2018年，該不應轉型AI？

如此火爆的AI，會不會像Android和IOS同樣，五年後歸於平淡？轉型AI真的有必要嗎？

2017年，AI就像一個點石成金的神器，全部的行業，任何的創業，抑或是職位背景，只要沾着這個詞，多少有點腳踩五彩祥雲的優越感，話題來了，融資來了，故事來了，高薪來了，offer來了。

因而，愈來愈多的人開始往AI方向涌，哪怕如今作的工做跟AI徹底不沾邊，也阻擋不了人們轉型的熱情。

但是，問題就在於，這條路就必定靠譜嗎？到底應該堅守當前的開發陣地，力求作到精益求精呢？仍是應該堅定一點，轉型AI呢？

在這新的一年伊始之時，咱們不只想問，AI、大數據這些火的一塌糊塗的詞，五年後會不會也像Android和IOS同樣歸於平淡呢？

關於這個話題，咱們邀請到幾位知乎大神。他們關於這個問題的回答，很是精彩，得到了知乎上很是高的點贊量，但願他們的觀點，對你有所啓發。

（1）

小賴sqLai

我我的其實以爲，AI工程師更像是傳統工程師的存在，經驗在很大意義上佔有很是大的比重，也就是某種意義上，能夠吃老本，同時也是要深刻行業挖掘需求。好多人都聽過德國專家在壞掉的機器上畫了一個圈就拿了三萬美金的故事，AI從業者其實能夠是往這個方向上走。這樣的話，從傳統行業的發展來看就很明確了，後續要麼繼續高技術，努力當總工，也就是如今所謂的研究員，首席研究員之類，要麼就是轉成車間主任往管理方向發展。這是和正常研發相比，最大的不一樣，研發的技術棧，整體更新換代太快，很難靠吃老本活下去，這也是爲啥好多人說年紀大了就很差當程序員的緣由。

大數據也好，AI也好，智慧城市也好，智能醫療也好，各類鼓吹起來的概念，在我看來，這些技術其實一直存在，也一直有很強需求，只不過以前沒被吹上風口而已。

就像提到神經網絡，好多老師估計都知道，換個名字變成深度學習了，不少人就以爲高大上了。

大數據是燃料，算法是鍋爐，產出就是各行各業的應用，實際上，這些東西都是互通的。

就以CV爲例，人臉識別搞檢測切割和檢索，換到行人再識別裏依然是檢測切割檢索。無人車裏作檢測切割跟蹤，無人機裏依然是這些東西。醫療影像到如今主要關注點也一樣是切割和檢測。

推薦系統這些年大火特火，說白了依然逃離不出信息檢索的範疇，搜索引擎實際上都培養出多少知名公司了。甚至包括廣告系統在內，核心算法始終是逃離不出那麼些東西的，互相轉換簡直不能更容易。無非就是再結合行業應用的深刻挖掘。

安卓也好，IOS也好，包括前端也好，說白了就是某個平臺上的工具，平臺崩了，就只能去學新東西了，君不見塞班和flash崩了以後多少工程師轉行學別的。因此前端圈好多人說要作大前端也是這個緣由，一個端崩了，換個端就行唄，面向用戶的開發，永遠都是那麼一套思路，折騰了這麼多年，mv*還不是照樣是最多見的方案。

而AI不一樣，你們換平臺換框架甚至換語言都是屢見不鮮，至於到底是在服務器跑仍是嵌入式跑，手機跑仍是平板跑，根本沒有啥影響。算法照樣暢通無阻。

就算五年後這些東西炒做的差很少了，天然又有新的風口了，什麼精準醫療啊，精準房地產啊，輔助決策啊，換個說法而已，依然仍是老技術結合新領域作深刻挖掘。

因此如今入行的人，必定要深刻把基本功打好，不是說隨便會幾個框架，能跑開源代碼，調整調整就行的。緊跟新論文，有獨立復現能力，抱着終身學習的態度，積極探索和領域深刻結合，這纔是正道。

(2)

阿薩姆

我認爲人工智能可否火下去是僞命題。相反，現階段的AI技術的落地能力還頗有限。

對比來看，移動端開發自己就是落地的實用技術，你能夠用來作手機遊戲，也能夠開發拍照軟件，有豐富的業務需求。而人工智能是學科、是技術手段、是通用框架，因此如今和將來最大的困難不是在於會不會火，而是怎麼更好的落地應用？沒有業務需求是很難撐起大量企業的，那個時候也就不存在人才缺口了。

不難看出，優秀的人工智能企業都有實際的應用場景，不過主要是集中在視覺、語言上，而大部分企業實際上是須要更加通用的業務場景。如今每一個大一些的企業都在砸重金招聘機器學習工程師、研究員，美其名曰是爲了業務擴展。但實際來看，不少公司是作人才儲備，它們之時須要這麼一個部門，而業務上是否須要機器學習、機器視覺、天然語言處理，還不是很是明朗。以金融服務類公司爲例，很多公司都重金從學校挖了一批作機器學習的人，咱們本身天天擔憂的是沒法爲企業創造價值，而老闆總擔憂咱們要跳槽，雙方的體驗都不夠好。這其實指出了一我的工智能的一個困境，就是現階段沒法在大部分企業的業務中落地，對於不少企業來講人工智能（機器學習）可能還太早了一點。

而管理層每每也缺少對於其真實能力的理解，只知道很重要，必須成立這麼一個部門。老闆每每有兩種極端，一種認爲人工智能能夠解決一切問題，一種認爲咱們什麼都作不了只是來裝點門面的。從另外一個角度來看，不少企業須要人工智能來說故事，來支撐良好的估值和得到投資。試問各位看官，大家老闆有沒有發郵件說咱們企業要紮根AI，大名器放？至於AI現階段到底能作什麼，大部分老闆實際上是不大清楚的，但在一片郵件轉發中咱們彷佛已經實現了全面AI化。

換個角度來看，一個比較健康的情況應該是企業有了業務需求，再去招聘相關人才，這樣的話員工有事作企業也獲利。然而如今很多的企業是先去招聘人工智能相關人才，來了再看看能幹點什麼。這種狀況下，企業可能難以獲利而AI人才以爲本身天天無事可作，而其餘員工以爲AI組光拿錢不幹事，從各類角度來看不是一件好事。

那麼企業威懾呢們要作這麼出力不討好的事情呢？除了戰略性防護之外，這實際上是賭。賭的是AI必然有用，賭的是如今買進來的AI人才將來可能須要5倍10倍的價格才能引進。可是賭博久必然有贏有輸，若是大量企業引進的AI從業者沒法在3-5年中爲企業創造價值，那麼你們也會認爲其中泡沫略大，而下降對於AI人才的重金策略。而若是由於各類緣由，AI從業者能在大部分企業真的創造價值，創造落地應用，那麼3-5年只是AI起飛的開始，遠不是衰落。

從我的角度來看，咱們每一個人也都在賭，賭要不要轉AI，要不要all in深度學習，要不要全職考研考博。這些賭的都是AI將來，但其實賭的是AI能不能從現階段的人才儲備轉爲業務驅動。若是幾年內這件事情沒法發聲，那咱們可能須要蟄伏等待下一個機會了。因此已經「上船」的朋友們要努力嘗試把AI應用於各個領域，爲企業叉棍早價值，這樣才能夠維持如今的高薪。而還在準備的朋友們不妨仍是結合本身的專業，想一想如何把AI在你所瞭解領域應用，否則即便上了船也不會有高薪了。咱們如今還沒到保護泡沫不破的階段，而還在努力吹泡泡的階段。

我在另外一個回答 阿薩姆：《將來3～5年內，哪一個方向的機器學習人才最緊缺？》中曾經提到過：

工業界將來須要什麼樣的機器學習人才？老生常談，能將模型應用於專業領域的人，也就是跨領域讓機器學習落地的人。有人會問如今咱們不久須要這樣的人嗎？答案是確定的，咱們須要並將長期須要這樣的人才，現階段的機器學習落地還存在各類各樣的困難。這樣的需求不會是曇花一現，這就跟web開發是一個道理，從火熱到降溫也通過了十年的週期。一個領域的發展有特定的週期，機器學習的門檻比web開發高並且正屬於朝陽期，因此你們致力於成爲「專精特定領域」的機器學習專家不會過期。

什麼是特定領域的機器學習專家？指的是你有足夠的機器學習知識，並對特定領域有良好的理解，那麼在職場供求中你確定能夠站在優點的那一邊。

引用來源：http://www.zhihu.com/question/63883507/answer/227019715

因此這是老生常談。對於我的來講，若是AI從業者有很好的技術能力和良好的領域結合能力，三年五年毫不是職業的瓶頸期，甚至十年都還太早。而對於企業而言，如何從「人才儲備」走向「業務驅動」纔是重中之重。否則的話，人工智能其實根本就不算曾火過，咱們自己都還在嬰兒期。

(3)

Xiaoyu Ma（大數據話題的優秀回答者）

正好和找我諮詢的朋友聊過這個話題。這裏給點我的見解，這些話過來人確定都明瞭，入行不久的也許有幫助。

先給結論，只是會搭集羣，會用MLLib，會用Tensorflow的大數據或者AI從業者，無論五年後行業自己會不會迴歸平淡（大數據很可可能會，AI應該沒那麼快），我的職業發展沒法避免變平淡。到時候這樣的人就要困惑是否跟隨下一個熱點了。

可是若是你精通的領域自己，而不只僅是用好某個工具某個平臺，那你會發現本身並不會隨着行業沉寂，或者你發現你很快很天然能過分到下一個相關的熱點領域。

迴歸平淡是一個熱門技術必然的趨勢，五年在IT領域已是很長久的時間了。迴歸平淡的未必是技術過期，反而多是技術過於普及。可是若是你精通的不僅是淺表，那是否迴歸平淡對你來講就無所謂了。

趨勢和熱點確定是對前途／薪水會有加成，好比大數據（其實火了好久了），或者AI。在幾年內對從業者薪酬有很多的增幅。可是就如你所說，熱點和趨勢是會降溫的，好比慢慢社會上就會有愈來愈多搗鼓Spark的人，能跑Tensorflow的人，熱點帶來的紅利會慢慢減小到消失的。有些人會迷茫，爲何自身價值彷佛愈來愈低，是否是要換一個熱點；可是有些人卻越作越深刻，愈來愈資深，越走越順。

個人想法是，工程師應該更重視「道」而不是「術」，才能保持競爭力。

什麼是「術」？

好比，「遣詞造句」，是術。若是你是一個做家，遣詞造句無疑是必備技能。

一樣，「熟悉編程語言」是術。做爲一個程序員，熟悉本身經常使用的語言的特性，徹底是必須的。

類比一下大數據，應用開發或者數據庫領域。若是配置Hadoop，架設集羣；如何使用某個UI庫作出炫酷的界面效果；使用什麼參數能夠調整某數據庫緩存大小等等，都是術。

那什麼是「道」？

好比，「一部小說如何謀篇佈局」，是道。若是你是一個做家，那麼無疑這是比遣詞造句更影響你職業生涯的技能。

一樣，做爲一個程序員，瞭解系統背後的原理，比熟悉一門語言一個框架對你職業發展會有更深遠的影響。

若是你作大數據，那你是否知道分佈式系統的一致性保證有些什麼不一樣的設計和取捨？容錯又該如何實現？若是你作數據庫，又是否知道不一樣索引的數據結構有什麼樣的特性？抑或優化器背後的原理是什麼？或者你作業務邏輯開發，那你是否通曉了邏輯背後的業務流程以及相關的行業知識？

術的特色是容易過期，或者附加值愈來愈小。如何使用工具在天天都有新發明的計算機領域無疑是很是容易過期的，公司也不會爲使用工具的經驗投資太多錢，畢竟夠用就行。

誠然術師你必備的技能：不會寫代碼，不熟悉語言，根本找不到工做。可是並非你修煉的方向：公司並不會由於你精通一個語言的各類細節而特別青睞你。公司的確是招人寫代碼的，可是公司並不只僅是招認「寫程序」。

道是咱們在領域內不斷精進成長的根本：只有瞭解背後的原理，你纔可能在天天都有新系統新語言新框架誕生的科技領域存活；某個框架你並無摸過，可是你知道哪些指標和特性是選擇取捨的依據；某個系統你猜據說，可是看了架構設計，你就知道它在你的使用場景下會有什麼樣的表現，可能會有什麼樣的坑；再或者你看了某個論文，發現它的原創性設計能改進在大家現有的系統解決以前沒法解決問題等等。這樣的你，每每比只是對語言熟悉，API精通的碼農更受歡迎和尊重。

有人可能會說，你看那些大神程序員，哪一個不是對某些語言倒背如流。是的，咱們看到的碼農大神們，每每寫的一手好C++，精通Go的上上下下左左右右，但那並非由於他們專門修行這門語言，而是由於他們在不斷研習「道」的路上，順便磨練了「術」。爲了更好的性能，爲了實現構思的新設計，他們必須更熟悉所用的語言。

再你固然能夠舉出特例：通曉一門語言的方方面面能成爲參與制定語言規範的大神；哪怕寫字寫的好也能成爲書法家。這樣說也沒錯。鐵砂掌練到極致，也能和五絕一拼，但這比修內功的路難多了。何況，某人能制定語言規範確定不是由於他特別熟悉這個語言的細節；書法家之因此是書法家也遠不止寫字寫得好。

回到正題。四年不短，若是你認爲你在如今的領域除了「術」沒有什麼其餘積累，那這樣的急轉彎換掉也不惋惜，不然就慎重一點，由於你想換的領域和如今作的彷佛沒有太多交集。哪怕更換，深刻鑽研的話，熱不熱其實並無太多關係。