观点 | 转行人士如何在人工智能领域保持一定的竞争力？

前几日，AI科技大本营推送了一篇《年薪25万只是白菜价，这几个专业的毕业生正被疯抢》的文章，引起了AI领域众多学习者和从业者的热议，有赞同的，也有怀疑的，但营长认为只要AI这个风口存在，依然会有源源不断的人才涌入AI领域。 那么对于半路转行做AI的人士，他们很多没有学术认可，没有师承大牛，业务需求受限，那么他们该如何跟进这个时代，并保持一定的竞争力呢？

以下是知乎答主资深数据科学家阿萨姆的看法，供参考。

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。

其实我很早就关注了题主，也读过她关于神经网络的一些分析，写的非常赞。因此我猜测题主的目标依然是留在学术界或者进入DL的研究领域。如果是这样，途径和答案你都知道了，唯刷paper和套大牛尔，知乎平台可能很难提供更多见解。因此我这个答案写的更接地气，比较适合大部分像我一样条件一般的朋友。

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：阿萨姆：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》(https://www.zhihu.com/question/66227118/answer/240939983)？ 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。