互相之间也很难沟通。后来我们跟做PE的人合作做风险预测模型，结果他们时不时的让我们帮助处理电脑问题，比如为什么32位的Excel在打开大文件时会崩溃。跨领域很多人并不明白什么是机器学习，也不明白机器学习能用来做什么。所以如果想要把机器学习应用到别的领域，至少要满足几个基本条件：

• 获得高层的支持，能够协调团队间的关系
• 把其他人当做“傻子”，用傻瓜式的方式描述问题，避免“行话”和“黑话”
• 不要一口吃成个胖子，步子一定要小，要利用登台阶效应

所以从转行者的角度来看，最好还是应聘和自己的本专业有些相关性的公司。在这种情况下，你的跨领域知识是长处，而不像在互联网公司更希望你深入一个方向缺乏专精反而是劣势。比如生物专业可以去基因公司做数据挖掘，做计量的还是去金融领域用机器学习做预测，做财务的可以去银行风控做异常检测，这样成本低优势大。

那如果我只想去互联网公司呢？建议还是找有关联的部门，比如你以前做游戏方向的可以去游戏部门，做财务的去互联网金融部门。我觉得最需要避免的就是学金融的非要去设计游戏AI，学化学的非要做底层算法库开发。

3. 大公司的数据垄断

这个是百分之已经在发生的事情了，而且美国就是最好的前车之鉴。即使从政策层面来看，反垄断法也无法很好的限制这件事情的发生。而且不仅是数据垄断，更是人才垄断，各位想必还记得前一阵子刷屏的“阿里巴巴达摩院”。我在前一阵子回答的问题：如何评价《人民日报》于 10 月 5 日发表的《不能让算法决定内容》？（http://t.cn/RTc8keX） 中也提到过，数据和人才都会最终汇集到巨头手里，而我们的生活也无可避免的受到影响。

但换个角度来看，数据时代的数据种类千千万万，即使Facebook有海量的社交数据，Google有海量的搜索和行为数据，但还有很多小领域还没有走到数据化的阶段，或者大公司不屑于涉足。现在成长起来的startup很多都是靠在大公司没有开发的领域分一杯羹，比如做基因的23andme，即使最后有可能都被科技巨头收购。

同时，互联网公司的触角还没有完全伸到所有的领域，在很多传统领域准入门槛较高。举个例子，我们的客户A是加拿大最大的Pension Fund之一，掌握着成百上千亿的资产。但该公司几乎所有的人都还在用Excel办公，我们每次去拿数据是拿着移动硬盘到他们公司去拷贝数据，放在2017年简直可以当笑话听。互联网企业还伸不到这种传统行业，或者还有相当的传统公司没有进入数据化。

所以我觉得对于大公司的数据垄断：

• 可以寻找大公司不屑于没有经历去开发的冷门领域。
• 可以进入传统行业促进公司的数据化。很多传统的领域的公司都在考虑和科技巨头合作，但对开放数据是非常谨慎的。比如我们以前所有的云服务和计算服务都是 Microsoft Azure，但现在在跟Google商量GCP的事情，而我们同时也是IBM Watson的用户。即使这样，公司规定不允许把客户数据上传到任何云服务上，而且我们自己也在开发自己的数据湖。换句话说，传统领域的公司们已经意识到数据的重要性，也在建立自己的护城河。

未来的大公司垄断无可避免，但估计是一超多强或者多极化，不至于过度担心。

4. 人工智能网红变现

至于题主提到的“知识网红变现”，我认为现阶段是绝好的时机。很多人都想要涌入人工智能领域分一杯羹，而我们的教育体系反应有滞后性，很多学校甚至都还没有相关的专业。因为种种其他原因，回到学校继续学习对于大部分人来讲也不现实，所以各式各样的在线培训应运而生。

但这个热潮能持续多久，还得存疑。只做知识培训似乎不值得全身心投入(all-in)，但我不反对这种模式。很多事情是不是智商税取决于听课者有无收获，以及投入的金钱和时间有多少。学过统计的人都应该知道，评价这件事情需要有大量的样本。所以我既不鼓吹高昂收费的在线人工智能培训，也不赞成勃学一棒子打死所有人。

单拿知乎上的观察为例，机器学习和人工智能领域的答主有很多，最后获得了流量也不过寥寥数人，在相当长的一段时间里面高赞的答案都是同样的几个人。如果你观察他们，就会发现他们基本都是有真才实学的，而且大部分人玩知乎单纯为了消遣，没有谁是为了收智商税而答题。

所以我对于全身心走人工智能网红变现这个途径长期是持悲观态度的，但不否认对于转行者是一个很快聚拢人气和盈利的方法，毕竟一个其他领域的博士学位+一些机器学习知识就足够了。所以高学历的转行者的确可以试水“AI教育培训”，但这个很难成为长久之计。当真正的领域大牛开始转行做培训时，那个效果是碾压级别的，比如吴恩达大佬这种。所以留给人工智能网红的变现的时间窗口不长了，除非往精品上走。

5. 总结

我主观的认为转行做机器学习/数据挖掘，最好的途径还是先找交叉领域的公司，在本专业的公司里面推动数据化。当然，对于基础学科的朋友们来说这不容易，所以互联网公司的基础算法岗也是不错的选项。但不要和领域大佬正面对抗，一上来就非要大公司的研发科学家。在积累足够的经验后，可以回到自己的领域，推动领域数据化成为大佬。

如何在新的领域保持竞争力？我有几个不成熟的小建议：

• 思考本专业和数据挖掘如何结合。你自己才是真正的专业人士，你最清楚痛点在哪里。
• 开始造轮子，get your hands dirty。比如你想到了一个和你专业相关的机器学习应用，可以着手实现并开源。说白了你需要为自己做一些口碑，而直接实现代码和算法就是最好的途径，打消公司对于你开发能力的疑问。
• 如果你身处传统公司，那么可以像老板进行数据分析的科普。并开始主动收集数据，促进你们行业的发展。

所以说白了，保持竞争力的秘诀也就是思考和推动，前者需要沉淀后者需要勇气。从鸡汤角度来看，任何可以照搬的方法都是平庸的。但重要的是，要思考你的强处到底是什么？不管我们平庸与否，“去应聘算法工程师”，“去做深度学习”，“去发论文”这种模板式的建议其实很难有太大帮助。我们都知道筹码越多越好，但时间精力有限，不要放弃自己已有的专业知识，它不是沉没成本。

我对于未来人工智能领域的发展也有一些猜测：互联网公司致力于整合掌握很多核心数据，但总会在部分传统领域碰壁，同时也有很多新的还尚未被开发的领域使得创业公司有机会发展。行业会更加集中，垄断型科技巨头依然会存在，但竞争也总会存在，毕竟从政策层面政府并不会允许存在一家超级科技巨头。