机器学习工程师正在失业，但学习依旧是唯一的出路

招聘岗位正在被冻结。

一些猜测认为投资者终将对人工智能失去希望。谷歌已经冻结机器学习研究人员的招聘，Uber 已经裁掉了他们一半的人工智能研究团队……

在未来拥有机器学习技能的人将比机器学习所需岗位多得多。

我们正在经历经济衰退。人们都在讨论人工智能严冬。

人工智能（AI），机器学习（ML）和数据科学（DS）几个领域最先出现收缩是合情合理的，因为对大多数企业来说这些都是奢侈品。

但如果你能创造价值，未来也未必就一片黑暗。

人工智能严冬是指对人工智能相关研究的投资和兴趣的降低的一个时期，但我们中的大多数人所从事的并不是研究工作。我们不断地研习论文、获得灵感并进行创新，但我们所用的依旧是现有的技术和方法。

此外，机器学习赋能的产品的普及与大量开展研究并没有必然的联系。

如果一味大量的进行研究，只会使越来越多的研究成果无法付诸实施。事实上有趣的是，整个产业只是在努力实践数十年前就已经发明的机器学习方法。

如今，“人工智能驱动”产品越来越普及，主要是因为机器学习更容易实现，而不是源于新的研究成果。

反之亦然。

经典算法 + 专业知识 + 小数据集就可以解决大多数实际问题，很多问题的解决并不需要深度神经网络。我们中大部分人也并不是在攻克自动驾驶汽车这样的难题。

我认为，除了大型企业以外，与解决问题的心态和基本的开发技能相比，我们太过分强调专注于尖端技术能力了。

在科学技术之外，很多枯燥的或是需要手工的工作早就应该实现自动化了，而做到这些并不需要在技术上有所突破。

当你成功解决了一个问题（任何问题），每个人都会有所收获。

硅谷诱使我们轻信我们应该去 “登月”，而不是致力于改善我们的当地社区以及提高我们身边人的生活水平。

我爱 Uber，这家公司确实改变了世界。但是，如果为了维持 Uber 基本运转每季度要花 50 亿美元的话，那么也许是哪里出了问题。

是的，确实有些公司是做长线生意并将影响到 70 亿人。但是，一些简单的提升也能创造价值，诸如在 “无聊 “的行业从事减少数据输入错误这样的工作。

我们听到自动化会杀死就业，往往因为没有什么能比恐惧更加畅销，而并不是因为技术性失业即将来临。

掌握机器学习技能，然后尝试概念化，训练和部署一套模型用来解决实际问题。你会很快发现这依旧是一件很困难的事，然后你就会明白我们距离被通用人工智能取代还有多遥远。

基础设施建设还远远没有达到成熟水平，真实的数据也还一片混乱。

当从 Kaggle 下载一个 CSV 格式的数据集来为某个问题训练模型时，99% 的工作已经为你做好了。

如果更多的人这样做，他们晚上会睡得更好。

在过去 10 年中，相较于算法突破，易用性为机器学习应用所做出的贡献更多。

现在虽然软件工程师已经快要达到使用开箱即用的组件就能拼凑组合一个机器学习的解决方案的水平，但目前要做到这一点还依旧并不简单。

随着工具的进步，纯粹的机器学习开发工作将会减少，取而代之的是大量增加的软件工程师用机器学习去解决各式各样的问题，这会让更多科技公司之外的公司从中获益。

机器学习正在全球范围内推动价值增长，但我认为我们甚至几乎还没有触及皮毛。如果我们能有合适的工具，这一天才会真正到来。

除非你已经获得人工智能相关课题的高等学位，否则请帮自己一个忙，首先学习软件工程，然后再涉足人工智能。

学习软件工程就像获得一个技术方面的工商管理硕士学位（MBA）一样（当 MBA 确实有价值时）。你将学习基础知识，创建完整的成套解决方案，然后再去了解能够提升人工智能水平的代码。

随着行业格局的演进，会有更多的工作机会，掌握软件工程将更容易改变职业生涯。

许多软件工程师能够进一步在人工智能或数据科学中取得成功，但反过来却鲜有成功案例。

围绕人工智能有大量的炒作，任何上升之后随之而来的都会是 “下降”，但是如果我们有充分的准备，这不一定是一件坏事。

如果我们专注于培养通用技能（包括人工智能），解决实际问题并创造价值，那么总会有事情要我们去做。