Keras创始人：过去6个月，深度学习岗位已崩溃
共 3158字，需浏览 7分钟
·
2020-09-10 19:05
点击“开发者技术前线”，选择“星标?”
在看|星标|留言, 真爱
量子位 报道 | 公众号 QbitAI
深夜“报社”，著名的深度学习框架Keras的作者François Chollet语出惊人：
深度学习岗位在这6个月以来已经崩溃。
没有开放评论，仅仅是一个观点的输出。但与此同时，Chollet也附上了自己的理解和领英的图表数据：
对于那些投资深度学习的小企业来说，目前的情形已经很清楚了：深度学习岗位不是必须的，随着疫情的到来，它们将可能被裁撤。相较于半年前，目前还在做深度学习的人明显更少了，这种情况是自2010年来第一次发生。
需要澄清一下，我个人认为这只是一个疫情期间经济衰退的现象，而不是又一个AI寒冬。
但这样的论调一经提出，立即在社交媒体上立即引爆了网友们的讨论，赞成与反对的皆有：
各种观点与声音
部分高管回应：仍在扩招
著名AI数据公司DataBricks的首席技术官Matei Zaharia表示，他们公司就没有这样的情况。
有意思的是，我们目前还没有看见这样的事情在Databricks上发生，我们GPU的运行时间和客户数量都在大量增加，机器学习相关软件也在大规模扩大。
事实上，不止一家公司如此表态，SisuData的CEO表示，他们同样也在招人。
然而，仔细观察之下可以发现，这两家公司的高管，本身都是从名校（斯坦福）计算机专业走出来的，对AI行业有着一定的了解。
那么，对于那些在AI竞争中不占优势的企业呢？
就在今年5月，CNBC报道，Uber宣布关闭AI实验室，裁员人数达几千人。
除了这些企业的裁员现象，在这场讨论中，也有网友对Chollet的观点表示赞成，并分析这种现象背后的原因。
他们认为，如今这样的趋势，绝不仅仅是疫情带来的影响。
员工：企业对机器学习存在误解
知情网友在针对这场话题的讨论下表示，许多公司花在机器学习上的投资实际上一无所获。
就像在7年前，“大数据”这个话题带来的热度一样，我认为机器学习也正在发生同样的事情：许多公司都在将机器学习强行用在不适当的地方……也许深度学习岗位的减少是疫情的后果，但大多数公司的确可能在一两年内又跳到下一个热点中。
也有网友表示，这可能是上市公司与初创公司对待技术的区别：相比于机器学习真正能应用的地方（文本分类、图像标记等），上市公司更需要炒作带来的商业投资。
不仅如此，因为在上市公司中，买卖股票的人往往更希望听到一些流行语，所以高管往往会倾向于在产品中加入各种热点。相比之下，初创公司则更侧重于技术，可能会给技术娴熟的人带来更多的成就感。
更有网友一针见血地指出，最糟糕的是，企业管理其实可能对机器学习一无所知。
有很多公司都在招聘机器学习相关的博士，来解决一些实际上非常简单的问题。而且，为了确保这些工作“有价值”，管理层会试图吸引更多团队来利用这些模型。但事实上，没人了解模型的工作原理，反而会浪费大量的投资。
而对于员工来说，由于与公司利益不直接挂钩，所以对于管理层的不合理建议，他们并不会直接发表意见。
的确，由于太多的机器学习工程师和研究者急于解决问题，必须在工作上交付某些东西，所以这些项目往往能进展神速，但它们其实根本没有意义。
一方面是企业的扩招，另一方面却是机器学习相关职业员工的怨声载道。
那么，Keras的作者François Chollet提出的观点，究竟是否有其他实例佐证呢？
英伟达工程师：AI炒作确实存在
6月22日的时候，英伟达工程师Chip Huyen就曾给出结论：一些大公司正在裁撤机器学习的某些岗位。
毕竟，目前人工智能很大一部分投资仍然是在无人驾驶汽车上，但由于全自动驾驶汽车还远远不是商品，所以AI发展仍是未知数。
已有的现象是，谷歌已经冻结了所有机器学习研究人员的招聘，而Uber则解雇了AI团队一半的工作人员。
不仅如此，由于机器学习课程颇受欢迎，目前拥有机器学习技能的人，可能比机器学习岗位需求更多。
Chip Huyen表示，不可否认的是，AI行业确实存在炒作现象。
但与此同时，她也认为，当这一切热潮褪去，机器学习并不会消失。
只不过，拥有软件工程、或者工程相关的知识背景后，再去接触机器学习，会比直接接触机器学习更有前景。
机器学习之外，Quora上有关数据科学岗位的讨论，也早已有之。
数据科学岗位需求情况
相对于机器学习而言，大部分网友对数据科学持乐观状态。
我认为，数据科学岗位的数量将会增加，当然，应聘者的数量也会增加。如果你真心喜欢数学和编程，可以考虑入行这门岗位。
但有意思的是，与Chip Huyen的观点相似，机器学习工程师Jared Thompson认为，数据科学家的岗位同样会减少。
作为所有讨论下面赞数最高的回答，Thompson表示，相比于“数据科学家”，首先成为“科学家”才是最正规的路途。
事实上，我们最不需要的是初级的“数据科学家”，毕竟这种热门行业下，会有各种各样的人加入进来，试图了解一点皮毛。……随着炒作过去，“数据科学”这一岗位的需求肯定会减少，但优秀的软件工程师不会找不到工作。
对此，你怎么看？
— 完 —
本文系网易新闻•网易号特色内容激励计划签约账号【量子位】原创内容，未经账号授权，禁止随意转载。
吴恩达新书《Machine Learning Yearning》，附中文版PDF下载！图文并茂可能更适合你
机器学习为什么需要策略?
如何使用此书来帮助你的团队
先修知识与符号说明
规模驱动机器学习发展
开发集和测试集的定义
将大型开发集拆分为两个子集，专注其一
Eyeball 和 Blackbox 开发集该设置多大？
小结：基础误差分析
偏差和方差：误差的两大来源
偏差和方差举例
与最优错误率比较
处理偏差和方差
偏差和方差间的权衡
减少可避免偏差的技术
训练集误差分析
减少方差的技术
诊断偏差与方差：学习曲线
绘制训练误差曲线
流水线组件的选择：数据可用性
流水线组件的选择：任务简单性
建立超级英雄团队 - 让你的队友阅读这本书吧！
关注下面二维码
回复「MLY」即可获取