为什么2019年人工智能算法岗求职竞争如此激烈？

与前几年媒体报道的人工智能毕业生高薪难求形成鲜明对比，现在很多候选人在各大社交平台上抱怨今年招聘季竞争异常激烈。其中竞争最激烈的要数“算法岗”了，有人说各大公司算法岗已经缩招，甚至达到上千人投几个岗位的情况，有人说算法岗出现了候选人比面试官还厉害的情况，也有人干脆劝退那些投算法岗的候选人。在各公司全面数据化智能化的当下，算法岗本该更受青睐，为何突然成了就业重灾区?除了暴力劝退，本文将从几个不同角度来分析当前算法岗的求职就业情况。

市场的周期调节作用

学生时期，我曾经坚信个人努力必有回报，但这几年随着个人阅历的增长，我开始意识到市场环境的力量之大，个体几乎难以抗拒整个社会的进步。

9月初，我听了一场李沐的演讲，对深度学习有所了解的朋友可能都对李沐有所耳闻，他是美国卡耐基梅隆大学博士，现为亚马逊首席科学家，曾在大规模深度学习领域提出了一些新方法。李沐的演讲中提到了Gartner技术成熟度曲线。Gartner技术成熟度曲线是技术领域著名的推论，该理论认为，大多数技术都有五个阶段：技术萌芽期会受到小众投资机构和媒体的关注，一旦技术走入大众视野后，开始快速膨胀，受到大众媒体的疯狂追捧，此时大量的投资机构也将入局，但当大众发现该技术没有媒体宣扬的那么美好，尤其是投资机构发现该技术不能带来足够的收益时，幻想泡沫破裂，人们的期望从波峰跌倒谷底，但是随着技术的成熟以及大众的接受，这项技术不再是噱头，已经能够转化为普通大众用得上的科技产品，最终进入可量产的成熟期。

2019年8月Gartner技术成熟度曲线

上图为2019年8月，Gartner公司发布的新一期技术成熟度曲线。大众所熟知的5G技术登顶，部分人工智能相关技术仍然在技术萌芽期，而2017年大火的区块链却不见踪影。区块链这个案例可以说完美阐释了技术成熟度曲线。早在2008年，比特币技术的论文就已经发表。2011年到2013年部分专业机构开始关注比特币这项技术，比特币开始由一项小众技术走入专业人士的视野。其后比特币以及区块链技术被各大媒体报道，投资机构、创业者蜂拥而至，各国政府也开始关注这项技术。2017年比特币价格开始飙升，在2017年末达到了顶峰，也就是达到了期望膨胀的顶点。记得当时很多公司都开始宣称发力数字货币，区块链创业公司遍地。很多只有一年工作经验的区块链候选人就可以拿到年薪50到100万，且跳槽率极高，两三个月就换一份更加高薪的工作。随后比特币戏剧性地暴跌，各中小机构倒闭，创始人跑路，员工工资拖欠，区块链不再是各大媒体追捧的技术。但区块链这项技术并非胎死腹中，包括Facebook在内，很多公司还在继续推动它的发展，各国政府也非常重视这项技术。就在本文撰写的当天，中央高层集体学习区块链技术，并决定推动区块链技术和产业创新发展。我相信区块链最终将慢慢走入属于它的成熟期。

比特币价格趋势图

Gartner技术成熟度曲线其实并非描述的是技术本身的发展，而是资本市场对于一项技术的价值预估。这里面包含一个非常朴素的市场经济运行原理：在一项技术被发明之处，资本期望通过风险投资，来获取未来成百上千的杠杆回报，很多人都想在金融泡沫中捞上一笔，但是技术本身并不值这个价钱，因此会有极速膨胀和泡沫破裂的过程。同样，人工智能行业也难逃这样的周期宿命。

人工智能算法的成熟度曲线

李沐在他的演讲中将人工智能算法做了一个类似的曲线。人工智能算法的兴起源于2012年深度学习在计算机视觉领域上突破性的进展，经过了几年的发展，计算机视觉这项技术正在趋于成熟，基于深度学习的计算机视觉很可能马上跌入谷底。这就不难解释为何现在正在找工作的计算机视觉硕博应届生求职艰辛，虽然他们身傍屠龙之术，但是却很难找到心仪的工作，甚至出现候选人比面试官还厉害的情况。因为潮水正在褪去，资本正在撤离这个领域，已经没有当初那么多的工作岗位了。

与区块链的情形相似，在机器学习算法岗位上，同样的事情正在上演。早在2014-2016年，如果你是211或985计算机硕士毕业生，或者名校理工科博士，只要略懂一点点机器学习，有过一些数据分析和处理的经验，很容易拿到中小公司的机器学习算法岗offer;编程能力稍强的应届生，可以很容易拿到大公司优质offer。而近两年，一方面其他学科学生正在疯狂转型机器学习，一方面计算机相关学科学生也在积极备战算法岗位，水涨船高，技能贬值，对新人来说，算法岗的竞争正变得异常激烈。对于很多面试官来说，以他们现在的招聘标准来说，当年的自己很可能是进不了这个行业的。

了解了技术成熟度曲线，就不难理解当前算法岗竞争日趋激烈的现状了。

人工智能行业具有规模化和标准化特点

人工智能行业依赖三大资产：算力、数据和人才，其中，算力和数据正日益被头部公司垄断，因而会导致人才向头部公司集中。

人工智能三要素

算力是人工智能研发的基石。幸好云计算形式的出现，降低了算力的成本，中小公司不用自购服务器，只需要在几大平台上购买云服务即可。但前沿的研发依然非常依赖算力支持，比如计算机视觉和自然语言处理等领域，训练一个前沿的模型需要上千台服务器，仅服务器价值可能在千万级别。训练一个前沿模型并部署到线上环境的成本极高，即使租用云服务，中小公司仍然可能担负不起这个费用。巨头公司拥有自己的云计算资源，有足够的实力承担这部分研发成本。

如果说算力是基石，那么数据决定着人工智能效果的上限。Garbage in, Garbage out! 同样一个算法，使用更大规模、更优质的数据训练出的模型更精准。当前，数据的收集主要依赖几个方面：用户自发上传、收集用户行为数据、收集传感器等各类输入设备数据、爬虫爬取。大公司的用户量大，数据收集设备多，在收集数据上具有天然的优势。算力可以去云服务商租用，但是数据就没那么容易获取了，这点将严重制约中小公司在人工智能方向的研发。

因为大公司的算力和数据的压倒性优势，顶尖AI人才更加希望加入大公司：在大公司的算力和数据加成基础上，AI研发人员才能有更优质的产出，有利于其个人职业生涯的发展。大公司的门槛正变得越来越高。

最近发现另一个比较有意思的事情是：部分人工智能领域业务高度标准化，该行业的资源容易向头部公司集中。业务标准化指的是该业务要解决的问题容易用一个规范的标准来定义，给定数据集，只需要在其上提高精准率即可。比如人脸识别这个领域，问题很容易被定义，可以将其包装成一个标准化的接口对外提供服务。很多公司的产品依赖人脸识别这项技术，对于这种标准化的服务，一般采取调用成熟的第三方接口的方案，没必要另起炉灶自己造轮子。与标准化服务对应的是个性化非标准服务，比如推荐系统。尽管推荐系统形成了一套技术体系，但各家公司的业务不同，推荐系统最终要与自家的业务高度契合。几乎所有的互联网产品都有自己的推荐系统，但抖音、淘宝、小红书这三个不同的产品，其内部推荐机制可能有很大差异：抖音比较依赖一个精品内容池，淘宝则依赖用户之前的点击、搜索行为。假如我是手机淘宝的老板，手机淘宝需要推荐系统和人脸识别两个模块，因为推荐系统将带来商品销售的直接收益，而人脸识别只是一个辅助增强功能，我绝对会自建推荐系统团队，人脸识别则直接购买第三方标准化服务。

人工智能行业的规模化和标准化意味着这个行业的资源会向头部公司聚集，头部公司能够提供的工作岗位有限，应聘头部公司时竞争更加激烈。举个例子，高速公路收费员的饭碗已经岌岌可危，以前这样的岗位遍布全国各地，可以创造大量的工作机会，而现在随着一些收费站改用ETC和车牌识别支付能技术，高速公路不再需要那么多收费员，只需要一个几十个研发团队开发一套信息系统，并将其推广到大量的收费站即可。对于资本家来说，养一个小的信息系统开发团队远比养一大批收费员团队带来的利润更高。

计算机视觉行业的资源正在被头部公司垄断，并进入泡沫破裂期，两个坑都被踩中，因此求职形式非常不乐观。

普通人应如何应对

其实，无论是技术周期论还是规模效应论，本质上都是逐利的资本在背后捣鬼。对于普通人来说，我认为应该从两方面来应对：一是顺势而为，二是苦练内功。