2018 年的寒冬不斷有各種企業結構調整和裁員訊息向我們襲來，無論是在找工作的應屆生還是在崗的同學心中都有些忐忑。2018 年演算法工程師崗位沒有過多的增加，而求職人數則出現了爆發性的增長，在新的一年中，各個人工智慧演算法應用領域的演算法崗位的需求是如何變化的，有哪些細分領域值得被關注呢?

人工智慧在諸多領域帶來了顛覆性的變革，當今的人工智慧技術以機器學習，特別是深度學習為核心，在視覺、語音、 自然語言等應用領域迅速發展，已經開始像水電煤一樣賦能於各個行業。在我國,人工智慧的發展已經被提升到國家戰略發展的層面上，因此，人工智慧在很多領域有十分廣闊的發展空間。下面本文將從基礎平臺到應用場景逐步分析其對應的發展機遇和發展空間。

軟硬體支撐平臺

硬體：多種人工智慧晶片創新

作為人工智慧技術的核心，人工智慧晶片備受關注，谷歌、蘋果、微軟、Facebook、英特爾、高通、英偉達、AMD、阿里巴巴等巨頭紛紛開始自主研發人工智慧晶片，並且人工智慧晶片的應用場景細分市場越來越多，專門為某些人工智慧應用場景定製的晶片適用性明顯高於通用晶片。這樣的形勢，給一些人工智慧晶片的初創公司帶來了機會。寒武紀晶片和地平線的人工智慧視覺晶片、自動駕駛晶片等，就是初創公司在人工智慧晶片領域取得成功的代表。因此， 人工智慧晶片體系初步形成，但後續仍然有巨大的發展空間和潛力。

軟體：人工智慧計算框架

基礎開發框架在人工智慧產業鏈中佔據承上啟下的核心地位。目前，深度學習開發框架已經被 Google、Facebook 等行業巨頭開發的開源計算框架佔據。目前多以應用為主，國內某些大廠也擁有自己的深度學習開發框架，但使用率較低。這方面的機會和發展極少。

人工智慧基礎產品

1. 自然語言處理(NLP)

自然語言處理主要涉及語音識別、語音合成、語義理解、機器翻譯，自然語言類產品呈現實用化的發展趨勢，但是產品成熟度上仍存在較大的提升空間。目前， 語音識別受到國內外商業和學術界的廣泛關注,在無噪音無口音干擾情況下可接近人類水平。  國內的百度、訊飛、思必馳等企業均推出了各自基於語音互動的產品，其中以輸入法、車載語音、 智慧家居、教育測評最為普遍。 機器翻譯是當前最熱門的應用方向，由於自然語言語義分析的複雜性，翻譯水平還遠不能和人類相比。  各大廠商都積極投身於這個備受關注的機器翻譯領域，各大網際網路公司相繼推出自己的翻譯系統，谷歌、微軟、有道、科大訊飛、百度、搜狗等均上線或更新了翻譯產品。總結：自然語言處理領域中，機器翻譯方向有著最為廣闊的發展前景。

2. 知識圖譜

知識圖譜是具有向圖結構的一個知識庫，其中圖的節點代表實體或概念，而圖的邊代表實體/概念之間的各種語義關係，其起源可以追溯到 20 世紀 50 年代的語義網路，本質上是使機器用接近於自然語言語義的方式儲存資訊，從而提升智慧資訊檢索能力，現已被廣泛應用於智慧搜尋、智慧問答、個性化推薦等領域。基於知識圖譜的服務和應用是當前人工智慧的研究熱點。當前，知識圖譜的應用可以歸納為語義搜尋、知識問答以及基於知識的大資料分析與決策三個方面。

• 在  語義搜尋  方面，一方面，基於知識圖譜的搜尋引擎相繼融入了維基百科、CIA 世界概覽等公共資源。另一方面，搜尋引擎與 Facebook、Twitter 等大型社交企業達成了合作協議，在個性化內容的蒐集、定製化方面具有顯著優勢。
• 在  知識問答  方面，目前，國內外形式多樣的問答平臺都引入了知識圖譜，百度公司研發的小度機器人、小米智慧音響、阿里巴巴天貓精靈等都引入知識圖譜技術,開始提供互動式問答服務。
• 在  分析與決策  方面,利用知識圖譜可以輔助行業和領域的大資料分析和決策。例如在股票投研情報分析方面,透過知識圖譜技術從招股書、公司年報/公告、券商研究報告、新聞等半結構化文字資料中自動抽取公司相關資訊，可在某個宏觀經濟事件或者企業突發事件中透過此圖譜做更深層次分析和更好的投資決策。

總結：語義搜尋方面的英語趨向於成熟，知識問答方面各大廠商都已經躍躍欲試，但產品仍然不夠穩定，需要進一步的發展和完善，而 分析與決策則領域則是有廣闊的應用和發展前景的領域。

人工智慧複合產品

生物識別技術

生物識別產品包含諸如指紋識別、人臉識別、虹膜識別、指靜脈識別、聲紋識別以及眼紋識別等。近年來，隨著世界各國對安防領域重視度的提高，身份識別技術與產品也逐漸趨於成熟與完善，生物特徵識別迎來了一個快速發展的時期，人臉識別、虹膜識別、靜脈識別等生物特徵識別技術正快速發展，市場應用場景廣闊，產品比重不斷增加。近年來，生物特徵識別企業數量快速增長，企業規模不斷加大，生物特徵識別市場規模爆發式增長，尤其是在安防領域，生物識別成為應用熱點。

自動駕駛為代表的智慧運載產品

智慧運載產品主要應用有自動駕駛、無人機、無人船等，目前智慧運載產品應用處於迅速發展階段，無人機和無人船的發展較成熟，已有初步應用，而自動駕駛還處於研發和實驗階段。

• 自動駕駛：  目前，自動駕駛主要分為兩大技術路線：一是福特、寶馬、奧迪等傳統車企所採用的“漸進性”路線，即在汽車上逐步增加一些自動駕駛功能，依託攝像頭、導航地圖以及各種感測器，為駕駛員提供自動緊急制動、全景泊車、自適應巡航等輔助駕駛功能；二是谷歌、百度等網際網路科技巨頭所採用的“革命性”路線，透過使用鐳射雷達、高畫質地圖和人工智慧技術直接實現無人駕駛目的，強調產品的創新和便捷性。
• 無人機： 目前無人機仍然以軍用無人機為主，消費級無人機仍處於初級階段，自主能力仍待提升。我國作為全球無人機第一製造大國，大疆佔全球消費無人機 70% 消費級無人機市場份額，然而依照無人機系統路線圖示準，大疆消費級無人機技術水平仍屬於初級階段。
• 智慧機器人技術： 從應用的角度區分,智慧機器人可以分為工業機器人、個人/家用服務機器人、公共服務機器人和特種機器人四類。工業機器人市場集中度高，是機器人應用最為廣泛的行業領域。人工智慧的興起推動了家政行業的智慧化，個人/家用機器人的應用更加廣泛。公共服務機器人在酒店、金融、電信、電力、物流等具有大規模智慧服務需求的行業中廣泛應用,在低投入的基礎上為企業提供優質高效的服務。特種機器人智慧化水平不斷提升，替代人類完成特殊環境下難以完成的工作。

人工智慧安全

人工智慧作為一種通用目的技術，為保障國家網路空間安全、提升人類經濟社會風險防控能力等方面提供了新手段和新途徑。但同時，人工智慧在技術轉化和應用場景落地過程中，由於技術的不確定性和應用的廣泛性，帶來衝擊網路安全、社會就業、法律倫理等問題，並對國家政治、經濟和社會安全帶來諸多風險和挑戰。人工智慧安全風險包括網路安全風險、資料安全風險、演算法安全風險等風險。

• 從  網路安全風險  看，人工智慧學習框架和元件存在安全漏洞風險，可引發系統安全問題。
• 從  資料安全風險  看，一方面逆向攻擊可導致演算法模型內部的資料洩露，另一方面，人工智慧技術可加強資料探勘分析能力，加大隱私洩露風險。Facebook 資料洩露事件即是典型案例。
• 從  演算法安全風險  看，演算法設計或實施有誤可產生與預期不符甚至傷害性結果；演算法潛藏偏見和歧視，導致決策結果可能存在不公；演算法黑箱導致人工智慧決策不可解釋，引發監督審查困境；含有噪聲或偏差的訓練資料可影響演算法模型準確性；此外，對抗樣本攻擊可誘使演算法識別出現誤判漏判，產生錯誤結果。

總體而言，人工智慧安全的研究處於剛起步的階段。後續的研究和應用都需要大量的人力投入。

隨著人工智慧的發展，應用領域越來越精細，對人才的要求必然是越來越高。最初的粗放式需求中，可能僅僅需要求職者瞭解機器學習和深度學習的相關演算法，並有一定的專案經驗，後續隨著相關人才越來越多，產業發展越來越精細，對人才的要求則會提升到具體的研究領域上。 這就要求大家儘量在人工智慧和機器學習的某個具體領域有儘可能多的專案以及儘可能深入的瞭解，而不是各個領域都瞭解，卻都不深入。 就領域而言，建議大家選擇初步發展或者剛剛起步的應用領域，在爆發式的增長之前進入該領域，對自己的職業發展和高度能夠有所期待。