算法工程师如何消除危机感，优化职业发展

工具和框架本身的发展，让设计模型所需的代码写得越来越简洁。10年前从头用C++和矩阵库实现梯度下降还是有不小的门槛的，动辄上千行。而当今几十行Keras甚至图形化的模型构建工具，让初学者都能设计出可用的二分类模型。

强大的类库吞噬了知识，掩盖了内部的复杂性，但也给从业者带来了不小的惰性。从业者的技术水平，和使用模型的复杂程度关系不大，越是大牛，用的技术更底层更make sense。

不仅如此，深度学习本身的性质，造成了明显的数学鸿沟。与SVM, 决策树不同，由于模型存在大量的非线性和复杂的层次关系，且输入信号（例如图像，文本）也很复杂，因此严格的数学论证是需要极高的抽象技巧的。

在什么类型的数据上好，有时连作者都在拍脑袋，很多state of arts的方法，成了口口相传的经验和trick，而非严谨的theory。 连batch normlization（批规范化，只包含四个初中数学级别的简单公式）为何有效，都被争论了好几年。

把这种现象绘制成下面的AI学习曲线，左侧是稍显陡峭的入门期，需要学习基本的矩阵论，微积分和编程，之后便是漫长的平台期。 

随着复杂性越来越高，其学习曲线也越来越陡峭，大部分人也就止步于此。 越来越易用的工具，让曲线的斜率变大，入门期变短，却并不能改变右侧的陡峭程度。

AI学习曲线

入门容易深入难，这条曲线同时也能描述AI人才的收入水平。而真正处于危机的，莫过于夹在中间的芸芸众人：对理论一知半解，对工具非常依赖，可替代性很强。

市场和业务变化越来越快，能有哪些核心业务，是能让工程师静心调个一年半载的呢？

当一个从培训学校里出来的人都能做模型时，有多少业务能让公司多花两三倍的人力成本，而仅带来1%的性能提升呢？机器都能调参了，那你要做什么呢？

面向大众AI科普节目，最常讨论的便是“AI时代如何不被机器所取代”。很不幸，最容易且最快被取代的反而是算法工程师。

算法岗比工程岗更容易被取代。 在现有技术下，由于业务需求的复杂性， 自动生成一套软件App或服务几乎不可能的（否则就已经进入强人工智能时代了），但模型太容易被形式化地定义了。

根据数据性质，自动生成各个领域的端到端（end2end）的模型也逐渐在工业上可用了：图像语音和广告推荐的飞速发展，直接套用即可。理论和经验越来越完善，人变得越来越可替代。

特征可以自动生成和优选，特征工程师失业了； 深度网络采用经典结构即能满足一般业务需求，参数搜索在AutoML下变得越来越方便，调参工程师的饭碗也丢了； 以前需要大力气搭建的数据回流和预测的链路，已经成了公司的基础组件，数据工程师也没事干了。  

从目前AI热门论文的情况看，广告推荐领域已经逐渐成熟，很多技巧沉淀为一整套方法论，已进入平台期。下一个即将被攻陷的领域应该是图像；而文本由于其内在的抽象性和模糊性，应该是算法工程师最后的一块净土，但这个门槛，五年内就会有爆发式的突破。

如何最优化职业发展？

人工智能已经火了至少五年，它在未来五年是否火爆我们不能确定，但一定会更加两极化：偏基础的功能一般程序员就能搞定，像白开水一样普通。而针对更复杂模型甚至强人工智能的研究会成为少数人的专利。

在一般的技术公司，传统意义的软件开发和产品设计，远比AI算法的需求来的多。算法永远是锦上添花，而非雪中送炭，再好的算法也拯救不了落后的业务和商业模式。一旦经济下行，企业首要干掉的就是锦上添花且人力成本较高的部分。

如果你是顶级的算法专家，这样的问题根本不需担心。但是，对大部分人来说，如何找到自己的梯度上升方向，实现最优的人生优化器呢？

自由职客给出一些不成熟的小建议，仅供参考：

首先是深入原理和底层，类似TensorFlow的核心代码至少要读一遍吧？最起码要有理论基础。 要熟悉工具箱里每种函数的品性，对流动在模型里的数据有足够的嗅觉，在调参初期就能对不靠谱的参数快速剪枝。按个人理解，做算法带来的最大收获是科学精神和实验思维，这是做工程很难培养出来的。

也许一行代码和一个参数的修改，背后是艰辛的思考和实验，做算法太需要严谨和缜密的思维了。即使未来不做算法，这些经验都会是非常宝贵的财富。

再者是尽早面向领域，面向人和业务。AI本身只是工具，它的抽象性并不能让其成为各个领域的灵丹妙药。 如果不能和AI专家在深度上竞争，就在业务领域专精深挖，拥有比业务人员更好的数据敏感度，成为跨界专家。现在已经有大量AI+金融、AI+医疗、AI+体育的成功案例。 

人能熟悉领域背后的数据，背后的人性，这是机器短时间内无法代替的，跨界带来的组合爆炸，也许暗含着危机中的机会吧。