作者 | 紫杉

來源 | Charlotte數(shù)據(jù)挖掘

前言

我個(gè)人認(rèn)為，在AI這塊領(lǐng)域，未來最缺的一是工程能力強(qiáng)的算法人才，過去兩年因?yàn)閯偱d起，所以很多人可能只會(huì)調(diào)參就能找到工作，但是這兩年資本寒冬，市場(chǎng)不好，只會(huì)調(diào)參的「調(diào)參俠」已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足工業(yè)界的需求了，對(duì)于模型的部署、壓縮、上線等等都需要有非常強(qiáng)的工程能力才行；二是具有落地思維的算法/產(chǎn)品。能夠把空想的、很難落地的項(xiàng)目做到落地，才是真正有價(jià)值的有意義的事，沒有任何落地，紙上談兵，撐不了幾年的。

正文

這個(gè)問題不是很好回答。前一半問題是“哪個(gè)方向”，似乎講的是領(lǐng)域和研究方向，后一半問題“最緊缺人才”，又和就業(yè)有關(guān)。所以我的回答盡量把這兩方面兼顧，先談就業(yè)和工業(yè)界緊缺的人才，再說說學(xué)術(shù)界缺少的人才。

我最近被兩個(gè)前輩抓到他們的創(chuàng)業(yè)公司做暑期實(shí)習(xí)，公司是什么最好就不說了，但除我之外還騙來了一個(gè)清華的本科生（從北京騙到了硅谷）。兩位前輩一個(gè)是Sebastian Thrun（賽巴斯提安·特龍）的學(xué)生，一位是Stefano Ermon的學(xué)生，去年在AAAI拿了個(gè)最佳論文的獎(jiǎng)。

我雖然對(duì)工業(yè)界一直都不太熟悉，但借這個(gè)機(jī)會(huì)算是好好看到了一番目前人工智能創(chuàng)業(yè)公司的有趣情景。雖然不一定能當(dāng)做借鑒，但一些經(jīng)驗(yàn)對(duì)目前在?；蛘邉傠x校的學(xué)生來講也許會(huì)有幫助。

靈活解決問題的人

我用了一周的時(shí)間讀丹尼爾的代碼（夠慢了吧，完全趕不上很多國(guó)內(nèi)的優(yōu)秀學(xué)生），然后打開Jupyter Notebook開始一點(diǎn)點(diǎn)的做分析，最后發(fā)現(xiàn)丹尼爾把文本距離的算法做錯(cuò)了，任何從事自然語言處理的人都明白edit distance（編輯距離）的首選就是萊文斯坦距離，就算不是做自然語言處理的，這個(gè)距離在計(jì)算機(jī)界也用的很多。但這個(gè)距離壓根不存在于丹尼爾的任何代碼中。然后我把這一行加入進(jìn)去，代碼跑了5小時(shí)，最后給札德說：我做完了，檢查質(zhì)量吧。

一周后，丹尼爾就被炒魷魚了……然后公司的另一個(gè)創(chuàng)始人羅素開始到處宣傳我用了一周解決了別人六個(gè)月都解決不了的問題。（當(dāng)然，丹尼爾最后找到了一份谷歌的工作，開開心心的做機(jī)器人去了）

舉這個(gè)例子想說明一件事：要建立起在某個(gè)領(lǐng)域的直覺和精通。這個(gè)精通并不單單是掌握一兩個(gè)（甚至是好幾個(gè)）算法就可以了的。不可能用一個(gè)算法解決所有的問題。

基礎(chǔ)是必須扎實(shí)的，這個(gè)基礎(chǔ)最好是某一個(gè)領(lǐng)域?qū)⒔?0-30年的知識(shí)的積累。只會(huì)跑個(gè)LSTM是肯定不行的。

專精一個(gè)領(lǐng)域的人

這里要講另外一個(gè)同學(xué)的例子了，他的名字叫伊森，從伊利諾伊香檳畢業(yè)，在我校讀了兩年計(jì)算機(jī)研究生，跟在航天航空工程學(xué)院的Mykel Kochendefer（麥克·寇克德福爾）教授麾下做了一段時(shí)間的研究，是一位非常優(yōu)秀，有自學(xué)能力的學(xué)生。

暑假剛開始的時(shí)候，我在帕羅奧圖的街上偶然遇見他，因?yàn)橛羞^一面之緣，打了招呼后順帶聊了聊現(xiàn)狀，當(dāng)我告訴他我加入了札德的公司的時(shí)候，他說他幾天后要跟札德面試。

我在回答開頭劇透了，伊森沒能應(yīng)聘成功。在這里分享的意義是，伊森的背景和很多進(jìn)入人工智能領(lǐng)域的人很相似。下面這一段是我和他的對(duì)話：

我：“你最擅長(zhǎng)的人工智能領(lǐng)域是什么呢？”

伊森：“我什么都會(huì)（jack-of-all-trades）?！?/span>

（評(píng)論：這很容易誤導(dǎo)招聘者讓他們覺得你樣樣都不專精）

我：“你在寇克德福爾教授那里做了什么樣的研究呢？”

伊森：“我給無人機(jī)搭建了一個(gè)服務(wù)器，用了Kafka做流處理?！?/span>

（評(píng)論：這句話暴露缺乏研究經(jīng)歷）——雖然Kafka也還算是有趣

我：“怎樣的工作在你看來最有趣呢？”

伊森：“我想有機(jī)會(huì)把最前沿的算法應(yīng)用在公司的業(yè)務(wù)中?！?/span>

（評(píng)論：算法沒有前沿與不前沿之分，只有合適與不合適之分）

我：“你理想的工作崗位是什么呢？”

伊森：“我其實(shí)最想當(dāng)人工智能的產(chǎn)品經(jīng)理?！?/span>

（評(píng)論：其實(shí)產(chǎn)品經(jīng)理的收入不如程序員哦）

最后伊森問了我一個(gè)問題，如何在一周內(nèi)精通自然語言處理，然后我只能告訴他我不知道。

舉這個(gè)例子的意思是，伊森是一個(gè)聰明人，有很強(qiáng)的工程背景（伊利諾伊香檳的計(jì)算機(jī)系很不錯(cuò)），但是卻不一定是機(jī)器學(xué)習(xí)/人工智能創(chuàng)業(yè)公司的最理想人才，為什么呢？因?yàn)樵趯W(xué)校階段沒有在實(shí)驗(yàn)室做研究型工作，也沒有足夠的實(shí)踐經(jīng)驗(yàn)。他找錯(cuò)了教授（抱錯(cuò)了大腿）?？芸说赂柦淌跊]有給他任何研究性質(zhì)的工作，于是他用了兩年寶貴的時(shí)光學(xué)習(xí)了如何搭建服務(wù)器，如何使用Kafka。

當(dāng)然，如果想要做普通的工程師崗位，任何（不論大?。┕径既眱?yōu)秀的后端工程師，但如果想應(yīng)聘機(jī)器學(xué)習(xí)方面的崗位，或者和算法、研發(fā)比較接近，那么搭建平臺(tái)或者服務(wù)器的“研究”經(jīng)歷就是不夠的。

如果本科有個(gè)很好的學(xué)校，或者特別擅長(zhǎng)學(xué)習(xí)，這一類的優(yōu)秀人才很容易陷入每一個(gè)領(lǐng)域都想學(xué)學(xué)的陷阱。再加上“大公司要專才，小公司要全才”一類的宣傳，很容易覺得如果每方面都學(xué)一點(diǎn)，那么一定會(huì)被創(chuàng)業(yè)公司喜愛。

事實(shí)上機(jī)器學(xué)習(xí)的底層模型原理都是類似的，與其在應(yīng)用層（比如機(jī)器控制、視覺、語言、語音）等瞎晃，還不如去把底層原理弄清楚。人工智能的創(chuàng)業(yè)公司，和普通的網(wǎng)頁(yè)或者手機(jī)應(yīng)用公司還是有區(qū)別的。這些公司更看重學(xué)生在學(xué)術(shù)領(lǐng)域的成績(jī)，因?yàn)槟壳按蟛糠秩斯ぶ悄艿哪Ｐ褪菦]法直接搬到工業(yè)場(chǎng)景的。

能夠把學(xué)術(shù)模型轉(zhuǎn)化成工業(yè)模型的人

這里要講一個(gè)成功案例，Nihil (尼希爾）是另一個(gè)我認(rèn)識(shí)的研究生，也是從伊利諾伊香檳大學(xué)畢業(yè)。尼希爾其實(shí)比我年紀(jì)大好幾歲，但長(zhǎng)著一張娃娃臉，他之前在LinkedIn（領(lǐng)英）做大規(guī)模搜索（Scaled Search），專門負(fù)責(zé)把理論算法擴(kuò)大到工業(yè)場(chǎng)景中，擅長(zhǎng)搭建后臺(tái)，有很強(qiáng)的工程背景。兩年的斯坦福計(jì)算機(jī)碩士后，現(xiàn)在被Snapchat找去做大規(guī)模視頻搜索算法。

無論是我還是札德，在和他交流后都很想讓他跳槽來我們這里工作。

也許你想問，他和伊森的區(qū)別是什么？?jī)蓚€(gè)人看起來不都差不多，都是以做服務(wù)器或后端為主，為什么尼希爾是大家想要的人才，伊森并不完全算是？因?yàn)榻?jīng)歷和背景，在領(lǐng)英這樣的大公司做高吞吐高負(fù)荷的算法所積累的技能，是一個(gè)實(shí)驗(yàn)室的無人機(jī)平臺(tái)無法企及的。

任何人都可以跑一個(gè)LSTM，但是當(dāng)訓(xùn)練數(shù)據(jù)有超過1000萬條的時(shí)候，LSTM需要跑3天才能見完所有的數(shù)據(jù)，在這個(gè)情況下，你該怎么做？除了在多個(gè)GPU上并行以外，還可以進(jìn)行算法上的改進(jìn)，LSTM是所謂的線性時(shí)間度 O(n)的算法，可以換成像ByteNet這樣的sub-linear時(shí)間度

算法。

谷歌最近發(fā)了一篇通報(bào)，說他們的工程師團(tuán)隊(duì)經(jīng)過一年的努力，終于把WaveNet（某個(gè)能夠生成高仿真人聲的模型）速度提升到了一秒鐘生成二十秒鐘的人的說話聲音，比學(xué)術(shù)模型快1000倍。我當(dāng)時(shí)看了這篇文章后，在網(wǎng)上隨手搜了搜，發(fā)現(xiàn)谷歌沒有公開任何加速的細(xì)節(jié)，究竟是如何做到的，他們并沒有說。Awni Hannan（奧尼·哈南），我的一個(gè)前輩，之前和吳恩達(dá)教授在百度硅谷工作，說他大概能猜測(cè)到谷歌為了優(yōu)化所做的一些事情。但不難想象，這很有可能是一系列的優(yōu)化，從硬件，從計(jì)算，從部署等等進(jìn)行的細(xì)致優(yōu)化。這樣的細(xì)節(jié)雖然有“學(xué)術(shù)”價(jià)值，但從這里開始，大部分公司都不再會(huì)公開細(xì)節(jié)，讓中小型公司（創(chuàng)業(yè)公司）難以望其項(xiàng)背。

這樣的場(chǎng)景就需要有研究背景的人才，能夠閱讀業(yè)內(nèi)最新的論文，還能夠結(jié)合學(xué)術(shù)前沿切實(shí)的解決工業(yè)上的難題。深度學(xué)習(xí)50%是學(xué)術(shù)，50%是工程。這個(gè)領(lǐng)域的學(xué)術(shù)大牛，像是Justin Johnson（賈斯汀·強(qiáng)森），Andrej Karpathy（安德烈·卡帕西）（兩人都是斯坦福CS231N的講師）都是很強(qiáng)的工程能手。

能夠研究深度學(xué)習(xí)理論的人

去年暑假我上凸優(yōu)化的時(shí)候，當(dāng)時(shí)我的老師Stephen Boyd（史蒂芬·波伊德）就說，當(dāng)年（80年代）凸優(yōu)化剛火的時(shí)候，學(xué)術(shù)界和工業(yè)界齊頭并進(jìn)，但大部分優(yōu)秀論文都集中在學(xué)術(shù)界，用凸優(yōu)化的框架建立算法，然后應(yīng)用在各種數(shù)據(jù)集上，取得一個(gè)又一個(gè)輝煌的成果。但隨著時(shí)間推移，沒過十年，學(xué)術(shù)界在數(shù)據(jù)和應(yīng)用就已經(jīng)趕不上工業(yè)界了。當(dāng)然，學(xué)術(shù)界既沒有足夠多的機(jī)器，也沒有財(cái)力去搜集大量的數(shù)據(jù)，當(dāng)工業(yè)界開始用資本大規(guī)模投入的時(shí)候，學(xué)術(shù)界自然就戰(zhàn)勝不了工業(yè)界了。

我們現(xiàn)在已經(jīng)可以看到苗頭了，DeepMind，谷歌，OpenAI，微軟，F(xiàn)AIR等各大公司搶占人工智能高地，大量的發(fā)出論文，傳統(tǒng)的強(qiáng)校諸如CMU或斯坦福都比不上這些大公司的勢(shì)頭和影響力。這個(gè)情況在3-5年后很有可能會(huì)惡化。

也許很多人覺得深度學(xué)習(xí)的理論就是數(shù)學(xué)，理論根本不能有任何實(shí)踐產(chǎn)出，何必研究理論呢？還不如寫網(wǎng)頁(yè)前端或者做個(gè)手機(jī)App呢。

我今年聽了Philip Thomas（菲利普·托馬斯）的一個(gè)講座，講的是安全增強(qiáng)學(xué)習(xí)（Safe RL），這個(gè)講座講了一個(gè)案例，他們想要通過增強(qiáng)學(xué)習(xí)來自動(dòng)調(diào)解糖尿病病人的給藥泵，這個(gè)泵給藥給多了，病人就要截肢，給少了病人就要直接休克死。高不成低不就的典型代表。目前這種泵的算法是一個(gè)簡(jiǎn)單的微分方程，能保證不會(huì)少給藥，但是經(jīng)常會(huì)多給藥，導(dǎo)致很多重度糖尿病都要被截肢。

菲利普的這個(gè)項(xiàng)目就是要嘗試著用增強(qiáng)學(xué)習(xí)來得到一個(gè)優(yōu)良的自動(dòng)調(diào)整模型。這個(gè)項(xiàng)目立意很好，救人一條腿勝造七級(jí)浮屠嘛，但是菲利普問了在座的我們一個(gè)問題：“你們知道現(xiàn)在這些增強(qiáng)學(xué)習(xí)的算法，需要多少次試驗(yàn)才能調(diào)出一個(gè)成功的模型嗎？”

需要上百萬次參數(shù)調(diào)整后，才能得到一個(gè)很好的模型。你總不能對(duì)幾百萬糖尿病患者說：“為了所有現(xiàn)在以及未來的糖尿病患者，你們?nèi)ニ腊伞！?而且更重要的是，增強(qiáng)學(xué)習(xí)算法經(jīng)常不能保證每一次參數(shù)改變后都能讓模型變得更好：

這就像是說，我不知道這一顆藥讓你更健康還是讓你死掉（或截肢），但是為了實(shí)驗(yàn)效果，你最好給我吃下去。

為了真正的把增強(qiáng)學(xué)習(xí)應(yīng)用在醫(yī)療領(lǐng)域，需要通過概率理論，通過各種Bound（邊界）去證明一個(gè)算法能切實(shí)的每次都達(dá)到更好的效果。這就是理論對(duì)工業(yè)界的指導(dǎo)，也是理論在應(yīng)用領(lǐng)域的勝利。

每個(gè)機(jī)器學(xué)習(xí)的領(lǐng)域，不論是自然語言處理、機(jī)器視覺、機(jī)器人其實(shí)都是這樣的人才緊缺規(guī)律，找到自己最適合的缺口才是最重要的。這可以是能夠?qū)⒁粋€(gè)算法高度并行化，在上百塊GPU上運(yùn)行的工程人才，也可以是在高危領(lǐng)域（比如無人駕駛、醫(yī)療）保證安全第一的理論人才。這兩塊區(qū)域在未來的3-5年內(nèi)都會(huì)急缺人才。