为什么身边的人都劝退人工智能,他真的有这么不堪吗?

[复制链接]
ˇ⒈般啲捣蛋 发表于 2023-7-31 01:44:43|来自:北京 | 显示全部楼层 |阅读模式
我本身是数学专业的大三学生,自己对概率统计那方面一点也不喜欢,所以想去从事一些计算机方面的工作,但我在询问前辈的时候包括学长学姐很多人都是说让我“快跑”,难道当今热门人工智能这么饱和吗?
全部回复5 显示全部楼层
ewf8336 发表于 2023-7-31 01:45:05|来自:北京 | 显示全部楼层
2023.5 更: 鉴于更新的越来越多,优化更新了一下文章结构,精简了部分内容。
<hr/>写在前面: 首先想要说明, 真正热爱,并有志投身于这个行业的人是不会被劝退的。写下此文是为了尽可能阐述我所知的 AI 行业现实,使读者正确认识到这个行业的一些问题。本文的核心目的是科普行业风险+避雷: 在文中,我试图总结并反驳了一些AI就业的常见误解,并列举一些隐蔽的雷区,供大家参考。
答主的见闻主要来源于在英国Top2, G5上学,以及之后在英国找工作时期的亲身经历,以及余暇时间与几位伦敦 ai 从业人士 的交流探讨中总结的心得。
<hr/>一. 英国AI企业以及近期招聘现状

1. 英国企业的分布,业务性质和一些问题

在英国, 企业AI 团队主要作为互联网,金融,科技 或跨领域头部企业(如 Meta, Microsoft, Google,Shell, GSK)的研发部门,以及各种初创企业的业务部门存在。这里有如下几个值得关注的事实:

  • 头部企业待遇较好,但是开放的机会少,且一般竞争极大,新人机会很少;初创企业多,机会较多,但待遇更一般。 待遇好,机会多而且对新人友好的ai企业在英国几乎不存在,我所认识的留英做ai的毕业生很少,且几乎都去了初创企业。
  • 与头部企业相比, 初创企业的资金,资源和业务能力大多都相对受限。其中很多初创企业甚至面临着严重的生存问题, 因此他们的业务内容,工作氛围,战略规划在短时间内可能会剧烈变化,工作稳定性低。这里有机遇,更有风险。押对了宝会加快职业发展,押错了有可能会导致职业发展陷入低谷,甚至失业。

2. 目前英国AI业界的应聘,招聘情况

应聘角度:
近些年 AI岗位在年轻人中可谓大火,其中主要体现于:

  • AI 走入各大校园, 某著名G5 甚至一年能在十个不同硕士学位里塞入大量AI相关内容并以此作为卖点,‘AI人’白菜化, 但其中很多专业的课程设置比较水。
  • Linkedin 上的每个伦敦AI职位普遍有几十乃至上百人在竞争, 其中在头部企业甚至有五百行业精英争一个岗位的壮观场面。
  • 当代范进大量涌现: 有些学生为了能争到AI岗位,不惜在家待业半年以上,打比赛攒资历, 反复投递简历。
一个随之而来的结果是每年的AI申请人群体中上车者比例在逐渐变小。其中许多人在努力得不到回报后愤而立场,转投DS,统计,软工,金融等职位;还有些人迫于压力选择继续深造/实习,以求未来能凭借更高的学历/资历找到工作。

招聘角度:
相比AI就业端的火爆形式,招聘企业在这几年反而逐渐趋于冷静。如果读者打开Linkedin 或者glassdoor的招聘业,会发现多数AI相关的招聘要求应聘者满足下列其一

  • 计算机相关 PhD 学位,有国际顶会论文经验 (科研向)
  • AI 相关硕士学位, 有N年以上 企业 AI 项目开发经验 (N>=2,3 )(工程向)
根据业务的侧重不同,一些企业可能同时要求应聘者有 Java, C++, SQL, 分布式计算或云计算实战经验。
就这个招聘标准是否有夸大成分,答主求职期间曾经拿着 Top2 本科 AI一年硕的简历 投递了英国几十所AI大小企业,几个月下来只收到过一家初创的实习初面机会,正式岗则全军覆没。身边这样的例子比比皆是。可见如果简历不达标,硬闯很难直接闯过去。
答主曾经就这个标准对新人而言是否过高向专业人士请教,得到的回复是 AI行业编制岗只留给有经验/能力者目前在伦敦已基本成为业内共识。这是因为业界已经基本走完了前五年的"过河期',摸索出了一套运作模式,并培养了一大批专业人员。这导致当下的AI企业的战略容错率开始变低,优胜劣汰是有可能迅速且直接的发生在企业层面的。所以很多企业为了避免陷入战略被动,宁可空着职位,也不愿意用吃时间吃资源还可能随时跑路的行业小白去试错。

相比正式岗位,AI实习岗位原本相对要求较低,但得益于申请人内卷, 想靠这条路上车也变得越来越困难。
<hr/>二. 当今英国的 AI 从业者的工作性质以及待遇:

1. 外界对 AI 工作者 的常见误区

近些年来,AI岗位的热度在媒体和互联网上有被神化的倾向, 但业界其实对AI岗位的认知在回归理性,这普遍体现在以下几个误区
a. 认为 AI 开源资源丰富,容易上手。(准确的说,AI行业只有入门资源是丰富的。实际上这对入门应聘者并非好事,因为它导致了大量从业小白的产生,引发初级应聘者迅速过剩导致惨烈竞争)
b. 认为 AI 知识是企业追求的'香饽饽', 稍微学一学就能找个好工作。(错误,目前的企业需求已经开始聚焦于有一定经验和工程/科研能力人才了。请回看:一.2)
c. 认为 AI 就是去做 AlphaGO, ChatGPT 等改变世界的革命性产品,时髦值高。(严重误区,即使在全世界范围内 像Deepmind, ChatGPT 这样聚焦于做AGI的公司也很少,多数企业其实在利用AI技术探索商业模式,开发产品。)
d. 认为从事 AI 可入职即年入百万 (多半是受了H姓国内大厂的影响,实际上这样的机会非常稀少)

2. AI 从业者在不同企业的职责分化

如前所说,视公司的规模,业务方向区别,AI从业者的工作性质可能完全不同, 整体看来它们具有如下特点:

  • 真正为了AGI投入全力科研的团队少之又少。 (答主认为目前英国只有 Google Deepmind一家可以说是真心做 AGI 且出了成绩的) 。
  • 在此之下, 除了少数其他几个大厂有能力有意愿重金资助研究员做科研以外, 大部分AI人的工作实质是利用现成AI算法为公司的业务赋能,并解决在此过程中产生的软件兼容性问题。这个过程好比搭积木,其有趣与否主要取决于读者用他来解决了什么问题,以及你自己是否对此感兴趣。
  • 此外 许多公司尤其小科技公司的类AI岗位其实杂糅了软件工程或者数据科学的工作,这在工作中表现为从业者并不总是在设计模型,研发算法;视企业文化不同他30%-70% 的时间可能其实是献给了 程序debug, 数据收集,爬取,清洗,汇总等'脏活累活' 。

3. AI 从业者在英待遇问题

总体来看: 当下英国AI岗位其实和其他CS岗位的薪资, 待遇,职业发展前景相近。具体的待遇更加依赖于就职企业本身的企业文化。其中比较关键的特点有:

  • 以 Google Deepmind 为首的个别龙头企业的薪资远高于正常线,可以达到或者接近同类工作在美国的薪资水平(税前)。
  • 由于有AI岗位大量集中在初创,他们的起始薪资可能因此偏低 ,且福利待遇相比英国大公司而言更一般,这往往体现在餐点福利,社会保障和工作平衡度等方面。
<hr/>三. 入职英国AI岗位与攻读相关学位的必要性讨论

首先,我们已经在第一章介绍过 英国对AI岗简历筛选的门槛, 如果不去至少攻读一个和 AI有关系的硕士学位在英国是很难过简历关的。 并且一旦过了简历关,很多后续的录取决定和纸上能力其实关系不是太大,故本章我们重点对比 AI本科生/硕士生/博士生 和一个成熟的企业AI从业者的技能差异,是否攻读某个学位的决策留给读者。


1. AI本科/硕士生于企业AI员工的能力要求对比:

根据答主的自身体验和观察,大多数未经特殊训练的本科生/硕士生在毕业时会普遍缺乏大项目尤其是商业项目的开发部署的相关能力,这包括以下几点:

  • 在工业环境中搭建,部署,适配AI模型的能力 (比如如何在公司现有的体系,语言,版本之下嫁接AI模型并通过测试)
  • 在大团队中合作部署大模型的经能力。
  • 在项目中完成从数据收集到产出成果一条龙部署的能力。
以上能力的缺失,究其原因是因为 多数大学由于经费,资源,时间限制,难以给每个学生配置真正工业级别的项目和配套计算资源。为了完成教学目标,大学一般会为学生们精心布置一个个特别设置的问题,使得他们能在一台笔记本上跑两百行代码便能理解搭建AI模型的主要流程。但是 作为执行官,你不可能因为申请人做过几个过家家作业,就放心把价值几十万上百万的GPU和CPU交给他,让他在企业内部环境里肆意折腾。 这其中有很多的衍生性问题,不在研发部门泡几年根本不可能接触到。

2. AI博士生于企业AI员工的能力要求对比:

首先需要说明,依学生所在项目组的侧重方向不同,博士生的能力可能有巨大差别,但总体来说,以下能力是在某些组中能够获取到,且部分AI岗位会比较看重的:

  • 训练部署较大模型的经验 (在NLP相关的岗位会受到到青睐)
  • 承担独立科研任务的能力 (在科研向AI岗的招聘中这几乎是必需品)
但是同时,AI博士生如果未经特殊训练,仍然可能会缺乏在企业环境搭建部署适配模型的相关经验。在有实习支撑的博士项目中,此问题可以得到一定缓解。

3. 以就业为目的攻读 AI PhD 项目之利弊

至于PhD级别的学位是否有攻读的必要,答主认为这通常与申请人的职业规划相关。如果选择攻读PhD, 可以获得上一条所述的好处。但若是打从一开始就坚定以就业为导向,则攻读PhD也有如下问题

  • 可能错失几年在企业的发展机遇。这既包括错失实际参与到团队合作开发,部署项目并获得锻炼的机会,也包括错失对公司发展做出几年实际贡献,从而获得升迁的机会。
  • 一旦坚定就读PhD, 则要承担无法毕业,或者毕业发现学历贬值的风险。
  • 面临博士毕业前可能由于热点发生转移,而导致毕业时已经错过整个行业的发展红利期的风险。

至于这些风险能否与读博的收益相弥补,由于此问题高度涉及对未来几年行业发展趋势的判断,答主这里不做具体评价,但持谨慎悲观态度

<hr/>四. 英国AI业界与其他国家对比

1. 国内不同于英国AI业界的一些情况

和英国相比,国内的AI业界至少有以下几个特点:

  • 入职后内卷严重, 在知名大厂需要996已经是行业惯例,生活质量极大受限。
  • 可能存在拿到offer却无法入职的情况,多源于公司没有HC就提前招人,或者骑驴找马然后通过背调被刺申请人等。
3. 申请可能更加激烈,这基本得益于国内硕士学制时间长,学生普遍素质高,又有985211等大厂门坎做初筛。
总之如果读者欲在国内寻求AI岗位,需要做好行业环境可能比英国更加糟糕的心理准备。
dwx 发表于 2023-7-31 01:45:53|来自:北京 | 显示全部楼层
对于当下的 NLP 领域,除非你进了一个资源足够充沛、导师长期 follow 一线研究的组
否则你大概率只能用两三年前的小模型(小于 1B / 十亿参数),盯着你自己都不相信的 toy task,绞尽脑汁提出毫无底气的 incremental improvement,然后面临完全提不起兴趣或者非常 mean 的审稿人
经过漫长的审稿周期,研究热点很可能已经改变。你的工作一旦被拒,大概率会迅速失去时效性,即使修改重投,也仍然难以吸引人、产生影响力。在此期间,你可能会不断质疑自己做的工作有何意义,甚至会发现距离真正的研究愈来愈远。但由于巨大的沉没成本,你很难放下这个烂摊子
如此周而复始,循环往复
直到某一天,你悟了,便也开始向身边的人劝退 AI,一如你多年前在知乎上看到的那些劝退 AI 的人们
zhangjin 发表于 2023-7-31 01:46:34|来自:北京 | 显示全部楼层
人工智能,我只了解自然语言处理中的一部分。
就目前我所了解的部分而言,最大的问题是:
深度学习的红利所剩寥寥,前沿研究对硬件的依赖越来越大,涌入的人还极多。

所以,人工智能领域目前不适合的人有:1、缺钱,想通过人工智能挣钱变现的。2、畏难,理论啃不下去,定理推不下去,想来人工智能炼丹水毕业的。

而人工智能领域目前适合的人包括:1、把人工智能当成应用数学的分支来做研究的。2、专精且喜爱某个其它领域,比如医学、认知心理学、法学,想再读个人工智能学位,研究落地应用的。3、不差钱,追求崇高的理想的。
以上可能更适合博士,对那些想拿个硕士学位,考编制或者进国企的,当我没说。
<hr/>仔细说一下上面提到的三点。
1、深度学习的红利所剩寥寥

2014~2016年,深度学习在自然语言处理领域刚火的时候,真的随便套个数据集做点实验就能中顶会,到现在都能有单篇上百引用。
2017~2019年,深度学习模型开始精细化,事情也还算容易。加点attention,LSTM中处理下指代,建模图而非序列,倒腾下领域迁移,少样本学习,结合规则,结合知识库,总是能有些创新。
任务上也倒腾出花,不做问答,做多跳问答;不做关系抽取,做文档级关系抽取;不做机器翻译,做非自回归的/synchronized机器翻译;不做情感分类,做aspect-based 情感分类;不做文本分类,做hierarchical label的文本分类;不用分词,用字母/word piece。
反正也是属于稍微动动脑子就能发论文的时代。
2019年~2021年,预训练模型出来了,人们在预训练模型上把原来那套再玩一遍,倒也还能搞搞。但arxiv上中不了的论文越来越多了。因为只是在传统方法上加个预训练,实验效果好的论文,顶会已经不爱收了。为此,ACL系列还倒腾了出了findings。
然后,弄了些大模型,prompt,in context learning,chain of thought。大模型越做越大,跨语言,多模态,多任务,少监督。
我知道你很可能看不懂上面那段话中五花八门的名词,但相信你能感受到越来越卷的氛围。

并且这么卷,真的什么实质问题都没有解决!

比如下面这篇论文,谷歌前两天刚发的。用5000亿参数的模型,同时处理1800个任务,真的能有多少跨任务泛化能力?反正我觉得这条路通不向强人工智能。(以上表述并不精确)
https://arxiv.org/pdf/2210.11416.pdf大模型+元学习+持续学习+少样本prompt,看起来很美好的路线,但我觉得也只是自欺欺人。BERT还能真的改善翻译、搜索。但那些大模型的few shot learner真的做出了多少sota,有多少模型能实际上线应用?
而且,大模型更难解释,更难分析,反而一定程度上把路走窄了。
想想吧,这就是现在入门人工智能需要面临的环境。

2、前沿研究对硬件的依赖越来越大

反正,2016~2017年,花个5、6千元买个1080/1080Ti就能跑当时的sota。
现在,花个3万块钱买个2块3090,大概能做BERT large或者RoBERTa large上fine-tuning的实验,注意这俩都是2019年左右的技术。你想跑GPT-3的inference?调in context learning?搞chain-of-thought?有点悬。
当然不完全是模型大的锅,顶会论文实验越做越充分,越做越卷也有影响。
忘说了,上面的价格是单独显卡的价格。单卡1080ti反正配个台式机箱问题不大,价格也不贵。3090我还没怎么看到在台式机上插的,都得整机架式服务器,又是一笔开支。
放两张图自己感受。



“预训练语言模型”参数规模随日期的变化,18年1月到21年1月,增长了1万倍



一些模型训练的耗时、花销和碳排放。这些其实还不算这两年的新模型。

不知道再这么下去,人工智能跑实验会不会像生化环材那样,还要排队等仪器。还要彻夜盯着,人可以歇,机器必须无缝衔接。
到那时候,人就是流水线上的一颗螺丝钉。
3.涌入的人还极多

这点就不多说了。
<hr/>

本帖子中包含更多资源

您需要 登录 才可以下载或查看,没有账号?立即注册

×
李建华 发表于 2023-7-31 01:47:11|来自:北京 | 显示全部楼层
自己对概率统计那方面一点也不喜欢
我下面的话可能要让你失望了。虽然现在人工智能吹的天花乱坠,但本质上还是一场统计学革命。
在互联网时代,数据量成指数式爆发。在摩尔定律的帮助下,算例呈指数级爆发。在数据算力双重爆发下,发生了从量变到质变的统计学革命,但起本质方法依然脱离不了概率统计那套东西。
你为了逃离一个概率统计而选择了人工智能,结果发现人工智能和概率统计本质上是一样的。你会不会很崩溃,哈哈。
当然抽象的人工智能是概率统计,但具体的人工智能可能就是不断洗数据标数据评测模型,不知道你会不会喜欢,说不定更崩溃,哈哈。
想拒绝呼吸 发表于 2023-7-31 01:48:10|来自:北京 | 显示全部楼层
个人的好恶远大于行业的起伏

因为主要从事图像领域的研究,本文所有观点都只针对CV表述
一、行业有没有遭遇瓶颈,有

学术上每年都有发展,但是主要以修修补补为主,没有像五六年前那时候新赛道井喷式出现。可以很明显的感受到整个行业速度慢下来的感觉,没有什么低枝果实给人捡漏了
第一梯队发现赛道
第二梯队奠基发展
第三梯队精细打磨
第四梯队打杂喝汤
当第一梯队的人徒劳无功的时候,第二梯队的人只能去干第三梯队的活儿
结果第二梯队的人干得也不开心,第三梯队的人还要被降维打击
当然,说【慢】是跟之前比,毕竟挤了这么多人在里面,而且确实碗很大,每年的产出依然比其他科研方向要丰富
二、前景是既广阔又狭窄

“AI是人类的未来”,即便现在的弱人工智能让人哭笑不得,但相信大多数人还是会认可这一断言的。所以你要说它“前景”如何,那必然是宽广的呀,至于当下嘛,还是差点意思。可以很好跟CV结合的应用也确实不多,让人远看无效遐想,近看又觉得并非“不可或缺”
当然,饭要一口一口吃,指望AI能一夜之间颠覆我们的生活方式,这不现实。而事情上,我们生活中已经多少有一些它的影子了
三、技术落地困不困难,困难

技术->应用,这个看似简单的转换环节,一直以来都是很伟大的举措,完全不亚于开辟赛道的功劳。也只有不断反哺,才能有源源不绝的动力去投入创新,对个体对组织皆是如此。
变现这种事情,是俗气了一点,但是毫无回报地一直在向投资人伸手,或者向政府伸手,不是长久之计。
强需求“自动驾驶”、“医学影像”这类,精度要求很高,是硬骨头,只能靠硬啃
弱需求“自拍美颜”、“安防监控”、“质检测绘”这类,主要是锦上添花,提效降本空间有限。而且其实很卷,这种卷在于没有开拓出新需求,只是在原有需求上消灭竞争对手或者人工岗位
四、非常昂贵

这个对从业者来说,算是半个好消息。在行业发展放缓的这两年,薪酬一直在水涨船高(一部分因素是互联网行业普涨),跟五年前相比,基准线已经翻倍都不止了,二线城市基本能拿到20k以上,一线城市能拿到30k以上,头部大厂还要再加20~50%
众所周知,薪资只是用工成本的一部分,养一个年入30w的算法工程师,公司支付费用在50w以上。组建一支算法团队,成本就是500w/年,你还无法保证团队每一位成员都有战斗力满满
大公司广撒网即可,真一拖三一拖四也不怕,钱多基数大。中小型公司,要是没有很漂亮的业务线,养这样一个团队就很困难。只能跟大厂购买SDK(好在SDK都挺便宜,也是市场卷出来的福利)
<hr/>
职场就像高压锅,当外部扩张不足,内部就是竞争加剧。躺赚是越来越不可能了,“运气型”选手生存空间会不断被压缩
还有一部分“后发型”选手会被误伤,因为环境更恶劣了,留给新人的容忍空间更小。以前的时候大家都不会,不管强弱都是赶鸭子上架,不少人可以媳妇熬成婆。但是现在新人进来,公司里的老人已经五年八年经验了,所有人的嘴都被养刁了,对新人来说压力跟以前不可同日而语
所以如果不是真心喜欢,其实这条路就有些不值当了
一、这里仍然奋斗者天堂

程序员是一个高速迭代,唯能力是举的世界,算法世界亦是如此。
这是一把双刃剑,你可以凭借你的天赋、努力,无视一切“人脉”、“积累”,击败那些尸位素餐的元老,站上高位
但同样的,只要你不持续学习,紧跟前沿,你老掉牙的技术原理、人脉头衔,在精英的后来者面前一样不堪一击
二、看似千军万马,全是纸老虎

大量高校开设相关课程,大量课题立项。每年有大量预备军进入这个战场是无可辩驳的事实
当初那种,满世界抓人来试试能不能搞算法的时代,应该是一去不返了
但来者虽众,三成随大流而来,吸引他们的是钱多事少的谣言;三成是吃不了苦受不了累的娃娃兵;三成是没有责任感,没有自驱力,能做好手上的活儿就万事大吉的滚刀肉
你的对手只有一成
三、与人斗其乐无穷

就这一成的对手,同时也是你的战友
他们有坚韧不拔的毅力,对创新研发炙热的追求,舍我其谁的责任感,从小到大都是佼佼者的天赋,天下英雄出我辈的自信
这样一群人,不管是当对手,还是当队友,都是最畅快的事实了
所以,要保持谦逊,永远有更优秀的那个,也绝不气馁,因为你也是其中一员
<hr/>这里是真才实学者的天堂,亦是欺世盗名者的炼狱

快速回帖

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则