AI 技能正在貶值！前 Google 工程師：21 世紀最性感職業將碰到「瓶頸」

【為什麼我們要挑選這篇文章】數據科學家被稱為最性感的行業，有越來越多的人運用 AI 創業，也因為這熱潮，投資者願意拿資金投入 AI 新創產業，但文章指出不同看法，認為以 AI 為商品販賣的公司，容易因為對手資金龐大或是技術容易抄襲，而失去競爭力。 （責任編輯：黃穗懷）

「《科技報橘》徵才中！跟我們一起定位台灣產業創新力 >> 詳細職缺訊息
快將你的履歷自傳寄至 [email protected]」

我們正處於 AI 創業熱潮之中，機器學習工程師的薪資水準水漲船高，投資者也樂於對 AI 初創公司慷慨解囊。 AI 的普及成為推動社會生產力標誌，必將改變我們的生活。

但是，本文作者前 Google工程師、Inovo.vc 的 CTO Ric Szopa 認為，AI 從業者的技能正在貶值。他從一個選擇題入手告訴我們，AI 工具、資料庫、資金投入以及行業 +AI的優勢正在一步步弱化單一的 AI 基礎技術優勢。

先來做一道選擇題。

Alice 和 Bob是兩位 AI 創業者， 他們的公司籌集了大致相同的資金，並在同一個市場上展開了激烈的競爭。

Alice 把大部分錢花來雇傭最好的工程師，請來了一批在人工智慧研究方面經驗豐富的博士。

而 Bob 選擇雇用資質一般但還算能幹的工程師，並將省下來的錢用於獲得更好的資料。

如果是你，你會給誰投資？

當然是 Bob。

為什麼呢？

從本質上講，機器學習的原理是從資料中獲取資訊，並將其轉化為模型權重。 更好的模型使得這個過程更有效（時間或者整體品質方面），但如果假設模型訓練相對都比較充分，更好的資料肯定會產生更好的結果。

為了說明這一點，讓我們再進行一個快速而簡單的測試。

假設我創建了兩個性能不太一樣的卷積網路。 「更好」的模型的最後一個全連接層有128 個神經元，而「稍微差一點」的只有 64 個。 我在不同大小的 MNIST 資料庫的子集上訓練它們，並繪製模型在測試集上的準確率與訓練樣本數的折線圖。

很顯然，訓練資料庫大小具有積極影響（至少在模型開始過擬合和準確率達到穩定之前）。 值得一提的是，在 40000 個樣本上訓練的「稍微差一點」模型的準確率比在30000 個樣本上訓練的「更好」模型的準確率要高！

在我的小例子中，我們處理的是一個相對簡單的問題，而且有一個比較全面的資料庫。 而在現實生活中，我們的條件並不是如此完美。 在許多情況下，增加資料庫經常會具有非常顯著的效果。

事實上，Alice 的工程師不僅僅是和 Bob 的工程師競爭。 由於 AI 社區的開放文化及其對知識共用的重視，他們的競爭對手其實來自Google、Facebook、微軟以及世界各地數千所大學的研究人員。

因此， 好的工程師雖然很重要的，但如果你是 AI 領域的話，資料的競爭優勢會顯得更為關鍵。

然而，更加重要的問題是，你如何才能保持自己的優勢。

AI 工具趨向簡單化並好上手，入門門檻將下降

2015 年，當我還在 Google 工作，剛開始玩 DistBelief，也就是後來我們所熟知的Tensorflow。 當時這個工具太難用了，所以當時想讓它在 Google 構建的系統之外運行完全是一個白日夢。

2016 年末，我進行了一個概念驗證的研究，在組織病理學圖像中檢測乳腺癌。 當時我想使用遷移學習：採用 Google 當時最好的圖像分類架構 Inception，並在我的癌症資料上重新訓練。 我可以使用 Google 提供的一個經過預訓練的初始權重，改變頂層結構來匹配我正在做的工作。

在 TensorFlow 上經過長時間的反復嘗試，我終於找到了操作不同層的方法，讓它基本上運作起來。 這需要很大的毅力去閱讀 TensorFlow 的資料。 不過至少我不必太擔心依賴關係，因為 TensorFlow 貼心地準備了Docker 鏡像。

在 2018 年初，多虧了 Keras（基於 TensorFlow 的一個框架），只需幾行 Python 程式碼就能完成這個專案， 而且使用它不需要你對自己正在做的事情有深入理解。 但它仍然有個痛點：超參數調整。

如果你有一個深度學習模型，可以調節多個參數，如層數和大小等。在我寫這些文字的時候（2019 年初），Google 和亞馬遜提供了自動模型調整服務（Cloud AutoML，SageMaker）。

我預測手動調整遲早會滅絕，工程師們也會從這項繁瑣的工作中解脫了。

總體趨勢是，將困難的事變得容易，你無需深入理解就能實現更多的東西。過去的那些偉大工程現在聽起來相當一般，所以我們不應該期望我們現在的成就在將來有多好。

聽起來很歡欣鼓舞是不是，但是，對於那些在 AI 技術上投入鉅資的公司和個人來說，這可以是個壞消息。目前來說，掌握某些 AI 技術還算是企業的競爭優勢，因為一個稱職的機器學習工程師需要花費大量的時間閱讀論文，並需要紮實的數學背景。

但是，隨著工具的改進，情況將不再如此。讀論文更多會轉向讀工具教程。如果你沒有很快意識到你該關注的重點，一個帶了資料更完備的實習生團隊就可能會搶走你的飯碗。

錢多買的到技術！那要如何長期保持競爭優勢？

讓我們再回到文章開頭的例子。憑藉出色的資料庫，Bob 成功地與 Alice 展開競爭，推出了自己的產品，並穩步增加了市場份額。他也慢慢可以開始雇用更好的工程師，因為坊間傳言他的公司是一個好去處。

但這時候，又出現了一個 Chuck，雖然入局晚，但他比 Bob 更有錢。

在建構資料庫時，錢至關重要。但通過砸錢來加快工程項目進度非常困難。事實上，使用太多新人可能會減緩進度，但建構資料庫就不同了。資料庫需要大量人工作業，而你可以通過雇用更多人手來搞定它。另一種可能是有人擁有資料，那麼你所要做的就是支付資料使用費。

無論如何，錢能讓資料庫來得更快。

但是問題來了，為什麼 Chuck 可以籌到比 Bob 更多的錢？

當創始人提出一輪融資時，他們會努力平衡兩個可能相互矛盾的目標。他們需要籌集足夠的資金在市場上競爭，但也不能太多，因為這會導致股權過度稀釋。創始團隊必須在創業公司中保持足夠的股份，以免失去創業的動力。

另一方面，投資者希望投資具有巨大上升潛力的創意，但他們必須控制風險。隨著預期風險的增加，他們會為支付的每一美元要求更大比例的股份。

當 Bob 籌集資金時，「人工智慧確實對產品有所説明」不過只是一個信念。無論他作為創始人多優秀，她的團隊有多好，但有可能他試圖解決的問題根本就難如登天。Chuck 的情況非常不同。他知道他面臨的問題完全可以解決！

在這種情況下，Bob 的應對方法很可能是提出另一輪融資，以便處於有利位置，因為他（暫時）仍然在競爭中領先。但是，如果 Chuck 可以通過戰略合作關係穩固獲取資料呢？比如舉個癌症診斷初創公司的例子，Chuck 可能利用他在一家重要醫療機構的內部職位，與該機構達成一份內部協定。這時候， Bob 很可能無法抗衡。

你的產品需具備防禦性，最好是一條「護城河」。

運用 AI 輔助後端作業，更能使公司保有競爭力

對業務進行分類的一種方法是，它是直接增加價值，還是為某些其他價值來源提供槓桿效應。以一家電子商務公司為例，增加價值就像創造了新的產品線，建立新的分銷管道則是一個槓桿，削減成本也是槓桿。

槓桿可能比直接施力更有效。但是，槓桿僅在與直接價值來源偶合時才起作用。一個微小的數字，翻了兩倍，三倍，還是很小。如果你沒有可出售的部件，開闢新的分銷管道也只是浪費時間。

在這種情況下我們應該如何看待 AI？有很多公司試圖將 AI 作為他們的直接產品（用於圖像識別的 API 等），對一個 AI 專家，這可能很有吸引力。

然而，這常並不是一個好的選擇。首先，你是在 Google 和亞馬遜等這些大公司競爭。其次，開發真正有用的通用 AI 產品非常困難。例如，我一直想使用 Google 的 Vision API。不幸的是，我們從未遇到過客戶需求與產品充分匹配的情況。總是有各種各樣要麼開發不夠要麼開發過度的情況。

更好的選擇是將 AI 視為槓桿。

你可以採用現有的，有效的商業模式，通過 AI 增強它。例如，如果生產流程依靠人類的認知勞動，那麼將其自動化可能會為毛利率帶來顯著提升。這裡我能想到的例子有：心電圖分析，工業檢查，衛星圖像分析。同樣令人興奮的是，因為 AI 屬於輔助後端，仍然可以利用非 AI 業務來保持公司的競爭優勢。

AI 當商品只會貶值，但用於輔助產品會升值

AI 是一項真正的變革性技術。但是，以此為基礎創業是一件棘手的事情。你不應該完全依賴於 AI 技能，因為市場趨勢就是技術會貶值。

建構 AI 模型可能非常有趣，但真正重要的是擁有比競爭對手更好的資料。

保持競爭優勢很難，特別是遇到比你資金更充足的競爭對手，這種情況在你的 AI 創業進行時很可能發生。你的目標應該是創建一個可擴展的資料收集過程，而這個過程很難被競爭對手抄襲。

AI 非常適合顛覆依賴低附加值、勞動重複性的行業，因為它使該工作自動化成為可能。

（本文經 大數據文摘 授權轉載，並同意 TechOrange 編寫導讀與修訂標題，原文標題為 〈是的，你的AI技能正在“贬值”〉 。首圖來源：pixabay CC Licensed）

最性感的行業

人才擠爆數據科學行業！五年前的「最性感」職業如今邁向泡沫化
攻略 21 世紀最性感職業！年薪要破百萬，先從這「120 個面試題」開始
寫程式不再崩潰！介紹 5 個 Google 工程師都在用的好習慣