害怕错过人工智能：有人上速成班 博士们跑着进BAT

　　中国正以空前速度“催熟”人工智能产业，一边试图把人们从旧产业格局和繁重劳作中解放出来，一边又如鞭挞督导般，让人们做出种种变革。在这一大潮中，踏上或即将踏上人工智能专列的人们兴奋着、冒险着、困惑着、前行着。

　　来源：AI财经社

　　文 | 张丽娟　　编辑 | 赵艳秋

　　摸着自己“羞涩”的钱包，看着眼前培训班门口显示屏上的红色喜报，李天跨出了他走进人工智能培训班的第一步。七拐八拐，长长的走廊上挂着满满当当的优秀学员展示。

　　这是一个很平常的周末的早上，连9点都不到，但让李天想象不到的是，培训班外面的走廊上已经传出了教室里讲师高亢的讲课声。

　　培训班的咨询师小张，自信地为李天介绍，这个人工智能培训班已经“有5年历史，成功举办了无数届”。宣传单页上，就连生物工程背景的学生，也藉由这个培训班，成功搭上了开往人工智能的专列，甚至拿到了李天梦想中的薪水。

　　培训班里的打拼者

　　李天已经无数次研究网上招聘信息和培训课程，心里反复不停地掂量着。培训班咨询老师小张对此则不以为然――现在，他的生意并不缺。

　　“我们分两种，一种是全日制培训班，一般每期至少会有30多个人报名。最近一期，我们有60多个学生。另一种是周末培训班，大概在20人左右。很不巧，我们最近一期的周末班已经开班1个多月了，如果你着急上，要看你能不能跟上课。否则你就得等下一期。”小张为李天介绍着培训班近期的状况。


某知名IT培训机构推出的人工智能课程吸引了很多前来咨询的人。图片来源于网络

　　这让李天很吃惊。他完全没想到过来上培训班还报不上名，甚至报名之后，还要等，就算顺利上了，之后的求职还是个未知数。

　　小张看出了李天的心思，紧跟着对他继续说：“职业教育培训，不仅是单一讲技术，我们会安排就业。有相关合作企业会过来招聘，是免费推荐。最近的一个班，11月毕业，已经有十几家企业预定了30多个学生，这些都不用担心。”

　　李天决定去试听一节课再说。

　　在试听的课堂上，李天遇到了与他一样用渴望的眼神看着讲师的其他30多名学生――学生物工程的玲玲，学测试的珍珍……

　　试听后，李天踌躇着。“比起其他培训班的鱼目混杂，这个领域还是比较看重学历的。老师的说法是，这个培训班上30%是本科学历，48%是大专学历。”李天对AI财经社说，“我是普通本科毕业，之前也算是一个码农吧，算是有些基础。再说了，这个班要上的Python语言，80%的技术岗位都可以用到。”

　　最终，李天报了这个学费接近2万的80天速成班。尽管这笔不菲的培训费已是他2个月的薪水，但想想自己年近30依然月入不到1万，万一培训后，猎头口中动辄几万元的月薪工作向自己招手了呢？

　　李天并不是个例，他在的1个多小时内，来报名咨询的人络绎不绝，培训班的5间咨询室中，业务就没有丝毫的空闲及间断。咨询的人游移着、权衡着，即使下了决心，也还是迷茫着。就如水木上那个匿名网帖描述的一样矛盾：“人工智能各方面人才其实都是需要的，难道只有算法大牛能成事？但是未来的出路也需要考虑考虑。”

　　暴增的科班在校生

　　和李天不同，陈龙是一名北大在读博士。今年2月，他和队友们在首届阿里聚安全算法大赛中夺魁，也算是和安全领域的人工智能结缘了。

　　陈龙并不是人工智能科班出身，而是在专业探索之中接触到人工智能的。“我本科学的是学电子信息科学与技术，硕士专业是通信工程，博士专业是软件工程”。

　　2013年前后，恰逢大型开放式网络课程（MOOC）刚刚兴起，新鲜感加上求知欲，促使陈龙在知名公开在线课程项目Coursera上学习了很多课程。“其中，用R语言做数据分析的课程，为我打开了通往数据科学的大门。”陈龙说。

　　和很多人一样，陈龙在Coursera上学了人工智能领域权威学者吴恩达的机器学习入门课程，并且满分通过，这也更加坚定了他把数据科学作为专业的选择。

　　不过，跟李天迫切想提高薪水不同，陈龙更多的还是想要用技术创造价值，成为一名数据科学家。但让陈龙感到困惑的是，在如今人工智能这个异常热闹的领域中，机器学习、深度学习、数据挖掘、数据科学、大数据……光是这些热门词就让人觉得分不清，它们所涉及到的技术更是让人眼花缭乱。

　　“学习R还是Python？Spark那么火，Hadoop还要不要学？Caffe、Tensorflow、PyTorch、Keras、MXNet等流行的深度学习框架，该学哪一个？”陈龙说。

　　与陈龙相比，人工智能科班出身的学生，困惑一点也不少。一位2012年报考了某校第二届人工智能专业的人士，在本科毕业后总结说，人工智能专业似乎与“自动化”那个万金油专业很像，与电子、信息、计算机、数学、自动化专业都有关。“我自己学的东西基本介于电子工程和计算机科学之间。模式识别学了一些，但都是皮毛”。不仅如此，人工智能对数学要求也比较高，特别是离散数学、优化那块，但又跟理论数学差别非常大。

　　他为自己的学弟学妹总结了一条人工智能的求学之路――学好计算机科学，拿到美国大学要求的GPA高分，念好外语，然后出国。“毕竟人工智能和机器学习的核心研究都在那边”。


　　大学纷纷开设人工智能专业。9月10日，中国科学院大学为新设立的人工智能技术学院举行揭牌仪式。图片来源于网络

　　不过，一边是还在形成之中的学科教育体系，一边是学科在校生的暴增。在北大信科学院，学生在大二会有专业分流，可选电子、微电子、计算机、人工智能四个系中的一个。“10年前，07级那会，选择电子系的学生数达到了巅峰，近110名，而选择人工智能的学生只有区区30人左右。”陈龙说。之后几年，选择电子系的人数逐年下降，而人工智能的学生逐年攀升，到了2011年前后，两个系的学生数几乎翻转过来。

　　“人工智能近10年飞速发展，越来越多的学生选择了相关专业，IT职场人士也有很多在转型。”陈龙说。

　　领英前不久的人才报告也印证了这个潮流。相比美国，在人工智能领域，中国年轻一代的占比更高，28岁-37岁中青年（80后）是AI领域发展的主力军，占AI发展总人数的50%以上。相较而言，美国AI人才在各年龄段分布得更加平均，48岁及以上的资深人才占比为16.5%，远高于中国的3.7%。

　　千军万马的创业者

　　不仅是暴增的求学者，创业者也纷踊踏至。

　　据《乌镇指数：全球人工智能发展报告（2017）》数据显示，2000年以来，全球平均每天诞生约1.39家人工智能企业。而过去5年是人工智能创业的重要阶段――全球60%以上的人工智能企业诞生于这一阶段；在288亿美元的融资中，超过70%集中在这段时间发生。

　　这么多的创业者，首先要面对的就是人才抢夺战。前有今日头条创始人张一鸣放话：“人才的水平有多高，我们的薪酬就有多高。”后有商汤科技 “按图索骥”，画出“博士人才名单”，但凡有人即将毕业，就马上找上门，不让任何鱼儿漏网。

　　依图科技也加入了这场人才的抢夺战之中。随着人工智能要在行业中落地，跨界人才成为最好的人选。


人工智能创业者忙着抢人才、做变现。图为依图科技创始人朱珑在发表演讲。图片来源于网络

　　“以依图医疗骨龄产品研发为例，项目负责人林强做了十几年的医生，idea比较新，能够接受新事物，是最合适把医疗跟人工智能技术结合起来的人。”依图医疗副总裁倪浩说。

　　倪浩本身的发展也诠释了这类跨界人才的成长路径。他高考报考了医学院，后来又因兴趣改学计算机，在计算机行业从业后，现又在依图科技做起人工智能和医疗相关的创业。

　　而当人才和技术都有了，怎么进行商业变现也是人工智能创业者正在探索的。

　　“我们目前还没有一个完整的答案，还在一个探索过程中。可能互联网中大家常说的，我们不知道哪里是猪，哪里是羊毛，但只要人工智能可以有所帮助，就一定是能收到钱。”倪浩说，“而钱不能是从原来的收费体系里来。盯着国家的收费，非要从原有收费体系里扣一块的思路特别不正确。因为医院最近10年变化非常大，比如药品平价化。目前，我们最忠实的是人工智能要带来价值。”

　　当然，作为人工智能领域的先行者，具体到某个应用场景，还有相关的困扰在等待着这些创业者。

　　倪浩也遇到了其他的困惑。他这样说道：“到现在为止，人工智能医疗企业没有一个获得‘食药监许可证’的。三类许可证要企业创办满两年才可以拿到。但中国还没有哪家人工智能医疗公司真正做两年的。监管和创新要有一个度的把握，希望可以有一个利于行业发展的监管环境。”倪浩说。

　　跨界两年小试牛刀

　　一批人去创业，而另一批人去了成熟公司。

　　颜水成拉过一把探路者的帆布椅，坐在我们面前，身子前倾，像是和朋友或同事讨论事情一样。他语调平和而诚恳。办公室的浅绿磨砂玻璃窗上用黑碳素笔列着一些研究事项和公式。

　　颜水成是360集团副总裁、人工智能研究院院长，2年前，从学界跨入产业界。“在我与企业接洽的时候，人工智能学界还未形成后来纷纷跨入产业界的风潮。”他对AI财经社说。

　　在进入360前，颜水成在学界做得风生水起。“新加坡是个世外桃源，非常适合做学术，经费充足，又不受杂事干扰。”他说。他和他的团队在7年间共发表了400多篇论文，所有论文已被引用了3万多次，并获的了IEEE Fellow、IAPR Fellow殊荣。“学术上该做的事情已到了一个阶段”。

　　2014年利用学术休假，颜水成帮助一家国内大型电商平台成功上线一款基于计算机视觉技术的商品搜索应用。“看着日活量蹭蹭往上涨，没多久就到了50万，现在已经是千万级日活了，那种感觉是不一样的。”颜水成感到，技术就应该以产品化的方式来推动，自己应该到工业界走一走。在2015年，他接过了360抛来的橄榄枝，从学界跨越到工业界。

　　进入360后，颜水成要找到人工智能技术与这家企业的业务结合点。实际上，他也花了很长时间跟我们分析一些智能化技术的产品化前景。“比如智能音箱，对整个人工智能的发展非常关键，但这种人机对话还未达到心灵层面的交流，用户是否买账还是存疑的。包括AR、VR、对话机器人和自动驾驶，还需要足够时间才能看到大爆发的可能”。


颜水成曾在柯洁与谷歌AlphaGo的人机大战期间解读人工智能技术。图片来源于网络

　　现在，颜水成做出了自己的判断，人工智能技术产品化要看四个条件：一是有没有高频刚需；二是技术是否成熟；三是技术是否有壁垒，如果技术有可能被大厂免费开放，你的投入就要非常小心了；四是有没有清晰的商业变现模式。

　　根据这四个标准，颜水成也逐步摸索出360的人工智能产品化战略。比如计算机视觉技术，在360目前主推的快视频产品中，能对视频进行精细分析，像视频质量分析、视频内容分析等。这些信息能实现智能推荐或内容二次编辑，产生更酷的短视频，在360花椒直播、花椒相机、奶糖等急速上升的平台上发挥重要作用。

　　颜水成组织团队进行了技术攻坚和产品化，取得成效。

　　而因为360本身业务比较多，“专注在哪些方向是需要经常思考和调整的”。

　　从学界跨入产业界，颜水成看到两个领域的不同。学界是先定义了问题和数据，你可以不停地增加资源、改进算法来提升精度，但工业界是另一回事，它只有场景是确定的，其他都是动态的，资源也是受限的，因此，两者解决问题的方法论完全不同。“这也是从学界跨界而来的人士必须要做出的转变”。

　　颜水成也面临着有限资源的协调，“在某个项目上，用好10到20人，做到比超大公司上百人更好或者相当的效果”。如何协调好这些人才就变得异常重要。

　　“相较而言，公司在计算机视觉技术上有优势，组建时招聘了一批这个领域的顶尖人才，很多是从世界级大赛中锻炼的学生，再加上之前360内部的一批精兵，就变得非常适合攻坚，也具备了跟其他机构比拼的实力”。

　　如今，研究院已从刚开张的六七个人变成了可以打攻坚战的60多个人。领域也从计算机视觉，扩展到3D和SLAM技术、对话式人工智能、金融风控等方面。

　　颜水成还发挥了自己来自学界的优势，与新加坡国立大学建立了联合实验室。这些实验室的负责人曾是他的学生或同事，两者因而能亲密无间地合作。“公司要在刚需和长期战略之间做一个平衡。我们更多地瞄准短期（一个季度）和中期（半年）看到结果的产品。短期项目在公司内部进行团队攻坚，中期技术，就会由内部团队和联合实验室进行合作。但这种机制并不是所有企业能建立的，也并不适用所有公司，恰好是我们的优势”。

　　炙手可热的硅谷派

　　在人工智能人才大潮中，硅谷派有着更多的光环。

　　阿里云首席科学家闵万里就是其中一位。“14岁被中科大少年班录取，19岁赴美攻读物理学硕士，后获得芝加哥大学统计学博士学位。先后在IBM TJ Watson Research Center及 Google 担任研究员。”这是闵万里在2013年加入阿里之前的履历。

　　一路顺风顺手的闵万里在IBM跟自己的伙伴一起研发了针对肌肉萎缩症患者的脑电波产品，研究效果非常好，也发表了相关的文章，但遗憾的是，因为应用场景过于小众，商业化受到了巨大的挑战。

　　反而是闵万里之前关于交通流相关的论文，虽然没有脑电波的技术难度大，但因为实用性，成为该领域过去5年被引用最多的文章之一，并开发出很大应用空间。

　　两者一相比，闵万里感觉到，一定要去一个数据体量较大、场景相对比较新的地方。“而当我得知，一家中国企业所拥有的客户数据量，比eBay、亚马逊、PayPal加起来还要多的时候，这句话就足够了。”闵万里坚信，这里将有一个巨大的发展空间。

　　此时，一位回国仅呆了一年又重返硅谷的朋友给了闵万里一些个人建议，认为国内充满了不确定性，劝闵万里三思而行。

　　但这没有动摇闵万里的决心，他还是在2013年回国正式加入阿里。

　　“我回来后拉了一批人回来，包括原来的同行和同事。有人在那边到了一个天花板的阶段，我身先士卒，大家也就回来了。”他说，“当时阿里还没上市，大家对阿里的发展前景疑问比较多。现如今，关于阿里的疑问越来越少，反而是对自己的疑问越来越多，自己是否适合这里？”

　　“到阿里之后，我们面对的是商业化场景，这就需要把技术落实到具体的场景之中，抽丝剥茧，哪些技术可解，哪些问题可以抽象得出，哪些数据可以利用，分解成一连串的好问题，才可以真正解决问题。”


闵万里认为在一个数据体量较大、场景相对比较新的地方，人工智能才能发挥价值。图片来源于网络

　　闵万里也承认，“硅谷回来的不一定是都是创新者，硅谷也有很多螺丝钉，如果硅谷都是创新者， 那么Facebook已经复制几千家了。所以硅谷回来也不一定就是专家，不一定是一个加分项，落地过程中还会遇到很多的挑战”。

　　闵万里自己也是从基础研究转型到实际场景的应用中去的。“转型并不好转，因为这涉及到的不单单是对算法的理解，还要求对目标问题的理解，这已经超出了算法的原始范畴，我也经历了很多挫折，开展了很多尝试，但这一步必须要走。如果不走，跟业务问题就有一个巨大的鸿沟”。

　　在实践的过程中，他发现，人工智能人才一定是能够创造算法的人。因为只有充分了解算法的底蕴，才能把分解完的问题匹配到正确的算法上，“懂得背后的原理就不会在选择时只是掷骰子，没有根基的浮萍就是以貌取人”。

　　但光有算法还不行，他们还要是“自下而上”的人，理解实际场景。“这好比拿着一把刀去找实际场景，但如果碰到的是金丝楠木，反而就发现拿错了武器。我们有很多人一上来就谈技术细节，而忘记了这是解一个整体问题的一环。”

　　再加上如果有人一知半解，只能人云亦云，拿别人的配方复制而不是新的配方。“爱因斯坦的司机也能讲相对论”，但解决不了问题。这样的人一旦多起来，就会冲击市场，劣币驱逐良币，高精尖产业白菜化，反而对行业不利。

　　因此，他更喜欢从研究中培养人才，一起分解，一起探索，引导大家往新的方向走，使优秀的人才脱颖而出。

　　现在，人工智能正疾驰而来，也正在鞭挞督导人们做出种种变革。在这一大潮中，踏上或即将踏上人工智能专列的人们兴奋着、冒险着、困惑着也前行着。