2019年人工智能行业又进入冬天了吗？这里我想讲三个故事

故事1：从「预测模型」到「数据可视化」，regression?

我们的团队正在进行数据分析咨询。我们通常对顾客说:“我们帮助你建立一个“人工智能”模型(实际上它只是一个简单的预测模型)。你一年能节省多少钱，增加多少用户。当然，我们会将技术改造等项目打包，告诉客户，如果不升级，你将被时代抛弃，这样他们就可以买单。

这种项目一直很畅销，尤其是在2017年之前。主要咨询公司的惯例是相似的。从学校中抽取几名硕士和博士学生制作PPT(通用咨询公司PPT的一页是介绍团队)，并“汇编”几个成功案例。当他们走的时候，他们通常可以成功地签署案例。然而，最后，它要做几个简单的模型(通常是逻辑回归、决策树和一些传统的统计模型)。然而，约3至4个月的项目通常需要100万美元(约4至6名顾问)。显然，利润非常丰厚。当时，客户非常依赖我们的专业，因为他们没有这方面的人才。当新概念出现时，每个公司都想尝尝。

然而，17年后，大多数(包括连锁超市和加油站等传统行业)基本上都有自己的数据团队。他们不再相信我们包装良好的预测模型。原因很简单:第一，大多数咨询产品的质量不高；其次，建立一个团队比付钱给外人要好(劳动力成本实际上正在逐渐下降)。

企业变精明了。销售大规模人工智能项目变得越来越困难。许多咨询公司也已经从销售人工智能咨询回到销售廉价仪表板产品。目前，如果你想销售预测模型，你必须先做一个概念证明(Proof Concept，PoC)，也就是验证这个概念是可行的，这样客户就能感觉到它可能是有用的，否则就没必要谈论它了。

然而，制作一个可靠的PoC基本上等同于完成整个项目，这是一个悖论。以咨询公司为缩影，我们在16年里已经招聘了10多名数据领域的毕业生，但是在2017年和2018年我们没有招聘任何人。他们都是内部调动，今年年初留下一名实习生成为正式实习生。然而，不到三分之一的16年来的人还没有换工作。事实上，他们近年来还没有实现真正的人工智能。他们只是做了大量的数据可视化(比如Tableau)，偶尔会有零星的项目。

故事二：从「稀缺」到「过剩」，再到？

不可否认，初级从业人员的供应已经大大增加。来源包括:各种为期一年的速成硕士学位课程(海外有许多为期12或16个月的硕士学位课程)、自学换工作者和培训课程毕业生。熟悉我的人应该记得，我的回答是从17日初的规劝到17日末的谨慎规劝，再到18日初的规劝。我们都知道这个系统落后了，所以当人们知道一个行业正在崛起时，他们就会蜂拥而至，直到出现盈余。从面试的角度来看，一种直接的感觉是，许多人都有很好的简历，但他们的基础普遍不稳定，他们喜欢谈论重大问题，不喜欢做细节。我的几个同事非常喜欢提出深入的学习解决方案，但是我们公司甚至没有太多的图形处理器。

这种现象可能在许多企业中很常见。仔细回顾，有多少公司邮件总是提到“机器学习”、“人工智能”和“深入学习”？这种现象在这个行业的新进入者中更加明显，他们想用最复杂的模型来保护他们的稀缺性，导致许多项目流产。

这不是倒退，而是一种筛选。

故事三：从「科研」到「商业化」，fill the gap?

研究和应用之间的割裂依然存在。商业科研成果非常困难，面临着内外压力。从去年九月到现在，我和我的低年级学生写了三篇论文，一篇理论和两篇应用。作为一名即将毕业的研究生，他对研究的幻想是坐在那里刷公式或做大量的代码，但现实是:思考一周的想法，做一周的实验，写一周的文章，修改一周的包装。他后来意识到写文章实际上是一项销售工作，大多数文章被认为是“可发表性”，而不是“实用性”。

然而，对他来说，幻想通过科学研究来培养团队并不容易。想要真正走向商业化并不容易。我们还试图将以前写的一些文章作为项目销售给客户，但通常我们不能在内部通过第一级，因为每个人对问题的理解都不是在一个级别上，这是一个分成其他团队的蛋糕，所以计划通常在我们到达客户的步骤之前就中止了。例如，如果我们想向某个金融客户销售一个全新的预测模型(预测公司的财务业绩)，那么我们必须由内部财务指导团队(与客户有友谊)介绍。

但基本上死于这一步，因为没有人愿意被取代，即使一起分享蛋糕。大公司实际上或多或少都有这个问题。研究团队(尤其是基础研究)通常与工程团队和销售团队关系不好。这在技术领域不是秘密，尤其是在人工智能领域，所以从一般的角度来看，人们不会那么容易被愚弄。每个人都知道这项技术能做什么，能走多远，所以故事变得越来越难讲，钱变得越来越难“欺骗”。加上大量从业人员涌入该行业，包括许多基础薄弱的人，公众对这项技术的有效性有些怀疑。

与此同时，企业也逐渐意识到很难给底层研究带来直接利益，因此他们将从战略上取消不必要的研究部门。这导致就业市场似乎双向收紧:初级和高级职位的需求和收入都有所下降，尤其是在更难找到工作的领域。加上全球经济环境的周期性变化，前景看起来令人担忧。

事实上，事情是好的，技术也是好的，但是当它被油炸的时候，它会后退。毫不奇怪，这是一个合理的修正，而不是一个寒冷的冬天。回拨期间我应该做什么？我认为:(1)发展你自己的专业知识，给自己贴上标签，也就是说，当别人提到你的技能时，你会立刻想到它。有抱负的人可以回到学校重建学校。(2)调整心理预期，放弃幻想接地气，明白解决问题是绝对真理。放弃模型崇拜，不要事事依赖新技术。除了现实和学习之间的联系，还有很长的路要走。(3)更实际，更实际。