雷锋网 AI 科技评论按:「AI 的力量将改变世界」已经成为全社会的共识,紧接着「读一个 AI 相关的硕士、博士就可以轻松高薪」也成为了社会共识。但这种共识背后也有着种种隐忧,对于怎么招人、怎么培养人、怎么把 AI 技术融入企业业务,惯例的观念和做法有很多,但身在其中的人往往不知道自己到底哪里对了哪里错了。
Fastcompany.com 的这篇文章是对 AI 领域里人才相关事项的重新审视和思考。学术界已经做出了很多努力,而企业们可以拿出真正积极的行动来。雷锋网 AI 科技评论编译如下,有改动。
![TB1VY87pkPoK1RjSZKbXXX1IXXa.jpg](http://gw.alicdn.com/tfscom/tuitui/TB1VY87pkPoK1RjSZKbXXX1IXXa.jpg)
AI 的新招聘时代
Greg Benson 教授已经在旧金山大学教了二十年计算机科学了。除了开学期间的日常授课之外,他每周还会有一两天时间在云集成公司 SnapLogic 的办公室里度过;在学校放假期间,他更是在这里全职工作。他每年带的机器学习研究生有 10 个左右,他会给他们机会到 SnapLogic 实习,动手参与一些 AI 科研项目。如果实习表现好的话,他们毕业之后就可以直接来 SnapLogic 工作。SnapLogic 的工程师里有三分之一都是以前做实习生然后留下来的。「这种模式对我们来说非常成功」,Benson 说。
即便科技巨头们如今都为如何招到高水平人才而头疼,这种模式对小公司来说就不失为一种有效的招聘手段。这种模式还体现出了另一种创新:SnapLogic 和 Benson 教授之间的合作体现出了科技公司在借用高效教授力量的同时,也可以为学术界做出一些贡献,尤其是可以让这些教授继续留在学校,继续培养未来的 AI 研究人员。
整个领域面对的状况很明显:大约 60% 的美国计算机科学博士生都毕业之后就去了企业工作;2000 到 2010 年之间的这个数字还只有 38%。(来自华尔街日报发表的美国自然科学基金会的统计数据)
另一项来自伍斯特理工学院的研究表明,许多学校都面临了这样的状况:他们希望招聘许多 AI 以及相关领域的教职员工,但是却招不到多少人。可以说 AI 及相关领域已经显出了明显的矛盾:每年企业和学校招到的博士生,要比学校里毕业的博士生还要多 6%。如果再考虑到读一个计算机科学的博士生需要 3 到 5 年的时间的话,这个问题就更令人头大了。
对于一直风头正劲的 AI 热潮,许多公司都想扬鞭上道:他们的第一反应就是,既然我们决定了要做 AI,那就去招一个斯坦福大学毕业的计算机科学博士来。但问题是,别说是斯坦福大学毕业的了,就算是别的学校毕业的计算机科学博士,现在也不知道还能不能找得到。蒙特利尔的初创公司 Element AI 发布了一个研究报告,根据他们统计,自 2015 年以来计算机科学界一共培养了大约 2 万 2 千名具有博士学位的 AI 研究人员。如果把 2015 年之前获得的博士学位也算上的话,这个数字大概是 9 万。但计算机科学是一个快速变化的领域,越新近毕业的学生就越可能掌握和主流应用最相关的知识技能。腾讯也发表过自己的估计,认为参与到 AI 研究中的人员数量大概是 20 万到 30 万人。
面对如此少的人才和如此热烈的企业需求,对顶尖人才的招徕俨然发展成了一场全面的军备竞赛。除了足够吸引人的薪水,想招人的科技公司也要去学术会议混脸熟,还需要在摊位设置和企业介绍里展现自己的高逼格、高追求、以及成为下一个谷歌 Facebook 的可能性。CVPR 2018 的展台区就仿佛是一场大型校招招聘会;ACL、EMNLP 也类似。之前曾有过报道,即便是在 OpenAI 这样的非盈利组织,顶尖的 AI 研究人员都可以拿到百万美元年薪。
另一方面,高水平的人才还有很严重的抱团现象。根据 KPMG 在 2016 年 12 月发表的报告,谷歌、微软、英伟达、IBM、英特尔和三星六家公司就瓜分了所有深度学习专家总数的一半。到了 2018 年,我们更是看到越是大公司、越是大规模的人工智能实验室,就越是吸引研究人员全职或者兼职加入。
学生想入学,难;高校想招老师,也难
Benson 教授说道,旧金山大学很想招足够的教授来教 AI 课程,但是也经常只见出力不见回报。因为大学坐落在湾区,不论高房价还是来自业界企业的强烈吸引,都是 AI 实践者们比较工作机会时难以忽略的因素。旧金山大学的机器学习硕士每年会收到 700 到 800 份申请,然后只能接受其中的 10%。旧金山大学其实有计划招更多学生,但是他们招不到足够多的教职员工。
AI 领域的著名人物们有不少都持续输出着学术成果或者业界成果,又或者两者兼顾。Geoffrey Hinton 加入了谷歌大脑,同时也继续留在多伦多大学;Yann LeCun 同时参与 Facebook 人工智能研究院和纽约大学,而且还大力宣扬这种模式;吴恩达在斯坦福大学当教授的同时参与了百度的 AI 研发,后来还自己成立公司创业;卡耐基梅隆大学的 Andrew Moore 整个职业生涯都在业界和学术界之间来回转换,最近终于宣布离开 CMU,加入谷歌领导谷歌云;谷歌云这个职位的空缺则是因为此前担任谷歌云首席科学家的李飞飞结束了为期两年的学术休假,回到了斯坦福大学的全职工作。
在离开 CMU 之前,Andrew Moore 也尝试对抗过来自业界的糖衣炮弹,他的点子是希望大学教授可以更轻松地在两者之间来回转换。在华尔街日报的一次采访中,Moore 表示他估计有 10% 到 20% 的大学教授都愿意离开高校加入工业界,甚至自己创办一个创业公司。
但这种做法大概是没办法大规模推广的。顶级的研究人员如果想要持续做出顶级的成果,他们就需要有足够的资源协助、持续以快速充实的节奏工作,看护小孩、个人助理、会议规划等等都要围绕他们的时间来定 —— 但这样的待遇注定只有少数人可以享受。
技术招聘平台 HackerRank 的数据科学副总裁 Sofus Macskassy 就表示想要取得平衡是不可能的。他曾经在南加州大学任教,同时参与了洛杉矶的一家初创公司,还帮 Facebook 招募 AI 人才。根据他的个人体会和行业见解,他觉得不可能在学术研究和企业工作之间取得平衡。
「现实点说,你没有足够的时间来把两份工作都做好」,他说。在学校里培养 AI 人才的时候,仅仅「教书」是不够的,还要花很多时间精力给建议、帮助他们发表研究成果。这种工作就和大多数企业职位需要的「AI 应用技能」有很大不同。「很难两面都站得稳稳当当。」
想要取得平衡,还意味着要处理好知识产权(IP)和专利之间的关系、要清楚什么东西到底是在哪里开发出来的。想要理清知识产权的法律关系通常很难,高校和企业这两个不同的法律实体都希望拿到知识产权,创新者自己就夹在其中两面为难。多数情况下,高校和企业的律师会出来谈判、解决问题,但是当那个企业是教授自己创立的企业的时候状况就会变得复杂了。Macskassy 解释道这很大程度上取决于高校的知识产权处理机构,如果他们经验不足,那就会变得很头疼。但不管怎么样,这都是一个需要不少步骤的流程。
然而人才不足才是那个更大的难题。如果大家不做点什么,美国就需要担心可能在未来的创新和科研上逐渐被中国这样的后起国家超越。「长期来看的话,这些企业(急着从学校挖人的做法)可以说是在对着自己的双脚开枪」,Macskassy 说。
另一种解决方案是尝试给高校更多的科研资金,支持高校自身的发展。不过现在还遇到了特朗普总统削减财政拨款的政策,指望政府提供资金支持可能最终只是一场梦。有一些科技巨头则开始尝试接过这份责任,直接资助高校中的学院、资助学生的教学活动。
Facebook 人工智能研究院就与许多高校合作,让研究人员可以同时参与 Facebook 的研究和自己母校的研究。他们的计划最近也做了新的拓展,大概有二十多位研究人员都是这样的「双重联盟」;具体如何分配时间则由他们本人自己决定。IBM 也发起了一个名叫「认知地平线网络」的项目,他们和六所不同的高校合作,让教师和学生参与 IBM 的科研工作,同时他们也保留着自己在高校的职位。这个项目第一年就已经催生了 70 篇经过同行评议的 AI 论文。
上个月,微软也披露了自己对于业界和学术界 AI 人才短缺的一些努力。英国剑桥微软研究院总监 Chris Bishop 教授在 ZDNet 的采访中表示他们发起的两个新的训练项目「将对博士奖学金、博士后、实习和顾问职位投资数百万英镑」。
请瞄准正确的靶子
当然了,所有这些对于博士毕业生和硕士毕业生的关注可能最终无论投入了多少努力都会失败。并不是所有的问题都需要一个新鲜华丽的算法,对某个行业、对某个商业机会的理解更需要的是经验,而不是文凭。非盈利机构 Fast.ai 就明确提出过这样的观点,他们的目标是让 AI 对更多的人都触手可及,甚至他们的口号都是令人哑然失笑的「再一次让神经网络变得不怎么酷」(「Making neural nets uncool again」)。在一项训练最快、最低成本的物体识别算法的竞赛中,Fast.ai 的一群学生击败了来自英特尔、谷歌等科技巨头的团队。
「那些 AI 公司们都对着寥寥无几的同一批人虎视眈眈,但其实他们完全可以去更大的范围里看看。」Fast.ai 联合创始人之一的 Rachel Thomas 说,她自己就本来是学金融的,通过学习在线课程来到了机器学习领域。
Thomas 还说,目前我们面临的人才短缺状况一定程度上是一个观念问题,是企业忽视了想要做 AI 的时候完全可以借助各种各样的在线课程培训现有的有行业经验的员工。这些现有的员工对整个公司的业务状况有深入的了解、知道公司有哪些数据,而且能很好地理解公司想要用 AI 解决的问题。这些问题大多数情况下都不需要最前沿的资源和 AI 技能,尤其是 AI 领域开放的风气让开源工具和 AI 软件遍地都是、唾手可得。
在无数的实际问题中,高校研究人员们在论文中最为关注的准确率,对于 AI 产品的最终用户来说远不如功能流水线设计、用户体验、稳定性、异常输入的处理来得重要。想要把 ImageNet 首位准确率再提升 0.5%,你需要一个优秀的常春藤博士毕业生;但是知道布置在亚马逊热带雨林的动物识别系统的训练数据不需要包含企鹅和鲸鱼,还要能平衡硬件耐用性、识别准确率和功耗,你需要的就是行业经验丰富的工程师。
「这些公司都觉得,『啊,我得招个斯坦福毕业的博士生』,但这其实并不能解决他们的问题」,Thomas 说。「自家员工里的人才被他们低估了。」
Benson 也认为这些企业并没有尽自己所能正面应对他们的问题。招聘学历不那么闪亮的研究人员、提供持续的教育机会、培训自己内部的员工都是基于整个企业的解决方案,只不过这毕竟会花费一些资源,所以企业巴不得直接招一个很能打仗的人进来把一切摆平。但高校所能做的事情就这么多,企业自己不产生一些影响力的话尴尬的局面就只能这样持续下去。
「学术界已经给出了回应了。但是工业界还不知道要如何是好。」Benson 说。
via fastcompany.com,雷锋网(公众号:雷锋网) AI 科技评论编译
相关文章:
面对未知分类的图像,我要如何拯救我的分类器
遍地都是百万年薪机器学习专家?真的假的?
Yann LeCun 喊话硅谷,工业界学术界要紧密合作才能加快AI发展
置身于 CVPR 2018 展台区,我仿佛在参加一场巨大的“自动驾驶招聘会”
被吴恩达的Landing.ai刷屏后,我们从他的8条Twitter和9大招聘岗位中看到了三个有趣细节
雷锋网版权文章,未经授权禁止转载。详情见转载须知。