本文转载自公众号“读芯术”(ID：AI_Discovery)。
“AI领域的寒冬降至”——持这样观点的人不在少数，我们正在经历衰退。人工智能、机器学习和数据科学领域的研究和探索成本高昂，有些人认为投资者很快将会对人工智能领域失去希望。
谷歌已经不再雇佣机器学习研究人员，优步也叫停了其半数人工智能团队的研究。放眼未来，机器学习领域的岗位数量与求职者需求相比，依然会是僧多粥少。
事实真的是这样吗?在笔者看来，只要你能创造价值，前方仍是坦途。
AI寒冬将不会影响大多数AI/ML/DS岗位
AI寒冬意味着人们对于AI研究的投资和兴趣降低，但大多数人并不参与研究。人们的确会阅读论文、汲取想法并展开创新，但真正使用的是已有的技术。
另外，制造ML驱动的产品的热度未必与研究的开展量相关，更何况还有大量的研究成果尚未得到应用，业内仍在部署实现数十年前所开发的机器学习成果。“AI驱动”的产品如今更为流行的原因在于机器学习更加普及，而非新研究的出现。
并非只有最前沿的AI技术才能解决问题
经典算法、领域知识与合适数据集的结合可以解决大多数实际问题，并不需要深度神经网络。
笔者认为，在大型科技公司外，专注于提升技术能力的重要性被高估了，与之对应，解决问题的态度以及基本的开发技能则被低估了。除了技术研发以外，还有大量枯燥的或者需要人力的工作亟待自动化。这一转变本应早已完成，并且也不需要突破才能实现。
使用机器学习，但应专注于创造价值，而非改变世界
任何一个问题得到解决，就会带来价值。硅谷让我们将眼光放得过分长远，而不是着眼于改善社区和身边人们的生活质量。
我喜欢优步，它改变了世界。但要是每季度花费50亿美元才能让优步维持经营，那一定是哪里出了问题。的确，一些企业有长期策略，能影响70亿人的生活，但诸如在“枯燥”行业降低数据录入错误这样简单的改进也能创造价值。
学习ML是战胜对AI的恐惧的最佳途径
我们都听过“自动化造成失业”的说法，这并非因为技术发展造成的失业已经近在咫尺，而是因为这种散播恐慌的说法往往传播得最快。
钻研机器学习，接着尝试概念化、训练并部署模型来解决实际问题的过程依旧十分困难。通用人工智能(AGI)取代人力依然任重道远，基础设施亟待完善，真实数据杂乱无章。
如果你从Kaggle下载了一个CSV文件来训练模型以解决某一问题，99%的工作都已预先为你做好。要是能有更多人参与其中，就能大幅减轻压力。
简化机器学习的工具不足
过去十年里，针对机器学习应用所做出的简化比任何一个算法上的突破都要多。如今，软件工程师能采取直接可用的元件，来迅速组合得到机器学习解决方案，但其在简便性上仍有提升空间。
随着工具不断发展，纯粹的机器学习岗位会逐渐减少。相反，使用机器学习来解决各种问题的软件工程师将会显著增多。更多非技术性企业将会从中受益。Chip Huyen曾说：“如果你是一名能为机器学习创造优秀工具的工程师，我将永远感激你。”
机器学习驱动世界范围内的价值增长。但笔者认为，目前我们仅仅触及了皮毛，期待未来会有更适用的工具出现。
先学习软件工程
如果尚未取得人工智能相关领域的高级学位，那么你该先学习软件工程，再钻研人工智能。学习软件工程类似于攻读技术领域的MBA。人们从中可以学到基础知识、创建全栈解决方案，并理解有助于机器学习的代码。
随着行业格局发生改变，软件工程的工作岗位数量会增多，转职也会更加容易。许多软件工程师可以在机器学习或数据科学领域取得了不错的成就。然而，后两个领域的工作者在软件工程方面却往往乏善可陈。
AI领域从来不乏“负面新闻”，但只要我们做好应对的准备，那些想象中躲不过的“苦处”未必会发生。只要注重学习通用技能(包括机器学习)、解决实际问题和创造价值，你总能找到可以施展才华的舞台。
