招聘崗位正在被凍結。

一些猜測認為投資者終將對人工智能失去希望。谷歌已經凍結機器學習研究人員的招聘，Uber 已經裁掉了他們一半的人工智能研究團隊……

在未來擁有機器學習技能的人將比機器學習所需崗位多得多。

我們正在經歷經濟衰退。人們都在討論人工智能嚴冬。

人工智能（AI），機器學習（ML）和數據科學（DS）幾個領域最先出現(xiàn)收縮是合情合理的，因為對大多數企業(yè)來說這些都是奢侈品。

但如果你能創(chuàng)造價值，未來也未必就一片黑暗。

人工智能嚴冬是指對人工智能相關研究的投資和興趣的降低的一個時期，但我們中的大多數人所從事的并不是研究工作。我們不斷地研習論文、獲得靈感并進行創(chuàng)新，但我們所用的依舊是現(xiàn)有的技術和方法。

此外，機器學習賦能的產品的普及與大量開展研究并沒有必然的聯(lián)系。

如果一味大量的進行研究，只會使越來越多的研究成果無法付諸實施。事實上有趣的是，整個產業(yè)只是在努力實踐數十年前就已經發(fā)明的機器學習方法。

如今，“人工智能驅動”產品越來越普及，主要是因為機器學習更容易實現(xiàn)，而不是源于新的研究成果。

反之亦然。

經典算法 + 專業(yè)知識 + 小數據集就可以解決大多數實際問題，很多問題的解決并不需要深度神經網絡。我們中大部分人也并不是在攻克自動駕駛汽車這樣的難題。

我認為，除了大型企業(yè)以外，與解決問題的心態(tài)和基本的開發(fā)技能相比，我們太過分強調專注于尖端技術能力了。

在科學技術之外，很多枯燥的或是需要手工的工作早就應該實現(xiàn)自動化了，而做到這些并不需要在技術上有所突破。

當你成功解決了一個問題（任何問題），每個人都會有所收獲。

硅谷誘使我們輕信我們應該去 “登月”，而不是致力于改善我們的當地社區(qū)以及提高我們身邊人的生活水平。

我愛 Uber，這家公司確實改變了世界。但是，如果為了維持 Uber 基本運轉每季度要花 50 億美元的話，那么也許是哪里出了問題。

是的，確實有些公司是做長線生意并將影響到 70 億人。但是，一些簡單的提升也能創(chuàng)造價值，諸如在 “無聊 “的行業(yè)從事減少數據輸入錯誤這樣的工作。

我們聽到自動化會殺死就業(yè)，往往因為沒有什么能比恐懼更加暢銷，而并不是因為技術性失業(yè)即將來臨。

掌握機器學習技能，然后嘗試概念化，訓練和部署一套模型用來解決實際問題。你會很快發(fā)現(xiàn)這依舊是一件很困難的事，然后你就會明白我們距離被通用人工智能取代還有多遙遠。

基礎設施建設還遠遠沒有達到成熟水平，真實的數據也還一片混亂。

當從 Kaggle 下載一個 CSV 格式的數據集來為某個問題訓練模型時，99% 的工作已經為你做好了。

如果更多的人這樣做，他們晚上會睡得更好。

在過去 10 年中，相較于算法突破，易用性為機器學習應用所做出的貢獻更多。

現(xiàn)在雖然軟件工程師已經快要達到使用開箱即用的組件就能拼湊組合一個機器學習的解決方案的水平，但目前要做到這一點還依舊并不簡單。

隨著工具的進步，純粹的機器學習開發(fā)工作將會減少，取而代之的是大量增加的軟件工程師用機器學習去解決各式各樣的問題，這會讓更多科技公司之外的公司從中獲益。

機器學習正在全球范圍內推動價值增長，但我認為我們甚至幾乎還沒有觸及皮毛。如果我們能有合適的工具，這一天才會真正到來。

除非你已經獲得人工智能相關課題的高等學位，否則請幫自己一個忙，首先學習軟件工程，然后再涉足人工智能。

學習軟件工程就像獲得一個技術方面的工商管理碩士學位（MBA）一樣（當 MBA 確實有價值時）。你將學習基礎知識，創(chuàng)建完整的成套解決方案，然后再去了解能夠提升人工智能水平的代碼。

隨著行業(yè)格局的演進，會有更多的工作機會，掌握軟件工程將更容易改變職業(yè)生涯。

許多軟件工程師能夠進一步在人工智能或數據科學中取得成功，但反過來卻鮮有成功案例。

圍繞人工智能有大量的炒作，任何上升之后隨之而來的都會是 “下降”，但是如果我們有充分的準備，這不一定是一件壞事。

如果我們專注于培養(yǎng)通用技能（包括人工智能），解決實際問題并創(chuàng)造價值，那么總會有事情要我們去做。