故事1：從「預(yù)測模型」到「數(shù)據(jù)可視化」，regression?

我們團隊是做數(shù)據(jù)科學(xué)咨詢的(data analytics consulting)，我們一般會跟客戶說：“我們幫你做個“人工智能”模型(其實只是簡單的預(yù)測模型)，一年可以給你省xxx多少錢，增長xxx用戶。”當(dāng)然，我們會把這種項目包裝為科技轉(zhuǎn)型(technology transformation)，告訴客戶不升級你就要被時代拋棄了，好讓他們買單。這種項目一直都很好賣，尤其是2017年前。各大咨詢公司的套路都差不多，從學(xué)校拉幾個畢業(yè)的碩博生，做好PPT(一般咨詢公司的PPT中有一頁是介紹團隊)，“編”幾個成功案例，去了一般都能順利把案子簽下來。但說到底就是做幾個簡單的模型(一般就是邏輯回歸、決策樹和一些傳統(tǒng)的統(tǒng)計模型)，而這種三四個月左右的項目往往能要到100萬美金(大概是4-6個咨詢師的錢)，顯然利潤是很豐厚的。那時客戶非常依賴我們的專業(yè)，因為它們內(nèi)部的確沒有這個方向的人才。而且當(dāng)新概念起來的時候，每個公司都想嘗嘗鮮。但從17年后大部分(包括傳統(tǒng)行業(yè)比如連鎖超市、加油站)都基本有了自己的數(shù)據(jù)團隊，他們不再那么相信我們包裝的很好的預(yù)測模型了。原因很簡單：一是大部分咨詢產(chǎn)品的質(zhì)量不高，二是與其付錢給外人還不如自己組建團隊(人力成本其實在逐漸下降)。

[[283504]]

企業(yè)變精明了。想要賣出大型人工智能項目越來越難，不少咨詢公司也從賣人工智能咨詢退回到了賣廉價的Dashboard(可視化)產(chǎn)品。現(xiàn)在想賣預(yù)測模型，必須先做出Proof of Concept (PoC)，也就是驗證這個概念是可行的，讓客戶感覺到這東西可能有用，不然免談。然而做出靠譜的PoC基本就相當(dāng)于做完了整個項目，這是個悖論。以咨詢公司為縮影，我們16年招了10多個數(shù)據(jù)方向的畢業(yè)生，而2017和2018年都沒招人全都是內(nèi)部轉(zhuǎn)崗過來的，今年年初留了一個實習(xí)生轉(zhuǎn)正。而16年進來的人也只有不到三分之一還未跳槽，其實大家這幾年都沒做到真正的人工智能，只不過是在大量的在做數(shù)據(jù)可視化(如Tableau)罷了，偶有零星的項目。

故事二：從「稀缺」到「過剩」，再到?

不可否認(rèn)的是，初級從業(yè)者補給量已經(jīng)大幅增加，來源包括：各種速成的一年制碩士(國外有很多12個月或者16個月的碩士項目)，自學(xué)轉(zhuǎn)行的人，培訓(xùn)班畢業(yè)生。熟悉我的人應(yīng)該記得，我的回答是從17年初的勸進->轉(zhuǎn)向17年底的謹(jǐn)慎勸退->直到18年初的勸精。我們都知道系統(tǒng)是存在滯后性的，所以當(dāng)人們知道一個行業(yè)上升時都會大量涌入，直到過剩。從面試角度的一個直接感受是，很多人的履歷都很不錯，但基礎(chǔ)一般都不穩(wěn)，喜歡談大方向不喜歡做細節(jié)。我有幾個同事非常喜歡提深度學(xué)習(xí)解決方案，可我們公司其實連GPU都沒有多少。

這個現(xiàn)象大概是很多企業(yè)的共同現(xiàn)象。仔細回想一下，在多少公司郵件里面大家都是凡事必提「機器學(xué)習(xí)」、「人工智能」、「深度學(xué)習(xí)」?這個現(xiàn)象在新進入行業(yè)的從業(yè)者身上更加明顯，凡事都想用最復(fù)雜的模型來捍衛(wèi)自己的稀缺性，導(dǎo)致很多項目做到流產(chǎn)

這也不是倒退，而是一種篩選。

故事三：從「科研」到「商業(yè)化」，fill the gap?

研究和應(yīng)用之間的割裂依然存在。商業(yè)化科研成果很難，同時面臨內(nèi)外的壓力。從去年九月到現(xiàn)在和實習(xí)小同學(xué)一起寫了三篇論文，一篇理論和兩篇應(yīng)用。作為一個快要畢業(yè)的研究生，他對于研究的幻想是坐在那里刷刷的列公式或者做大量的代碼，而現(xiàn)實情況是：想點子一周，做實驗一周，寫文章一周，修改包裝一周。他后來才意識到寫文章其實是一個銷售工作，大部分文章考慮的都是“可發(fā)表性”而不是“實用性”。而他幻想的通過科研來反哺團隊也沒那么容易，真的想要走到商業(yè)化不容易。我們也嘗試把以前寫的一些文章做成項目賣給客戶，但往往在內(nèi)部就過不了第一關(guān)，因為大家對于問題的理解不在一個層面上，而且這是在分其他團隊的蛋糕，所以一般走不到客戶那一步計劃就夭折了。比如我們想把一個全新的預(yù)測模型(預(yù)測公司財務(wù)表現(xiàn))賣給某金融客戶，那么得由內(nèi)部的金融方向團隊(和客戶有交情)從中引薦。但基本在這一步就死掉了，因為沒有人愿意被替代，即使一起分蛋糕都不行。各大公司其實或多或少都有這個問題，研究團隊(尤其是基礎(chǔ)研究)往往與工程團隊和銷售團隊之間關(guān)系不好。這在技術(shù)領(lǐng)域，尤其是人工智能領(lǐng)域，不算什么秘密

所以從大方向上來看，人們沒那么容易被忽悠了。這技術(shù)能做什么，做到什么程度，大家心里都有數(shù)，所以故事越來越難講了，錢也越來越難“騙”了。再加上大量從業(yè)者涌入這個行業(yè)，甚至包括很多基礎(chǔ)不夠扎實的人，導(dǎo)致大眾對于這項技術(shù)的效果有了一定的懷疑。同時企業(yè)也慢慢認(rèn)識到了底層研究很難帶來直接利益，因此就會戰(zhàn)略性的裁撤沒有必要的研究部門。這導(dǎo)致了就業(yè)市場看起來是雙向收緊：即初級和高級崗位的需求及收入都下降了，尤其是落地難度比較高的方向。再加上全球經(jīng)濟環(huán)境的周期性變化，前景看起來讓人擔(dān)心。

其實東西是好東西，技術(shù)也是好技術(shù)，但炒起來就要回落，沒什么可意外的這是合理的回調(diào)，不是寒冬。而回調(diào)期該做什么?我認(rèn)為：(1)培養(yǎng)自己的專長，給自己一個標(biāo)簽，即別人提到你就會立馬想到的那項技能。有志向的人可以回到學(xué)校再去重造一下也不錯。(2)調(diào)整心理預(yù)期，拋棄幻想接地氣，明白解決問題才是硬道理。拋棄模型崇拜，不要凡事都唯新技術(shù)是舉?，F(xiàn)實和學(xué)術(shù)之間除了聯(lián)系以外，還有很大的路要走。(3)踏實一點，再踏實一點......

*注：本文僅以特定行業(yè)進行觀察，而人工智能領(lǐng)域廣大無邊，切勿以偏概全。