Auto ML的衝擊下，現在大量ML演算法人員是否會在前者成熟後失業?

沒有任何衝擊，不會真覺得演算法工程師的日常就是調參吧。。。那這種演算法工程師就算不被AutoML替代，也是會被別人替代的。

就算代替日常調參，引數空間得設計吧，現在的論文一言不合就是各種奇怪的網路結構，引數空間是不是也有的調，這不就是換了個參去調麼。

這都不是關鍵，哪來這麼多GPU去搞AutoML啊，平時隨便訓點東西，稍微調調參，每個人十把個GPU是日常操作。你還想AutoML，那不得幾十上百個？

其實這也不是問題，如果這麼多GPU能創造出超過GPU價格+電費+機器的價值，也是可以的。但你忙了半天就漲了那麼幾個點，那就划不來了，有這個錢能多標多少資料了？我直接借鑑論文里人家發表的NAS不是也可以，那可是純免費的。

既然說到失業，那麼，這顯然是一個商業和社會範疇的問題，而不是科學技術範疇的問題，所以我只能從商業角度回答。

我的觀點是不會，但是從業者會越發焦慮。

其實，人在意識到某個技術並沒啥太大升值空間的時候，會提早脫離這個行業，並不會等到發生大規模裁員以後才做準備。剩下跑不掉被裁的，其實你做啥並沒啥太大關係，可能單純是年紀大了，熬夜熬不動。所以，社會學角度來看，ML 從業者並不會失業，但是，每天上班如上墳，進而產生大規模勸退。

這裡，我想澄清一個理解，Auto 的概念，我的理解就是，幫你把很煩惱的事情解決了，而不是幫你把重要的活和決策都做了。

這就才叫做 auto，google 放出他們的 kubernets 時候，已經在內部跑了很長時間自己的容器管理系統，並不是搞一個自動“雲”來讓世界每個人都能進Google 裝逼，啥都不用幹就能產出，碼農還是要寫點指令碼，搞點配置啥的，邏輯還是要自己寫。產生容器管理的重要痛點是，碼農不喜歡配環境，不喜歡自己琢磨服務釋出，不喜歡到處找機器和人家爭搶計算資源，這個是在長期的工作環境，自然而然出現的技術痛點，反正你做我做都一樣，導致大家都覺得這種活沒有去重複做的必要，這時候，會有一批牛人，把這種需求沉澱下來，成為一個通用的輪子，也就是廣義的 auto。

我再重申一點：auto 的目的是解決你很煩很不想做的事情，而不是取代你想做而且很爽的事情，商業角度才有失業的概念，科學角度沒有失業的概念。

但是機器學習不完全是這樣的，重要的原因是獎懲機制和合作機制，ml 模型的設計到產出，從我的角度來看，是個高度各自為政的行業，自己單幹更加爽，不是一個讓碼農覺得煩的事情，而是帶有賭#博性質的“爽” (當然風險也高，所以大家容易焦慮)，因為這種活做好，往往是納入公司績效裡面的 ，做不好也不指望 auto 能比人強。我想說的是，做模型並不是負擔，網際網路是輕資產行業，從來不會因為工具成本而開發 auto 型別的工具，這個是學術界意淫的故事，公司只有當人力成本和業務複雜性達一定程度，才迫使他們開發 auto 的工具，或者也叫平臺化元件。

其實我一直覺得，按照早期工業界的演化，真正讓工業界演算法工程師煩的事情是部署，這個才是 auto ml 發揮的最強入手點，反正無論如何部署，最終都是一樣的結果，但是演算法模型越往後，都會和公司業務強烈耦合，你做和我做出來的公式說不定都不一樣，靈活性非常高，經常一個厲害的人幹完很多重要事情，用不著很多人合作搞。

尤其帶過演算法工程師的基層 leader，都知道，要管演算法工程師，相比開發管理來看，痛苦指數高好幾個數量級，經常被演算法和資料細節懟的不想管他們，他們愛咋設計咋設計，人和人之間都沒有交集，互相不信任對方的指標，各自為政自己單幹，單幹有時候還比合作產出快，沒有合作，就沒有複雜性和因為複雜性帶來的成本，從而，auto ml 在演算法層面，容易失去基本的商業價值。

-------------------------------------------------------------------------------------------------------------

非常肯定地說： 不會！原因有三：

1. AutoML的理論上的最佳化難題解決的還不到位，搜尋空間還要 專家來定義，注意真的是專家才能定義好；
2. AutoML還有很多功能沒有探索完，單說NAS這一個坑，不同的任務不同的資料集 需要思考的東西差異性很大。比如底層視覺和目標檢測，loss的設計，評價方法的選擇都不一樣；
3. AutoML本身自己還有 很多引數需要嘗試，做不到真正的一鍵解決所有問題。

所以，無論是做專案的同事還是科研人員，都Dark不必過分焦慮，還有很多路要走。 那現在paper這麼多，開源就是歌很有意義的事情了。

華為諾亞方舟實驗室昨天就 開源了自研的Automl演算法集VEGA，囊括了三年內實驗室大量的演算法相關同事的工作和心血（ 20+ CVPR NIPS ICCV AAAI KDD等），歡迎大家試用，祝Automl早日可以真正的auto起來～

在真正的通用人工智慧出現前，人在演算法設計中的作用都是不可替代的。

模型需要什麼樣的特徵？要靠人來設計和採集。

建模的目標是什麼？需要演算法工程師根據業務目標來設計。

你以為演算法工程師只是建模嗎？不是的，在一家小氣的公司，演算法工程師還要負責很多和數學有關的工作，比如設計最佳化演算法，包括但不限於線性，非線性規劃，遺傳演算法。

你以為模型只要有深度神經網路就夠了？扯淡吧。神經網路只適合有大量樣本且先驗知識不足的過程。實際過程中樣本少，但是先驗知識多的情況多的是，你需要用自己設計的結構去充分利用這些先驗。

你以為會演算法就夠了？你好歹有點資料統計分析能力。一般的相關性分析，交叉分析，因果分析，統計推斷等等，也得會啊

總之，現在的模型，還需要人來輔助進行目標確定，原理分析，特徵工程等，這些都是當前人工智慧的盲區。