人工智慧涼了嗎？

2019年，很多人說人工智慧涼涼了，事實真的如此嗎？本文作者從人才供給和人才需求兩個方面對此進行分析探究，總結了自己的看法，與大家分享。

一、開始

17年大學畢業，因為看了一本《浪潮之巔》，毅然決然地選擇了人工智慧這個浪潮，期望自己能夠跟隨這個浪潮得到人生的機遇。

三年下來我也真的遇見了不一樣的自己，慶幸之前的選擇。這三年中我從一無所知的應屆生成長成了一個瞭解對話系統、演算法原理、產品的設計的產品狗，也更明確了職業發展，對職業發展有了明確清晰的規劃。

2019年網際網路行業顯得格外冷，各家大廠裁員、創業公司倒閉，身邊越來越多做人工智慧的朋友也表達了對人工智慧行業發展持悲觀的看法，認為目前的人工智慧和自己入行前想象的人工智慧差距太大。而前幾天刷知乎的時候看到一個問題，也讓我開始思考自己所在的行業。

思考現在的人工智慧行業還是不是三年前的人工智慧行業，人工智慧行業的發展方向是不是有所變化，自己是否需要及時調整自己的方向。

二、結論

先說我認為的結論：我認為現在人工智慧行業依舊火熱，在經濟下行的壓力下，企業降本增效的需求強烈， 市場上對人工智慧行業的需求依然旺盛。給人一種行業降溫，工作不好找錯覺的原因是人工智慧行業的人才需求和人才供給不匹配導致的。

人工智慧行業相對於零售、金融等一些成熟的行業來說還是一個小而美的行業，目前還難以獨立創造價值，創造的價值目前還是依靠這些成熟行業，透過對成熟行業的智慧化改造，去降低行業運營成本，發掘行業新的增量去產生商業價值。而且正是因為依靠成熟行業創造價值，這就導致了了人工智慧行業對人員的數量要求不像傳統的行業一樣，動輒千萬計數。

但是這幾年的人工智慧熱潮讓大量的人一窩蜂的湧入人工智慧行業，這裡面有這大量的新開設人工智慧專業的畢業生、非人工智慧專業的畢業生、透過培訓機構轉行進入人工智慧行業的人。

不過，隨著人工智慧在各個行業的深入，每個行業最容易吃到的肉被吃完後，繼續尋找可以降本增效空間的任務難度隨之上升，此時員工除了基本的人工智慧能力之外，對應的行業能力就顯得尤其重要了。

這些人工智慧從業者往往缺乏垂直行業的經驗，與企業需求不匹配，就導致了一些人找不到理想工作的現象出現。

三、人才供給

人工智慧行業經過幾年的發展，輸出了一大批有經驗的從業人員。高校緊跟政策，新開人工智慧專業，也給社會輸出了一大批新鮮的血液，培訓機構也輸出了不少的複合型人才。人工智慧行業的人才供給加大，加劇了行業內的競爭。當然，好的競爭能夠更好的促進社會的發展。

1. AI產品經理

人工智慧行業剛剛興起的時候大部分的AI產品經理是從透過創新專項從傳統網際網路產品經理轉崗進入人工智慧行業的；還有一部分則是演算法工程師兼產品經理，隨著專案的落地，轉崗稱為AI產品經理。這兩類的AI產品經理要麼深刻理解業務場景，要麼精通技術實現，而且參與了最早的AI專案落地，具備完整的0-1專案經驗，也是目前對各家企業最有吸引力的。

前兩年人工智慧行業剛剛開始落地，對資料有著大量的標註需求，很多團隊都是透過內部運營人員、客服團隊進行標註的。

隨著冷啟動完成，系統進入線上運營階段，很多人工智慧訓練師也承接了線上運營的工作。透過對系統日誌的分析，不斷產生新的服務質量提升需求，慢慢的這些人工智慧訓練師就轉崗稱為了AI產品經理。

這兩年隨著人工智慧專業的畢業生進入社會，也有很多直接從事了AI產品經理的工作。這兩類的AI產品經理目前因為工作經驗的原因，還需要時間去積累能力。

2. AI訓練師

人工智慧訓練師在市場上呈現兩極分化，只會簡單資料標註工作的人工智慧訓練師薪資持續下降，另一邊則對了解模型原理、熟悉bad case修復、能夠制定運營流程規範的人工訓練師，企業則不斷抬高招聘薪資吸引他們。

這很大一部分原因是很多公司將從事資料標註和資料質檢的都統稱為人工智慧訓練師，無形中增加了招聘的成本。大量的企業客服系統智慧化升級、資料標註眾包平臺為行業輸出了大量的資料標註員、資料質檢員。

以我從事客服行業為例，大部分的標註人員都是由一線的客服人員轉崗來的，他們瞭解一線業務，能夠很好的完成知識庫梳理、語料標註。但是這些標註人員缺乏運營經驗、不瞭解模型及系統原理，待智慧客服完成冷啟動上線後，對bad case修改、系統執行邏輯不瞭解，導致難以輸出運營流程規範制，推動智慧客服不斷迭代。

只能進行資料標註的人工智慧訓練師，市場上的薪酬大多隻有3.5-8K每個月左右，對於具備帶標註團隊經驗的人工智慧訓練師，市場上大多能夠開到12-16k每個月的薪酬水平。

3. 演算法工程師

目前演算法工程師主要來源有人工智慧轉畢業生和機構培訓、自學演算法的開發人員兩類。

演算法工程師經常是社會新聞的主角，常常被冠以年薪百萬，然而實際上能夠達到年薪百萬的演算法工程師只是一小部分，這些人都是擁有豐富的工程化經驗，能夠很好的將複雜的業務場景完成建模及模型引數最佳化工作的。

而AI培訓機構圈錢行為輸出的演算法工程師則能力參差不齊了，網上開源的演算法也降低了演算法應用的門檻，很多培訓機構輸出的演算法工程師往往因為演算法基礎不夠紮實，不具備針對行業場景建模的能力，只會應用通用解法、開源的演算法去解決問題。

四、人才需求

1. 行業頭部企業

頭部的網際網路企業，如百度、阿里巴巴、美團等在這一輪的人工智慧熱潮剛興起時就很早的參與進去，在前期就完成了和自己的業務結合，並且緊跟技術的發展，不斷完善迭代自己的技術、最佳化場景。

例如：美團對於配送時間預估先是透過機器學習實現，後續升級為深度學習，最後透過MVP驗證完後，透過最佳化為輕量化達到線上的高可用。對於自身業務智慧化成熟的部門。

目前頭部企業面向使用者的部門對人工智慧從業者的需求很少，就算有坑，他們也對於AI產品經理的需求最重要的就是要求具備多年垂直行業經驗，對於人工智慧技術只需要瞭解技術的邊界即可。

企業希望透過這類人才幫助企業進行更深入的應用，挖掘出更多的商業價值。對演算法工程師的需求大多是要求能夠根據場景進行建模，設計演算法解決業務問題。

另外，頭部的企業透過內部業務應用打磨完成了產品後，都有很強的對外輸出需求，例如：阿里雲、百度ai開放平臺等。這些b2b部門對於人工智慧從業者的要求則更多是具備專案實施的經驗、溝通能力強、具備解決方案設計能力，因為他們都是透過標準化的產品+部分定製開發的專案實施模式對外進行能力輸出。

2. 行業第二梯隊企業

第二梯隊的企業對於人工智慧態度就存在很大的差異，既有積極擁抱的；也有理性看待，根據自己需要外採；也有對看不透的東西主觀上就進行排斥的。

理性看待人工智慧的公司，大多根據自己實際業務需要，有針對性的外採供應商的ai系統解決自己的業務場景問題，這樣就不用自己0-1搭建多套機器學習環境、資料積累及標註，並且能夠避免一整個AI專案團隊的人員開支。

積極擁抱的人工智慧的公司，一般青睞於有0-1經驗的人員，能夠幫助他們快速完成系統搭建。如果專案啟動在即，實在沒有0-1經驗的候選人出現時，他們也會招聘有一定人工智慧經驗的候選人即可。

3. AI創業公司

每個浪潮的興起，都會有一些嗅覺靈敏的人敢為人先，去創辦創業公司。人工智慧行業早起的創業公司既有toc，做個人助手的出門問問，也有面向b端市場的追一、竹間、思必馳等。

tob企業一般遵循著“可用-標準化-規模化”的商業模式，人工智慧行業目前還難以獨立產生商業價值，在網際網路寒冬的大背景下，ai創業公司往往倒的更快。因此，他們一般維護著一小支創新團隊+多個專案實施團隊的組織架構。

創業公司因為難以吸引到最頂尖的人才，往往會採用1+1的組合去實現自己的目標，即招聘一個具備自己缺失能力的人與內部人員組合形成團隊，例如：當A創業公司希望打造一個智慧政務解決方案時，會招聘一個有風度政務經驗的人，然後從內部配合一個AI產品經理與之搭配，一同完成智慧政府解決方案的搭建及落地。

4. 轉型AI企業

每個行業都有從啟蒙到發展，再到成熟的過程。成熟的行業要麼一家獨大，要麼就是幾個不相伯仲的企業之間紅海競爭，互相不得利。很多成熟行業的企業，期望透過AI轉型，開拓新的業務線，實現差異化競爭。

這些企業往往青睞於有0-1經驗的人員，能夠幫助他們快速完成系統搭建。

五、建議

企業發展的趨勢是不可逆的，都是不斷深入的，那麼如果調整自己與企業需求匹配，跟隨企業的發展實現個人的發展就很重要了。那麼如何讓自己保持在浪潮之巔，就放在下篇文章寫寫AI從業者需要具備的技能樹吧。