AI人才薪酬水漲船高 有人卻不喜歡人工智能

【導(dǎo)讀】一份不喜歡的工作，卻擁有著行業(yè)頂薪，是去還是留？最近一位reddit小哥發(fā)帖表示永遠(yuǎn)退出機(jī)器學(xué)習(xí)界，只因行業(yè)風(fēng)氣太浮夸，更喜歡和數(shù)學(xué)相關(guān)的工作。

隨著人工智能技術(shù)的不斷發(fā)展，可應(yīng)用領(lǐng)域也越來(lái)越廣，國(guó)內(nèi)外AI人才的薪酬也是水漲船高。

動(dòng)輒年薪10萬(wàn)美元，年薪30萬(wàn)人民幣的白菜價(jià)，互聯(lián)網(wǎng)也到處充斥著造富神話(huà)，為了財(cái)富自由，不止各個(gè)領(lǐng)域的程序員，各行各業(yè)的人幾乎都轉(zhuǎn)行伴著浪潮涌入AI行業(yè)。

但如果你不喜歡機(jī)器學(xué)習(xí)，又舍不掉如此高薪，你會(huì)舍得換一份工作嗎？

大部分人的選擇可能都是選擇向生活妥協(xié)，畢竟他們給的實(shí)在是太多了。

最近，Reddit論壇上就有一個(gè)小哥卻做出了一個(gè)與眾不同的選擇，他表示：永遠(yuǎn)退出機(jī)器學(xué)習(xí)界！

下面是他介紹自己的一些相關(guān)情況，并向網(wǎng)友求助如何找到自己喜歡的下一份工作？

機(jī)器學(xué)習(xí)干膩了

我是那種以機(jī)器學(xué)習(xí)為生但對(duì)機(jī)器學(xué)習(xí)沒(méi)有興趣的人，可能在業(yè)內(nèi)比較少見(jiàn)吧。

我工作內(nèi)容就是使用經(jīng)典和深度學(xué)習(xí)方法開(kāi)發(fā)模型，從業(yè)7-8年了，其中很多模型在我工作過(guò)的公司中產(chǎn)生了不錯(cuò)的影響。

我覺(jué)得我也很擅長(zhǎng)做這些事，而且我的工資也很高。

但現(xiàn)在，機(jī)器學(xué)習(xí)或者深度學(xué)習(xí)領(lǐng)域沒(méi)有什么能讓我興奮的了。

我發(fā)現(xiàn)在數(shù)學(xué)課本上解決問(wèn)題更快樂(lè)。實(shí)際上，我想要一個(gè)某種和數(shù)學(xué)搭上邊的職業(yè)，但我不想一輩子都做機(jī)器學(xué)習(xí)。

在我「為了錢(qián)」投身機(jī)器學(xué)習(xí)之前，我在衛(wèi)星系統(tǒng)工程方面做了很多工作。在碩士學(xué)習(xí)期間，我也選修了很多物理和EE課程（光學(xué)、量子力學(xué)和固態(tài)設(shè)備）。

我正在考慮從事量子信息方面的工作，但我還沒(méi)有博士學(xué)位。另外，我的計(jì)算機(jī)科學(xué)技能還不夠強(qiáng)，無(wú)法轉(zhuǎn)到密碼學(xué)。

所以網(wǎng)友們，我該如何走出機(jī)器學(xué)習(xí)界？

網(wǎng)友建議：不要裸辭

帖子一經(jīng)發(fā)出，立刻引起網(wǎng)友熱議。

網(wǎng)友pruby表示，我太懂這種無(wú)聊的感覺(jué)了，但你應(yīng)該換一個(gè)工作方向，而不是離開(kāi)。思考下一步的方向可能需要幾個(gè)月或幾年才能徹底確定下來(lái)，所以最好不要「裸辭」。

網(wǎng)友shot_a_man_in_reno也贊同這個(gè)思路，并補(bǔ)充說(shuō)你完全可以再學(xué)另一門(mén)知識(shí)，并且在那里應(yīng)用機(jī)器學(xué)習(xí)的技術(shù)。他表示，我就不想在通用的機(jī)器學(xué)習(xí)領(lǐng)域進(jìn)行研究，比如人臉監(jiān)測(cè)或者NLP之類(lèi)的，因?yàn)橛?jì)算機(jī)畢業(yè)的人基本都是研究這些純粹的內(nèi)容，所以競(jìng)爭(zhēng)很激烈。一個(gè)在機(jī)器學(xué)習(xí)領(lǐng)域有雙重專(zhuān)長(zhǎng)的遺傳學(xué)家或者人類(lèi)學(xué)家可能會(huì)做更有趣的工作。·

也有人表達(dá)了他認(rèn)為作者討厭機(jī)器學(xué)習(xí)的原因。

網(wǎng)友MinLikelihood表示，我喜歡統(tǒng)計(jì)學(xué)/機(jī)器學(xué)習(xí)，但我不想在這個(gè)領(lǐng)域有一個(gè)長(zhǎng)期職業(yè)的原因就是：我覺(jué)得處理和分析數(shù)據(jù)很無(wú)聊。我喜歡理論上的東西，喜歡探索estimators，研究抽樣方法，開(kāi)發(fā)新的優(yōu)化技術(shù)，而非使用它們。單純地使用是重復(fù)性的，幾年后肯定會(huì)讓你感到很無(wú)聊的。

還有人建議說(shuō)，放心地追求自由吧！

網(wǎng)友beexes表示，你應(yīng)該永遠(yuǎn)只做讓你感覺(jué)快樂(lè)的事。我有一個(gè)朋友，他就不干軟件工程師了，轉(zhuǎn)頭開(kāi)了一個(gè)餐館，他現(xiàn)在應(yīng)該是世界上最快樂(lè)的人了。

也有人覺(jué)得，職場(chǎng)也是圍城，你向往的地方，對(duì)于別人來(lái)說(shuō)也很無(wú)聊。

網(wǎng)友EdAlexAguilar分享說(shuō)，我在量子信息領(lǐng)域讀了碩士、博士和博士后，但現(xiàn)在這個(gè)領(lǐng)域的研究已經(jīng)不能讓我興奮了。我在過(guò)去的一年里一直在做強(qiáng)化學(xué)習(xí)，我很喜歡這個(gè)新領(lǐng)域。但這并不是一夜之間發(fā)生的，事實(shí)上，我在讀博士期間就已經(jīng)知道我很可能會(huì)轉(zhuǎn)型離開(kāi)，但希望能盡可能順利地過(guò)渡。我的猜測(cè)是，你也是如此。你不需要一個(gè)博士學(xué)位，只需要額外的精力來(lái)學(xué)習(xí)。如果你有財(cái)務(wù)壓力的話(huà)，就在業(yè)余時(shí)間開(kāi)始為新目標(biāo)奮斗。這可能需要幾年的時(shí)間，但你可以設(shè)法在有工作的情況下跳到不同的領(lǐng)域。

也有網(wǎng)友從社會(huì)的角度來(lái)分析數(shù)學(xué)職場(chǎng)問(wèn)題。

網(wǎng)友cookiemonster1020表示，在數(shù)學(xué)/應(yīng)用數(shù)學(xué)領(lǐng)域找不到工作的部分原因是大數(shù)據(jù)背后的炒作。當(dāng)我在著名的大學(xué)做博士后畢業(yè)以后，進(jìn)入學(xué)術(shù)市場(chǎng)時(shí)，我發(fā)現(xiàn)在我所在的應(yīng)用數(shù)學(xué)子領(lǐng)域幾乎沒(méi)有空缺位置；相反人們即使只是做一個(gè)壓縮傳感的應(yīng)用，也能得到教職。

聽(tīng)取大家的意見(jiàn)后，帖子的發(fā)起人表示，感謝網(wǎng)友的分析，他目前已經(jīng)開(kāi)始看關(guān)于離散微分幾何的網(wǎng)課了，未來(lái)打算探索微分幾何學(xué)（ differential geometry）和機(jī)器學(xué)習(xí)結(jié)合的問(wèn)題。

他表示自己更愿意在應(yīng)用物理學(xué)或遺傳學(xué)等領(lǐng)域從事ML工作，而不是銀行、社交媒體分析或電子商務(wù)等公司。

至于討厭機(jī)器學(xué)習(xí)的原因，主要是厭倦了那些標(biāo)題為「X is all you need」的技術(shù)論文。我并沒(méi)有反對(duì)發(fā)表論文的任何人，而且我絕對(duì)相信作者比我更有水平，但我對(duì)這種華而不實(shí)的論文標(biāo)題感到非常不舒服。因?yàn)槲以谖锢韺W(xué)或數(shù)學(xué)領(lǐng)域沒(méi)有看到過(guò)如此浮夸的標(biāo)題，這也是我不想攻讀機(jī)器學(xué)習(xí)博士的一個(gè)原因。我討厭那種風(fēng)格！!

并且從任何平臺(tái)上學(xué)習(xí)任何在線(xiàn)課程都不會(huì)使你成為數(shù)據(jù)科學(xué)家或ML研究人員。很少有AI從業(yè)人員愿意花時(shí)間和精力去學(xué)習(xí)機(jī)器學(xué)習(xí)算法背后的基本數(shù)學(xué)知識(shí)。當(dāng)我在面試中要求候選人解釋什么是PCA時(shí)，他們只回答說(shuō)PCA是一種降維技術(shù)，根本沒(méi)有提到特征值、特征向量或協(xié)方差矩陣。

人工智能惹人嫌

無(wú)獨(dú)有偶，在知乎上也有關(guān)于「為什么不喜歡人工智能」的討論。

大體就是黑盒模型、炒作概念，深度學(xué)習(xí)的壟斷讓「算法工程師」這個(gè)名稱(chēng)也引發(fā)爭(zhēng)議。

有研究者曾總結(jié)過(guò)人工智能研究的四宗罪：

1. 技術(shù)更新過(guò)快，三天不看論文就out了

學(xué)習(xí)是一件好事，但過(guò)快的迭代速度和海量的論文讓研究者焦頭爛額，一天的專(zhuān)注學(xué)習(xí)可能到了明天就落伍了。

并且很容易就會(huì)idea撞車(chē)，或者手里的sota模型還未發(fā)表就已經(jīng)夭折。

2. 資金耗費(fèi)過(guò)大

大規(guī)模預(yù)訓(xùn)練的范式確定后，普通的研究者很難再在排行榜上分一杯羹了。

收集、下載大規(guī)模訓(xùn)練數(shù)據(jù)要錢(qián)，標(biāo)注數(shù)據(jù)要錢(qián)，訓(xùn)練模型所需的硬件設(shè)備更是金錢(qián)堆起來(lái)的。

甚至只要數(shù)據(jù)夠大，資源夠強(qiáng)，即便方法不夠出類(lèi)拔萃，你的模型可能也比別人學(xué)的更快，性能更強(qiáng)。

3. 艱難地改進(jìn)模型

深度學(xué)習(xí)的黑盒模型是一個(gè)老生常談的問(wèn)題了，但對(duì)于程序員來(lái)說(shuō)卻是一種精神折磨。

性能不夠強(qiáng)、沒(méi)收斂、預(yù)測(cè)結(jié)果不符合預(yù)期，「煉丹師們」面對(duì)著模型和參數(shù)只能欲哭無(wú)淚。創(chuàng)造代碼可以讓人快樂(lè)，但調(diào)參卻不會(huì)：性能提升了，但怎么提升的？沒(méi)人知道！

比如有時(shí)候辛辛苦苦改模型，沒(méi)有任何性能提升，把激活函數(shù)從relu換成selu，就出了一個(gè)新的sota模型，這個(gè)時(shí)候你是該高興呢，還是該懷疑自我？

4. 數(shù)據(jù)決定一切

目前的AI模型就像一個(gè)無(wú)情的刷題機(jī)器，只要給的數(shù)據(jù)夠多，他就能回答一些試卷內(nèi)的問(wèn)題，但對(duì)于知識(shí)的理解、邏輯來(lái)說(shuō)，模型沒(méi)有任何進(jìn)步。

吳恩達(dá)曾經(jīng)提出二八定律：算法工程師應(yīng)該把80%的精力用在收集、清洗數(shù)據(jù)上，剩下的20%才是研究模型。

這樣的話(huà)，對(duì)于專(zhuān)門(mén)研究模型的科研人員來(lái)說(shuō)，被數(shù)據(jù)支配的感覺(jué)太不友好了！

其實(shí)AI仍然是一個(gè)有巨大潛力的應(yīng)用領(lǐng)域，深度學(xué)習(xí)將模型性能抬到了前所未有的高度，語(yǔ)音助手、智能推薦、人臉識(shí)別等等都在讓生活變得更方便。

但任何事物都有缺陷，你覺(jué)得人工智能「惹人嫌」嗎？

參考資料：

https://www.reddit.com/r/MachineLearning/comments/t45n67/d_quitting_machine_learning_for_good/

編輯：黃飛