五大维度深入分析计算机视觉

我们已经可以用刷脸来解锁手机... 我们已经可以用录音来转换文字笔记... 我们已经可以用电脑帮忙撰写文章...

众所周知，人工智能（Artificial Intelligence）正在改变我们的工作方式及认知。不过，对人工智能一知半解，和成为真正的人工智能工程师之间，还是有一条很宽的鸿沟的。对于想进入AI领域的同学，第一步就是要了解目前人工智能产业的结构体系。

上图所示的「基础支撑」和「商业场景」，大部分是企业层面的问题。对于个人发展，则需要在「核心技术」层面去提升。毕竟，让自己具备AI行业的职场能力才是王道！

Part.1

想步入AI领域，应该选择什么方向呢？

先拿2017年 AI 领域各赛道的投资数据来做个分析：

整体来看，投资事件数最多的为计算机视觉方向，其次是自然语言处理、智能机器人及自动驾驶。同时据其他数据显示，计算机视觉在人工智能领域拥有最多的创业公司，占比高达17.7%。

数据来源：《2017年人工智能行业发展研究报告白皮书》

(IT耳朵&IT桔子共同发布)

• 那么，人工智能-计算机视觉方向具体做什么呢？

计算机视觉是指用机器模拟“视觉器官”，对目标进行识别、跟踪和测量等，并由计算机代替大脑完成进一步的图像处理和解释。目前我们手机常用的人脸识别解锁，银行业务远程办理等都是用的该类技术。

• 计算机视觉方向目前的就业环境具体如何呢？

我从某招聘网站上采集了多个城市近一个月的岗位招聘信息，用数据来解读下 ：

若岗位薪资为20k-40k：最小值为20k，最大值为40k，均值为30k，图中蓝线为中值

从“均值”指标可以看到，计算机视觉方向岗位月薪在30k左右，若是资深算法师其月薪可高达40k以上；而从“最小值”指标可以看到，该岗位的起薪门槛也是20k的水平。

注：由于只采集近期数据，结果只反应一个时间截面情况

这里提取几个城市来看看月薪平均水平，一线城市基本保持在24k-30k，二线城市也基本在15k以上。

现有采集的数据中，岗位的行业分布大部分在「移动互联网」。

据 iiMedia 的数据报告也显示出，2017年中国网民接触最多的用途也是智能手机终端的相关应用。要知道“图片美化”、‘人脸识别应用’、‘智能相册’等都属于这个范畴。 从数据中我们也可以看到“电子商务”、“金融”、“社交网络”、“医疗健康”等关键字。

2017年，计算机视觉企业分获巨额融资，比如国内头部企业商汤科技、旷视科技、云从科技（均已达到上亿融资）等；同时从采集数据的公司融资情况可以看到，计算机视觉岗位大部分集中在创业公司及成熟的上市公司，拥有良好的企业环境。

在岗位学历要求上，硕士占比最大，其次是本科，而博士占比较少，后者可能受到高精尖人才稀缺的影响。目前国内的本科教育对AI的支撑是不如硕士的，而本科的可塑性强，早早进入企业锻炼也是一个很好的个人发展路线。

以上某招聘网站数据我已经放在文末的讨论群中，为了弥补数据量不足的问题，我也汇总了一些官方行业报告供小伙伴儿参考，请入群在群文件中寻找。

所以如果小白想选择一个方向切入AI领域，强烈建议选择计算机视觉！这是一个发展潜力巨大、商业场景成熟，人才需求紧缺的方向。

但既然这个薪资这么高，为什么从事该岗位的人却比想象的少呢？这就引发了下一个问题 ——

Part.2

从零起步学习，你需要翻过的几座大山！

对于一个完全基础为0的小伙伴儿，如果想进入AI领域，有四座大山需要你去翻越：

你需要学习一门编程语言

目前主流的人工智能算法都需要在代码的基础上去实现，调用相关的工具包，那么这里我推荐Python —— 人工智能主要开发语言。

Python是一个胶水语言，具有丰富强大的库，对深度学习也有很强大的支持能力，最关键的是对小白也非常友好，简单易学，说Python是AI和机器学习的未来一点也不为过。

你需要“掌握”高等数学知识

数学基础，大概是吓退大部分人的纸老虎，从微积分到线性代数，我们的确要了解数学原理。

但这不代表你要像大学学高数一样纸笔计算，做一些自己都不知道为什么要做的考试题。人工智能数学部分的核心是要会用代码去实现，理解数据公式的深层逻辑，熟练应用代码。Python丰富强大的库会给你极大帮助。

你需要理解算法 —— 深度学习（神经网络）

当你用了代码能力和数学基础，下一步则是理解人工智能的核心算法 —— 深度学习。深度学习是机器学习的子类，也是一种实现机器学习的技术：通过有监督或无监督的学习方法来训练深度神经网络，让计算机拥有“智能”。

计算机视觉方向学习中，就是要先解析图像数据，训练算法模型，以此来解决检测、分割、识别等任务。

你需要用实践来检验所学知识

在翻越前几座大山之后，你已经体系化的掌握了AI的基本技能，接下来就是需要实践来理解实际工作的痛点问题。

简单的说，我们虽然可以调用Python深度学习的工具包，例如Tensorflow、Keras，但解决实际问题时，需要去理解前辈等总结下来的经典算法，并学会优化模型，这个阶段的问题复杂度是很高的，需要花大量时间去啃、去消化。