AI职业生涯直播研讨会之问题详解与回顾

受万门大学之约，这周一在B站主持了AI职业生涯直播研讨会, 这个非常有意思的契机让我有机会满足大家的好奇心, 就典型问题随便说几句
1, 华为百万年薪, 需要掌握哪些AI这个已经成为了大家当下最关注的话题. 其实观察华为拿到200万年薪的同志的履历表不难看出. 方向选择的重要性. 首先当下毕业的博士, 应该是6年前就已经入行, 那么进入赛道的时间上就已经赢在起跑线上. 其次看它们的研究方向选择. 获得头筹的x同学研究方向是AutoML自动化的机器学习, 应该说x同学的研究没有陷入大多数人的调超参改变某个网络模型的陈科, 而是清新脱俗中把握了一个极具未来前景的方向. 所谓AutoML，说的是既然选网络架构调超参那么麻烦, 为什么我不让机器自己去生成网络结构呢? 如何生成? 你把它看成一个游戏, 那么这个游戏就是把改变网络结构本身看成一个动作, 然后通过计算和学习得出有效的行为策略, 这样就可以自动化的生成最优化的网络.
在看待AI产业的薪水的时候, 我劝大家要理性看待. 因为高薪虽然存在, 被宣传的依然是顶尖人才. 据我所知, 算法工程师的起步价格可能不会高于每月2到3万. 这一点符合各大专业的普遍规律, 就是尖端人才永远是稀缺的. 如果作为一个没有名校夹持的普通人, 我想虽然拿不到华为顶薪, 但是用一定的"算法’依然可能取到一个三分之一的工资. 具体之于方法, 后面会详谈. 2, AI与5G技术结合点有哪些当下5G兴起之时, 最大的收益结合恐怕是AI, AI与5G结合的最大看点在于物联网. 因为5G时代的数据带宽, 带来的真正变化是每个现实生活的样本, 都会在云端得到一个副本. 而这种变化必然导致的是, 每个物体的数据都将以实时的形态传输到云端. 这对于机器学习模型来看,就是得到了充足的弹药, 意味着通过云端算法可以充分的对所有物体赋能. 这种赋能的结果是我们真正进入了万物互联, 万物智能的时代. 可能所有的垃圾桶都实现了智能分拣, 再由智能机器人送达相应的地点., 最后由无数的智能工业机器人进行最终的处理.
3, 目前市场普遍觉得AI落地难, 那么真正的市场应用有哪些 这是一个重要的问题, 对于这个问题, 一定要分而视之. 我觉得真相是有的产业水确实大, 有的则非常干非常实在. 一个普遍的规律是越是听起来高大上的, 就往往水越大的. 两个典型的例子, 一个是自动驾驶,一个是智能诊疗机器人, 如IBM Waston. 这些系统的共同特点是实现起来会颠覆整个行业, 但是如果要实现, 往往需要机器人具备相当的数据整合, 因果推理, 以及自然语言理解能力. 这几个, 哪一个事实上都已经牵扯到强人工智能的实现这个当下不可能实现的技术难点. 所谓泡沫, 就是人们的预期很高, 事实上最终又很容易失望. 而另外一些领域, 则事实上没有泡沫. 我觉得这些领域大多数是围绕图像和视频处理. 主要原因在于, 图像处理和视频处理所涉及的内核技术已经非常成熟. 而这种技术成熟虽然对于学界略显乏味, 但是对于产业界是巨大的机会. 因为很多技术拿来用就好了. 而图像和视频, 则出现在生活的方方面面,简直可以说的上是包罗万象, 从人脸识别相关的安防和美颜, 到自动收货垃圾分类. 视频涉及到直播网站的资源和整理, 每个细分领域都有无数的点可以做, 因此, 虽然成熟, 好的图象处理工程师依然是非常稀缺的. 图象处理与细分领域结合的那些行业, 我认为是非常实在的.
4, 人工智能的学习方法和入门路径. 这是一个典型的因人而异的问题， 此处参考 ： 巡洋舰人工智能资源打开手册

如果你是一个小白， 以入门了解为目的， 那么请你充分利用互联网提供的多种多样的免费和收费资源。 公号， 知乎， 各类课程均是你的潜在市场

如果你是一个具备一定理工课背景的初级工程师， 我想头一条你一定不能忘记的是github。 因为这个时候对你最重要的是动手能力， 那些矩阵运算什么都可以看懂， 但是上手不一定感觉容易， 这时候你需要follow前人的代码， 在github寻找那些难度比你目前所掌握高一点的代码去模仿。如何找到这些资源？请看上面提到的那些公号知乎课程， 一般比较良心的文章都会提起可以follow的代码链接。
如果你已经跨过了那个初级， 而是进入了比较高级的研究阶段， 你想要拓宽自己的视野，和专家交流， 甚至在一些人工智能会议上投稿小试牛刀。 那么毫无疑问， 你需要阅读大量论文。我首先推荐给你几个深度学习领域的顶级会议， NIPS（Neural Information Processing Systems ）， ICML（International Conference on Machine Learning）和ICLR(International Conference on Learning Representations ) 这三个会议的top文章都值得你follow。 对于阅读这一类计算机的论文， 我觉得如果你有时间最好能够把它们复现出来，好在一般这类文章都有github代码提供。读多了对于你要做的事情自然会有一些思路。
当然还有一类比较特殊的人群， 就是企业高管与政府决策者， 这部分朋友的学习目的事实上是站在制高点，去看自己的企业策略， 或者政府的发展规划。那么这类朋友的学习路径肯定和上面几类非常不同。 此处最重要的是思考当下前沿的AI和自己的传统领域的联系。首先我的建议是虽然不一定编程， 但是一定要深入了解前沿， 了解那些世界顶尖研究所， 顶尖学者的研究思路， 与你当下的学科的关系。然后， 我觉得你要热爱对话， 去和领域内思维开阔的专家直接建立对话， 一场高质量的对话有时顶上几天的苦读。 5, 人工智能的未来到底有多可怕, 谈人工智能和脑科学的结合.很多入门观众特别喜欢聊的一个话题是， AI好可怕， AI是一个潜在的对人类的工作机会是威胁， AI要抢走我的饭碗。那么AI到底是发到了这样一个地步， 它会在什么时候抢走你的饭碗？ 首先， 大部分人的担心有点杞人忧天， 因为那些AI真正取代你的饭碗的事情， 都与一个关键的突破， 也就是强人工智能（真正具有类似人的认知功能）相关联。 而什么时候强人工智能，或者说通用人工智能出现？其实这个问题的等价问题是， 我们到底什么时候能够找到大脑认知计算的基本原理， 就如同牛顿定律之于力学一般？ 如果可以， 那么我们一定可以把它移植到AI，解决AI和真正的通用智能的几大差距：1，泛化能力的不足， 尤其是在训练集之外的外推。 2， 因果推理的不足， 无法进行因果推断。3， 多任务学习的不足， 缺乏人类的跨任务学习能力。 在这个通用智能出现前， 应该说AI无法取代任何需要人和人沟通， 人的推理和情感才能完成的工作。除了那种特别机械重复的工种， 如流水线的工人， 扫地清洁一类， 目前大部分的工作还是AI无法取代的， 就连闹得沸沸扬扬得自动驾驶，都有很多未解决的问题而有待时日。 反过来，AI在不停的提高每个行业的生产效率， 或者创造新的工作机会。 比如直接和人工智能训练相关的AI数据标注师， AI开发人员。 未来将需要有无数既懂AI又懂传统行业的人， 去完成AI在各个传统行业的落地， 这正是各位的机会所在。 以上是几个经典问题， 而完整视频请见b站：
https://www.bilibili.com/video/av61449809/更多阅读从Nature 封面文章“天机”芯片看脑科学与AI的融合
巡洋舰人工智能资源打开手册