查看原文
其他

​双十一剁手后,听蒋涛谈谈AI人才多么吸金:2018年社招AI人才平均月薪竟高达4万,算法红利期还有2年

2017-11-12 大家都在关注 AI科技大本营


整理 | 晶晶  Donna

润色 | 鸽子



11月11日,主题为“产教融合,共享生态”的中国IT 教育博鳌论坛在久负盛名的博鳌隆重召开。论坛汇集多方资源,现场就人工智能、智能制造、虚拟现实、云计算等新一轮科技引发的人才培养问题展开深入探讨。



会上,CSDN创始人兼董事长极客帮基金创始人合伙人蒋涛就“人工智能时代和产业趋势和人才分析”主题进行了演讲。


人工智能取得突破进展后, 它到底能做什么?


过去,汽车可以取代人的手臂,现在脑力该如何被取代呢?那些不需要长时间思考的工作,计算机和AI算法很快就会将它们取代。当然这个取代的过程可能涉及到非常多的领域。


面对人工智能给行业或者职业带来的影响,我们发现,旧的工作会消失,但同时也会创造很多新工作。比如目前最缺乏的是会深度学习的工程师,还有就是懂AI的产品经理、商业人士等。


对此,CSDN也专门对国内的互联网企业做了一个分析,发现目前互联网企业招聘的名单里面41%是和AI跟算法相关的,其中2018年高校校招开出的薪资中,谷歌位列榜首,有56万之多……


蒋涛认为,下一步AI人才体系需要有一个变化,要让整个行业成熟起来,这也是他带领CSDN团队在接下来要做的一项重要工作。


   

以下为AI科技大本营对CSDN创始人兼董事长极客帮基金创始人合伙人蒋涛演讲实录进行的编辑整理,部分内容稍作删节。


以下为蒋涛的演讲实录:


蒋涛:严格来说,我并不属于人工智能专家,但是由于CSDN一直做社区方面的工作,所以总是可以在较短的时间内发现这些技术的创新之处。最近这几年,人工智能确实是一个比较热的话题,CSDN也在这方面做了一很多尝试和实践,所以今天给大家汇报一下我们做的一些事情,顺便介绍下我们CSDN的报告。


先分享一个数据。CSDN现在的注册会员是5500万,每个月的独立访问用户2600万。我们也会举办很多行业性质的活动,包括三年以来一直与中国人工智能学会合作的人工智能大会等。2014年,我成立了极客帮基金,主要用于投资一些科技创业者。主要是因为看到技术会带来很多创新机会,包括创业机会。最近这个基金主要集中在大数据以及人工智能方面,目前陆续投资了92家创业公司,有三家公司在积极争取上市。



我们是从PC时代一步一步经历而来,所以很清晰得看到了整个行业的变迁。最早的PC软件时代,入口是window,主要用于满足企业的需要;随后我们进入了互联网时代,入口变成搜索引擎还有社交网络,这种变化让硬件不再像以前那么关键,反而带来了很多扩展性的业务,特别是与我们 的生活息息相关的业务内容;如今我们切实进入了移动时代,深切感受到移动互联的发展,这个入口又变了,变成APP。可以说现在每个人的生活都被手机大量占据,移动终端大量的APP构成了移动生态。



下一个阶段的发展我想应该是物联网时代上的突飞猛进,我们把所有问题都归结到网络层面,但是连接之后会发生什么变化吗?我想其中关键的可能性就是核心算法以及这些辅助连接的硬件系统,这样的组合会加快驱动各行各业发生很大的变化,当然包括互联网本身走向智能互联网,以及更多的行业由“互联网+”转变成“人工智能+”。


最近几年,Hinton写了一篇封面报道,内容是关于“我们用代码做算法编程时代结束了”这样一个主题,他一直推崇,人们不应该再用机械的方法去做工作,而是应该学习下人脑机制,当然学习人脑机制并不代表要完全使用人脑机制的方法,但是如果可以用一套深度的神经网络方法帮助取得好成绩是可喜可贺的。


此项技术的发展让人们在图像识别领域取得了巨大突破,简单来说就是我们怎样通过一张照片标志出里面的物体。通常情况下,利用传统的人工智能算法达到的成果错误率在20%以上,2012年Hinton的三个学生用了一个深度网络的方法取得了突破性进展,进而带来了深度学习在这个领域中的质的提升。



尽管我提到的这个比赛已经终止了,但是从中我们可以了解到,深度学习方法已经大大超过了预定目标的完成,更是远远超出了我们人类的识别能力,所以现在照片能够被计算机理解,特别是静态的照片。


人工智能取得突破后,大家也有一个疑问,它到底能够做什么。对此吴恩达教授有一个说法,我觉得还算比较准确。原来汽车可以取代人的手臂,现在脑力该如何被取代呢?我想那些不需要长时间思考的工作,计算机和AI算法很快就会将它们取代。

   

这个取代的过程可能涉及非常多的领域。


就像人脸识别,现在最近陆续上市的现金贷还有传统的广告,这些系统之前需要很多人工参与或者需要运用传统的算法,才会有比较大的提高。围棋就是一个经典的例子。


众所周知,2015年阿尔法GO击败李世石。那一年我有幸也在现场解说事件,针对这个事件的发生所产生的关于深度学习的价值判断,我有个想法。


总体来说,其实在比赛的过程中棋手是有知觉的,这个知觉是棋手经过长期比赛经验累积得出的,对每步棋走法的判断是有限的、可选择的,这个人类的行为可以通过算法技术进行模拟,模拟成功后就可以移植到强化学习中,在这个过程中并不需要学习人类的结果,这可能就是人类与大数据的关联,这些表现都是人工智能的发展表现之一。


 

例如,我昨天看到的新闻,德意志银行表示人类应该都被算法取代;早前剑桥有一个统计报告,50%的人类的工作可以被取代,并且这个趋势是不可阻挡的。


其实作为人类,我们做了很多事情还是可能会出错,但是计算机不会出错。就像围棋一样,一旦学会了高手所有的棋谱,计算机就可以做到不出错地下棋直到获胜;而人即使学会了但还是会犯低级错误。

    

当然这样的趋势也有两面性。


旧的工作会消失,但同时也会创造很多新工作。比如目前最缺乏的是会深度学习的工程师,还有就是懂AI的产品经理、商业人士等。另外,很多企业都想在这股投资热与创业热中有所收获,基本上现在与数据相关的创业公司都宣称自己是人工智能领域的企业。


说到创业,那我们看看中美创业的比较、人工智能的创业公司的比较,做了很多相关领域的投资之后,我发现人工智能企业发展存在两个最重要的问题。


这是来自美国的一个的数据运算平台的统计。



从美国的数据看,数据科学以及人工智能相关的人才缺口同样很大。我们也专门对国内的互联网企业做了一个分析,发现目前互联网企业招聘的名单里面41%是和AI跟算法相关的,并且由于人才奇缺,公司开出的薪资也非常的高。


在2018年高校校招开出的薪资中,谷歌是最高的,有56万。另外,我们统计社招平均的月薪中可以看到跟AI相关的,都是四万以上了,这是一个非常高的数字。这也从侧面说明了一个趋势,企业需求旺盛,但AI人才供给非常少。



我们认为,这个阶段的人工智能发展是算法的黄金期。因为整个人工智能目前的理论技术还处在一个非常大的变化中,现在学术会议受到了企业界很大的追捧,每年发表很多论文,也都被各个企业拿来研读。


但是企业能不能很好应用,这还需要一个论证的过程。我想待到算法和理论突破到某个阶段,就能让更多人更好的运用这些理论和技术。那个时候我们就进入工程技术的红利期,产品能力、应用能力会获益很大;但目前来讲还是一个算法红利期,所以人工智能学术人才非常受各家企业追捧。



这个算法红利期会持续多久呢?据我们判断,还能持续两年时间。因为工具还在逐步的成型,并且人工智能的开源工具的推广,谷歌在努力,百度也在推广,同时百度也开发了自己的API,希望更多人能学习人工智能基础背景。

    

现在人工智能专业都走出来的都是博士、硕士,但是事实上一个产品的开发应该有应用工程师、系统架构工程师、行业分析师等。但是据了解,目前除AI专业的硕士博士外,其他人对AI都不太了解。我想下一步AI人才体系需要有一个变化,要让整个行业成熟起来,这个也是我们在做的一项工作。


   

CSDN对内部用户行为做过判断。数据显示三个月前,CSDN社区上与AI相关的用户是16万,现在也许是20万了,相关的人工智能的企业有五百家左右。所以我们想做的工作就是,基于看到的这样一个有极大需求的趋势,搭建一个联盟,把企业、人才、社区高校连接起来。


我们知道这个领域的学习知识更新速度非常快,每个月都有很多新的东西出来,所以这个联盟最重要的是,首先要建立一个在线的学习社区。一方面开源AI技术,另一方面搭建人工智能的论文以及相对应的框架。


目前我们正在与美国的团队合作,建设这样一个面向这些AI工程师学习者的实践环境,你可以把自己看到的论文、源码以及数据级放在这样的平台上,包括GPU的计算资源,这样的一个工具平台可以帮助人们很快学习并成长起来。

    

另外,我们也希望与产业对接起来。因为最终学到这些技术后,一定要在实践中使用。现在许多拥有大量数据的上市公司缺少能把数据运用起来的人才,而我们成立一个这样的社区联盟会有助于他们挖掘人才。


高校方面,由于人工智能专业被列位一级学科,未来两三年学生的数量会有一个巨大增长。但是目前只有30多所高校开设了人工智能专业,如果要与人工智能更好合作的话还需要不少时间。


所以我希望我们这样一个社区联盟能够有更多的高校加入进来,然后一起把一个面向AI学习者与工程师的社区产学研的系统生态在未来一两年搭建起来,希望能和各位一起合作。

    

这就是我今天的演讲内容,谢谢大家!



精彩课程


一百天人工智能工程师学习计划——全程实战案例,从机器学习原理到推荐系统实现,从深度学习入门到图像语义分割及写诗机器人,再到专属GPU云平台上的四大工业级实战项目。100天内完美掌握人工智能工程师必备技能。

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存