2017開發者盤點：是我在解決AI的問題，不是AI解決個人問題

時間 2019-11-17

原文原文鏈接

本文由【AI前線】原創，原文連接：http://t.cn/RTehPOp前端

AI 前線導讀：「還有 10 天，2017 就要過去了～～程序員

2016 年，谷歌公司 DeepMind 團隊開發的圍棋機器人 AlphaGo 首次擊敗人類頂尖棋手，深度學習、強化學習等人工智能技術功不可沒。2017 年，人類再次被人工智能深深震撼，AlphaGo 在多個場合橫掃幾乎全部頂尖人類棋手，人類最終失守了圍棋這一被視做最後智力堡壘的棋類遊戲。另外一機器人程序 Libratus 在德州撲克比賽中擊敗頂尖人類玩家，這是機器人首次在不徹底信息博弈中打敗人類。這些事件標誌着機器智能的再度崛起，併成爲了 2017 年大衆對人工智能印象最爲深入的事件。」算法

在人工智能成爲普羅大衆熱議話題的今天，它到底給普通開發者帶來了什麼改變？傳說「將被人工智能替代」的開發者們究竟是如何看待 AI 的？而 AI 領域的開發者身處這人工智能的熱浪中又有什麼想吐槽的呢？數據庫

爲此，AI 前線採訪了數十位 AI 領域和非 AI 領域的開發者，對過去這一年 AI 領域發生了哪些印象深入的事情、目前 AI 的應用狀況、大衆對於 AI 最大的誤解是什麼、AI 的將來會如何等問題進行了探討。在此咱們選出了其中部分精彩回答，但願藉由開發者們對於同一個問題的不一樣見解，給讀者展示思想碰撞產生的零星火花。當下熱門的「AI」是一個很是籠統的概念，其中涵蓋了大量不一樣技術，而每一個人對於「AI」也有不一樣的認知和感覺，但你們幾乎都認同的一點是，AI 確實給每一個人的生活帶來了或大或小的改變，而這樣的改變並不會止於 2017 年。編程

不論你是贊同抑或反對文中的任意觀點，或者你有本身對於人工智能的見解，都歡迎留言與咱們討論。後端

http://weixin.qq.com/r/dijSyg3E51CYrUmp931k (二維碼自動識別)瀏覽器

聲明 | 本文爲 AI 前線公衆號（ID：ai-front）獨家稿件，未經許可，不得轉載。安全

1前端框架

「AI確實在某些方面的效率和知識比不少人高不少，但永遠也不會比人更有智慧。」微信

明略數據 AI工程師之一

公司主要業務：面向金融、公安、工業等領域的大數據智能解決方案
主要負責文本挖掘工做，即從大量文本數據中，挖掘出須要的知識

我目前在工做中作的是天然語言處理，包括基本的實體識別，再到關係抽取，這些處理用到天然語言處理的經典算法以外，還包括訓練數據的自動生成，算法和規則的結合等。整體來講，處理無結構的文本數據仍是頗有難度的，就算 AI 技術，也沒法像一個成年人同樣，迅速理解各類靈活的表達方式和新詞。

對我來講，今年 AI 大熱帶來的最大影響是普通人對 AI 的指望太高了，甚至認爲都用 AI 了，怎麼會出錯呢？怎麼有的知識連人都能一眼看出來，AI 還不能挖掘出來呢？之因此會有這些問題是由於不少人對 AI 的侷限還不太瞭解。媒體對 AI 只報道成績、掩飾缺陷，覺得一些缺陷只不過像是軟件系統裏的一個個 bug，補一下就好了，實際上並無那麼簡單。

AI 對普通開發者是很是有用的，但也不能對 AI 抱有太高的期待。要在認識到 AI 的侷限性的基礎上，找到合適的應用點，才能充分發揮 AI 的價值。AI 也在進步，不僅是應用領域。

目前大衆對 AI 最大的誤解是：AI 比人更智慧。其實 AI 確實在某些方面的效率和知識比不少人高不少，但永遠也不會比人更有智慧。

「如今AI這個行業很浮躁，真正的腳踏實地的人不多。」

明略數據 AI工程師之二

主要負責天然語言處理相關的工做，包括分詞、命名實體識別、詞性標註、模糊匹配、情感分類、短文本打標籤、關係挖掘、機器翻譯等

從在校期間見證了統計學習 - 機器學習 - 深度學習的發展，以及市場上不少人工智能產品的落地。個人感悟是：數學、技術、業務等都是必不可少的東西。

我目前負責的是大型銀行的 NLP 項目，幫助其從文本中做出預警模型。在工做中結合 AI 有難度，真實的業務沒有公開數據集那樣「乾淨」，咱們平時作的仍是要從業務出發，在機器學習界有個東西叫奧卡姆剃刀，說的是假若有多個模型都能達到差很少的效果，選最簡單的。用高端模型不必定有充分理解了業務而採用簡單模型的效果好。

目前市場上 AI 人才的薪資有點虛高。AI 入門培訓都是在騙錢、收智商稅，想學的話踏踏實實補數學，踏踏實實看書看博客，精讀幾篇經典的 Paper，GitHub 上多復現幾個實驗。

我以爲 AI 是一種技術，就像前端後端安卓 iOS 同樣，不但願你們跟風學。如今這個行業很浮躁，真正腳踏實地的人不多，大部分都在仰望星空，這不是好現象。因此對於普通的開發人員來講，負面影響多，可是我仍是看好這個行業。

AI 真正落地賺錢的產品屈指可數，這個行業想要健康發展，仍是要多接地氣，切實地爲社會解決問題。

「技術自己無對錯，這取決於怎麼使用AI，誰來使用AI。」

移動電商算法工程師

公司業務是面向年輕女性提供時尚化和社交化的購物平臺
主要負責圖像算法技術的研發工做，如：圖像搜索、圖像識別等，以改善用戶體驗、提高業務效率、增長商家的運營能力

我參加工做 11 年了，有印象的技術炒做包括：智能家居、3D 打印、機器學習、人臉識別、VR、無人駕駛、虛擬試衣等。有的技術通過長時間的沉澱找到了應用場景，好比機器學習用於推薦、人臉識別用於金融。有的技術估計仍是概念，沒有落地。總的來看，炒做普及了大衆的技術視野，儘管有泡沫，泡沫事後總會留下一些東西，或者是技術的、或者是商業的，這些會長期支持技術商業化。

AI 有難度，也有技術門檻，不只僅是指技術自己，而是指 AI 落地的門檻，要對應用場景有足夠的理解，有敏銳的業務感受。

工做中應用 AI 技術，最難的是收集數據和標註數據，須要花費不少精力和人工成本。這是由於必須先定義好場景中的問題，纔能有效採集數據。

AI 是人們的合做夥伴，不可能取代人類。普通開發者應該瞭解 AI，利用 AI 改善本身的工做，好比開發工具、開發技能以及解決問題的思路。AI 不能取代開發者，可是能夠輔助開發者。

目前所謂 AI，都是基於人類經驗或者積累的數據來工做的，只能作簡單的重複工做，下圍棋也不例外，只是在人類能力上的複製。將來的 AI，應該是具備必定推理能力的，例如智能助理。

「人工智能是來取代人的、會傷害人」，這是很大的誤解。技術自己無對錯，這取決於怎麼使用 AI，誰來使用 AI。 AI 也是人類智慧的產物，只是若是被壞人利用了的話，AI 會傷害人類的利益，好比隱私的泄露和濫用、甚至 AI 武器的出現。

「媒體沒有吹牛，AI確實在改變你們的生活。」

海康威視工程師

主要負責針對視頻分析領域的人工智能業務

工做結合 AI 不難，可是要作到準確率高、高併發響應很難。

媒體沒有吹牛，AI 確實在改變你們的生活。對於普通開發者的一些工做將來應該會被 AI 替代。

目前市場上各種 AI 入門培訓課程仍是以騙人爲主。

「技術平均每一年大更新一次，找準本身的方向，儘快轉型。」

IBM 前端工程師

主要工做內容是前端+.Net

工做中見證的技術炒做包括各類前端框架、Visual Studio 各類推陳出新、AI 等。我感受底層很重要，無論什麼框架，重點仍是要會看原生的代碼。技術平均每一年大更新一次，找準本身的方向，儘快轉型。看到作 mainframe 的同事眼睜睜看着本身的技術被淘汰，太遲轉型面臨失業降薪，很心痛，要吸收教訓。

我目前只是關注了 AI 相關新聞，由於沒太多機會接觸 AI 的技術。組裏作運維的同事有用 AI 作知識庫，可是暫時給個人感受像是一個大數據庫而已，沒看到像新聞上吹的那麼神奇，也多是咱們不會 train 它。

目前市場上 AI 人才高薪很正常，研究 AI 的人都是大牛、科學家，他們爲人類的進步作了很大貢獻，高薪是應該的。我的以爲 AI 確定是將來的一個方向，可是不是惟一的方向呢？是否是不學 AI 的人都沒有出路了呢？我持保留意見。我本身對枯燥的學術研究暫時還沒產生很大興趣，並且工做中也沒有接觸 AI 的機會（我指的是研發，不是使用），因此暫時也不會報名這類入門培訓。仍是那句話，找準本身的方向很重要。

公司是否應該僱傭專門的 AI 人才，得看公司規模和投資規模。由於 AI 要經過大量的訓練纔會起做用。若是是大公司有大量的數據，好比百度有大量的搜索數據，阿里有各類購物方向的數據，這樣訓練起來會容易些。若是是小公司（非專門作 AI 的小公司），一是沒大量數據來訓練 AI，二是若是設專人去訓練的話成本有點大。好比咱們的運維組，一年了，真沒發現 AI 對他們的幫助有很大，反而要花不少時間去錄入數據。固然若是是買一個成熟的 AI 系統就另當別論了。好比訓練好的醫療協助方面的 AI，由於世界各地的病根源都相同，相信能夠通用。

AI 技術確實離我很遙遠啊。可是使用，好比自動駕駛，5 年內可能就普及了。我如今作的工做（編程）未來可能會被 AI 取代。可是必定有新方向能夠供我發展，雖然我還沒看到這個方向在哪裏。

目前大衆對 AI 最大的誤解是認爲 AI 無所不能，彷彿很快就會有一支 AI 軍隊出現同樣。實際上，AI 是要 train 的！要 train 的！要大量的 training 的！重要的話說 3 次。AlphaGo 那種級別的，有個團隊加不少高級計算機在 train 它，AI 不是隨隨便便找條流水線就能量產的。

「個人工做是解決AI的問題，不是AI來解決個人問題。」

微軟語音識別工程師

主要負責語音識別部分，將語音轉化爲文本

我從事語音識別研究和工做大約 7 年了，個人工做是解決 AI 的問題，不是 AI 來解決個人問題。今年 AI 大熱，我印象最深入的事情是各大公司都在宣稱本身在 AI 方向的加註，以及民衆、媒體對「AI」的狂歡。

AI 不是一個通用概念，比如電。AI 的範圍太大，從居民樓裏面的聲控燈，一直到自動駕駛，這都屬於 AI 的範疇，因此「與 AI 結合」能夠有不少種。比如買一個聲控燈，安裝到樓道里這也是和 AI 結合，這我想沒有技術門檻。而一些更難一些的工做好比自動駕駛、語音識別，這一般須要博士學位，意味着多年的訓練與知識積累。

民衆對 AI 的理解主要來自於科幻電影，而多數媒體爲了生存和點擊率，須要寫民衆愛看的內容，那麼從主觀上就有吹牛的動機，從而失去了新聞工做者客觀的職業素養。因此如今網上充斥着「震驚！xxxx；重磅!xxx；恐怖！xxxx」這種文章。

不能否認的是，這些文章的確提供了一些有用的信息，好比會提供一些有意思的工做的連接。不過一般過於浮誇的報道，會加重民衆對 AI 不切實際的想象，以及影響一些經驗不足的從業人員，好比學生。

AI 沒有明顯的分界線，從加減乘除到線性代數再到求導積分都是 AI 必不可少的知識。

薪資是由供求關係決定的，相對於媒體民衆對 AI 有各類的誤解與不切實際的指望，公司和投資人每每更加理性，由於他們是要真正花錢的，天然要考慮得更全面。我不太瞭解 AI 入門培訓課程，但我不認爲經過幾個禮拜的短時間培訓，就能夠輕鬆得到「超高薪資」，那樣的話公司和投資人就太傻了。

目前 AI 的本質侷限在於人們不瞭解人腦到底是怎麼工做的，因此只能作各類嘗試，試圖去接近人腦的原理。在多種嘗試以後，神經網絡在識別方面是目前最好的。但很明顯這並非最後的答案。從應用角度看，AI 有不少能夠作的事。但從研究角度，下一次的爆發或許須要很長的嘗試期。

「AI門檻高，實際應用有待探索，要注意識別僞AI。」

Coupang 數據工程師

工做已經 10+ 年了，我見證過的技術炒做包括 Java EE、開源、大型分佈式電商平臺、大數據、機器學習 / 深度學習、AI。技術發展太快，須要學習的東西太多，有時候爲了照顧廣度，就很難有深度；有些領域要深刻須要必定的時間和實踐，若是太專一某個領域，又擔憂技術過期，趕不上潮流。

AI 這麼高大上，以前的工做裏並無這樣的項目，也只能看看漲漲知識了。今年 AI 領域發生的大事件，如今能想起來的就是阿爾法狗、自動駕駛、智能音箱、量子計算機。

今年 AI 大熱，確實有點想轉行，可是談何容易。普通人對 AI 確定會有誤解的，好比 AI 是否會搶程序員的飯碗等。媒體的 AI 吹牛成分不是沒有，畢竟要炒做嘛。

如今 AI 這麼火，誰都會來分一杯羹的。就像當初大數據炒做同樣，超高薪是由於人才太少。入門課程仍是頗有用的，可是要有乾貨。

公司不能爲了趕時髦就去僱傭 AI 人才，要看有沒有這個必要。

AI 會帶來新的就業機會，雖說有可能取代一部分低端工做，但正面的東西仍是更多。AI 確定有泡沫，因此等待迴歸理性，必定會讓咱們的世界更美好。

AI 門檻高，實際應用有待探索，要注意識別僞 AI。 AI 將來會迴歸理性，等大潮褪去，就能夠在沙灘上撿貝殼了。

「大衆以爲AI高大上，徹底是誤解，它本就不是大衆的。」

教育行業產品經理

負責商業智能產，好比企業報表，數據分析等

工做 16 年，見證過無數炒做，好比數據挖掘、大數據、機器學習等。個人感悟是雖不靠譜，可是得有人無畏前行，人多天然能出結果，雖然會背離初衷。

今年印象最深的莫過於 AlphaGo 了，雖然以爲其實結果沒太大意義，但帶來的影響確實大。在工做中結合 AI 要有的放矢，不然不只毫無心義，並且難度很大。

今年 AI 大熱對我基本沒有影響，相反還帶來了負面影響，由於都去跟風了，落地的事誰來？而媒體，則是對市場的正常反應，吹牛是必然的，褒貶不一了。

如今 AI 相關技術如自動駕駛、量子計算等等，對我來講毫無實際意義，因此不期待。我認爲目前 AI 對於普通開發者的工做負面影響很大，就像每一個孩子都去學奧數同樣的不靠譜。

目前大衆以爲 AI 高大上，徹底是誤解，它本就不是大衆的。

「AI的Paper 99%是灌水，AI的媒體99%是跟風，AI的團隊99%存在着落地難、刷排名現象。」

百度 AI工程師

主要負責手機百度app和簡單搜索app的圖像客戶端工做，及大搜索客戶端方向探索工做

不能快速落地的工程技術都屬於炒做範疇，坐談客。今年在深度學習領域，各家噱頭釋盡也未見值得用心的 Big Shock，期待 2018 無人駕駛真正落地。

2017 年之前移動和 AI 結合難度較大，瓶頸主要在於移動設備的性能較差沒法承擔起較大的神經網絡運行。隨着日益崛起的移動設備性能，各大公司跟進開發框架。在軟硬件雙飛的將來，移動設備和 AI 結合已經是大勢所趨。AI 能夠結合 App 對用戶的圖像相關體驗大幅提高，例如將圖像主體找出後和後端用更小的圖片通訊，能夠明顯提高請求速度。

以深度學習爲例，最大的侷限就是單個模型只能解決特別具體的問題，擴展性很是很差。

AI 的 Paper 99% 是灌水，AI 的媒體 99% 是跟風，AI 的團隊 99% 存在着落地難、刷排名現象。對於目前市場上 AI 人才的超高薪資和各種 AI 入門培訓課程，我只有一句話：昨天的移動端工程師，今天的 AI 工程師。

「AI已經真實來臨，不存在虛假或者吹牛成份。」

BAT 前沿工程師

主要負責大數據、數據庫、雲服務等系統開發及維護

工做已經超過 12 年，見證過大數據、雲計算、區塊鏈、AI、量子計算等技術的炒做。其實每一次都會帶來技術的變革，不過技術從提出到成熟，須要一段時間。我的須要順應變化並接受，主動儲備相關知識。

我的比較關注 AI 的應用、框架、軟件及硬件等方面，其餘還包括國家的政策和法律方面。今年對 AlphaGo 打敗柯潔、百度發佈無人駕駛平臺 Apollo、中國將人工智能上升爲國家戰略等事件印象比較深入。

當前工做中涉及 AI 的部分主要包括智能運維（智能預測、系統優化、自動止損）、智能客服。目前工做中結合 AI 關鍵在於數據，技術難度不算太大。

計算處理及移動端處理能力有限，GPU 等硬件還比較貴，部份行業數據量還比較缺少，這些都是 AI 目前存在的侷限。

但我認爲 AI 已經真實來臨，不存在虛假或者吹牛成份。AI 可以帶來更多的創新思惟，能夠釋放不少重複工做。我的看好 AI 及將來的發展。AI 對於普通開發者會帶來影響，正面和負面影響兩方面都有，哪一個方面影響會更大須要看從事行業和具體工做，不能一律而論。將來 AI 會更多地進入大衆生活，從工做到生活各個方面。

大衆對於 AI 最大的誤解就是 AI 離咱們很遠或者 AI 將會使程序員失業。AI 時代的到來，是時代和技術更迭的又一次變革。目前還有着種種不可攻克或者有待解決的技術問題。咱們有許多事情能夠去作，能夠更好地利用 AI。

「隨着時間的推移，AI人才的積累勢必會飽和，在校學生不能盲從。」

東北大學計算機科學與工程學院碩士在讀

主要研究方向爲衆包數據管理，目前正在開發一個基於衆包模式的圖書漂流系統，負責整個系統的設計以及後臺的開發，包括任務分配算法的設計開發等工做

今年 AI 領域讓我印象最深入的事情是 DBA 迎來了新的革命，卡內基梅隆大學數據庫小組採用機器學習實現了數據庫的自動化管理，藉助 AI 的力量後 DBA 的工做會輕鬆不少。

媒體麼就是來宣傳的，不敢說全部媒體都吹牛，可是就目前狀況來看 AI 的確是一個前景很好的產業，我相信不久的未來必定會改變世界，雖然還有一段很長的路要走，就須要你們的共同努力了，媒體把 AI 技術宣傳給每一個人是必要的責任。

目前有不少優秀的 AI 技術，只有咱們本身清楚的瞭解本身真正須要的是什麼，選擇什麼樣的技術適合目前的問題，如何正確地應用優秀的 AI 技術是咱們要學習的。

目前 AI 技術是一個發展前景很是好的產業，各大公司不惜高薪來吸引 AI 人才的加入，各大互聯網公司都儲備了大批的 AI 人才，爲的就是在這個風口浪尖的時刻，跟緊 AI 的步伐。可是隨着時間的推移，AI 人才的積累勢必會飽和，因此在校的大學生等也要有一些清晰的意識，不要盲從。

AI 是一個朝陽產業，必定會改變人類的生成和生活方式。對於普通的開發者來講，若是 AI 可能取代他們的工做，就要有憂患意識了，多多學習其餘技能，或者把 AI 技術與目前使用的技術相結合尋找工做的突破口。我很是看好 AI 的將來發展，身處 AI 大浪中的咱們，無時無刻都會感覺到 AI 帶給咱們的巨大沖擊，科技創新改變世界、改變將來，倒不如說 AI 改變世界、改變將來。

「技術炒做這種事情，若是一點都沒有，也不見得就是好事。」

騰訊手機客戶端開發

工做 9 年，之前見過炒做物聯網、炒做 VR/AR，其實我沒啥感悟，技術炒做這種事情，若是一點都沒有，也不見得就是好事。

AI 技術有必定的門檻，對於非相關專業的工程師來講，須要學習一部分相關的數學基礎知識，這樣才能看懂代碼。尋找 AI 技術和實際業務的結合點，這個是很難的。

我目前使用的機器學習框架是 TensorFlow，主要是由於社區氛圍好，各類第三方教程和資源很豐富，支持手機客戶端部署。我沒有 AI 相關學歷，入門主要仍是藉助 Google 找各類學習資料，RTFSC（Read the fucking source code）。

目前數據標註成本過高了，AI 其實並不智能，只是更高維度的模式識別，訓練樣本數據仍是要由工程師來提供。

「若是沒有解決用戶痛點地引入AI技術，那麼吹牛的成分仍是蠻大的。」

BAT 研發工程師

公司主打業務是搜索+AI，目前主要負責DevOps、敏捷實施和落地的工做

工做六年多。經歷過雲計算、容器、DevOps、AI 等技術理念的興起到成熟。每一年我都會關注 Gartner 的 Hyper Cycle，有點惋惜的是，Gartner 的 Hyper Cycle 對中國不太熱衷，咱們只能借鑑美國和印度市場的趨勢了。從這幾年看，中國 IT 的發展愈來愈貼近美國發展的趨勢，特別是從容器、DevOps、AI 的興起來看，咱們真的沒有落後太多了。

因此 Gartner 的 Hyper Cycle 差很少就是一個能告訴咱們這波碼農，將來咱們須要掌握什麼領域或者往哪裏跳槽的風向標了。而其餘的技術，有一些如今網絡炒做很火的，我自認比較笨，因此也沒有投入太多的時間去 Follow，例如區塊鏈技術，仍是要想好跟本身的工做能結合，纔會去學習。

目前在公司內部 AI 很火。從個人角度看，AI 的項目或者產品，其實都離不開解決用戶痛點。純粹的研究 AI 技術，咱們公司有不少博士在作，這些距離咱們太遠了，他們的研究成果必然是對整個行業的創新，而咱們在作的產品的時候，更多的是用 AI 的算法和能力來去解決過去咱們沒法解決的問題。例如，AI 和 DevOps 的融合誕生了不少智能化運維相關的產品，其中我以爲最實用的是智能篩選告警、智能判斷磁盤壽命等，而這些智能項目也不是獨立存在，他們都是基於過去已經作好的運維平臺去優化過去沒法解決的場景。

若是沒有解決用戶痛點地引入 AI 技術，那麼吹牛的成分仍是蠻大的。AI 沒辦法解決 100% 的問題。若是咱們連歷史數據都沒有積累下來，就說要引入 AI，從哪裏談起呢？用什麼來訓練模型？

目前正在使用的機器學習平臺是 PaddlePaddle，將來祖國是否能在 AI 有話語權，這個平臺目前看是惟一能夠承擔起來這個責任的。

關於明年的學習計劃，推薦 Thought Work 的讀書雷達，立刻就出來了，值得關注。

「不少公司都把AI加入到宣傳口語中，有點浮躁。」

網絡數據安全行業 Senior Data Scientist

主打業務：事件管理、預訂管理等
主要工做：根據用戶畫像進行特定的推薦

今年 AI 十分火爆，不少大公司都在創建 AI Lab，也有更多的 Startup 涌現。從招聘上看，給 AI 從業人員的待遇頗有競爭力。我的感受，媒體吹牛成分仍是有不少的，每每會誇大。再加上不少公司都把 AI 加入到宣傳口語中，有點浮躁。

工做中應用 AI 技術，最難的是不斷涌現的新技術和 Paper，讓人有點目不暇接。其實，仍是要看本身須要解決什麼業務痛點。

公司該不應僱傭專門的 AI 人才，主要仍是看公司的業務需求和數據儲備狀況。若是公司還沒準備好，可能會考慮少許人才儲備，但不會僱傭太專太貴的 AI 人才，對公司對我的都是一種浪費。相反，若是已經有很清晰的需求和比較紮實的數據等儲備，就會僱傭專門的 AI 人才，主要解決業務應用中的一些深度問題。

「AI的技術門檻是有的，可是也不是不能夠跨越。」

自由職業

目前組織了一個小團隊，主要是作用在漁場的AI軟件，我主要負責水產方面的東西

目前咱們的團隊主要是但願將 AI 和自己的農業背景相結合，作出能夠用在農業上的 AI 系統。結合 AI 有難度，做爲小團隊，如何有效地得到足夠多的數據來訓練 AI 是個問題。AI 的技術門檻是有的，可是也不是不能夠跨越，一是能夠經過找到會的人來作，起碼技術上就沒那麼難了。二是如今不少領頭企業不斷開源，也開發 AI 訓練的一些工具，小團體徹底能夠藉助這些東西。

AI 今年大熱對我影響其實沒有那麼大，一是我自己是農業背景，二是畢竟我周圍自己就有作這個的人，不至於說媒體說什麼我就信什麼。我更加看重的是 AI 技術的實用性，能給生產帶來什麼樣的改變，又會創造出怎樣的不可能。媒體的話，要分什麼媒體吧，不能一律而論，有求實的，也有吹牛的。

如今 AI 人才工資高是由於需求大，各個公司都想跑在別人的前面，因此願意花重原本僱傭人員，估計後面幾年工資仍然會較其餘領域更高一些。可是也會有更多的人被吸入到這個領域。學 AI 僅是概念上懂還不夠，學習須要結合具體的東西來學，最好是本身自己就想作些這方面的東西。

「以前誤報的Facebook機器人發明新語言的事，其實不過是模型訓練的時候跑飛了。」

騰訊後臺開發工程師

主要負責手機瀏覽器上的遊戲、App的個性化分發策略

我負責 QQ 移動瀏覽器內的遊戲、App 的個性化推薦，須要使用到較多的機器學習算法，和傳統後臺相比，AI 的門檻仍是比較高，尤爲對非科班出身的同窗，須要補齊大量的高數、機率統計、優化理論等數學基礎，還須要瞭解統計學習、深度學習等經常使用的算法。

我所關注的個性化推薦和商業化廣告領域，AI 更可能是在使用智能的算法來挖掘流量更大的商業利益；解決人工運營不能因人而異、隨機應變的問題。好比 App 分發，人工運營的精力有限，不可能針對每一個人生成不一樣的個性化分發列表，可是基於 LR 排序的算法能夠因人而異，根據我的歷史興趣，來推測當前可能最感興趣的 App 和遊戲，既提高了用戶的體驗，又幫平臺方得到了合理的收益，對 App 開發者而言，也獲取了合適的用戶，三方雙贏！

其實我在 AI 火起來以前更早的時候其實就已經有意識地從後臺開發轉型作機器學習和 AI 的東西，前兩年技術挑戰比較大，須要學習大量的理論知識，同時須要瞭解各類全新的框架的使用方法。媒體上部分宣傳多是行業外人士由於信息不對稱產生的誤解，好比以前誤報的 Facebook 機器人發明新語言的事，其實不過是模型訓練的時候跑飛了。

AI 能夠看作更高一級的抽象方式，機器智能並不能等價於人的智能，在能夠預見的時間裏，AI 更可能是以助手的形式來補齊人們在某些方面的能力短板。我看好 AI 的發展，不過監管法規的空缺仍是比較讓人擔憂的。

「技術無罪，是爲禍人類，仍是爲人類造福，仍是取決於使用技術的人。」

浪潮軟件數據採集工程師

主要負責過程改進與數據獲取、分析

我目前有一項工做是將行業新聞與企業作關聯，進而對企業形象進行正負面分析，這一部分涉及到了命名實體識別、機器學習，過程當中發現有些個性化需求還須要本身寫算法去實現，短時間看甚至優於模型訓練的模式。

如今 AI 領域的技術如自動駕駛等，在我看來是遠在天邊、近在眼前。回溯每代技術革命，都會以爲竟然來得如此迅猛。

目前 AI 的侷限主要在於對無規則事物的分析學習。畢竟圖像、圍棋、聲音都仍是有必定製約的，仍須要人腦將抽取規則輸入給 AI。

大衆對於 AI 最大的誤解是認爲 AI 會消滅人類。技術無罪，是爲禍人類，仍是爲人類造福，仍是取決於使用技術的人。

「泡沫太嚴重了，AI尚未實際創造那麼大價值。」

某雲計算廠商架構師

主要工做是幫助客戶上雲，整個過程當中的需求瞭解、架構設計、技術諮詢等

目前使用的比較多的機器學習框架是 TensorFlow 和 MXNet，入門 AI 主要靠看論文 + 技術博客 + 視頻教程。工做結合 AI 最主要的難處在於，不少客戶只有模糊概念，並無實際的應用場景。

媒體對於 AI 的宣傳太過了，吹牛成分有點大，會給大衆以「AI 無所不能」的錯覺，也會誤導一些客戶。對於如今市場上 AI 人才的超高薪資和大量 AI 入門培訓課程，我我的感受是泡沫太嚴重了，AI 尚未實際創造那麼大價值。

當前 AI 太依賴於深度學習了，方法單一，有些問題深度學習效果也不是很好，估計將來幾年學術界會出現比深度學習效果更好的方法。

「在全部非計算機領域媒體編寫的AI文章中，大概沒有一篇是不吹牛的。」

第四範式 AI工程師

公司主要業務是提供低門檻的、通用的機器學習平臺產品，而且利用機器學習技術幫助企業解決數據挖掘、智能推薦、反欺詐、點擊率提高等商業問題

我畢業工做三年多，作過基礎架構、分佈式存儲和機器學習平臺，見證了傳統關係型數據庫到 NoSQL 再到 NewSQL 的發展，虛擬化技術從 KVM 到 Docker 再到 Kubernetes 的流行，最近機器學習領域則是從 LR、SVM、DT 等傳統模型到 DNN、CNN、RNN 等神經網絡模型再到深度學習與 MCTS、RL 等技術融合的階段。

技術在不斷髮展，永遠會有新的技術和框架出現，但舊的技術或者模型並不會輕易被取代。個人感悟是必須接受新的技術而且嘗試去學習各類前沿技術，同時也不能過分追隨潮流忽視根源，畢竟任何的新技術不都是憑空出現的，例如如今最火的深度學習，若是你去學習傳統的機器學習算法實現、矩陣優化、梯度求解以及超參數調優等，確定會有更大的收穫。

我的感興趣的是 AI 的開源框架實現（例如 TensorFlow 等）和機器學習算法原理，對於傳統機器學習算法和深度學習模型架構都有涉獵。今天 AI 領域最火熱的實踐確定是 AlphaGo 和 AlphaGo Zero，Google 用蒙特卡羅樹搜索加上深度學習模型基本解決了圍棋整個領域的優化問題，我我的還特別關注冷撲大師。

AI 能夠結合的技術領域很是多，尤爲是數據已經 ready 的場景，例如搜索推薦系統等。而目前深度學習的流行讓更多圖像處理、語音處理、天然語言處理的技術也有飛躍的發展，就銀行行業而言，理財產品推薦、智能投顧、智能客服、單據 OCR、反欺詐等都是很是合適的應用，其餘行業固然就更多了。

在工做上應用 AI 技術，必須解決數據的收集、特徵的拼接和抽取等一些列問題，反而進行建模和調參的過程是比較簡單的，而最難的每每是第一步，如何將業務場景轉化爲機器學習的問題而且找到可度量的數據指標。

今天 AI 火熱不只引發了工業界和學術界的官方關注，也有更多行業的人感覺到危險而且積極地參與了，對咱們從業人員來講固然是提供了更好的正向反饋。固然業界過分吹噓的成分更多，舉個例子，普通的自動化工廠被宣傳爲人工智能無人工廠，而一些根據統計信息生成文本的程序也被捧爲具備自我意識的人工智能機器人。在全部非計算機領域媒體編寫的 AI 文章中，大概沒有一篇是不吹牛的，而約 10% 是咱們做爲從業人員以爲值得看下去的。

AI 培訓是適應這個行業潮流所逐漸出現的，有意思的是之前宣言是大數據培訓的課程現近通常都會加上 AI 或者人工智能這個招牌，但實際上仍是培訓大數據相關的技術，不一樣人對這類課程的需求也是不同的，我我的更推薦經過參與開源設計以及實踐的方式來入門機器學習領域。

在真實的業務場景中，要落地機器學習模型的門檻仍是比較高，用戶須要可以把業務模型抽象成機器學習任務，而且完成數據接入、數據清洗、特徵抽取、模型訓練、參數調優等一些列過程，對於業務理解能力和開發能力都有很高的要求，並且除了模型訓練其餘目前都難以使用 AI 來協助解決。所以我認爲將來 AI 的發展應該向着低門檻的方向，經過算法或者工程的優化，例如實現易用的數據引入和處理平臺、實現 AutoML 和自動調參的算法，讓更多人能夠真正把 AI 落地實際業務中。

目前你們對於 AI 技術感到新奇並帶有一點恐懼，主要由於不瞭解底層的原理和細節，誤覺得是「自我覺醒」的模型。AlphaGo 並非自學掌握圍棋規則的，也不會本身悄悄地用電腦下棋，其實它是一顆蒙特卡洛樹加上一個精心設計的神經網絡模型，而這個程序只是接受棋盤信息做爲輸入，而後輸出贏棋機率最大的落子點而已，本質上 AlphaGo 只是一系列浮點數而已。對於 AI 技術原理不瞭解，而且加上我的臆造的想象，是目前非 AI 從業者廣泛的最大誤解。

「程序員仍是理解思想比較好，不要太熱衷於追趕技術。」

互聯網金融公司 AI工程師

主要業務是作P2P金融，個人工做是依託於大數據和AI技術，創建公司風控體系，構建實時有效的風控堡壘

工做差很少 8 年了，見證過很是多技術的興起和衰落，好比.Net，不少年前很火，如今基本不見了，Struts2 好像如今也愈來愈少用。但也有不少技術一直很火，好比 Docker、Hadoop、OpenStack 等。後來我也思考了一下，程序員仍是理解思想比較好，不要太熱衷於追趕技術，好比 Hadoop，理解它的分佈式存儲，資源調度和計算，要比追趕新出來的框架更有意義。

AI 技術咱們如今正在嘗試的方向仍是挺多的，並且 AI 技術我感受有但願去變革不少產業。咱們如今在作的嘗試有幾個：利用深度網絡去從新構建信用評分卡（ABC 卡），用 GAN 去嘗試生產壞客戶，基於複雜網絡和深度學習的反欺詐系統。我的感受在這些方面 AI 技術會有一些突破。框架方面大部分都在使用 TensorFlow，構建網絡比較方便。百度說本身的 Paddle 使用量超過 TensorFlow 我感受有點瞎扯。

AI 技術自己確定是有難度的，須要比較深厚的數學背景和專業知識，並且在不少領域它的技術並不成熟。相比於互聯網其餘技術崗位，挑戰更大，能作出優秀產品的難度更高。

以上全部觀點僅表明受訪者我的意見，與所在公司無關。

對於2017年，你又有什麼想說的？

你最關注AI的哪些方面？AI和你的工做如何結合？

今年AI大熱，對你的工做帶來了哪些影響？

你用了啥開源軟件？

媒體都在吹牛嗎？公司都在跟風嗎？

你看好AI將來的發展嗎？

......

將你想說的留下吧

請在文章評論區參與討論

若是你的見解有見地