微信号:infoqchina

介绍:有内容的技术社区媒体

AI论文99%是灌水,99%的媒体在吹牛?AI从业者们怎么看?

2018-01-16 08:00 AI前线

点击关注 InfoQ,置顶公众号

程序员的 8 点技术早餐

策划|AI 前线
编辑|蔡芳芳、陈利鑫、小智
2017 年,就算是一路疯涨的比特币,也无法遮盖 AI 技术的风头。于是有人说,2017 年是 AI 元年。所有人都在炒作 AI 技术,坊间甚至传闻投资人非 AI 项目不投,风光一时无两的 AI 领域,从业者们又是怎么看待的呢?本文由 AI 前线公众号策划整理,ID:ai-front,墙裂推荐对 AI 感兴趣的同学关注!
写在前面

2017 年可以说是 AI 元年,几乎所有的科技大事件都发生在 AI 领域。

还记得当初你被一个会后空翻的机器人支配的兴奋吗?


后来,OpenAI 的研究人员又突发奇想,让机器人相互摔跤、踢足球、翻墙,据说效果非常不错。这颤抖的小腿、风骚的走位是不是很萌?


会出汗冷却系统的机器人,话说你真的需要健身减肥吗?


以及不久前获得了沙特阿拉伯居民身份的索菲亚,她会开“我要毁灭人类!”的玩笑话(惊出一身冷汗),还会暗戳戳嘲讽机器威胁论的忠实拥护者马斯克。


自动驾驶技术也真正走到了聚光灯下,赚足了眼球!

事实上,这些比较具有舆论效应的全民热议话题只是冰山一角,AI 领域在今年发生的变革隐藏在嘈杂噱头之下,等待我们去挖掘总结。

为此,我们对 AI 领域的数十位开发工作者进行了采访,问了问他们 AI 领域的哪些变化在他们眼里可以被视为里程碑式的事件?对于有人诸如 AI 论文 99% 是灌水,99% 媒体是吹牛的言论,它们是怎么看的等问题,来看看他们怎么说的吧!

印象篇
「各大公司都在宣称自己在 AI 方向的加注,以及民众,媒体对'AI'的狂欢。」

2017 年,AI 领域给开发者人员留下最深刻印象的有哪些事件呢?

在各位开发人员的回复中,我们发现几乎每个人对 2017 年 AI 领域印象最深刻的事件都包括 AlphaGo 和 AlphaGo Zero 战胜人类围棋选手这一历史性事件。对此,也有人表示,“今年印象最深刻的莫过于 AlphaGo 了,虽然觉得其实结果没太大意义,但带来的影响确实大。”

另外,AI 程序打败德州扑克专家、人脸识别、波士顿 Atlas 机器人后空翻、智能音箱、量子计算机、百度发布无人驾驶平台 Apollo 进行无人驾驶车辆测试、中国将人工智能上升为国家战略等事件也都给他们留下了深刻的印象。

也许一位微软的语音工程师的回答最能从广泛意义上反映出 AI 在国内的现状:“最让我印象深刻的,是各大公司都在宣称自己在 AI 方向的加注,以及民众,媒体对'AI'的狂欢。”

这是 AI 开发者对于 2017 年 AI 领域发生事件的印象,那么对于普通大众来说,这一年他们对于 AI 的印象是什么样的呢?

可能普通大众对于 AI 的印象还是很高大上的东西,"民众对 AI 的理解主要来自于科幻电影,而多数媒体为了生存和点击率,需要写民众爱看的内容,那么从主观上就有吹牛的动机,从而失去了新闻工作者客观的职业素养。所以现在网上充斥着“震惊!xxxx;重磅!xxx;恐怖!xxxx”这种文章。不可否认的是,这些文章的确提供了一些有用的信息,比如会提供一些有意思的工作的链接。不过通常过于浮夸的报道,会加剧民众对 AI 不切实际的想象,以及影响一些经验不足的从业人员,比如学生。"微软的一位语音识别工程师说道。

炒作篇
「技术炒作这种事情,如果一点都没有,也不见得就是好事。」

AI 在近几年的炒作很厉害这一点无须否认,在这一领域工作多年的技术人员见证了 AI 是怎么被炒火起来的过程。在他们的印象中,AI 领域都经历过那些炒作呢?

移动电商 算法工程师 —— 图像算法技术研发

我参加工作 11 年了,有印象的技术炒作包括:智能家居、3D 打印、机器学习、人脸识别、VR、无人驾驶、虚拟试衣等。有的技术经过长时间的沉淀找到了应用场景,比如机器学习用于推荐、人脸识别用于金融。有的技术估计还是概念,没有落地。总的来看,炒作普及了大众的技术视野,尽管有泡沫,泡沫过后总会留下一些东西,或者是技术的、或者是商业的,这些会长期支持技术商业化。

IBM 前端工程师 —— 云计算,AI,Social,前端 +.Net

我在工作中见过的炒作包括前端框架、Vs studio 各种推陈出新等。对此,我的感悟是底层很重要,不管什么框架,重点还是要会看原生的代码。技术平均每年大更新一次,找准自己的方向,尽快转型。看到做 mainframe 的同事眼睁睁看着自己的技术被淘汰,太迟转型面临失业降薪,很心痛,要吸取教训。

Coupang 数据工程师 —— 电商

我工作已经超过 10 年,经历过的 AI 炒作有 Java EE、开源、大型分布式电商平台、大数据、机器学习 / 深度学习、AI。我的感受是技术发展太快,需要学习的东西太多,有时候为了照顾广度,就很难有深度;有些领域要深入需要一定的时间和实践,如果太专注某个领域,又担心技术过时,赶不上潮流。

BAT 研发工程师 —— 搜索 +AI  DevOps、敏捷实施和落地

工作六年多,经历过云计算、容器、DevOps、AI 等技术理念的兴起到成熟。

每年我都会关注 Gartner 的 Hyper Cycle,有点可惜的是,Gartner 的 Hyper Cycle 对中国不太热衷,我们只能借鉴美国和印度市场的趋势了。从这几年看,中国 IT 的发展越来越贴近美国发展的趋势。特别是从容器、DevOps、AI 的兴起来看,我们真的没有落后太多了。所以 Gartner 的 Hyper Cycle 差不多就是一张能告诉我们这波码农,未来我们需要掌握什么领域或者往那里跳槽的风向标了。

而其他的技术,例如区块链技术,还是要想好跟自己的工作能结合,才会去学习。

还有很多技术人员见证的炒作还包括数据挖掘、区块链、量子计算、AlphaGo、无人驾驶、物联网、AR/VR 等。

“感觉虽不靠谱,但是得有人无畏前行,人多自然能出结果”,“虽然各大公司都在努力的追求技术的创新,但是如何把新的技术在实际生产中应用,是目前应该解决的问题“,”技术炒作这种事情,如果一点都没有,也不见得就是好事“,是这些技术人员在历经无数热潮时内心最真实的感受。

与 AI 结合技术门槛篇
「有一个名词称为奥卡姆剃刀,说的是假如有多个模型都能达到差不多的效果,选最简单的。」

对于那些结合了 AI 的公司,他们是如何在工作中应用 AI 的?结合 AI 的过程有难度吗?是否有技术门槛呢?

明略数据 AI 工程师 —— 文本挖掘

我在工作中做自然语言处理,总体来说,处理无结构的文本数据还是很有难度的,就算 AI 技术,也无法像一个成年人一样,迅速理解各种灵活的表达方式和新词。

蘑菇街 算法工程师 —— 电商公司,面向年轻女性提供时尚化和社交化的购物平台

我目前负责图像算法技术的研发工作,工作中主要是结合图像识别技术来改善电商平台的产品体验。AI 有难度,也有技术门槛,不仅仅是指技术本身,而是指 AI 落地的门槛,要对应用场景有足够的理解,有业务的敏锐感觉。

百度 AI 工程师 —— 搜索 手机百度 app 和简单搜索 app 的图像客户端

本人负责百度移动端的 AI、图像等工作,与 AI 紧密相关。2017 年以前移动和 AI 结合难度较大,瓶颈主要在于移动设备的性能较差无法承担起较大的神经网络运行。随着移动设备性能不断增强,各大公司跟进开发框架。在软硬件双飞的未来,移动设备和 AI 结合已是大势所趋。

腾讯 后台开发 —— 手机浏览器游戏、app 个性化分发

我负责 QQ 移动浏览器内的游戏、app 的个性化推荐,需要使用到较多的机器学习的算法,和传统后台相比,AI 的门槛还是比较高,尤其对非科班出身的同学,需要补齐大量的高数、概率统计、优化理论等数学基础,还需要了解统计学习、深度学习等常用的算法。

用一句话概括结合 AI 的技术门槛:“有的放矢,否则不仅毫无意义,而且难度很大”,也有人认为”传统的技术和目前大热的 AI 技术相结合,有一定的难度,掌握一些计算机基础知识的人更容易入门 AI 技术。“

但也有人表示,“工作中与 AI 的结合不难,但是要做到准确率高、高并发响应很难”,“关键在于数据,技术难度不算太大”,但毕竟这种说法是少数的。

总之,大多数技术人员认为 AI 与目前的工作结合起来难度较大,技术门槛较高,而且难点在于与实际应用场景的结合。而在机器学习界,有一个名词称为奥卡姆剃刀,说的是假如有多个模型都能达到差不多的效果,选最简单的。而用高端模型不一定能充分理解业务,反而是采用简单模型的效果更好。因此,企业在实际应用场景中应该根据自己的业务类型,选择适合自己的模型。

人才篇

现在,关于 AI 人才稀缺,院校毕业生刚出校门就可以年薪百万千万的消息刺激着不少人的神经,对于 AI 培训课程趋之若鹜,面对高昂的培训费用也非常舍得砸钱进修。那么,AI 人才的缺口到底有多大?这些开发人员怎么看待目前市场上 AI 人才的超高薪资和各类 AI 入门培训课程呢?

在我们的采访对象中,不少人表示自己并不是出身 AI 专业的,也没有 AI 相关学历,他们入门 AI 的方法主要是通过在实践工作中积累经验,加上观看网络视频教学课程、阅读相关源代码、技术博客等方式自学 AI,有着自学不息的精神。

对于十分火爆的 AI 培训课程,其中一些回答描述非常与现实状况实际上十分贴切,“近年来一些大数据的课程带上 AI 的帽子会变得更加抢手,但实际上教授的还是大数据相关的东西。但课程本身如何还是基于个人需求。”

而这些课程是否真的对于入门 AI 有帮助呢?大部分回答持否定的态度,认为两三个星期的培训就可以从事门槛相对较高的 AI 工作有些不现实,AI 薪资虚高,课程质量也参差不齐。

明略 数据工程师

“AI 入门培训都是在骗钱,收智商税,想学的话踏踏实实补数学,踏踏实实看书看博客,精读几篇经典的 paper,github 上多复现几个实验。”

AWS 工程师 —— 云计算

“泡沫太严重了,AI 还没有实际创造那么大价值。”

也有人表示离自己太遥远,无法做出评价。

但也有人对 AI 课程火爆的现象给予了比较客观的评价。

第四范式  工程师 —— 机器学习平台

AI 人才的高薪说明行业对这类稀缺人才的关注,实际上在任何行业顶尖的人才都是稀缺的,也会有所谓的超高薪的情况,这点我认为是正常的并且对我个人没有太大影响。AI 培训也是适应这个行业潮流所逐渐出现的,有意思的是以前宣言是大数据培训的课程现近一般都会加上 AI 或者人工智能这个招牌,但实际上还是培训大数据相关的技术,不同人对这类课程的需求也是不一样的,我个人更推荐通过参与开源设计以及实践的方式来入门机器学习领域。

“这么火,谁都会来分一杯羹的。就像当初大数据炒作一样,超高薪是因为人才太少。入门课程还是很有用的,但是要有干货。”

也有人在校有过两年相关科研经历的硕士在读生提醒在校生不要盲从,要根据实际情况和自己的需要选择学习的方式。“目前 AI 技术是一个发展前景非常好的产业,各大公司不惜高薪来吸引 AI 人才的加入,但是随着时间的推移,AI 人才的积累势必会饱和,所以在校的大学生等也要有一些清晰的意识,不要盲从。如果说自己可以学习的东西就不需要培训了,当然如果自学很吃力,可以考虑报辅导班。”

局限篇
「在真实的业务场景中,要落地机器学习模型的门槛还是比较高。」

当问及结合各自目前的工作中,AI 目前存在的最大局限是什么时,这些开发人员的回答中不少都涉及到了 AI 落地难的问题,当然也有人提到了 AI 过于依赖于深度学习,方法单一、缺乏训练数据、拓展性差、识别伪 AI 等问题。

明略数据 工程师

AI 在工作中最大的局限在于落地,真正落地赚钱的产品屈指可数,这个行业健康发展,还是要多接地气,切实的为社会解决问题。”

第四范式 工程师

在真实的业务场景中,要落地机器学习模型的门槛还是比较高,用户需要能够把业务模型抽象成机器学习任务,并且完成数据接入、数据清洗、特征抽取、模型训练、参数调优等一些列过程,对于业务理解能力和开发能力都有很高的要求,而且除了模型训练其他目前都难以使用 AI 来协助解决。因此我认为未来 AI 的发展应该向着低门槛的方向,通过算法或者工程的优化,例如实现易用的数据引入和处理平台、实现 AutoML 和自动调参的算法,让更多人可以真正把 AI 落地实际业务中。

AWS 工程师

太依赖于深度学习了,方法单一,有些问题深度学习效果也不是很好,估计未来几年学术界会出现比深度学习效果更好的方法。

浪潮软件 数据采集工程师

对无规则事物的分析学习。毕竟图像、围棋、声音都还是有一定之规的,仍需要人脑将抽取规则输入给 AI。

蘑菇街 算法工程师

目前所谓 AI,都是基于人类经验或者积累的数据来工作的,只能做简单的重复的工作,下围棋也不例外,只是在人类能力上的复制。未来的 AI,应该是具有一定推理能力的,例如智能助理。

此外,腾讯的开发后台工程师则表达了对监管法规空缺的忧虑。

影响篇
「AI 的出现让很多开发者心浮气躁,但脚踏实地的人不多。」

AI 的火爆发展在开发人员眼里是什么样的?他们如何看待 AI?AI 对于普通开发者的工作,是正面影响多还是负面影响多?综合采访对象的回答,我们得出结论,大多数人认为 AI 对他们的积极影响还是大于消极影响的。

“AI 是人们的合作伙伴,不可能取代人类。普通开发者,应该了解 AI,利用 AI 改善自己的工作,比如开发工具、开发技能,以及解决问题的思路。AI 不能取代开发者,但是可以辅助开发者。”——明略数据 工程师

“我还不知道,我觉得我现在做的工作(编程)将来可能会被 AI 取代。但是一定有新方向可以供我发展,虽然我还没看到这个方向在哪里。”——IBM 前端工程师

但也有人表示,AI 的出现让很多开发者心浮气躁,但脚踏实地的人不多。

“我觉得 AI 是一种技术,就像前端后端安卓 IOS 一样,不希望大家跟风学,现在这个行业很浮躁,真正的脚踏实地的人很少,大部分都在仰望星空,这不是好现象,所以对于普通的开发人员来说,负面影响多,但是我还是看好这个行业。”——明略工程师 2

误解篇
「人们认为 AI 可以上天入地,无所不能,仿佛很快就会有一支 AI 军队出现一样。」

说起普通大众对 AI 最大的误解,可能就是认为 AI 比人更智慧,无所不能,认为机器和真人一样会思考,超越人类,控制人类,取代人类的工作等。

就如 IBM 一位前端工程师所说:“人们认为 AI 可以上天入地,无所不能,仿佛很快就会有一支 AI 军队出现一样。实际上,AI 是要 train 的!要 train 的!要大量的 training 的!重要的话说 3 次。AlphaGo 级别的 AI,需要有一个团队加上很多高级计算机在 train,AI 不是随随便便找条流水线就能量产的。”

“人们认为人工智能是来取代人的,会伤害人,这是很大的误解。技术本身无对错,这取决于怎么使用 AI,谁来使用 AI。AI,也是人类智慧的产物。只是如果被坏人利用了的话,AI 会伤害人类的利益;比如隐私的泄露和滥用、甚至有 AI 武器的出现。”——蘑菇街算法工程师

“目前大家对于 AI 技术感到新奇并带有一点恐惧,主要因为不了解底层的原理和细节,误以为是“自我觉醒”的模型。AlphaGo 并不是自学掌握围棋规则的,也不会自己悄悄地用电脑下棋,其实它是一颗蒙特卡洛树加上一个精心设计的神经网络模型,而这个程序只是接受棋盘信息作为输入,然后输出赢棋概率最大的落子点而已,本质上 AlphaGo 只是一些列浮点数而已。对于 AI 技术原理不了解,并且加上个人臆造的想象,是目前非 AI 从业者普遍的最大误解。”——第四范式 工程师

最期待应用篇
「他们最期待的 AI 应用中无人驾驶的呼声最高。」

对于这些专业的技术开发人员,他们对于 AI 应用的期待也是五花八门,多少也能代表一部分人的心声。

未来,他们最期待的 AI 应用中无人驾驶的呼声最高,很多受访者不约而同看好无人驾驶的发展,甚至有人打趣道为了等待无人驾驶的到来至今没有考驾照!也有不喜欢做家务的人表示希望拥有保姆、管家类 AI,可以分担家务;也有不少人对 AI 音箱、自动编码 AI、个人助理等表示很感兴趣。

学习计划篇
「多关注机器学习和深度学习,将之与目前的工作结合起来」

作为专业的开发人员,面临层出不穷的新技术和工作要求,他们也有意识地在加强 AI 方面的学习,自我学习对其发展的重要性也越来越重要。那么,在 2018 年,他们有什么学习计划呢?

结合各自的工作领域,他们分别在学习实变函数、泛函分析、量子力学、汇编、计算机视觉、js 全栈、最优化理论 +TensorFlow、机器学习基础理论及 AI 在金融和医疗领域的应用等方面有学习的计划。

总之,大多数技术人员认为多关注机器学习和深度学习,将之与目前的工作结合起来,是 2018 年他们需要做的事情。

最后,对于 AI 的宣传,大多数采访对象认为媒体有过分夸大之嫌,甚至有人认为 AI 的 paper 99% 是灌水,AI 的媒体 99% 是跟风,AI 的团队 99% 存在着落地难,刷排名现象,背后有资本推动的原因。

对于媒体上部分宣传,可能是行业外人士因为信息不对称产生的误解,比如之前误报的 Facebook 机器人发明新语言的事,其实不过是模型训练的时候跑飞了,普通的自动化工厂被宣传为人工智能无人工厂,而一些根据统计信息生成文本的程序也被捧为具有自我意识的人工智能机器人,这些都存在过分夸大的成分。

但是,也有人认为目前 AI 已经真实来临,这个事实不存在虚假或者吹牛成份。

AI 到底是灌水吹牛的成分多,还是会在 2018 年真切地来到我们的身边呢?我们不妨静静等待,看 AI 在 2018 年将会带来什么惊喜!

***

如你所见,人工智能时代已经到来。你或许需要一个人工智能方面的专家,带你系统化地认识人工智能,为你规划好入局人工智能的最佳路径。极客时间“AI 技术内参”专栏将为你系统剖析人工智能核心技术,精讲人工智能国际顶级学术会议核心论文,解读技术发展前沿与最新研究成果,分享数据科学家以及数据科学团队的养成秘笈。点击文末「阅读原文」,免费试读精品文章!


今日荐文

点击下方图片即可阅读

大龄程序员都去哪了?



 
InfoQ 更多文章 一篇文看懂加密货币的本质 2018年不可不知的云技术趋势:FaaS、Serverless、边缘计算 Q新闻丨吃鸡外挂被开源;Dubbo 3.0来了;工信部约谈百度、支付宝、今日头条;内地iCloud服务将转由云上贵州运 腾讯运维总监聂鑫:海量监控体系是如何炼成的? 大龄程序员都去哪了?
猜您喜欢 NSInvocation动态调用任意block 程序员应该知道久坐对健康的危害 在国内混合云领域谁是老大,2016可信云大会给出了答案 HCIE与CCIE认证形式和内容有何不同? 那些年,我们读过的计算机书籍竟然都是儿童读物 | 大数据害人不浅