人工智能究竟会不会迎来第三个冬天？

过去几年，以深度学习为代表的人工智能技术取得了前所未有的高速发展，公司高薪聘请相关领域研究人员，组建人工智能研究团队，相信人工智能带来的巨大商业价值。然而，从近一年的发展态势来讲，无论是VC投资交易数量还是公众的关注程度都有了一定的下滑。不过在不少Geoffrey Hinton、吴恩达等人工智能领域大牛来看，都相继发表过“AI寒冬不会出现”的看法。

人工智能究竟会不会迎来第三个冬天？下面这篇来自一线AI从业者的解答，或许能给我们一些启发。

故事1：从「预测模型」到「数据可视化」，regression？

我们团队是做数据科学咨询的（data analytics consulting），我们一般会跟客户说：“我们帮你做个“人工智能”模型（其实只是简单的预测模型），一年可以给你省xxx多少钱，增长xxx用户。”

当然，我们会把这种项目包装为科技转型（technology transformation），告诉客户不升级你就要被时代抛弃了，好让他们买单。这种项目一直都很好卖，尤其是2017年前。

各大咨询公司的套路都差不多，从学校拉几个毕业的硕博生，做好PPT（一般咨询公司的PPT中有一页是介绍团队），“编”几个成功案例，去了一般都能顺利把案子签下来。但说到底就是做几个简单的模型（一般就是逻辑回归、决策树和一些传统的统计模型），而这种三四个月左右的项目往往能要到100万美金（大概是4-6个咨询师的钱），显然利润是很丰厚的。

那时客户非常依赖我们的专业，因为它们内部的确没有这个方向的人才。而且当新概念起来的时候，每个公司都想尝尝鲜。但从17年后大部分（包括传统行业比如连锁超市、加油站）都基本有了自己的数据团队，他们不再那么相信我们包装的很好的预测模型了。原因很简单：

一是大部分咨询产品的质量不高；

二是与其付钱给外人还不如自己组建团队（人力成本其实在逐渐下降）。

企业变精明了。想要卖出大型人工智能项目越来越难，不少咨询公司也从卖人工智能咨询退回到了卖廉价的Dashboard（可视化）产品。现在想卖预测模型，必须先做出Proof of Concept (PoC)，也就是验证这个概念是可行的，让客户感觉到这东西可能有用，不然免谈。

然而做出靠谱的PoC基本就相当于做完了整个项目，这是个悖论。以咨询公司为缩影，我们16年招了10多个数据方向的毕业生，而2017和2018年都没招人全都是内部转岗过来的，今年年初留了一个实习生转正。而16年进来的人也只有不到三分之一还未跳槽，其实大家这几年都没做到真正的人工智能，只不过是在大量的在做数据可视化（如Tableau）罢了，偶有零星的项目。

故事二：从「稀缺」到「过剩」，再到？

不可否认的是，初级从业者补给量已经大幅增加，来源包括：各种速成的一年制硕士（国外有很多12个月或者16个月的硕士项目），自学转行的人，培训班毕业生。

熟悉我的人应该记得，我的回答是从17年初的劝进->转向17年底的谨慎劝退->直到18年初的劝精。我们都知道系统是存在滞后性的，所以当人们知道一个行业上升时都会大量涌入，直到过剩。从面试角度的一个直接感受是，很多人的履历都很不错，但基础一般都不稳，喜欢谈大方向不喜欢做细节。我有几个同事非常喜欢提深度学习解决方案，可我们公司其实连GPU都没有多少。

这个现象大概是很多企业的共同现象。仔细回想一下，在多少公司邮件里面大家都是凡事必提「机器学习」、「人工智能」、「深度学习」？这个现象在新进入行业的从业者身上更加明显，凡事都想用最复杂的模型来捍卫自己的稀缺性，导致很多项目做到流产。

这也不是倒退，而是一种筛选。就像我在2019 秋招的 AI 岗位竞争激烈吗？（https://dwz.cn/hvZy6aQl）中说过的，回调期的重点是培养自己的niche，也就是如果只用一个词形容你的专长，是什么？如果你的一句话专长是「机器学习」，那么大概率你是没有专长的。上两门课就能成为专业人士那高薪的好日子已经过去，该面对现实了。

故事三：从「科研」到「商业化」，fill the gap？

研究和应用之间的割裂依然存在。商业化科研成果很难，同时面临内外的压力。从去年九月到现在和实习小同学一起写了三篇论文，一篇理论和两篇应用。作为一个快要毕业的研究生，他对于研究的幻想是坐在那里刷刷的列公式或者做大量的代码，而现实情况是：想点子一周，做实验一周，写文章一周，修改包装一周。他后来才意识到写文章其实是一个销售工作，大部分文章考虑的都是“可发表性”而不是“实用性”。

而他幻想的通过科研来反哺团队也没那么容易，真的想要走到商业化不容易。我们也尝试把以前写的一些文章做成项目卖给客户，但往往在内部就过不了第一关，因为大家对于问题的理解不在一个层面上，而且这是在分其他团队的蛋糕，所以一般走不到客户那一步计划就夭折了。比如我们想把一个全新的预测模型（预测公司财务表现）卖给某金融客户，那么得由内部的金融方向团队（和客户有交情）从中引荐。

但基本在这一步就死掉了，因为没有人愿意被替代，即使一起分蛋糕都不行。各大公司其实或多或少都有这个问题，研究团队（尤其是基础研究）往往与工程团队和销售团队之间关系不好。这在技术领域，尤其是人工智能领域，不算什么秘密。

所以从大方向上来看，人们没那么容易被忽悠了。这技术能做什么，做到什么程度，大家心里都有数，所以故事越来越难讲了，钱也越来越难“骗”了。再加上大量从业者涌入这个行业，甚至包括很多基础不够扎实的人，导致大众对于这项技术的效果有了一定的怀疑。

同时企业也慢慢认识到了底层研究很难带来直接利益，因此就会战略性的裁撤没有必要的研究部门。这导致了就业市场看起来是双向收紧：即初级和高级岗位的需求及收入都下降了，尤其是落地难度比较高的方向。再加上全球经济环境的周期性变化，前景看起来让人担心。

其实东西是好东西，技术也是好技术，但炒起来就要回落，没什么可意外的。这是合理的回调，不是寒冬。而回调期该做什么？我认为：

培养自己的专长，给自己一个标签，即别人提到你就会立马想到的那项技能。有志向的人可以回到学校再去重造一下也不错。

调整心理预期，抛弃幻想接地气，明白解决问题才是硬道理。抛弃模型崇拜，不要凡事都唯新技术是举。现实和学术之间除了联系以外，还有很大的路要走。

踏实一点，再踏实一点。