本文由 【AI前線】原創，原文連結：http://t.cn/RTehPOp
AI 前線導讀：“還有 10 天，2017 就要過去了～～
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、強化學習等人工智慧技術功不可沒。2017 年，人類再次被人工智慧深深震撼，AlphaGo 在多個場合橫掃幾乎所有頂尖人類棋手，人類最終失守了圍棋這一被視作最後智力堡壘的棋類遊戲。另一機器人程式 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完全資訊博弈中戰勝人類。這些事件標誌著機器智慧的再度崛起，併成為了 2017 年大眾對人工智慧印象最為深刻的事件。”
在人工智慧成為普羅大眾熱議話題的今天，它到底給普通開發者帶來了什麼改變？傳說“將被人工智慧替代”的開發者們到底是如何看待 AI 的？而 AI 領域的開發者身處這人工智慧的熱浪中又有什麼想吐槽的呢？
為此，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刻的事情、目前 AI 的應用情況、大眾對於 AI 最大的誤解是什麼、AI 的未來會如何等問題進行了探討。在此我們選出了其中部分精彩回答，希望藉由開發者們對於同一個問題的不同看法，給讀者展現思想碰撞產生的零星火花。當下熱門的“AI”是一個非常籠統的概念，其中涵蓋了大量不同技術，而每個人對於“AI”也有不同的認知和感受，但大家幾乎都認同的一點是，AI 確實給每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。
不論你是贊同抑或反對文中的任意觀點，或者你有自己對於人工智慧的看法，都歡迎留言與我們討論。
http://weixin.qq.com/r/dijSyg3E51CYrUmp931k (二維碼自動識別)
宣告 | 本文為 AI 前線公眾號（ID：ai-front）獨家稿件，未經許可，不得轉載。
1
“AI確實在某些方面的效率和知識比很多人高很多，但永遠也不會比人更有智慧。”
明略資料 AI工程師之一
公司主要業務：面向金融、公安、工業等領域的大資料智慧解決方案
主要負責文字挖掘工作，即從大量文字資料中，挖掘出需要的知識
我目前在工作中做的是自然語言處理，包括基本的實體識別，再到關係抽取，這些處理用到自然語言處理的經典演算法之外，還包括訓練資料的自動生成，演算法和規則的結合等。總體來說，處理無結構的文字資料還是很有難度的，就算 AI 技術，也無法像一個成年人一樣，迅速理解各種靈活的表達方式和新詞。
對我來說，今年 AI 大熱帶來的最大影響是普通人對 AI 的期望過高了，甚至認為都用 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？之所以會有這些問題是因為很多人對 AI 的侷限還不太瞭解。媒體對 AI 只報導成績、掩飾缺陷，以為一些缺陷只不過像是軟體系統裡的一個個 bug，補一下就行了，實際上並沒有那麼簡單。
AI 對普通開發者是非常有用的，但也不能對 AI 抱有過高的期待。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，不只是應用領域。
目前大眾對 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很多人高很多，但永遠也不會比人更有智慧。
2
“現在AI這個行業很浮躁，真正的腳踏實地的人很少。”
明略資料 AI工程師之二
主要負責自然語言處理相關的工作，包括分詞、命名實體識別、詞性標註、模糊匹配、情感分類、短文字打標籤、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，以及市場上很多人工智慧產品的落地。我的感悟是：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 專案，幫助其從文字中作出預警模型。在工作中結合 AI 有難度，真實的業務沒有公開資料集那樣“乾淨”，我們平時做的還是要從業務出發，在機器學習界有個東西叫奧卡姆剃刀，說的是假如有多個模型都能達到差不多的效果，選最簡單的。用高階模型不一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，踏踏實實看書看部落格，精讀幾篇經典的 Paper，GitHub 上多復現幾個實驗。
我覺得 AI 是一種技術，就像前端後端安卓 iOS 一樣，不希望大家跟風學。現在這個行業很浮躁，真正腳踏實地的人很少，大部分都在仰望星空，這不是好現象。所以對於普通的開發人員來說，負面影響多，但是我還是看好這個行業。
AI 真正落地賺錢的產品屈指可數，這個行業想要健康發展，還是要多接地氣，切實地為社會解決問題。
3
“技術本身無對錯，這取決於怎麼使用AI，誰來使用AI。”
移動電商 演算法工程師
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
主要負責影像演算法技術的研發工作，如：影像搜尋、影像識別等，以改善使用者體驗、提升業務效率、增加商家的運營能力
我參加工作 11 年了，有印象的技術炒作包括：智慧家居、3D 列印、機器學習、人臉識別、VR、無人駕駛、虛擬試衣等。有的技術經過長時間的沉澱找到了應用場景，比如機器學習用於推薦、人臉識別用於金融。有的技術估計還是概念，沒有落地。總的來看，炒作普及了大眾的技術視野，儘管有泡沫，泡沫過後總會留下一些東西，或者是技術的、或者是商業的，這些會長期支援技術商業化。
AI 有難度，也有技術門檻，不僅僅是指技術本身，而是指 AI 落地的門檻，要對應用場景有足夠的理解，有敏銳的業務感覺。
工作中應用 AI 技術，最難的是收集資料和標註資料，需要花費很多精力和人工成本。這是因為必須先定義好場景中的問題，才能有效採集資料。
AI 是人們的合作伙伴，不可能取代人類。普通開發者應該瞭解 AI，利用 AI 改善自己的工作，比如開發工具、開發技能以及解決問題的思路。AI 不能取代開發者，但是可以輔助開發者。
目前所謂 AI，都是基於人類經驗或者積累的資料來工作的，只能做簡單的重複工作，下圍棋也不例外，只是在人類能力上的複製。未來的 AI，應該是具有一定推理能力的，例如智慧助理。
“人工智慧是來取代人的、會傷害人”，這是很大的誤解。技術本身無對錯，這取決於怎麼使用 AI，誰來使用 AI。 AI 也是人類智慧的產物，只是如果被壞人利用了的話，AI 會傷害人類的利益，比如隱私的洩露和濫用、甚至 AI 武器的出現。
4
“媒體沒有吹牛，AI確實在改變大家的生活。”
海康威視 工程師
主要負責針對視訊分析領域的人工智慧業務
工作結合 AI 不難，但是要做到準確率高、高併發響應很難。
媒體沒有吹牛，AI 確實在改變大家的生活。對於普通開發者的一些工作未來應該會被 AI 替代。
目前市場上各類 AI 入門培訓課程還是以騙人為主。
5
“技術平均每年大更新一次，找準自己的方向，儘快轉型。”
IBM 前端工程師
主要工作內容是前端+.Net
工作中見證的技術炒作包括各種前端框架、Visual Studio 各種推陳出新、AI 等。我感覺底層很重要，不管什麼框架，重點還是要會看原生的程式碼。技術平均每年大更新一次，找準自己的方向，儘快轉型。看到做 mainframe 的同事眼睜睜看著自己的技術被淘汰，太遲轉型面臨失業降薪，很心痛，要吸取教訓。
我目前只是關注了 AI 相關新聞，因為沒太多機會接觸 AI 的技術。組裡做運維的同事有用 AI 做知識庫，但是暫時給我的感覺像是一個大資料庫而已，沒看到像新聞上吹的那麼神奇，也可能是我們不會 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，他們為人類的進步做了很大貢獻，高薪是應該的。個人覺得 AI 肯定是未來的一個方向，但是不是唯一的方向呢？是不是不學 AI 的人都沒有出路了呢？我持保留意見。我自己對枯燥的學術研究暫時還沒產生很大興趣，而且工作中也沒有接觸 AI 的機會（我指的是研發，不是使用），所以暫時也不會報名這類入門培訓。還是那句話，找準自己的方向很重要。
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。因為 AI 要通過大量的訓練才會起作用。如果是大公司有大量的資料，比如百度有大量的搜尋資料，阿里有各種購物方向的資料，這樣訓練起來會容易些。如果是小公司（非專門做 AI 的小公司），一是沒大量資料來訓練 AI，二是如果設專人去訓練的話成本有點大。比如我們的運維組，一年了，真沒發現 AI 對他們的幫助有很大，反而要花很多時間去錄入資料。當然如果是買一個成熟的 AI 系統就另當別論了。比如訓練好的醫療協助方面的 AI，因為世界各地的病根源都相同，相信可以通用。
AI 技術確實離我很遙遠啊。但是使用，比如自動駕駛，5 年內可能就普及了。我現在做的工作（程式設計）將來可能會被 AI 取代。但是一定有新方向可以供我發展，雖然我還沒看到這個方向在哪裡。
目前大眾對 AI 最大的誤解是認為 AI 無所不能，彷彿很快就會有一支 AI 軍隊出現一樣。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，有個團隊加很多高階計算機在 train 它，AI 不是隨隨便便找條流水線就能量產的。
6
“我的工作是解決AI的問題，不是AI來解決我的問題。”
微軟 語音識別工程師
主要負責語音識別部分，將語音轉化為文字
我從事語音識別研究和工作大約 7 年了，我的工作是解決 AI 的問題，不是 AI 來解決我的問題。今年 AI 大熱，我印象最深刻的事情是各大公司都在宣稱自己在 AI 方向的加註，以及民眾、媒體對“AI”的狂歡。
AI 不是一個通用概念，好比電。AI 的範圍太大，從居民樓裡面的聲控燈，一直到自動駕駛，這都屬於 AI 的範疇，所以“與 AI 結合”可以有很多種。好比買一個聲控燈，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作比如自動駕駛、語音識別，這通常需要博士學位，意味著多年的訓練與知識積累。
民眾對 AI 的理解主要來自於科幻電影，而多數媒體為了生存和點選率，需要寫民眾愛看的內容，那麼從主觀上就有吹牛的動機，從而失去了新聞工作者客觀的職業素養。所以現在網上充斥著“震驚！xxxx；重磅!xxx；恐怖！xxxx”這種文章。
不可否認的是，這些文章的確提供了一些有用的資訊，比如會提供一些有意思的工作的連結。不過通常過於浮誇的報導，會加劇民眾對 AI 不切實際的想象，以及影響一些經驗不足的從業人員，比如學生。
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，相對於媒體民眾對 AI 有各種的誤解與不切實際的期望，公司和投資人往往更加理性，因為他們是要真正花錢的，自然要考慮得更全面。我不太瞭解 AI 入門培訓課程，但我不認為通過幾個禮拜的短期培訓，就可以輕鬆獲得“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究竟是怎麼工作的，所以只能做各種嘗試，試圖去接近人腦的原理。在多種嘗試之後，神經網路在識別方面是目前最好的。但很明顯這並不是最後的答案。從應用角度看，AI 有很多可以做的事。但從研究角度，下一次的爆發或許需要很長的嘗試期。
7
“AI門檻高，實際應用有待探索，要注意識別偽AI。”
Coupang 資料工程師
工作已經 10+ 年了，我見證過的技術炒作包括 Java EE、開源、大型分散式電商平臺、大資料、機器學習 / 深度學習、AI。技術發展太快，需要學習的東西太多，有時候為了照顧廣度，就很難有深度；有些領域要深入需要一定的時間和實踐，如果太專注某個領域，又擔心技術過時，趕不上潮流。
AI 這麼高大上，之前的工作裡並沒有這樣的專案，也只能看看漲漲知識了。今年 AI 領域發生的大事件，現在能想起來的就是阿爾法狗、自動駕駛、智慧音響、量子計算機。
今年 AI 大熱，確實有點想轉行，但是談何容易。普通人對 AI 肯定會有誤解的，比如 AI 是否會搶程式設計師的飯碗等。媒體的 AI 吹牛成分不是沒有，畢竟要炒作嘛。
現在 AI 這麼火，誰都會來分一杯羹的。就像當初大資料炒作一樣，超高薪是因為人才太少。入門課程還是很有用的，但是要有乾貨。
公司不能為了趕時髦就去僱傭 AI 人才，要看有沒有這個必要。
AI 會帶來新的就業機會，雖然說有可能取代一部分低端工作，但正面的東西還是更多。AI 肯定有泡沫，所以等待迴歸理性，一定會讓我們的世界更美好。
AI 門檻高，實際應用有待探索，要注意識別偽 AI。 AI 未來會迴歸理性，等大潮褪去，就可以在沙灘上撿貝殼了。
8
“大眾覺得AI高大上，完全是誤解，它本就不是大眾的。”
教育行業 產品經理
負責商業智慧產，比如企業報表，資料分析等
工作 16 年，見證過無數炒作，比如資料探勘、大資料、機器學習等。我的感悟是雖不靠譜，但是得有人無畏前行，人多自然能出結果，雖然會背離初衷。
今年印象最深的莫過於 AlphaGo 了，雖然覺得其實結果沒太大意義，但帶來的影響確實大。在工作中結合 AI 要有的放矢，否則不僅毫無意義，而且難度很大。
今年 AI 大熱對我基本沒有影響，相反還帶來了負面影響，因為都去跟風了，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。
現在 AI 相關技術如自動駕駛、量子計算等等，對我來說毫無實際意義，所以不期待。我認為目前 AI 對於普通開發者的工作負面影響很大，就像每個孩子都去學奧數一樣的不靠譜。
目前大眾覺得 AI 高大上，完全是誤解，它本就不是大眾的。
9
“AI的Paper 99%是灌水，AI的媒體99%是跟風，AI的團隊99%存在著落地難、刷排名現象。”
百度 AI工程師
主要負責手機百度app和簡單搜尋app的影像客戶端工作，及大搜尋客戶端方向探索工作
不能快速落地的工程技術都屬於炒作範疇，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 年以前移動和 AI 結合難度較大，瓶頸主要在於移動裝置的效能較差無法承擔起較大的神經網路執行。隨著日益崛起的移動裝置效能，各大公司跟進開發框架。在軟硬體雙飛的未來，移動裝置和 AI 結合已是大勢所趨。AI 可以結合 App 對使用者的影像相關體驗大幅提升，例如將影像主體找出後和後端用更小的圖片通訊，可以明顯提升請求速度。
以深度學習為例，最大的侷限就是單個模型只能解決特別具體的問題，擴充套件性非常不好。
AI 的 Paper 99% 是灌水，AI 的媒體 99% 是跟風，AI 的團隊 99% 存在著落地難、刷排名現象。對於目前市場上 AI 人才的超高薪資和各類 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。
10
“AI已經真實來臨，不存在虛假或者吹牛成份。”
BAT 前沿工程師
主要負責大資料、資料庫、雲服務等系統開發及維護
工作已經超過 12 年，見證過大資料、雲端計算、區塊鏈、AI、量子計算等技術的炒作。其實每一次都會帶來技術的變革，不過技術從提出到成熟，需要一段時間。個人需要順應變化並接受，主動儲備相關知識。
個人比較關注 AI 的應用、框架、軟體及硬體等方面，其他還包括國家的政策和法律方面。今年對 AlphaGo 戰勝柯潔、百度釋出無人駕駛平臺 Apollo、中國將人工智慧上升為國家戰略等事件印象比較深刻。
當前工作中涉及 AI 的部分主要包括智慧運維（智慧預測、系統優化、自動止損）、智慧客服。目前工作中結合 AI 關鍵在於資料，技術難度不算太大。
計算處理及移動端處理能力有限，GPU 等硬體還比較貴，部份行業資料量還比較缺乏，這些都是 AI 目前存在的侷限。
但我認為 AI 已經真實來臨，不存在虛假或者吹牛成份。AI 能夠帶來更多的創新思維，可以釋放很多重複工作。個人看好 AI 及未來的發展。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，哪個方面影響會更大需要看從事行業和具體工作，不能一概而論。未來 AI 會更多地進入大眾生活，從工作到生活各個方面。
大眾對於 AI 最大的誤解就是 AI 離我們很遠或者 AI 將會使程式設計師失業。AI 時代的到來，是時代和技術更迭的又一次變革。目前還有著種種不可攻克或者有待解決的技術問題。我們有許多事情可以去做，可以更好地利用 AI。
11
“隨著時間的推移，AI人才的積累勢必會飽和，在校學生不能盲從。”
東北大學電腦科學與工程學院 碩士在讀
主要研究方向為眾包資料管理，目前正在開發一個基於眾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，包括任務分配演算法的設計開發等工作
今年 AI 領域讓我印象最深刻的事情是 DBA 迎來了新的革命，卡內基梅隆大學資料庫小組採用機器學習實現了資料庫的自動化管理，藉助 AI 的力量後 DBA 的工作會輕鬆很多。
媒體麼就是來宣傳的，不敢說所有媒體都吹牛，但是就目前情況來看 AI 的確是一個前景很好的產業，我相信不久的將來一定會改變世界，雖然還有一段很長的路要走，就需要大家的共同努力了，媒體把 AI 技術宣傳給每個人是必要的責任。
目前有很多優秀的 AI 技術，只有我們自己清楚的瞭解自己真正需要的是什麼，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 技術是我們要學習的。
目前 AI 技術是一個發展前景非常好的產業，各大公司不惜高薪來吸引 AI 人才的加入，各大網際網路公司都儲備了大批的 AI 人才，為的就是在這個風口浪尖的時刻，跟緊 AI 的步伐。但是隨著時間的推移，AI 人才的積累勢必會飽和，所以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，一定會改變人類的生成和生活方式。對於普通的開發者來說，如果 AI 可能取代他們的工作，就要有憂患意識了，多多學習其他技能，或者把 AI 技術與目前使用的技術相結合尋找工作的突破口。我非常看好 AI 的未來發展，身處 AI 大浪中的我們，無時無刻都會感受到 AI 帶給我們的巨大沖擊，科技創新改變世界、改變未來，倒不如說 AI 改變世界、改變未來。
12
“技術炒作這種事情，如果一點都沒有，也不見得就是好事。”
騰訊 手機客戶端開發
工作 9 年，以前見過炒作物聯網、炒作 VR/AR，其實我沒啥感悟，技術炒作這種事情，如果一點都沒有，也不見得就是好事。
AI 技術有一定的門檻，對於非相關專業的工程師來說，需要學習一部分相關的數學基礎知識，這樣才能看懂程式碼。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，主要是因為社群氛圍好，各種第三方教程和資源很豐富，支援手機客戶端部署。我沒有 AI 相關學歷，入門主要還是藉助 Google 找各種學習資料，RTFSC（Read the fucking source code）。
目前資料標註成本太高了，AI 其實並不智慧，只是更高維度的模式識別，訓練樣本資料還是要由工程師來提供。
13
“如果沒有解決使用者痛點地引入AI技術，那麼吹牛的成分還是蠻大的。”
BAT 研發工程師
公司主打業務是搜尋+AI，目前主要負責DevOps、敏捷實施和落地的工作
工作六年多。經歷過雲端計算、容器、DevOps、AI 等技術理念的興起到成熟。每年我都會關注 Gartner 的 Hyper Cycle，有點可惜的是，Gartner 的 Hyper Cycle 對中國不太熱衷，我們只能借鑑美國和印度市場的趨勢了。從這幾年看，中國 IT 的發展越來越貼近美國發展的趨勢，特別是從容器、DevOps、AI 的興起來看，我們真的沒有落後太多了。
所以 Gartner 的 Hyper Cycle 差不多就是一個能告訴我們這波碼農，未來我們需要掌握什麼領域或者往哪裡跳槽的風向標了。而其他的技術，有一些現在網路炒作很火的，我自認比較笨，所以也沒有投入太多的時間去 Follow，例如區塊鏈技術，還是要想好跟自己的工作能結合，才會去學習。
目前在公司內部 AI 很火。從我的角度看，AI 的專案或者產品，其實都離不開解決使用者痛點。純粹的研究 AI 技術，我們公司有很多博士在做，這些距離我們太遠了，他們的研究成果必然是對整個行業的創新，而我們在做的產品的時候，更多的是用 AI 的演算法和能力來去解決過去我們無法解決的問題。例如，AI 和 DevOps 的融合誕生了很多智慧化運維相關的產品，其中我覺得最實用的是智慧篩選告警、智慧判斷磁碟壽命等，而這些智慧專案也不是獨立存在，他們都是基於過去已經做好的運維平臺去優化過去無法解決的場景。
如果沒有解決使用者痛點地引入 AI 技術，那麼吹牛的成分還是蠻大的。AI 沒辦法解決 100% 的問題。如果我們連歷史資料都沒有積累下來，就說要引入 AI，從哪裡談起呢？用什麼來訓練模型？
目前正在使用的機器學習平臺是 PaddlePaddle，未來祖國是否能在 AI 有話語權，這個平臺目前看是唯一可以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，馬上就出來了，值得關注。
14
“很多公司都把AI加入到宣傳口語中，有點浮躁。”
網路資料安全行業 Senior Data Scientist
主打業務：事件管理、預訂管理等
主要工作：根據使用者畫像進行特定的推薦
今年 AI 十分火爆，很多大公司都在建立 AI Lab，也有更多的 Startup 湧現。從招聘上看，給 AI 從業人員的待遇很有競爭力。個人感覺，媒體吹牛成分還是有很多的，往往會誇大。再加上很多公司都把 AI 加入到宣傳口語中，有點浮躁。
工作中應用 AI 技術，最難的是不斷湧現的新技術和 Paper，讓人有點應接不暇。其實，還是要看自己需要解決什麼業務痛點。
公司該不該僱傭專門的 AI 人才，主要還是看公司的業務需求和資料儲備情況。如果公司還沒準備好，可能會考慮少量人才儲備，但不會僱傭太專太貴的 AI 人才，對公司對個人都是一種浪費。相反，如果已經有很清晰的需求和比較紮實的資料等儲備，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。
15
“AI的技術門檻是有的，但是也不是不可以跨越。”
自由職業
目前組織了一個小團隊，主要是做用在漁場的AI軟體，我主要負責水產方面的東西
目前我們的團隊主要是希望將 AI 和本身的農業背景相結合，做出可以用在農業上的 AI 系統。結合 AI 有難度，作為小團隊，如何有效地獲得足夠多的資料來訓練 AI 是個問題。AI 的技術門檻是有的，但是也不是不可以跨越，一是可以通過找到會的人來做，起碼技術上就沒那麼難了。二是現在很多領頭企業不斷開源，也開發 AI 訓練的一些工具，小團體完全可以藉助這些東西。
AI 今年大熱對我影響其實沒有那麼大，一是我本身是農業背景，二是畢竟我周圍本身就有做這個的人，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，不能一概而論，有求實的，也有吹牛的。
現在 AI 人才工資高是因為需求大，各個公司都想跑在別人的前面，所以願意花重本來僱傭人員，估計後面幾年工資仍然會較其他領域更高一些。但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，學習需要結合具體的東西來學，最好是自己本身就想做些這方面的東西。
16
“之前誤報的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，需要使用到較多的機器學習演算法，和傳統後臺相比，AI 的門檻還是比較高，尤其對非科班出身的同學，需要補齊大量的高數、概率統計、優化理論等數學基礎，還需要了解統計學習、深度學習等常用的演算法。
我所關注的個性化推薦和商業化廣告領域，AI 更多是在使用智慧的演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。比如 App 分發，人工運營的精力有限，不可能針對每個人生成不同的個性化分發列表，但是基於 LR 排序的演算法可以因人而異，根據個人歷史興趣，來推測當前可能最感興趣的 App 和遊戲，既提升了使用者的體驗，又幫平臺方獲得了合理的收益，對 App 開發者而言，也獲取了合適的使用者，三方共贏！
其實我在 AI 火起來之前更早的時候其實就已經有意識地從後臺開發轉型做機器學習和 AI 的東西，前兩年技術挑戰比較大，需要學習大量的理論知識，同時需要了解各種全新的框架的使用方法。媒體上部分宣傳可能是行業外人士因為資訊不對稱產生的誤解，比如之前誤報的 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 可以看做更高一級的抽象方式，機器智慧並不能等價於人的智慧，在可以預見的時間裡，AI 更多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還是比較讓人擔心的。
17
“技術無罪，是為禍人類，還是為人類造福，還是取決於使用技術的人。”
浪潮軟體 資料採集工程師
主要負責過程改進與資料獲取、分析
我目前有一項工作是將行業新聞與企業做關聯，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，過程中發現有些個性化需求還需要自己寫演算法去實現，短期看甚至優於模型訓練的模式。
現在 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，都會覺得居然來得如此迅猛。
目前 AI 的侷限主要在於對無規則事物的分析學習。畢竟影像、圍棋、聲音都還是有一定製約的，仍需要人腦將抽取規則輸入給 AI。
大眾對於 AI 最大的誤解是認為 AI 會消滅人類。技術無罪，是為禍人類，還是為人類造福，還是取決於使用技術的人。
18
“泡沫太嚴重了，AI還沒有實際創造那麼大價值。”
某雲端計算廠商 架構師
主要工作是幫助客戶上雲，整個過程中的需求瞭解、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 + 技術部落格 + 視訊教程。工作結合 AI 最主要的難處在於，很多客戶只有模糊概念，並沒有實際的應用場景。
媒體對於 AI 的宣傳太過了，吹牛成分有點大，會給大眾以“AI 無所不能”的錯覺，也會誤導一些客戶。對於現在市場上 AI 人才的超高薪資和大量 AI 入門培訓課程，我個人感覺是泡沫太嚴重了，AI 還沒有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，估計未來幾年學術界會出現比深度學習效果更好的方法。
19
“在所有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。”
第四正規化 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，並且利用機器學習技術幫助企業解決資料探勘、智慧推薦、反欺詐、點選率提升等商業問題
我畢業工作三年多，做過基礎架構、分散式儲存和機器學習平臺，見證了傳統關係型資料庫到 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 等神經網路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。我的感悟是必須接受新的技術並且嘗試去學習各種前沿技術，同時也不能過度追隨潮流忽視根源，畢竟任何的新技術不都是憑空出現的，例如現在最火的深度學習，如果你去學習傳統的機器學習演算法實現、矩陣優化、梯度求解以及超引數調優等，肯定會有更大的收穫。
個人感興趣的是 AI 的開源框架實現（例如 TensorFlow 等）和機器學習演算法原理，對於傳統機器學習演算法和深度學習模型架構都有涉獵。今天 AI 領域最火熱的實踐肯定是 AlphaGo 和 AlphaGo Zero，Google 用蒙特卡羅樹搜尋加上深度學習模型基本解決了圍棋整個領域的優化問題，我個人還特別關注冷撲大師。
AI 可以結合的技術領域非常多，尤其是資料已經 ready 的場景，例如搜尋推薦系統等。而目前深度學習的流行讓更多影像處理、語音處理、自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、智慧投顧、智慧客服、單據 OCR、反欺詐等都是非常合適的應用，其他行業當然就更多了。
在工作上應用 AI 技術，必須解決資料的收集、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，而最難的往往是第一步，如何將業務場景轉化為機器學習的問題並且找到可度量的資料指標。
今天 AI 火熱不僅引起了工業界和學術界的官方關注，也有更多行業的人感受到危險並且積極地參與了，對我們從業人員來說當然是提供了更好的正向反饋。當然業界過度吹噓的成分更多，舉個例子，普通的自動化工廠被宣傳為人工智慧無人工廠，而一些根據統計資訊生成文字的程式也被捧為具有自我意識的人工智慧機器人。在所有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% 是我們作為從業人員覺得值得看下去的。
AI 培訓是適應這個行業潮流所逐漸出現的，有意思的是以前宣言是大資料培訓的課程現近一般都會加上 AI 或者人工智慧這個招牌，但實際上還是培訓大資料相關的技術，不同人對這類課程的需求也是不一樣的，我個人更推薦通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還是比較高，使用者需要能夠把業務模型抽象成機器學習任務，並且完成資料接入、資料清洗、特徵抽取、模型訓練、引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，而且除了模型訓練其他目前都難以使用 AI 來協助解決。因此我認為未來 AI 的發展應該向著低門檻的方向，通過演算法或者工程的優化，例如實現易用的資料引入和處理平臺、實現 AutoML 和自動調參的演算法，讓更多人可以真正把 AI 落地實際業務中。
目前大家對於 AI 技術感到新奇並帶有一點恐懼，主要因為不瞭解底層的原理和細節，誤以為是“自我覺醒”的模型。AlphaGo 並不是自學掌握圍棋規則的，也不會自己悄悄地用電腦下棋，其實它是一顆蒙特卡洛樹加上一個精心設計的神經網路模型，而這個程式只是接受棋盤資訊作為輸入，然後輸出贏棋概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，並且加上個人臆造的想象，是目前非 AI 從業者普遍的最大誤解。
20
“程式設計師還是理解思想比較好，不要太熱衷於追趕技術。”
網際網路金融公司 AI工程師
主要業務是做P2P金融，我的工作是依託於大資料和AI技術，建立公司風控體系，構建實時有效的風控堡壘
工作差不多 8 年了，見證過非常多技術的興起和衰落，比如.Net，很多年前很火，現在基本不見了，Struts2 好像現在也越來越少用。但也有很多技術一直很火，比如 Docker、Hadoop、OpenStack 等。後來我也思考了一下，程式設計師還是理解思想比較好，不要太熱衷於追趕技術，比如 Hadoop，理解它的分散式儲存，資源排程和計算，要比追趕新出來的框架更有意義。
AI 技術我們現在正在嘗試的方向還是挺多的，而且 AI 技術我感覺有希望去變革很多產業。我們現在在做的嘗試有幾個：利用深度網路去重新構建信用評分卡（ABC 卡），用 GAN 去嘗試生產壞客戶，基於複雜網路和深度學習的反欺詐系統。個人感覺在這些方面 AI 技術會有一些突破。框架方面大部分都在使用 TensorFlow，構建網路比較方便。百度說自己的 Paddle 使用量超過 TensorFlow 我感覺有點瞎扯。
AI 技術本身肯定是有難度的，需要比較深厚的數學背景和專業知識，而且在很多領域它的技術並不成熟。相比於網際網路其他技術崗位，挑戰更大，能做出優秀產品的難度更高。
以上所有觀點僅代表受訪者個人意見，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和你的工作如何結合？
今年AI大熱，對你的工作帶來了哪些影響？
你用了啥開源軟體？
媒體都在吹牛嗎？公司都在跟風嗎？
你看好AI未來的發展嗎？
......
將你想說的留下吧
請在文章評論區參與討論
如果你的看法有見地
同樣能與文章一起展現在大家面前！
技術人的2017
就在這裡
關注我們的微訊號"AI前線"，後臺回覆“AI”可獲得《AI前線》系列PDF電子書