“AI领域的寒冬已经降临”——持有这种观点的人不在少数，我们正在经历衰退。人工智能、机器学习和数据科学的研究和探索成本高昂，一些人认为投资者很快就会对人工智能领域失去希望。谷歌已经停止招聘机器学习研究人员，优步已经停止了一半人工智能团队的研究。展望未来，机器学习领域的工作岗位数量与求职者的需求相比，仍然是绰绰有余的。真的是这样吗？在我看来，只要你能创造价值，前面的路还是很平坦的。AI寒冬不会影响大部分AI/ML/DS工作AI寒冬意味着人们对AI研究的投入和兴趣减少，但大多数人不参与研究。人们确实阅读论文、汲取灵感并进行创新，但他们真正使用的是已经存在的技术。另外，做ML驱动产品的热情与开展的研究量没有必然联系，更何况还有大量的研究成果尚未应用，业界还在部署和实施中几十年前开发的机器学习成果。“AI驱动”产品如今更受欢迎的原因是机器学习的使用更广泛，而不是新研究的出现。不仅最前沿的人工智能技术可以解决问题。经典算法、领域知识和合适的数据集的结合可以解决大多数实际问题，不需要深度神经网络。笔者认为，在大型科技公司之外，人们高估了专注于提升技术能力的重要性，相应地低估了解决问题的态度和基本的开发技能。除了技术研发，还有很多枯燥或需要人力的工作需要自动化。这种转变应该早就完成了，根本不需要突破。使用机器学习，但专注于创造价值，而不是改变世界任何解决的问题都会带来价值。硅谷让我们放眼长远，而不是改善我们社区和周围人的生活质量。我爱优步，它改变了世界。但如果每季度花费50亿美元来维持优步的运营，那就有问题了。诚然，一些企业制定了影响70亿人生活的长期战略，但在“干”行业中减少数据输入错误等简单改进也可以创造价值。学习ML是打败你对AI恐惧的最好方法来源：unsplash传播最快。深入研究机器学习然后尝试概念化、训练和部署模型以解决现实世界问题的过程仍然很困难。通用人工智能（AGI）替代人力还有很长的路要走，基础设施亟待完善，真实数据杂乱无章。如果你从Kaggle下载一个CSV文件来训练一个问题模型，那么99%的工作都是预先为你完成的。如果更多的人参与进来，压力会大大减轻。简化机器学习的工具不足在过去的十年中，对机器学习应用程序的简化比任何单一的算法突破都要多。今天，软件工程师可以从开箱即用的组件快速组装机器学习解决方案，但在简单性方面仍有改进的空间。随着工具的不断发展，纯机器学习的工作将逐渐减少。相反，使用机器学习来解决各种问题的软件工程师的数量将会显着增加。更多的非技术企业将从中受益。ChipHuyen曾说过：“如果你是一名能够为机器学习创造出色工具的工程师，我将永远感激你。”机器学习推动全球价值增长。但笔者认为，目前我们只是触及了皮毛，期待未来更多适用工具的出现。先学习软件工程如果你还没有人工智能相关领域的高级学位，你应该在深入研究人工智能之前先学习软件工程。学习软件工程类似于攻读技术领域的MBA。人们可以学习基础知识，创建全栈解决方案，并理解促进机器学习的代码。随着行业格局的变化，软件工程职位的数量将会增加，职业转型也将变得更加容易。许多软件工程师可以在机器学习或数据科学方面做得很好。然而，后两个领域的工作者在软件工程方面往往乏善可陈。图片来源：unsplashAI领域从来不乏“负面消息”，但只要我们做好应对的准备，那些无法隐藏在我们想象中的“困难”不一定会发生。只要专注于学习通用技能（包括机器学习），解决实际问题，创造价值，总能找到施展才华的舞台。
