人工智能领域之所以内卷还不是站了几年的风口,互联网企业开的薪酬高,导致不好找工作的、薪酬低的行业大量学士、硕士、博士报个培训班、参加个比赛、看几个开源项目就来找相关的工作。
在当前历年高校毕业生屡创新高的大背景下,毕业找工作越来越难,找一份好工作更是难上加难。互联网作为新兴技术的代表,开出诱人的高工资,虽然面临996等各种问题,还是不乏年轻的毕业生前赴后继。在这种前提条件下,只要人工智能领域的工资水平超过平均工资,伴随着毕业生的增多与技术门槛的降低,势必会越来越卷,直到工资水平待遇与人才的供需关系达到一个平衡。
既然会越来越卷,还有没有机会?我个人觉得还有机会,甚至是人工智能的潜力还没有完全发挥出来。尤其是与特定领域的结合上,这也是非科班出身选手的一个值得投入的方向---那就是将人工智能技术与自己目前所在领域行业结合。为何这么说呢。我从两个方面简要陈述。
1. 从人工智能技术发展现状上。当前人工智能的还是属于统计学习的范畴,基本没有任何智能、理解能力。相当于我们幼儿园、小学阶段死记硬背的阶段。所以给它的数据越多,它背的越多,效果越好。这里不得不提人工智能的发展的三个阶段:运算智能、感知智能、认知智能。当前正处在从感知智能迈向认知智能的过度阶段。我们人类在生活中会总结经验规律形成知识指导后续工作,机器目前没有这个能力,只能给出输入输出让学习两者的映射关系。所以一个想法就是能不能我们人类总结好知识然后给机器用呢?事实上当前的研究火热的知识图谱就是基于这样的一个思想:自动的抽取大量海量的知识,形成大规模知识库,用于机器的决策和推理,提高机器的认知能力。知识分为两种,一种是常识知识,一种是领域知识。常识知识,我们每个人经过在人类社会生活学习,自然而然的就具备了,但是机器却很难拥有,常识知识的获取是一个难点,这里我们点到为止。另外一个是领域知识,这就是各位跨界跨行选手在人工智能应用领域可以大显身手的地方。人工智能短期内想在通用领域有所突破非常困难,但是在各个领域内还是能够有所作为的。就拿nlp领域的命名实体识别来说,每个领域关心的实体类型都不太一样,不太可能用一套通用的实体识别程序,而应该结合各个领域的知识构建领域内使用的实体识别应用。
2. 从政府规划与个人竞争力上。在今年两会发布的十四五规划纲要中,提到人工智能相关技术要逐步成为 “事关国家安全和发展全局的基础核心领域”。 人工智能技术未来会逐渐成为各个行业的基础技术,就像数学是很多学科的基础一样。现在很多小学和中学都开始学习人工智能了,所以只会点cv、nlp算法显然难以有核心竞争力。cv也好、nlp也罢,都还是属于技术范畴,技术的发展从根本上上是为业务服务,不可本末倒置。除了技术能力以外,一个高级的算法工程师最重要的业务能力。业务就广了去了,人工智能为各行各业赋能,都离不开对应用领域业务的了解。想搭人工这能这班车的,自己感兴趣的方向领域与人工智能的交叉学科是比纯人工智能更有前景的方向。对于cs 出身的工程师而言,也要在找工作时看准一个具体的业务领域应用,在这个领域深耕,不仅成为一个算法专家,更要成长为一个业务专家,才是根本。
基于以上的两点认识,简要回答题主的四个问题:
1. cv是否真的很卷,nlp目前如何
确实很卷,nlp也一样,而且会越来越卷
2. 预测四年后?
用论文量化下卷的程度:硕士打底一篇顶会,博士三篇起才有竞争力
3. 算法有什么方向推荐吗?
越来越卷也会要求你懂得越来越多,目前很多企业都在做多模态,未来cv、nlp分不分家都难说,所以基本知识都得了解
4.建议开发还是算法?
建议根据自己的兴趣选择,尤其是要结合特定领域
|