当前深度学习算法工程师的职业天花板

当前深度学习算法工程师的职业天花板

从事一个职业方向一定要仔细思考这个职业方向的未来和天花板,方便自己的职业规划,甚至是职业选择。今天我想好好聊聊我当前正在从事的深度学习算法工程师这个非常热门的职业方向的天花板。

我认为,一个职业方向的天花板,根本取决于这个职业方向所能创造或者带动的社会价值,其次才取决于它在它所属的产品形态中所占据的地位。比如后端,因为每一个跟网络相关的产品,都需要强大的后端支撑,后端能创造出巨大的社会价值,同时后端在具体的互联网产品中占据数据中心的核心地位,因此后端的天花板很高,CEO大多出自后端。又比如iOS移动端,移动互联网的崛起,让iOS也创造出了巨大的社会价值,但iOS在移动端的产品形态中,只是偏于一端,不具有全局统筹的作用,因此天花板就稍微低一点,一般上限可能就是iOS团队负责人。

深度学习是一个比较尴尬的职业方向,我一直认为AI是一个大骗局,原因在于当前深度学习有以下几大明显缺陷,限制了它的落地。

1)性能瓶颈
别看各大模型在公开数据集上的成绩有多惊艳,一旦遇到真实复杂多变的环境,都歇菜,准确度会显著下降。这是深度学习本身固有缺陷所导致的。而很多应用对准确度的要求非常高。
深度学习本质是拟合训练样本分布。我们一般假设训练样本充分采样于真实的应用场景,这样训练样本分布基本与真实应用场景的同分布。然而事实上训练样本对于真实世界都是欠采样的,不能充分代表真实世界的数据分布,因此在真实复杂多变的环境,性能就会比较差。至于为啥是欠采样,本质还是因为数据是高维的,高维采样非常困难,或者换个说法,组合爆炸。
还有一点,深度学习学习不到规则,导致对输入的变化非常敏感,略微调整一个像素值,结果可能会发生翻天覆地的变化。而现实世界的变化是非常复杂的。
当然我不排除,在特定环境特定领域,深度学习有非常优异的表现。比如人脸、机器翻译等。我这里说的是更普遍的场景。

2)需要大规模准确标注的数据
如果想落地一个深度学习算法,通常需要大规模的标注数据,如人脸这种特殊的应用场景,确实会有公司耗费巨资去采集并标注数据,但普通公司想落地一个普通的算法,比如抽烟检测,则需要他们去建立数据集,难度是很大的。

3)速度
深度学习算法高度依赖显卡的算力,离开了显卡,深度学习龟速。即使有显卡,一般也做不到实时分析。比如我做过一个加油站项目,一个板子要跑8路摄像头,怎么可能实时分析?

4)稍微复杂的场景深度学习搞不定
深度学习并不是万能的,一般只能解决一些简单的问题。稍微复杂一点的场景,基本就搞不定。我曾经遇到过一个需求,要自动检测加油站的加油枪的线有没有拉断?深度学习怎么搞?

由于AI落地很难,所以当前AI能创造的社会价值比较有限,这会导致深度学习的岗位需求终究会由当前的过热,回归到与其价值产出匹配的位置,也就是说,会有相当一批以AI为噱头的企业倒闭,这也是我不怎么建议非科研目的去选择此方向的原因。

虽然价值有限,但对于能落地的场景,深度学习算法工程师在整个项目落地中,还是处于核心地位,但这个核心地位,只是关乎项目能不能落地,不关乎是否由深度学习算法工程师统筹全局,所以天花板基本跟移动端等类似,都是部门负责人已经到头了。虽然同样是部门负责人级别的天花板,深度学习工程师在非纯AI大公司中通常做的是锦上添花的性能优化,也就是说自我稀缺性其实是不足的,所以建议深度学习从业者,要有足够的危机意识。毕竟一个人在公司的价值,是你为公司创造了什么。

如果单论创业,深度学习方向的机会我认为也不多。

我之前由移动端转到图像识别方向,以为获得了更大的天地,如今身在其中,忽然发现,自立牢笼。

不过我依然坚持奋斗在深度学习或者机器学习方向,一大部分原因是我热爱,我热爱搞点研究,也热爱知识更新频繁的领域。况且AI当前还处于高速发展阶段,每一年都会有一些令人耳目一新的突破,参与其中,有种与时代脉搏共舞的感觉,很奇妙。

以上只是我个人片面之词,必有偏颇之处,望大家谅解。

Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×