目前，招聘岗位正在面临冻结的局面。一些分析人士猜测，投资者可能会对人工智能的前景失去信心。谷歌已经停止了机器学习研究人员的招聘，而Uber则裁减了其人工智能研究团队的一半。在未来，具备机器学习技能的人将远远超过市场上可用的岗位数量。我们正经历着经济衰退，关于人工智能“寒冬”的讨论不绝于耳。
人工智能（AI）、机器学习（ML）和数据科学（DS）这几个领域的收缩是可以理解的，因为对许多企业而言，这些领域属于奢侈品。然而，如果你能够创造价值，未来并不一定是黯淡的。人工智能的寒冬并不会影响绝大多数相关领域的就业机会。所谓人工智能寒冬，是指对人工智能相关研究的投资和兴趣下降的一个时期，但我们大多数人并不从事研究工作。我们持续学习论文，获取灵感并进行创新，但实际使用的依然是现有的技术和方法。
值得注意的是，机器学习驱动的产品的普及与大量的研究并没有直接关系。如果一味追求大量研究，反而可能导致越来越多的研究成果无法付诸实践。实际上，整个产业目前仍在努力实现数十年前就已发明的机器学习方法。如今，“人工智能驱动”的产品越来越普及，主要是因为机器学习的实施变得更加容易，而不是源于新的研究成果。解决问题并不一定需要前沿的人工智能技术。相反，经典算法加上专业知识和小数据集便能应对大多数实际问题，许多挑战并不需要依赖深度神经网络。
大多数人并没有在攻克自动驾驶汽车这样的复杂难题。除了大型企业之外，我们过于强调尖端技术能力，而忽视了解决问题的心态和基本开发技能。许多繁琐或手动的工作早该实现自动化，而完成这些并不需要技术上的突破。应用机器学习时，应该关注创造价值，而不是改变世界。当你成功解决了某个问题时，无论大小，每个人都能从中受益。
硅谷常常让我们误以为应该去追寻“登月”的目标，而不是致力于改善我们所在社区的生活水平。我非常欣赏Uber，这家公司确实改变了世界，但如果维持Uber基本运营每季度需花费50亿美元，或许问题就出在这里。确实有一些企业在进行长期投资，并将影响到70亿人，但一些简单的改进，比如减少“无聊”行业中数据输入错误的工作，同样可以创造价值。
学习机器学习是应对人工智能恐惧的最佳策略。我们常听到自动化将导致就业减少，往往是因为恐惧感更具吸引力，而并非技术性失业即将到来。掌握机器学习技能，并尝试构思、训练和部署解决实际问题的模型。你会很快意识到这仍是一项艰巨的任务，从而明白我们距离通用人工智能的实现还有多远。当前基础设施的建设还远未成熟，真实数据的状态也仍然混乱。当从Kaggle下载一个CSV格式的数据集来训练模型时，99%的工作实际上已经为你做好了。如果更多的人能够这样做，他们的睡眠质量会更高。
让机器学习变得简单易用？现有工具的差距仍然很大。在过去十年间，与算法的突破相比，易用性为机器学习应用所做出的贡献更为显著。尽管现在软件工程师们已经接近能够使用开箱即用的组件拼凑出机器学习解决方案的水平，但要真正实现这一点仍然不容易。随着工具的进步，纯粹的机器学习开发工作将会减少，取而代之的是更多的软件工程师将机器学习应用于各种问题，这将使得更多非科技公司也能从中受益。
机器学习正在全球范围内推动价值增长，但我认为我们仍未完全触及其潜力。如果我们能够拥有合适的工具，这一天才会真正到来。首先，应当掌握软件工程。除非你已经获得人工智能相关领域的高等学位，否则应当先学习软件工程，这将为你打下良好的基础。学习软件工程就像获得技术方面的工商管理硕士学位（MBA）一样，有助于你掌握基本知识，构建完整的解决方案，然后再深入了解提升人工智能水平的代码。
随着行业的发展，更多的工作机会将会出现，掌握软件工程技能将更容易改变职业轨迹。许多软件工程师在人工智能或数据科学领域取得了成功，而反过来的成功案例却很少。
结论是，围绕人工智能的炒作虽然频繁，但任何上升之后都可能随之而来“下降”。然而，只要我们做好充分的准备，这并不一定是一件坏事。如果我们专注于培养通用技能（包括人工智能），并致力于解决实际问题和创造价值，总会有事情让我们忙碌。
[[[IMG_1]]]
[[[IMG_2]]]
[[[IMG_3]]]
[[[IMG_4]]]
[[[IMG_5]]]
