ai技术就业前景？

现在的求职状况是竞争非常激烈。如果说7、8年前的状况是各个专业转CS的话，现在是全民转AI。各个专业的，例如自动化、微电子、机械、通信、电子信息、材料专业，都有大量的学生在学习机器学习(主要是深度学习)。19年8月份帮忙面试了6个提前批的应届生，都是985和211的，好像没一个是计算机专业的，（不过以前并没有人工智能专业，大家好多都是非计算机专业的）但是印象中好像有四个同学回答的还是可以的。从ResNet到MobileNet，从SVM到XGBoost，都回答的头头是道（但是都不是很深）。另外，有个朋友做AI社区的，把我邮件放到他们的内推文章了，结果我收到了接近50份左右的简历，基本985、211、普通一本的都有，想当年，我参加17年秋招，投递我就职的公司（CV四小龙）的人还很少，去东南大学的校招才十来个人参加，旷视在南京大学的宣讲会留下来参加笔试的，也应该没有40人。现在的情况是，211以下的基本很难找到AI独角兽的算法岗位了，除非是你有非常厉害的特长。依图今年的算法岗位竞争据说100:1，进BAT的算法岗更难。当前的AI状况是，学术界的研究热点已经从感知智能转向认知智能了，在CV方向，感知的基础算法（例如ResNet、SSD、YOLO、UNet、FaceNet、ArcFace）都是2018年前提出的了，2019年有突破性的、实用性强的算法基本没有出现了。深度学习算法增长增长缓慢后，导致的结果：基础的算法越来越模块化，调用它的技术含量也越来越低，算法被越来越多的人掌握，大家都会BP推导，都能讲清楚ResNet、SSD、YOLOv3的原理，导致竞争空前激烈；公司对算法工程师的需求数量降低，至少不需要再养很多人去发论文了。公司对算法模型的需求，在收集整理好数据，直接调用模块化的算法去训练，甚至使用AutoML来自动搜索模型架构就好了。现在AI独角兽应该都在把重点转向产品，或者收缩战略，集中到核心场景中了。就像近期地平线裁撤AIoT部门不少员工，将重点收缩到占公司收入大头的自动驾驶相关产品的研发中了。我猜测，后面各个AI公司会精简优化规模庞大的研究院，分流到相应的产品部门去。我并不是要看衰AI，个人后面的创业方向是做一个服务AI公司和个人开发者的产品，所以AI越繁荣，其实对于个人来说反而机会越大。只是，我越来越觉得，后面应该不存在体量庞大的AI公司，而应该是各个以AI为核心的产品公司，例如做工业检测、物流机器人、自动驾驶、智能安防、智能医疗、智能客服的各个产品公司。做在线算法API服务的，大概率会集中到BAT、华为这几家出售云服务的公司（API搭配他们的云计算出售）。而纯做算法的公司，肯定是规模小，团队精悍，聚焦有限几个特定场景的公司。另外，虽然算法岗位去大公司和明星公司比较难，但是去规模中小的公司还是不难的。毕竟我国又不是只有BAT 、TMD、 华为、商汤、旷视这几家，中国还有多少万家做算法相关产品的小规模公司呢。如果非常想去大公司，可是算法能力又没那么硬核，可能还是做前后端、客户端开发进去的概率更大。写了一篇更系统的文章假期在家，写了一篇关于中国AI公司发展前景的文章，对AI发展感兴趣的知友可以关注一下关于应届生offer选择的建议，请看这篇：————————————————————————————————————文末打个广告，我开了一个公众号：AIZOO，会在里面分享人工智能相关的实用的、前沿的技术和资讯，欢迎大家关注。

人工智能在太多的子领域和不计其数的相关活动中起到作用，所以下面浪潮AI服务器分销平台十次方就简单介绍一下它在一些重要研究中的突出应用：
问题求解和语言理解
PROVERB是一种计算机程序，可以解纵横字谜。它使用了对可能的填充词的约束、一个以前字谜的庞大数据库，以及多种信息资源，包括词典，及其出演演员清单的联机数据库。自然语言是人类在生活中交流使用的语言，人工智能在人机互动这一领域探索如何让计算机能够理解和生成自然语言。
控制系统
ALVINN计算机视觉系统被用于导航横穿美国，大部分时间不需要人来 *** 作，而是由这个系统来 *** 纵方向盘。另外，它是被安放在CMU的NAVLAB计算机控微型汽车上，NAVLAB上的视频摄像机可以传送道路图像给ALVINN，然后ALVINN计算出最好的行驶方向。
医学诊断
模式识别与智能系统是人工智能的一个研究方向，它为视网膜OCT图像的识别上提出了不同的识别方案，研究人员在MATLAB环境下实验各种识别的方法，确定最佳的识别方案，实现了眼疾病的自动诊断。基于概率分析的医学诊断程序已经能够在某些医药学领域达到专家医师的水平，机器能够指出影响它判断的因素，并解释病例中的并发症状。
自动化程序设计
西洋跳棋程序是强化学习的一个重要应用，GerryTesauro的TD-Gammon系统指明了强化学习技术的潜力。IBM公司的深蓝成为在国际象棋比赛中世界冠军的第一个计算机程序，这场“人脑的最后抵抗”让人们体会到了一种全新的智能。
决策系统
NASA的远程智能体程序，在太空上用于控制航天器的 *** 作调度，它是第一个船载自主规划程序，在发生问题的时候航天器进行检测、诊断、以及恢复。多智能体规划体现在多体规划，协调机制和竞争，它能使载体在非确定性的领域中进行规划和行动。
管理和储存
DART是一个动态分析和重规划工具，多用于自动的运输调度和后勤规划。后勤规划必须充分考虑到路径、目的地、起点、终点以及解决所有参数之间的矛盾，人工智能规划可以在短时间内产生一个成熟的规划，缩短了工作时间，创造了高效益。
机器人技术
机器人是一种类人行为类人思考的机械装置，在工业和农业上用来实现那些繁重的人类劳动。尽管现在大多数机器人系统处于原型阶段，但是由机器人来完成目前由人类完成的大量半机械工作的局面一定会全面实现。在卫生保健方面机器人被用于协助外科医生放置器械，它们具有优于人的高度准确性，在一些髋关节替换手术中，它们已经不可或缺了。不管在试行研究还是在手术室外，机器人系统都能够体现出其优良的工作性能。
航天工程
利用人工智能完美地创建了人-机接口，为通讯提供了保障，其次航天飞机上采用了专家系统。在专家系统的指导下，飞行任务、飞行控制、发射、自动检测、应用加注液氧和推理决策这些工作执行地有条不紊。人工智能技在下面的系统中实现了高度自动化，确保了可靠性：利用空间站在空间进行故障诊断和排除，监控舱外活动，交会对接，飞行规划的空间站分系统;空间结构物的组装系统;卫星服务和空间工厂设备维修系统。

近日，国际数据公司IDC发布2021H2《全球人工智能市场半年度追踪报告》。报告显示，2021全年，全球人工智能服务器市场规模达156亿美元，约合人民币1006亿元，浪潮信息市场占有率达209%，份额同比提升36%，销售额同比增长683%，继续保持全球市场第一。碾压般的存在

因人工智能（AI）发展而产生的工作替代，我们认为应该从产业角度去做一个理性、客观的分析。

其一，产业应用不像学术界或舆论界，在理论或者设想层面成立即可，而是要求技术应用能够切实的被完成，这是所有探讨的基础和核心；其二，产业界是十分精明的。整个技术落实到产业层面后所优先考虑的问题应该是，这个实际应用的性价比有多高。

因此，我们得出结论——最后被人工智能替代的工种一定是在现有AI的算法之下人工智能能做得比较不错，且性价比高（人力成本高而使用AI成本很低）的工作。

针对这个结论，我们从三个维度来具体分析。

1、人工成本十分高昂的工作。

这里特质一些重复性比较强且经济价值相对没有那么低的工作，这里最典型的案例是同声传译。

首先，同声传译本身就是一个高价值、高人力成本的工作，而在人工智能介入之后，其使用成本将变得非常低廉。这是因为“机器传译”本质上是一个软件服务，它最后会基本消解边际效益。

其二，目前的人工智能“语音识别”技术已经达到了商用的水平。伴随现在机器自动发音技术的持续发展，机器翻译日臻成熟，已经有很多创业团队突破了原先“文本到文本”的简单技术手段，进而升级到“语音到语音”的端到端翻译技术。虽然当下的技术还只能应对日常会话水平的同声传译，但是按照现行研发的进度和趋向，机器翻译将不断优化细节问题，进一步降低语言的容错率，扩展更多语种和应用，最终发展到精准同传的程度，使沟通无障碍成为可能。

2、规模的效应十分明显的工作。

与上述可见人工成本巨大的工作不同，有些工作虽然单一工作人员成本很低，但是本身技术含量很低且规模化效应很强，替代的技术应用方式本身成本也不高。

比如，餐厅里的传菜员和洗碗工是一个十分庞大的群体，随着人工智能的发展（比如自动洗碗机），在不远的未来，他们也很有可能被替代掉；再比如商超里的收银员，甚至最后替代这一职能的都不会是人工智能含量很高的解决方案，说不定只是一套常规的企业服务技术，但是因为规模化效应强，大家总会本着提高效率的意图想方设法去进行替代。再往上说一点，人工智能的“图像处理”技术日渐精进，使得其在医疗领域已经开始有所作为，比如，帮助医生去做辅助诊断，于是，医院中一些专职的助理医生有可能被替代，还有在自主巡航机器人的发展达到一定阶段后，未来很多地方的安保人员也可能会被替代。这些不仅值得，而且还是我们能看得到的。

3、对技术安全性和稳定性要求比较高的工作。

虽然这些工作本身的人力成本投入或规模属性没有那么明显，但是这些工作对从业人员的安全性保障要求很高。这些工作所对应的是严肃的隐性成本，故此我们应该从使用技术本身的属性出发去考量。

比如，司机群体中最应该被替代掉的应该是农用机械的司机、卡车司机、矿车司机、机场或仓库中的叉车司机等，这些也是人工智能“自动驾驶”技术能够达到的。尤其是矿车司机，其在执业过程中出现危险的机率很高，在这种情况下，找机器替代就显得十分重要。已经有创业公司在着手做这件事了，我们很容易预言这种工作会在短期内被迅速替代掉。

这里多提一句，虽然“自动驾驶”以现阶段的研究成果来看，只能承担在有限环境下或低处运行的工作，但是，这门技术已经在学术上被证明可行，并在实践中得到了路径清晰的发展，因此在可预见的未来完全是可以实现“L4”和“L5”水平的自动驾驶，从而代替乘用车司机的。

综上所述，很多人对人工智能的应用提出过很多天马行空的想象，这并非是坏事。只不过这件事太远了不好想，我们姑且从可视的方面先去看，人工智能技术有哪些已经成熟的可供商用，并且在这个前提之下分析，什么样的商用的价值比较高。比如，现在让人工智能做语音“理解”的事情还很难，所以类似记者这类需要充分理解语义的工种，目前的人工智能技术并无法达成。

此外，从成本角度来说，人工智能的使用成本必然呈现逐渐下降的趋势。比如，手机摄像头原先的成本很高，但是后来也就慢慢降下来了。人工智能也是一样，当技术成熟、成本下降，未来会有更多工作会值得被替代。

不会被完全取代的，但是会有一定的竞争力。
AI技术的发展确实对一些重复性、低技术含量的工作产生了影响，例如一些简单的生产流程、数据分析、客服等工作。但是，对于一些需要人类特有的创造性思维、情感交流、复杂问题解决等高技术含量的工作，AI仍然无法完全取代人类。此外，人类在一些重要的工作中，如医疗保健、法律、教育等领域中，仍然需要人类的专业知识和情感因素，因此AI无法完全取代人类。
另外，我们需要注意到，AI技术虽然可以替代一些传统工作，但同时也会创造出新的工作岗位。例如，AI技术的开发、维护、管理等都需要专业人才的参与和支持，这些人才的需求量也在不断增加。因此，未来我们的工作不会完全被AI取代，但是我们需要不断学习和适应新的技术和工作模式，以保持竞争力和适应未来的发展。

今天，世界上数以百万计的数据中心所占用的用电量还不到2%——这个统计数据包含了在它们庞大的服务器阵列上处理的各种工作负载。Applied Materials估计，运行人工智能的服务器目前只占全球电力消耗量的01%。

其他的科技公司高管也发出了警告。华为的安德斯安德烈(Anders Andrae)认为，到2025年，数据中心最终可能消耗全球十分之一的电力 ，不过他的估算涵盖了数据中心的所有用途，而不仅仅是人工智能。

落基山研究所的特别顾问乔纳森·库米(Jonathan Koomey)则相对乐观。他预计，尽管人工智能相关活动呈井喷式增长，但数据中心的能源消耗在未来几年仍将保持相对平稳。

这些大相径庭的预测突显出，人工智能对大规模计算未来的影响以及对能源需求的最终影响存在着不确定性。

毫无疑问，人工智能电力消耗非常大。训练和运行像深度学习模型这样的东西需要处理大量的数据，因而占用内存和处理器。人工智能研究机构OpenAI的一项研究表明，驱动大型人工智能模型所需的计算能力已经每三个半月翻一番。

Applied Materials自己也承认，它的预测是一种最糟糕的情况，意在突出缺乏软硬件新思维可能会造成的状况。该公司的企业战略和市场情报主管桑迪普·巴吉卡尔(Sundeep Bajikar)表示，公司假定，随着时间的推移，被用来训练人工智能模型的信息组合将会发生改变，相对于文本和音频信息，视频和其他图像的占比将会攀升。视觉数据的计算量更大，因此需要消耗更多的能量。

随着自动驾驶汽车和嵌入其他智能设备的传感器等设备的兴起，人工智能模型还将要处理有更多的信息。超高速5G无线连接的普及，将使得数据更容易在数据中心之间传输。

但悲观的预测忽略了几个可能限制人工智能电力消耗的重要进展。其中之一是由Facebook和亚马逊等公司开创的“超大规模”数据中心的兴起。

这种数据中心使用大量专门为特定任务定制的基本服务器阵列。这些机器比传统数据中心的服务器更加节能，因为后者需要处理更广泛的功能。当前向超大规模数据中心的过渡，再加上冷却和其他技术的进步，是过去几年新数据中心的能源消耗基本上被运转效率提高所抵消的一个重要原因。

新型微芯片也会有所帮助。Applied Materials的预测假定，人工智能的工作负载将继续在现有硬件上运行，这些硬件的效率在未来几年将会逐步提高。但许多的初创企业以及英特尔、AMD等大公司，都在开发利用光子学等技术的、节能性大幅提升的半导体，来驱动神经网络和其他的人工智能工具。

具有讽刺意味的是，对人工智能功耗限制贡献最大的实际上可能是人工智能本身。谷歌已经在使用其2014年收购的DeepMind开发的技术，来更有效地冷却它的数据中心。通过向人类 *** 作员提出建议，人工智能已经帮助该公司削减了40%的冷却费用;现在它能有效地独立运行数据中心的冷却系统。

人工智能还将用于优化数据中心运营的其他方面。而且，就像谷歌在冷却方面的成果一样，这将使得各类工作负载受益。这并不意味着，数据中心最终不会因为对人工智能魔法的需求不断增长而消耗更多的能量，但这是当下做出预测如此困难的又一个原因。

---