2019 年人工智能行业又进入冬天了吗？ 第1页

我一直说AI分两个部分，第一部分是掌握顶尖理论阵营的人，他们在做开创性的东西，第二部分是从模型侠到调参侠到应用模型侠等不同梯度的人。第一部分理论阵营的人积累深厚，壁垒很高，而且基本可以认为现阶段AI成就的理论基础并没有太多的前进，只是依赖于硬件和分布式能力的提升带来的诸多改进式发明，所以尽管AI牛人很多，但是图灵奖颁给三大祖师爷也没人敢说啥。

第二部分的人说实话我作为一个圈外人已经无法判别壁垒在哪里。有一些AI的论文我都不相信这样都可以发，我甚至看到我两年前随便开脑洞的idea最近都有人一本正经做了论文还中了顶会（遗传算法找超参）。然后就是所谓的选择模型应用模型调参然后部署到应用场景的大部分AI从业者，首先技术壁垒太低了，一个任意有数学+简单编程能力的学生，在半年到一年的学习后都基本能熟练掌握调参工人的工作。其次这些选择超参/调整训练已经有很多自动化的framework在路上了，从automl开始就有越来越多的系统方向的论文在做（当然系统方向做东西周期太慢，但确实在路上了）。简单来说，就是理解很多SOTA（state of the art）的工作并不难，而把SOTA有效的应用起来，也并不难。

所以如今所有的CS/非CS学生都前仆后继地往算法岗/AI岗挤，问题本来就很大。在我的印象里，纯算法岗本来在互联网CS民工里占的比重就不大，而对于一般意义上的AI算法，其实已经是属于新时代的Quick Sort了，是个学CS/EE的都会都懂，而且AI那套最基本的理论基础，几乎已经成为所有CS UG/PG课程的必修课了。毫不夸张地说，就AI那套基础理论课程（loglikelihood/牛顿方法/SGD/高斯过程）我从本科到现在学到第三遍了……本科machine learning课一遍，data mining课一遍，博士machine learning课又一遍，但我只是一个做distributed system的啊，就连DL的花书我无聊的时候都看过两遍了。而且最关键的是几乎所有CS/EE的学生都是这样，ML已经变成新的Data Structures/ Algorithm课程了。

所以前仆后继扑向AI的真该认真想一想了，现在AI的势头和拥挤度，真得还那么好找自己的一席之地嘛，特别是只想读到Master的朋友，你确定你一个熟调各种model/混过一两篇A会，就真的比那些虽然看起来方向不相关但是其实ML train/deployment信手拈来的其他竞争抢手吗？至少我最近项目里招的几个AI guys，真的是已经丢了很多CS学生的基本技能了。

有多少风口，就有多少冬天，有多少飞起来的猪，就有多少摔死的死猪。

有多少炒作的概念，就有多少概念的归一期，很多人认为必须有关注点，必须有眼球，才能有足够的经济效益。

不见得错，但，也不见得对。

产品，才是最后的王者。不能形成产品的技术，吹得再牛，也没用！

所谓的冬天，其实就是概念变成产品前必然要经历的投入远大于收获的时期，在这个时期前就是风口阶段，很多企业称之为能忽悠多少钱就忽悠多少钱，然后才有钱用来度过冬天——烧钱取暖。却从来没想过，这些忽悠来的钱是没有能力变成产品的，变成有效的产品的，因为你们只会忽悠。

所有最后成功地企业都是靠产品称霸天下的，这才是最后的王道！

当风口消失的时候，很多虚假的热点就没有了，因为投入不能靠眼球快速变现了，很多跟风的所谓投资者实际上不过是蹭热点的猪没有办法从别的猪身上揩油了，就赶快撤退了，或者被摔死了，看看共享单车的过程就明白了。

投资机构的人，真正有头脑的不多，中国的所谓投资机构中有头脑的尤其少！

反对“人工智能进入冬天”，2019年只能说是“退烧”而已。

而且更反对“人工智能无法落地”，实际上从2018年开始，越来越多的人正在非常严肃思考有哪些有真正商业价值的算法落地场景。

我在一家制造业公司当神经网络调参工，实际上一两年前这家公司还是一家纯粹的“制造业企业”（事实上是全球市场上的top 2，垄断了欧美亚该领域高端产业链，包括汽车、石油、航天、军工等高利润领域），然而一些非常繁琐的、重复性的机械性操作，在过去基本上要浪费大量用户手工完成，而且手工完成的精确度非常低，而这些任务的共同点，就是可以非常轻松地用任何一个目标检测算法（哪怕yolo v3）来解决。

于是最近一年开始测试部署一套神经网络用于实时检测目标，并且这个方法打算以“software subscription”的方法发布给用户，因为客户大部分是欧美高利润的制造业企业和部门，如果能够花钱购买新功能，就能极大节约他们员工的时间和精力，减少操作失误的可能性，哪怕是按月付费，对他们来说也是绝对划算的。

而且我们的产品已经部署了多套“AI”算法，虽然不只是有deep learning，还有大量传统的自适应滤波器等“传统AI领域”算法，但是只要产品打上“AI”，不仅公关效果极好（在各种conference和展销会上引来无数同行和潜在客户的兴趣），在业界轻松获奖，而且是实打实地提高了产品的性能、简化了产品的操作步骤，给客户和我们开发者都带来了利润，直接带动了我们产品在全球范围内的销售。

题主问“人工智能是不是进入了冬天”，在我看来，整个制造业、物流、农业、质检等领域，欧美的企业都在非常认真地思考“人工智能到底如何落地”、“如何让人工智能真正地提高生产力”，并且他们这些公司都是有的放矢地招兵买马，按照自己实际业务需求来研发、测试，并且希望在竞争对手之前赶快投放到市场中，这些领域里人工智能毫无疑问是真正的搅局者，2019年这个时间点绝对不是终点，而是起点。

反过来思考，整个“深度学习”带来的这波国内的创业潮，真的没有泡沫吗？我看未必，2019年资本寒冬，反而有助于“中国互联网的深度学习”这个领域里淘汰落后产能，而且很可能不仅是小的初创公司，也包括大公司的内部团队。

举个例子，去年我就注意到，最近三年内中国和硅谷同时出现大量的“AI芯片”的初创团队，粗略算起来大概有十多家。硬件研发需要非常长的时间周期，有的团队选择在FPGA上实现一些深度学习算法，还有很多团队直接上手ASIC，从底层设计芯片加速深度学习算法，然而前者性能跟不上，后者开发成本高、消耗时间长，因此他们的产品很可能在市场上都没有任何竞争力。事实上也证实了这一点，现在2019年了，大部分深度学习开发者依然不会选择这些公司的解决方案，不仅学习成本高、售价高、部署比nvidia的GPU和Google Cloud上的TPU麻烦得多，而且性能和可用性上也远远不如后者，无论在学术领域还是生产上，nvidia和google都是绝对的赢家（AMD和Intel也算半个），而那些搞深度学习“硬件加速”的团队，现在看来基本上会被团灭，未来也看不到任何盈利的可能性。

类似的，无人驾驶领域的真正的硬件“庄家”也只有mobileye、nvidia等少数几家公司。而智能语音机器人在前年简直用“遍地开花”来形容都不为过，现在呢，也只剩下Siri、Google Assistant、Amazon Alexa等少数几个玩家了，剩下的市场上十几种甚至几十种“智能”“语音”“机器人”，最后发现都是打着NLP的名义在后台实现一堆if-else，除了调戏以外没有任何用途。

那么问题来了，这些AI公司的研发成本极高（国内不了解，硅谷融资一两轮的公司普遍给毕业生开$150k以上的base以及股票期权），早期全部靠融资来支持研发和运营，但是如果产品不被市场青睐，没有销售，今后这些公司账面上该怎么办呢？大概率会消耗完账面上的资金发工资和支持运营，然后裁员、倒闭，最好的结局是被大公司看上了而低价收购，至于什么上市、财富自由就不要想了。

当然，这批可能被淘汰掉的“初创公司”不止有这些“硬件加速芯片”的研发团队，还有一些早期“算法外包”的公司、“深度学习数据平台”公司、“人工智能行业咨询与招聘”等一系列围绕展开的细分领域，我记得之前在知乎上看到过一篇帖子，列举了中国百余家和“人工智能”相关的公司，大部分都在做基础学术研究、算法落地、计算平台服务等几个领域，虽然大部分都名不见经传，但是估值一个个都高得吓人。之前这些公司几轮融资下来股票很多，大家都想着距离上市只有一步之遥，可惜2019年之后他们的潜在客户最终会普遍在大公司云服务以及结合自身业务的有限场景下实现“算法落地”，而一批几年前“风风光光”的初创公司很有可能被淘汰掉。

为什么说2019年是“人工智能行业冬天”呢？因为周围太多人趁着资本最火热的那几年，加入了一系列明星公司、初创公司，很多投资人也趁机大把大把地在任何和“AI”沾边的公司里大把撒钱，大家都把未来赌注在明天。然而2019年，国内迎来了资本寒冬，硅谷科技公司也迎来了股价腰斩，我相信相当一批小公司不仅等不到上市，甚至连下一轮融资都困难。资本市场表现不好的时候，愿意把真金白银扔到“长期回报”的领域，是非常不明智的选择（虽然并不见得这些公司会不会真的有“长期回报”）。

还有一个非常伤害感情的地方，就是国内互联网大厂近几年押宝“机器学习”，不惜代价往各个部门里拼命挖人，尤其是押宝基础学术研究部门，高价从海外挖相关领域PhD回国，甚至直接在硅谷成立研究院。现在看起来，一些公司不仅押对了，而且成了公司的业务顶梁柱（比如头条和抖音、快手、淘宝、滴滴等严重依赖视觉、推荐的公司，还有这一批无人驾驶公司），并且深度学习给这些公司带来了实实在在的利润增长。而另一方面，很多大公司盲目押注“人工智能”，烧钱上亿而却没有什么有价值的产出，比如刚刚换帅的腾讯AI Lab——这些都是反面教材，因为中国公司一方面不可能雇佣最优秀的科学家（因为他们都在大学和Google、Facebook等公司），很难做出最最顶级的、影响力巨大的、具有划时代意义的革命性基础学术研究（比如CNN、GAN、ResNet、LSTM、batch normalization等），另一方面他们又没有算法落地的KPI和压力，很多人不得不变成了顶会里的“灌水机器”，表面上是“在深入思考算法落地的可能性”，实际上既没有多少实际生产力价值，又对真正的学术理的本质上的贡献，相反真正的业务部门很可能会直接把顶级团队的开源代码、框架、模型拿来直接用在生产上了，而这些国内AI Lab既没有意愿也没有实力去完成这些工程上非常繁琐的基础设施建设。

总而言之，我非常希望所有人工智能行业的从业者们能够在资本寒冬降临的今后两三年平稳读过，不要受一批批“互联网裁员潮”的影响，但是我也希望每个从业者能够反思一下，自己到底为整个行业和公司带来哪些真正的价值，不要被自己论文的introduction部分自欺欺人了，而更多时候建议设计模型的时候反思真正的“学术价值”在哪里，研发产品和算法落地时真正的“商业价值”又在哪里。

这个世界上不可能有永无止境的春天，更不可能有从不裁员的公司和永不淘汰末尾的行业，所有商业行为都要符合真正的“商业规律”。当然了，“吹泡沫”是“商业规律”，“高烧降温”又何尝不是呢？