与前些年媒体报道的高薪形成鲜明对比的是，人工智能专业的毕业生一表难求。现在不少求职者在各大社交平台上吐槽，今年的招聘季竞争异常激烈。其中，竞争最激烈的是“算法帖”。有人说各大公司都减少了对算法岗位的招聘，甚至有几千人应聘几个职位。有人说算法岗有比面试官牛逼的候选人。有些人只是劝阻那些投票给法律职位的候选人。在企业全面数据化、智能化的当下，算法岗位应该??更受欢迎。为何突然成为就业重灾区？除了暴力劝说，本文将从几个不同的角度分析目前算法类岗位的求职就业情况。市场的周期性调整在学生时代，我曾经坚信个人的付出一定会有回报，但是随着这几年个人阅历的增长，我开始意识到市场环境的力量，它个人几乎不可能抗拒整个社会的进步。九月初，我听了李牧的一次演讲。了解深度学习的朋友可能听说过李牧。他是博士。来自美国卡耐基梅隆大学，现任亚马逊首席科学家。研究领域提出了一些新方法。李牧在演讲中提到了Gartner的技术成熟度曲线。Gartner技术成熟度曲线是技术领域众所周知的推论。根据这一理论，大多数技术都经历了五个阶段：技术的萌芽阶段会引起利基投资机构和媒体的关注，而一旦技术进入公众视野，就会开始迅速扩张。这时候也会有大量的投资机构入场，但是当大众发现技术不如媒体宣传的那么好，尤其是投资机构发现技术不能带来足够的收益时，幻想泡沫就产生了。一阵阵的，人们的期待已经从巅峰跌落到谷底，但随着技术的成熟和大众的接受，这项技术不再是噱头，而是已经能够转化为普罗大众的科技产品可以使用，终于进入量产的成熟阶段。Gartner2019年8月技术成熟度曲线上图为Gartner2019年8月发布的新技术成熟度曲线，大家熟知的5G技术已经登顶，而一些人工智能相关的技术还处于技术的萌芽阶段，但是2017年大火的区块链已经销声匿迹了。区块链的案例可以说是完美地诠释了技术成熟度曲线。早在2008年，就有关于比特币技术的论文发表。2011年到2013年，一些专业机构开始关注比特币技术，比特币开始从一个小众技术进入专业人士的视野。随后，比特币和区块链技术被各大媒体报道，投资机构和企业家蜂拥而至，各国政府开始关注这项技术。2017年，比特币价格开始飙升，并在2017年底达到顶峰，即达到预期通胀的顶点。记得那时候很多公司开始在数字货币上发力，区块链创业公司比比皆是。很多只有一年工作经验的区块链应聘者就可以拿到50万到100万的年薪，而且跳槽率极高，两三个月就换一份更高薪的工作。随后比特币暴跌，各种中小机构倒闭，创始人跑路，员工工资拖欠。区块链不再是各大媒体追捧的技术。但区块链技术并非胎死腹中。包括Facebook在内的众多公司不断推动其发展，各国政府也对这项技术高度重视。写这篇文章的那天，中央高层集体研究区块链技术，决定推动区块链技术发展和产业创新。我相信区块链最终会进入成熟阶段。Gartner技术成熟度曲线描述的不是技术本身的发展，而是资本市场对一项技术价值的估计。这里面包含了一个很简单的市场经济运行原理：一个技术被发明出来，资本期望通过风险投资在未来获得几十万的杠杆回报，很多人都想在金融泡沫中发家致富，但是技术本身不值这个价，所以会有一个极速膨胀和泡沫破灭的过程。同样，人工智能行业也难逃这样的周期命运。人工智能算法的成熟度曲线李牧在演讲中为人工智能算法做了一个类似的曲线。人工智能算法的兴起起源于2012年深度学习在计算机视觉领域的突破，经过几年的发展，计算机视觉技术日趋成熟，基于深度学习的计算机视觉很可能落到很快见底。.这也就不难解释为什么目前正在找工作的计算机视觉专业的毕业生就业难。他们虽然有屠龙之术，但想要找到自己想要的工作却很难，甚至出现应聘者胜过面试官的情况。因为大潮退去，资本在撤离这个领域，工作岗位也没有以前那么多了。与区块链情况类似，同样的事情也发生在机器学习算法工作中。早在2014-2016年，如果你是211或985计算机硕士毕业，或名校理工科博士，只要懂一点机器学习，有一定的数据分析处理经验，你可以很容易地从中小型公司获得机器。学习算法工作机会；编程能力稍强的应届生，很容易拿到大公司的优质offer。近两年，一方面其他学科的学生疯狂向机器学习转型，另一方面计算机相关学科的学生也在积极准备算法岗位。对于很多面试官来说，以他们现在的招聘标准，估计当年是进不了这个行业的。知道了技术成熟度曲线，就不难理解算法岗位竞争日趋激烈的现状。人工智能产业具有规模化、标准化的特点。人工智能产业依赖三大资产：算力、数据和人才。其中，算力和数据越来越被龙头企业垄断，这将导致人才向龙头企业集中。人工智能的三要素计算能力是人工智能研发的基石。幸运的是，云计算的出现降低了计算能力的成本。中小型企业无需购买自己的服务器，只需购买几大平台的云服务即可。然而，前沿研发仍然严重依赖计算支持，例如计算机视觉和自然语言处理。训练一个前沿模型需要上千台服务器，光是服务器的价值就可能上千万。训练尖端模型并将其部署到在线环境的成本非常高。即使租用云服务，中小型企业也未必能负担得起这笔费用。巨头公司有自己的云计算资源，有实力承担这部分研发费用。如果说算力是基石，那么数据决定了人工智能效果的上限。垃圾进垃圾出！同样的算法，用规模更大、质量更好的数据训练出来的模型更准确。目前数据的采集主要依赖几个方面：用户自发上传、用户行为数据采集、传感器等输入设备数据采集、爬虫爬虫等。大公司用户多，数据采集设备多，在数据采集方面具有天然优势。计算能力可以从云服务提供商处租用，但数据却不是那么容易获得。这将严重制约中小企业在人工智能方向的研发。由于大公司的算力和数据压倒性优势，顶尖AI人才更渴望加入大公司：在大公司算力和数据加成的基础上，AI研发人员可以有更好的输出，有利于他们的个人职业发展。大公司的门槛越来越高。我最近发现的另一个有趣的事情是，人工智能领域的一些业务是高度标准化的，这个行业的资源很容易向龙头企业集中。业务标准化是指业务要解决的问题很容易通过标准化的标准来定义。给定一个数据集，只需要提高其上的准确率即可。比如在人脸识别领域，问题很容易定义，可以封装成一个标准化的接口对外提供服务。许多公司的产品都依赖于人脸识别技术。对于这种标准化的服务，他们一般采用调用成熟的第三方接口的方案，不需要自己造一个新的轮子。与标准化服务相对应的是个性化的非标准服务，比如推荐系统。推荐系统虽然已经形成了一套技术体系，但是每个公司的业务都不一样，推荐系统必须和自己的业务高度兼容。几乎所有的互联网产品都有自己的推荐系统，但是抖音、淘宝、小红书这三个不同的产品，其内部推荐机制可能大相径庭：抖音更依赖于优质的内容池，而淘宝则取决于关于用户之前的点击和搜索行为。如果我是手机淘宝的老板，手机淘宝需要推荐系统和人脸识别两个模块，因为推荐系统会带来产品销售的直接收益，而人脸识别只是辅助增强功能，我一定会建立自己的推荐系统团队，人脸识别直接购买第三方标准化服务。人工智能产业的规模化和标准化，意味着这个产业的资源将向头部企业聚集。顶级公司能提供的岗位数量有限，申请顶级公司的竞争更加激烈。例如，高速公路收费员的工作已经处于危险之中。过去，这样的岗位遍布全国，可以创造大量的就业机会。现在，随着部分收费站转用ETC和车牌识别支付技术，高速公路不再需要那么多的收费员，只需要几十个研发团队就可以开发出一套信息系统，并推广到大量的收费站。对于资本家来说，养一个小的信息系统开发团队，远比养一个庞大的收费员团队更赚钱。计算机视觉行业资源正被龙头企业垄断，进入泡沫破灭期。两个坑都踩过，求职形势很不乐观。普通人该如何应对？事实上，无论是技术周期论还是规模效应论，本质上都是逐利的资本在幕后操纵。对于普通人来说，我觉得应该从两个方面来对待：一是顺势而为，二是苦练内功。雷军一直坚持“顺势而为”的原则，他的投资公司也被命名为“顺为资本”。作为普通人，我们不一定要追趋势，但要时刻想着大势是什么，提前谋划市场周期。猪也能乘风飞翔！大家只记得这句话。其实雷军背后还有更重要的一句话：长出一点翅膀，就能飞得更高。无论是顺风还是逆风，都要苦练内功，磨练自己的小翅膀。很多求职者抱怨面试太难，竞争太大，却忽略了自己努力的问题。在任何时代，机会总是留给有准备的人。
