人工智能高薪傳奇已不在

馮漢森

過年時節，親戚朋友們總是對我學的專業“很有錢景”表示祝賀，好像與人工智能相關就是高薪的保障。對此我不置可否。我的專業確實與人工智能息息相關，但高薪也不是必然的。人們對人工智能的過高期待使得前兩年從業者的薪資有些虛高了，所以會給大家“做人工智能肯定高薪”的錯覺。我以為，今后人工智能的高薪現象或許依舊會存在，卻將不再如此傳奇，換句話來說，其價值必定匹配其薪資。

什么樣的“智能”才算“人工智能”

人工智能行業看起來形勢一片大好，然而，相信大家多多少少也能感覺到，現在“人工智能”這個概念已經被炒過頭了，很多商家完全是在消費這個概念，靠賣概念來掙錢，實際的產品并沒有多么“智能”，或者說只是“換皮智能”，用老的技術披個“智能”的名字罷了。

那什么樣的“智能”是有新技術加持的智能？請允許我簡單介紹一下這一波“人工智能熱”的背景。

大家可能常常在媒體上聽到“人工智能”“深度學習”“神經網絡”“機器學習”這些概念，他們之間的關系是怎樣的呢？下圖給出了這個問題的答案。

這次人工智能熱的主角其實是“深度學習”，可以說“人工智能”這個大概念很大程度上只是被“深度學習”這個子概念帶火了而已。以當前的時間節點來看，越接近“深度學習”的技術，一般就是“智能程度”越高的技術。其他的智能技術各有其適用的場景，但它們并不是這次智能浪潮驚艷世界的主角。

深度學習的崛起是時代的選擇，電子設備的快速發展和互聯網的普及功不可沒，前者提供了強大的計算資源，后者提供了海量的訓練數據，而深度學習的理論其實早有醞釀，并不特別。本領域的權威書籍《Deep Learning》（Goodfellow）是這樣描述的：

一般認為，迄今為止深度學習經歷了3次發展浪潮：20世紀40年代到60年代，深度學習的雛形出現在控制論中;20世紀80年代到90年代，深度學習表現為聯結主義;直到2006年，才真正以深度學習之名復興。

簡單地來說，深度學習是一種簡單有效地利用資源和數據的方法，它往往以神經網絡的方法實現，尤其擅長解決難以形式化描述的任務，比如視覺任務、自然語言處理、棋牌博弈等。深度學習對硬件以及數據的數量和質量要求都很高，所以二十年前研究者覺得很難做，這些年硬件和數據都到位后，該領域卻有了爆發式的增長，在某些場景下人工智能甚至能夠超過人類的表現。

高薪是怎么來的

回到“人工智能高薪”這個話題，我想這首先還是市場需求催生出來的必然結果。

在我高考選專業的2016年，人工智能還只是一個“聽起來不錯但沒那么火”的專業，并不是什么薪金遠超其他專業的存在。然而自AlphaGo在圍棋戰勝人類之后，人工智能賺足了眼球，徹底從實驗室走向臺前，加之深度學習的門檻其實并不高——開發工具成熟、開源社區龐大、公共資源較多、學習成本不高，使原本的局外資本和從業者大量涌入成為了局內人。

當然，人工智能本身確實很有研究價值，無論是通用人工智能還是特定場景下的人工智能，都是解放生產力的大殺器，所以真正的人工智能值得投入，值得通過高薪來吸引人才。從2017和2018年的歷史節點來看，人工智能行業確實存在人才缺口，高薪是大勢所趨。

但過猶不及。據實驗室的學長所說，2019年的實際招聘情況吊打了各路懷夢青年，競爭十分慘烈。很多人奔著年薪“本科平均20萬元，碩士平均30萬元，博士平均50萬元”的口號轉行進入這個領域，卻在付出了大量時間和金錢后敗興而歸。我綜合了一下幾位學長透露的零散消息，大概印象是：2017年左右，只要懂基礎知識能調網絡就有機會入職;2018年左右，只有理論實踐都不錯的人和論文產出比較好的人才能拿到高薪;2019年左右，頂級會議的論文才是大廠的入職敲門磚。順帶一提，深度學習最成熟的應用領域是計算機視覺和自然語言處理，計算機視覺的三大頂級會議CVPR、ICCV、ECCV的論文接收數量都在1000篇左右，CVPR 2019接收論文1300篇，ICCV 2019接收論文1077篇，ECCV兩年一屆所以2019沒有召開。

回顧2017年到2019年的薪酬情況，相關公司想必早已醒過悶兒來了。人們給予了這個概念過多的期待，“欲戴王冠必承其重”，但深度學習這個技術的優點也是它的局限，它承受不了如此多的期待，很多投資項目的資金與精力都浪費在了重復的工作上。重新復盤，兩年前的高薪崗位入職標準，不少有些“才不配位”。

“人均高薪”奇跡會消失，高質量人才永遠被需要

我選擇的研究方向屬于計算機視覺，接下來的五年里我要繼續讀博深造，所以也對人工智能的前景有一些看法，在此提出僅作拋磚引玉，希望能給大家一些啟發。

一方面是深度學習技術本身的問題。深度學習的特點是簡單粗暴——實現簡單、方法粗暴。深度學習早期一度被不少機器學習教授和數學系教授所嫌棄，以至于2019年暑假我聽學術會議時還有教授感慨深度學習效果實在“出人意料”。只要數據和計算資源足夠多，深度學習的關鍵就不再是“能不能做”的問題，而是效率和精度的問題。然而電子設備是有極限的，除非能在10年內進入量子計算時代，否則計算效率上會遭遇瓶頸。同理，有效數據的獲取也是有極限的，然而這是高質量神經網絡所必不可少的。人為標注大量的數據費錢費時費力，你可以試著把自己手機相冊里每張照片出現的人都做一下標注，你就能理解這個工作之枯燥和代價之高了。另外實驗室提出的模型在實際應用落地時效果往往會差一截子，泛化能力——即運用到其他地方的能力，參差不齊。非監督學習還不夠成熟，而監督學習想解決實際應用問題只能采集更多的數據。上述矛盾的核心即在于，想要變得更好所需的數據量/訓練開銷和經濟投入完全不成正比。由此推斷，接下來的日子里，人工智能產業擴大的增速大概率會放緩，過飽和的市場大概會讓平均薪金下降到更合理的地位。

另一方面，深度學習是人工智能，但人工智能不只是深度學習。將多個研究領域有機結合是現在研究的一個思路，用無監督學習自動標注也是一個思路，結合腦科學開發新模型又是一個思路……這樣的思路有很多，都需要踏踏實實地做才可以。容易啃的骨頭已經被啃光了，深度學習本身的路還很長，人工智能的路，更長。完全沒有必要因為深度學習的缺陷而看衰人工智能行業，人工智能“人均高薪”的奇跡可能會消失，但其作為生產力的放大器，從業者的待遇總不會差的。

人工智能行業依然需要人才，但“調包俠”和“煉丹師”已不再受歡迎，迫切需要的是能夠做切實研究的人，以及能夠將研究落地的人。前者需要有扎實的理論基礎和活躍的創新思維，這不是短時間之內能培養出來的，所以我們的人才缺口大到需要在高校單開一個“人工智能”本科專業。后者需要有熟練的軟硬件開發經驗，比如嵌入式開發或移動應用開發，人工智能對這方面的需求很大，與其讓設計者一開始就考慮優化不如讓開發人員去做，這是轉專業的一個很好的切入點。

以上就是我對人工智能高薪現象的看法，希望想從事人工智能行業的同學們靜下心來好好學習，夯實基礎，同時多去嘗試些新的技術，多去復現那些論文看看，讓自己保持活躍的思維和積極的興趣。不要只饞它的薪資，不論什么行業，只有你愛它，多思考多實踐，才能創造出與眾不同的花火，才會獲得相應的回報。

責任編輯：樸添勤

常見人工智能概念名詞的層級關系