與前幾年媒體報道的人工智能畢業生高薪難求形成鮮明對比，現在很多候選人在各大社交平臺上抱怨今年招聘季競爭異常激烈。其中競爭最激烈的要數“算法崗”了，有人說各大公司算法崗已經縮招，甚至達到上千人投幾個崗位的情況，有人說算法崗出現了候選人比面試官還厲害的情況，也有人乾脆勸退那些投算法崗的候選人。在各公司全面數據化智能化的當下，算法崗本該更受青睞，為何突然成了就業重災區？除了暴力勸退，本文將從幾個不同角度來分析當前算法崗的求職就業情況。

市場的週期調節作用

學生時期，我曾經堅信個人努力必有回報，但這幾年隨著個人閱歷的增長，我開始意識到市場環境的力量之大，個體幾乎難以抗拒整個社會的進步。

9月初，我聽了一場李沐的演講，對深度學習有所瞭解的朋友可能都對李沐有所耳聞，他是美國卡耐基梅隆大學博士，現為亞馬遜首席科學家，曾在大規模深度學習領域提出了一些新方法。李沐的演講中提到了Gartner技術成熟度曲線。Gartner技術成熟度曲線是技術領域著名的推論，該理論認為，大多數技術都有五個階段：技術萌芽期會受到小眾投資機構和媒體的關注，一旦技術走入大眾視野後，開始快速膨脹，受到大眾媒體的瘋狂追捧，此時大量的投資機構也將入局，但當大眾發現該技術沒有媒體宣揚的那麼美好，尤其是投資機構發現該技術不能帶來足夠的收益時，幻想泡沫破裂，人們的期望從波峰跌倒谷底，但是隨著技術的成熟以及大眾的接受，這項技術不再是噱頭，已經能夠轉化為普通大眾用得上的科技產品，最終進入可量產的成熟期。

2019年8月Gartner技術成熟度曲線

上圖為2019年8月，Gartner公司發佈的新一期技術成熟度曲線。大眾所熟知的5G技術登頂，部分人工智能相關技術仍然在技術萌芽期，而2017年大火的區塊鏈卻不見蹤影。區塊鏈這個案例可以說完美闡釋了技術成熟度曲線。早在2008年，比特幣技術的論文就已經發表。2011年到2013年部分專業機構開始關注比特幣這項技術，比特幣開始由一項小眾技術走入專業人士的視野。其後比特幣以及區塊鏈技術被各大媒體報道，投資機構、創業者蜂擁而至，各國政府也開始關注這項技術。2017年比特幣價格開始飆升，在2017年末達到了頂峰，也就是達到了期望膨脹的頂點。記得當時很多公司都開始宣稱發力數字貨幣，區塊鏈創業公司遍地。很多隻有一年工作經驗的區塊鏈候選人就可以拿到年薪50到100萬，且跳槽率極高，兩三個月就換一份更加高薪的工作。隨後比特幣戲劇性地暴跌，各中小機構倒閉，創始人跑路，員工工資拖欠，區塊鏈不再是各大媒體追捧的技術。但區塊鏈這項技術並非胎死腹中，包括Facebook在內，很多公司還在繼續推動它的發展，各國政府也非常重視這項技術。就在本文撰寫的當天，中央高層集體學習區塊鏈技術，並決定推動區塊鏈技術和產業創新發展。我相信區塊鏈最終將慢慢走入屬於它的成熟期。

比特幣價格趨勢圖

Gartner技術成熟度曲線其實並非描述的是技術本身的發展，而是資本市場對於一項技術的價值預估。這裡麵包含一個非常樸素的市場經濟運行原理：在一項技術被髮明之處，資本期望通過風險投資，來獲取未來成百上千的槓桿回報，很多人都想在金融泡沫中撈上一筆，但是技術本身並不值這個價錢，因此會有極速膨脹和泡沫破裂的過程。同樣，人工智能行業也難逃這樣的週期宿命。

人工智能算法的成熟度曲線

李沐在他的演講中將人工智能算法做了一個類似的曲線。人工智能算法的興起源於2012年深度學習在計算機視覺領域上突破性的進展，經過了幾年的發展，計算機視覺這項技術正在趨於成熟，基於深度學習的計算機視覺很可能馬上跌入谷底。這就不難解釋為何現在正在找工作的計算機視覺碩博應屆生求職艱辛，雖然他們身傍屠龍之術，但是卻很難找到心儀的工作，甚至出現候選人比面試官還厲害的情況。因為潮水正在褪去，資本正在撤離這個領域，已經沒有當初那麼多的工作崗位了。

與區塊鏈的情形相似，在機器學習算法崗位上，同樣的事情正在上演。早在2014-2016年，如果你是211或985計算機碩士畢業生，或者名校理工科博士，只要略懂一點點機器學習，有過一些數據分析和處理的經驗，很容易拿到中小公司的機器學習算法崗offer；編程能力稍強的應屆生，可以很容易拿到大公司優質offer。而近兩年，一方面其他學科學生正在瘋狂轉型機器學習，一方面計算機相關學科學生也在積極備戰算法崗位，水漲船高，技能貶值，對新人來說，算法崗的競爭正變得異常激烈。對於很多面試官來說，以他們現在的招聘標準來說，當年的自己很可能是進不了這個行業的。

瞭解了技術成熟度曲線，就不難理解當前算法崗競爭日趨激烈的現狀了。

人工智能行業具有規模化和標準化特點

人工智能行業依賴三大資產：算力、數據和人才，其中，算力和數據正日益被頭部公司壟斷，因而會導致人才向頭部公司集中。

人工智能三要素

算力是人工智能研發的基石。幸好雲計算形式的出現，降低了算力的成本，中小公司不用自購服務器，只需要在幾大平臺上購買雲服務即可。但前沿的研發依然非常依賴算力支持，比如計算機視覺和自然語言處理等領域，訓練一個前沿的模型需要上千臺服務器，僅服務器價值可能在千萬級別。訓練一個前沿模型並部署到線上環境的成本極高，即使租用雲服務，中小公司仍然可能擔負不起這個費用。巨頭公司擁有自己的雲計算資源，有足夠的實力承擔這部分研發成本。

如果說算力是基石，那麼數據決定著人工智能效果的上限。Garbage in, Garbage out! 同樣一個算法，使用更大規模、更優質的數據訓練出的模型更精準。當前，數據的收集主要依賴幾個方面：用戶自發上傳、收集用戶行為數據、收集傳感器等各類輸入設備數據、爬蟲爬取。大公司的用戶量大，數據收集設備多，在收集數據上具有天然的優勢。算力可以去雲服務商租用，但是數據就沒那麼容易獲取了，這點將嚴重製約中小公司在人工智能方向的研發。

因為大公司的算力和數據的壓倒性優勢，頂尖AI人才更加希望加入大公司：在大公司的算力和數據加成基礎上，AI研發人員才能有更優質的產出，有利於其個人職業生涯的發展。大公司的門檻正變得越來越高。

最近發現另一個比較有意思的事情是：部分人工智能領域業務高度標準化，該行業的資源容易向頭部公司集中。業務標準化指的是該業務要解決的問題容易用一個規範的標準來定義，給定數據集，只需要在其上提高精準率即可。比如人臉識別這個領域，問題很容易被定義，可以將其包裝成一個標準化的接口對外提供服務。很多公司的產品依賴人臉識別這項技術，對於這種標準化的服務，一般採取調用成熟的第三方接口的方案，沒必要另起爐灶自己造輪子。與標準化服務對應的是個性化非標準服務，比如推薦系統。儘管推薦系統形成了一套技術體系，但各家公司的業務不同，推薦系統最終要與自家的業務高度契合。幾乎所有的互聯網產品都有自己的推薦系統，但抖音、淘寶、小紅書這三個不同的產品，其內部推薦機制可能有很大差異：抖音比較依賴一個精品內容池，淘寶則依賴用戶之前的點擊、搜索行為。假如我是手機淘寶的老闆，手機淘寶需要推薦系統和人臉識別兩個模塊，因為推薦系統將帶來商品銷售的直接收益，而人臉識別只是一個輔助增強功能，我絕對會自建推薦系統團隊，人臉識別則直接購買第三方標準化服務。

人工智能行業的規模化和標準化意味著這個行業的資源會向頭部公司聚集，頭部公司能夠提供的工作崗位有限，應聘頭部公司時競爭更加激烈。舉個例子，高速公路收費員的飯碗已經岌岌可危，以前這樣的崗位遍佈全國各地，可以創造大量的工作機會，而現在隨著一些收費站改用ETC和車牌識別支付能技術，高速公路不再需要那麼多收費員，只需要一個幾十個研發團隊開發一套信息系統，並將其推廣到大量的收費站即可。對於資本家來說，養一個小的信息系統開發團隊遠比養一大批收費員團隊帶來的利潤更高。

計算機視覺行業的資源正在被頭部公司壟斷，並進入泡沫破裂期，兩個坑都被踩中，因此求職形式非常不樂觀。

普通人應如何應對

其實，無論是技術週期論還是規模效應論，本質上都是逐利的資本在背後搗鬼。對於普通人來說，我認為應該從兩方面來應對：一是順勢而為，二是苦練內功。

雷軍一直堅持“順勢而為”的行事準則，他的投資公司也被命名為“順為資本”。作為普通人，我們不一定要追逐風口，但一定要經常思考大趨勢是什麼，在市場週期之前佈局。

在風口上，豬也能飛起來！大家都只記住了這句話，其實雷軍後面還有更重要的一句：稍微長一個小的翅膀，就能飛得更高。無論是順風還是逆風，我們都應該苦練內功，磨練出自己的小翅膀。很多求職朋友抱怨面試太難，競爭太大，但是忽略了自身努力程度的問題。在任何時代，機會總是留給那些有所準備的人。