中國正以空前速度“催熟”人工智能産業，一邊試圖把人們從舊産業格局和繁重勞作中解放出來，一邊又如鞭撻督導般，讓人們做出種種變革。在這一大潮中，踏上或即將踏上人工智能專列的人們興奮著、冒險著、困惑著、前行著。

文 | AI財經社 張麗娟

編輯 | 趙豔秋

摸著自己“羞澀”的錢包，看著眼前培訓班門口顯示屏上的紅色喜報，李天跨出了他走進人工智能培訓班的第一步。七拐八拐，長長的走廊上挂著滿滿當當的優秀學員展示。

這是一個很平常的周末的早上，連9點都不到，但讓李天想象不到的是，培訓班外面的走廊上已經傳出了教室裏講師高亢的講課聲。

培訓班的咨詢師小張，自信地爲李天介紹，這個人工智能培訓班已經“有5年曆史，成功舉辦了無數屆”。宣傳單頁上，就連生物工程背景的學生，也藉由這個培訓班，成功搭上了開往人工智能的專列，甚至拿到了李天夢想中的薪水。

培訓班裏的打拼者

李天已經無數次研究網上招聘信息和培訓課程，心裏反複不停地掂量著。培訓班咨詢老師小張對此則不以爲然——現在，他的生意並不缺。

“我們分兩種，一種是全日制培訓班，一般每期至少會有30多個人報名。最近一期，我們有60多個學生。另一種是周末培訓班，大概在20人左右。很不巧，我們最近一期的周末班已經開班1個多月了，如果你著急上，要看你能不能跟上課。否則你就得等下一期。”小張爲李天介紹著培訓班近期的狀況。

某知名IT培訓機構推出的人工智能課程吸引了很多前來咨詢的人。圖片來源于網絡

這讓李天很吃驚。他完全沒想到過來上培訓班還報不上名，甚至報名之後，還要等，就算順利上了，之後的求職還是個未知數。

小張看出了李天的心思，緊跟著對他繼續說：“職業教育培訓，不僅是單一講技術，我們會安排就業。有相關合作企業會過來招聘，是免費推薦。最近的一個班，11月畢業，已經有十幾家企業預定了30多個學生，這些都不用擔心。”

李天決定去試聽一節課再說。

在試聽的課堂上，李天遇到了與他一樣用渴望的眼神看著講師的其他30多名學生——學生物工程的玲玲，學測試的珍珍……

試聽後，李天躊躇著。“比起其他培訓班的魚目混雜，這個領域還是比較看重學曆的。老師的說法是，這個培訓班上30%是本科學曆，48%是大專學曆。”李天對AI財經社說，“我是普通本科畢業，之前也算是一個碼農吧，算是有些基礎。再說了，這個班要上的Python語言，80%的技術崗位都可以用到。”

最終，李天報了這個學費接近2萬的80天速成班。盡管這筆不菲的培訓費已是他2個月的薪水，但想想自己年近30依然月入不到1萬，萬一培訓後，獵頭口中動辄幾萬元的月薪工作向自己招手了呢？

李天並不是個例，他在的1個多小時內，來報名咨詢的人絡繹不絕，培訓班的5間咨詢室中，業務就沒有絲毫的空閑及間斷。咨詢的人遊移著、權衡著，即使下了決心，也還是迷茫著。就如水木上那個匿名網帖描述的一樣矛盾：“人工智能各方面人才其實都是需要的，難道只有算法大牛能成事？但是未來的出路也需要考慮考慮。”

暴增的科班在校生

和李天不同，陳龍是一名北大在讀博士。今年2月，他和隊友們在首屆阿裏聚安全算法大賽中奪魁，也算是和安全領域的人工智能結緣了。

陳龍並不是人工智能科班出身，而是在專業探索之中接觸到人工智能的。“我本科學的是學電子信息科學與技術，碩士專業是通信工程，博士專業是軟件工程”。

2013年前後，恰逢大型開放式網絡課程（MOOC）剛剛興起，新鮮感加上求知欲，促使陳龍在知名公開在線課程項目Coursera上學習了很多課程。“其中，用R語言做數據分析的課程，爲我打開了通往數據科學的大門。”陳龍說。

和很多人一樣，陳龍在Coursera上學了人工智能領域權威學者吳恩達的機器學習入門課程，並且滿分通過，這也更加堅定了他把數據科學作爲專業的選擇。

不過，跟李天迫切想提高薪水不同，陳龍更多的還是想要用技術創造價值，成爲一名數據科學家。但讓陳龍感到困惑的是，在如今人工智能這個異常熱鬧的領域中，機器學習、深度學習、數據挖掘、數據科學、大數據……光是這些熱門詞就讓人覺得分不清，它們所涉及到的技術更是讓人眼花缭亂。

“學習R還是Python？Spark那麽火，Hadoop還要不要學？Caffe、Tensorflow、PyTorch、Keras、MXNet等流行的深度學習框架，該學哪一個？”陳龍說。

與陳龍相比，人工智能科班出身的學生，困惑一點也不少。一位2012年報考了某校第二屆人工智能專業的人士，在本科畢業後總結說，人工智能專業似乎與“自動化”那個萬金油專業很像，與電子、信息、計算機、數學、自動化專業都有關。“我自己學的東西基本介于電子工程和計算機科學之間。模式識別學了一些，但都是皮毛”。不僅如此，人工智能對數學要求也比較高，特別是離散數學、優化那塊，但又跟理論數學差別非常大。

他爲自己的學弟學妹總結了一條人工智能的求學之路——學好計算機科學，拿到美國大學要求的GPA高分，念好外語，然後出國。“畢竟人工智能和機器學習的核心研究都在那邊”。

大學紛紛開設人工智能專業。9月10日，中國科學院大學爲新設立的人工智能技術學院舉行揭牌儀式。

不過，一邊是還在形成之中的學科教育體系，一邊是學科在校生的暴增。在北大信科學院，學生在大二會有專業分流，可選電子、微電子、計算機、人工智能四個系中的一個。“10年前，07級那會，選擇電子系的學生數達到了巅峰，近110名，而選擇人工智能的學生只有區區30人左右。”陳龍說。之後幾年，選擇電子系的人數逐年下降，而人工智能的學生逐年攀升，到了2011年前後，兩個系的學生數幾乎翻轉過來。

“人工智能近10年飛速發展，越來越多的學生選擇了相關專業，IT職場人士也有很多在轉型。”陳龍說。

領英前不久的人才報告也印證了這個潮流。相比美國，在人工智能領域，中國年輕一代的占比更高，28歲-37歲中青年（80後）是AI領域發展的主力軍，占AI發展總人數的50%以上。相較而言，美國AI人才在各年齡段分布得更加平均，48歲及以上的資深人才占比爲16.5%，遠高于中國的3.7%。

千軍萬馬的創業者

不僅是暴增的求學者，創業者也紛踴踏至。

據《烏鎮指數：全球人工智能發展報告（2017）》數據顯示，2000年以來，全球平均每天誕生約1.39家人工智能企業。而過去5年是人工智能創業的重要階段——全球60%以上的人工智能企業誕生于這一階段；在288億美元的融資中，超過70%集中在這段時間發生。

這麽多的創業者，首先要面對的就是人才搶奪戰。前有今日頭條創始人張一鳴放話：“人才的水平有多高，我們的薪酬就有多高。”後有商湯科技 “按圖索骥”，畫出“博士人才名單”，但凡有人即將畢業，就馬上找上門，不讓任何魚兒漏網。

依圖科技也加入了這場人才的搶奪戰之中。隨著人工智能要在行業中落地，跨界人才成爲最好的人選。

人工智能創業者忙著搶人才、做變現。圖爲依圖科技創始人朱珑在發表演講。圖片來源于網絡

“以依圖醫療骨齡産品研發爲例，項目負責人林強做了十幾年的醫生，idea比較新，能夠接受新事物，是最合適把醫療跟人工智能技術結合起來的人。”依圖醫療總裁倪浩說。

倪浩本身的發展也诠釋了這類跨界人才的成長路徑。他高考報考了醫學院，後來又因興趣改學計算機，在計算機行業從業後，現又在依圖科技做起人工智能和醫療相關的創業。

而當人才和技術都有了，怎麽進行商業變現也是人工智能創業者正在探索的。

“我們目前還沒有一個完整的答案，還在一個探索過程中。可能互聯網中大家常說的，我們不知道哪裏是豬，哪裏是羊毛，但只要人工智能可以有所幫助，就一定是能收到錢。”倪浩說，“而錢不能是從原來的收費體系裏來。盯著國家的收費，非要從原有收費體系裏扣一塊的思路特別不正確。因爲醫院最近10年變化非常大，比如藥品平價化。目前，我們最忠實的是人工智能要帶來價值。”

當然，作爲人工智能領域的先行者，具體到某個應用場景，還有相關的困擾在等待著這些創業者。

倪浩也在思考：“到現在爲止，人工智能醫療企業都處于一個早期階段，行業內的各種監管政策還有待完善，而人工智能在醫療領域的倫理問題等等，也都是需要我們考慮的。”

跨界兩年小試牛刀

一批人去創業，而另一批人去了成熟公司。

顔水成拉過一把探路者的帆布椅，坐在我們面前，身子前傾，像是和朋友或同事討論事情一樣。他語調平和而誠懇。辦公室的淺綠磨砂玻璃窗上用黑碳素筆列著一些研究事項和公式。

顔水成是360集團副總裁、人工智能研究院院長，2年前，從學界跨入産業界。“在我與企業接洽的時候，人工智能學界還未形成後來紛紛跨入産業界的風潮。”他對AI財經社說。

在進入360前，顔水成在學界做得風生水起。“新加坡是個世外桃源，非常適合做學術，經費充足，又不受雜事幹擾。”他說。他和他的團隊在7年間共發表了400多篇論文，所有論文已被引用了3萬多次，並獲的了IEEE Fellow、IAPR Fellow殊榮。“學術上該做的事情已到了一個階段”。

2014年利用學術休假，顔水成幫助一家國內大型電商平台成功上線一款基于計算機視覺技術的商品搜索應用。“看著日活量蹭蹭往上漲，沒多久就到了50萬，現在已經是千萬級日活了，那種感覺是不一樣的。”顔水成感到，技術就應該以産品化的方式來推動，自己應該到工業界走一走。在2015年，他接過了360抛來的橄榄枝，從學界跨越到工業界。

進入360後，顔水成要找到人工智能技術與這家企業的業務結合點。實際上，他也花了很長時間跟我們分析一些智能化技術的産品化前景。“比如智能音箱，對整個人工智能的發展非常關鍵，但這種人機對話還未達到心靈層面的交流，用戶是否買賬還是存疑的。包括AR、VR、對話機器人和自動駕駛，還需要足夠時間才能看到大爆發的可能”。

顔水成曾在柯潔與谷歌AlphaGo的人機大戰期間解讀人工智能技術。圖片來源于網絡

現在，顔水成做出了自己的判斷，人工智能技術産品化要看四個條件：一是有沒有高頻剛需；二是技術是否成熟；三是技術是否有壁壘，如果技術有可能被大廠免費開放，你的投入就要非常小心了；四是有沒有清晰的商業變現模式。

根據這四個標准，顔水成也逐步摸索出360的人工智能産品化戰略。比如計算機視覺技術，在360目前主推的快視頻産品中，能對視頻進行精細分析，像視頻質量分析、視頻內容分析等。這些信息能實現智能推薦或內容二次編輯，産生更酷的短視頻，在360花椒直播、花椒相機、奶糖等急速上升的平台上發揮重要作用。

顔水成組織團隊進行了技術攻堅和産品化，取得成效。

而因爲360本身業務比較多，“專注在哪些方向是需要經常思考和調整的”。

從學界跨入産業界，顔水成看到兩個領域的不同。學界是先定義了問題和數據，你可以不停地增加資源、改進算法來提升精度，但工業界是另一回事，它只有場景是確定的，其他都是動態的，資源也是受限的，因此，兩者解決問題的方法論完全不同。“這也是從學界跨界而來的人士必須要做出的轉變”。

顔水成也面臨著有限資源的協調，“在某個項目上，用好10到20人，做到比超大公司上百人更好或者相當的效果”。如何協調好這些人才就變得異常重要。

“相較而言，公司在計算機視覺技術上有優勢，組建時招聘了一批這個領域的頂尖人才，很多是從世界級大賽中鍛煉的學生，再加上之前360內部的一批精兵，就變得非常適合攻堅，也具備了跟其他機構比拼的實力”。

如今，研究院已從剛開張的六七個人變成了可以打攻堅戰的60多個人。領域也從計算機視覺，擴展到3D和SLAM技術、對話式人工智能、金融風控等方面。

顔水成還發揮了自己來自學界的優勢，與新加坡國立大學建立了聯合實驗室。這些實驗室的負責人曾是他的學生或同事，兩者因而能親密無間地合作。“公司要在剛需和長期戰略之間做一個平衡。我們更多地瞄准短期（一個季度）和中期（半年）看到結果的産品。短期項目在公司內部進行團隊攻堅，中期技術，就會由內部團隊和聯合實驗室進行合作。但這種機制並不是所有企業能建立的，也並不適用所有公司，恰好是我們的優勢”。

炙手可熱的硅谷派

在人工智能人才大潮中，硅谷派有著更多的光環。

阿裏雲首席科學家闵萬裏就是其中一位。“14歲被中科大少年班錄取，19歲赴美攻讀物理學碩士，後獲得芝加哥大學統計學博士學位。先後在IBM TJ Watson Research Center及 Google 擔任研究員。”這是闵萬裏在2013年加入阿裏之前的履曆。

一路順風順手的闵萬裏在IBM跟自己的夥伴一起研發了針對肌肉萎縮症患者的腦電波産品，研究效果非常好，也發表了相關的文章，但遺憾的是，因爲應用場景過于小衆，商業化受到了巨大的挑戰。

反而是闵萬裏之前關于交通流相關的論文，雖然沒有腦電波的技術難度大，但因爲實用性，成爲該領域過去5年被引用最多的文章之一，並開發出很大應用空間。

兩者一相比，闵萬裏感覺到，一定要去一個數據體量較大、場景相對比較新的地方。“而當我得知，一家中國企業所擁有的客戶數據量，比eBay、亞馬遜、PayPal加起來還要多的時候，這句話就足夠了。”闵萬裏堅信，這裏將有一個巨大的發展空間。

此時，一位回國僅呆了一年又重返硅谷的朋友給了闵萬裏一些個人建議，認爲國內充滿了不確定性，勸闵萬裏三思而行。

但這沒有動搖闵萬裏的決心，他還是在2013年回國正式加入阿裏。

“我回來後拉了一批人回來，包括原來的同行和同事。有人在那邊到了一個天花板的階段，我身先士卒，大家也就回來了。”他說，“當時阿裏還沒上市，大家對阿裏的發展前景疑問比較多。現如今，關于阿裏的疑問越來越少，反而是對自己的疑問越來越多，自己是否適合這裏？”

“到阿裏之後，我們面對的是商業化場景，這就需要把技術落實到具體的場景之中，抽絲剝繭，哪些技術可解，哪些問題可以抽象得出，哪些數據可以利用，分解成一連串的好問題，才可以真正解決問題。”

闵萬裏認爲在一個數據體量較大、場景相對比較新的地方，人工智能才能發揮價值。圖片來源于網絡

闵萬裏也承認，“硅谷回來的不一定是都是創新者，硅谷也有很多螺絲釘，如果硅谷都是創新者， 那麽Facebook已經複制幾千家了。所以硅谷回來也不一定就是專家，不一定是一個加分項，落地過程中還會遇到很多的挑戰”。

闵萬裏自己也是從基礎研究轉型到實際場景的應用中去的。“轉型並不好轉，因爲這涉及到的不單單是對算法的理解，還要求對目標問題的理解，這已經超出了算法的原始範疇，我也經曆了很多挫折，開展了很多嘗試，但這一步必須要走。如果不走，跟業務問題就有一個巨大的鴻溝”。

在實踐的過程中，他發現，人工智能人才一定是能夠創造算法的人。因爲只有充分了解算法的底蘊，才能把分解完的問題匹配到正確的算法上，“懂得背後的原理就不會在選擇時只是擲骰子，沒有根基的浮萍就是以貌取人”。

但光有算法還不行，他們還要是“自下而上”的人，理解實際場景。“這好比拿著一把刀去找實際場景，但如果碰到的是金絲楠木，反而就發現拿錯了武器。我們有很多人一上來就談技術細節，而忘記了這是解一個整體問題的一環。”

再加上如果有人一知半解，只能人雲亦雲，拿別人的配方複制而不是新的配方。“愛因斯坦的司機也能講相對論”，但解決不了問題。這樣的人一旦多起來，就會沖擊市場，劣幣驅逐良幣，高精尖産業白菜化，反而對行業不利。

因此，他更喜歡從研究中培養人才，一起分解，一起探索，引導大家往新的方向走，使優秀的人才脫穎而出。

現在，人工智能正疾馳而來，也正在鞭撻督導人們做出種種變革。在這一大潮中，踏上或即將踏上人工智能專列的人們興奮著、冒險著、困惑著也前行著。

【想看更多，請移步“AI財經社（ID:aicjnews）”微信公衆號】