AI 競賽帶來的人才短缺問題，什麼演算法都解決不了

雷鋒網 AI 科技評論按：「AI 的力量將改變世界」已經成為全社會的共識，緊接著「讀一個 AI 相關的碩士、博士就可以輕鬆高薪」也成為了社會共識。但這種共識背後也有著種種隱憂，對於怎麼招人、怎麼培養人、怎麼把 AI 技術融入企業業務，慣例的觀念和做法有很多，但身在其中的人往往不知道自己到底哪裡對了哪裡錯了。

Fastcompany.com 的這篇文章是對 AI 領域裡人才相關事項的重新審視和思考。學術界已經做出了很多努力，而企業們可以拿出真正積極的行動來。雷鋒網 AI 科技評論編譯如下，有改動。

打開今日頭條，查看更多精彩圖片AI 的新招聘時代

Greg Benson 教授已經在舊金山大學教了二十年計算機科學了。除了開學期間的日常授課之外，他每周還會有一兩天時間在雲集成公司 SnapLogic 的辦公室里度過；在學校放假期間，他更是在這裡全職工作。他每年帶的機器學習研究生有 10 個左右，他會給他們機會到 SnapLogic 實習，動手參與一些 AI 科研項目。如果實習表現好的話，他們畢業之後就可以直接來 SnapLogic 工作。SnapLogic 的工程師里有三分之一都是以前做實習生然後留下來的。「這種模式對我們來說非常成功」，Benson 說。

即便科技巨頭們如今都為如何招到高水平人才而頭疼，這種模式對小公司來說就不失為一種有效的招聘手段。這種模式還體現出了另一種創新：SnapLogic 和 Benson 教授之間的合作體現出了科技公司在借用高效教授力量的同時，也可以為學術界做出一些貢獻，尤其是可以讓這些教授繼續留在學校，繼續培養未來的 AI 研究人員。

整個領域面對的狀況很明顯：大約 60% 的美國計算機科學博士生都畢業之後就去了企業工作；2000 到 2010 年之間的這個數字還只有 38%。（來自華爾街日報發表的美國自然科學基金會的統計數據）

另一項來自伍斯特理工學院的研究表明，許多學校都面臨了這樣的狀況：他們希望招聘許多 AI 以及相關領域的教職員工，但是卻招不到多少人。可以說 AI 及相關領域已經顯出了明顯的矛盾：每年企業和學校招到的博士生，要比學校里畢業的博士生還要多 6%。如果再考慮到讀一個計算機科學的博士生需要 3 到 5 年的時間的話，這個問題就更令人頭大了。

對於一直風頭正勁的 AI 熱潮，許多公司都想揚鞭上道：他們的第一反應就是，既然我們決定了要做 AI，那就去招一個斯坦福大學畢業的計算機科學博士來。但問題是，別說是斯坦福大學畢業的了，就算是別的學校畢業的計算機科學博士，現在也不知道還能不能找得到。蒙特利爾的初創公司 Element AI 發布了一個研究報告，根據他們統計，自 2015 年以來計算機科學界一共培養了大約 2 萬 2 千名具有博士學位的 AI 研究人員。如果把 2015 年之前獲得的博士學位也算上的話，這個數字大概是 9 萬。但計算機科學是一個快速變化的領域，越新近畢業的學生就越可能掌握和主流應用最相關的知識技能。騰訊也發表過自己的估計，認為參與到 AI 研究中的人員數量大概是 20 萬到 30 萬人。

面對如此少的人才和如此熱烈的企業需求，對頂尖人才的招徠儼然發展成了一場全面的軍備競賽。除了足夠吸引人的薪水，想招人的科技公司也要去學術會議混臉熟，還需要在攤位設置和企業介紹里展現自己的高逼格、高追求、以及成為下一個谷歌 Facebook 的可能性。CVPR 2018 的展台區就彷彿是一場大型校招招聘會；ACL、EMNLP 也類似。之前曾有過報道，即便是在 OpenAI 這樣的非盈利組織，頂尖的 AI 研究人員都可以拿到百萬美元年薪。

另一方面，高水平的人才還有很嚴重的抱團現象。根據 KPMG 在 2016 年 12 月發表的報告，谷歌、微軟、英偉達、IBM、英特爾和三星六家公司就瓜分了所有深度學習專家總數的一半。到了 2018 年，我們更是看到越是大公司、越是大規模的人工智慧實驗室，就越是吸引研究人員全職或者兼職加入。

Benson 教授說道，舊金山大學很想招足夠的教授來教 AI 課程，但是也經常只見出力不見回報。因為大學坐落在灣區，不論高房價還是來自業界企業的強烈吸引，都是 AI 實踐者們比較工作機會時難以忽略的因素。舊金山大學的機器學習碩士每年會收到 700 到 800 份申請，然後只能接受其中的 10%。舊金山大學其實有計劃招更多學生，但是他們招不到足夠多的教職員工。

AI 領域的著名人物們有不少都持續輸出著學術成果或者業界成果，又或者兩者兼顧。Geoffrey Hinton 加入了谷歌大腦，同時也繼續留在多倫多大學；Yann LeCun 同時參與 Facebook 人工智慧研究院和紐約大學，而且還大力宣揚這種模式；吳恩達在斯坦福大學當教授的同時參與了百度的 AI 研發，後來還自己成立公司創業；卡耐基梅隆大學的 Andrew Moore 整個職業生涯都在業界和學術界之間來迴轉換，最近終於宣布離開 CMU，加入谷歌領導谷歌雲；谷歌雲這個職位的空缺則是因為此前擔任谷歌雲首席科學家的李飛飛結束了為期兩年的學術休假，回到了斯坦福大學的全職工作。

在離開 CMU 之前，Andrew Moore 也嘗試對抗過來自業界的糖衣炮彈，他的點子是希望大學教授可以更輕鬆地在兩者之間來迴轉換。在華爾街日報的一次採訪中，Moore 表示他估計有 10% 到 20% 的大學教授都願意離開高校加入工業界，甚至自己創辦一個創業公司。

但這種做法大概是沒辦法大規模推廣的。頂級的研究人員如果想要持續做出頂級的成果，他們就需要有足夠的資源協助、持續以快速充實的節奏工作，看護小孩、個人助理、會議規劃等等都要圍繞他們的時間來定 —— 但這樣的待遇註定只有少數人可以享受。

技術招聘平台 HackerRank 的數據科學副總裁 Sofus Macskassy 就表示想要取得平衡是不可能的。他曾經在南加州大學任教，同時參與了洛杉磯的一家初創公司，還幫 Facebook 招募 AI 人才。根據他的個人體會和行業見解，他覺得不可能在學術研究和企業工作之間取得平衡。

「現實點說，你沒有足夠的時間來把兩份工作都做好」，他說。在學校里培養 AI 人才的時候，僅僅「教書」是不夠的，還要花很多時間精力給建議、幫助他們發表研究成果。這種工作就和大多數企業職位需要的「AI 應用技能」有很大不同。「很難兩面都站得穩穩噹噹。」

想要取得平衡，還意味著要處理好知識產權（IP）和專利之間的關係、要清楚什麼東西到底是在哪裡開發出來的。想要理清知識產權的法律關係通常很難，高校和企業這兩個不同的法律實體都希望拿到知識產權，創新者自己就夾在其中兩面為難。多數情況下，高校和企業的律師會出來談判、解決問題，但是當那個企業是教授自己創立的企業的時候狀況就會變得複雜了。Macskassy 解釋道這很大程度上取決於高校的知識產權處理機構，如果他們經驗不足，那就會變得很頭疼。但不管怎麼樣，這都是一個需要不少步驟的流程。

然而人才不足才是那個更大的難題。如果大家不做點什麼，美國就需要擔心可能在未來的創新和科研上逐漸被中國這樣的後起國家超越。「長期來看的話，這些企業（急著從學校挖人的做法）可以說是在對著自己的雙腳開槍」，Macskassy 說。

另一種解決方案是嘗試給高校更多的科研資金，支持高校自身的發展。不過現在還遇到了特朗普總統削減財政撥款的政策，指望政府提供資金支持可能最終只是一場夢。有一些科技巨頭則開始嘗試接過這份責任，直接資助高校中的學院、資助學生的教學活動。

Facebook 人工智慧研究院就與許多高校合作，讓研究人員可以同時參與 Facebook 的研究和自己母校的研究。他們的計劃最近也做了新的拓展，大概有二十多位研究人員都是這樣的「雙重聯盟」；具體如何分配時間則由他們本人自己決定。IBM 也發起了一個名叫「認知地平線網路」的項目，他們和六所不同的高校合作，讓教師和學生參與 IBM 的科研工作，同時他們也保留著自己在高校的職位。這個項目第一年就已經催生了 70 篇經過同行評議的 AI 論文。

上個月，微軟也披露了自己對於業界和學術界 AI 人才短缺的一些努力。英國劍橋微軟研究院總監 Chris Bishop 教授在 ZDNet 的採訪中表示他們發起的兩個新的訓練項目「將對博士獎學金、博士後、實習和顧問職位投資數百萬英鎊」。

請瞄準正確的靶子

當然了，所有這些對於博士畢業生和碩士畢業生的關注可能最終無論投入了多少努力都會失敗。並不是所有的問題都需要一個新鮮華麗的演算法，對某個行業、對某個商業機會的理解更需要的是經驗，而不是文憑。非盈利機構 Fast.ai 就明確提出過這樣的觀點，他們的目標是讓 AI 對更多的人都觸手可及，甚至他們的口號都是令人啞然失笑的「再一次讓神經網路變得不怎麼酷」（「Making neural nets uncool again」）。在一項訓練最快、最低成本的物體識別演算法的競賽中，Fast.ai 的一群學生擊敗了來自英特爾、谷歌等科技巨頭的團隊。

「那些 AI 公司們都對著寥寥無幾的同一批人虎視眈眈，但其實他們完全可以去更大的範圍里看看。」Fast.ai 聯合創始人之一的 Rachel Thomas 說，她自己就本來是學金融的，通過學習在線課程來到了機器學習領域。

Thomas 還說，目前我們面臨的人才短缺狀況一定程度上是一個觀念問題，是企業忽視了想要做 AI 的時候完全可以藉助各種各樣的在線課程培訓現有的有行業經驗的員工。這些現有的員工對整個公司的業務狀況有深入的了解、知道公司有哪些數據，而且能很好地理解公司想要用 AI 解決的問題。這些問題大多數情況下都不需要最前沿的資源和 AI 技能，尤其是 AI 領域開放的風氣讓開源工具和 AI 軟體遍地都是、唾手可得。

在無數的實際問題中，高校研究人員們在論文中最為關注的準確率，對於 AI 產品的最終用戶來說遠不如功能流水線設計、用戶體驗、穩定性、異常輸入的處理來得重要。想要把 ImageNet 首位準確率再提升 0.5%，你需要一個優秀的常春藤博士畢業生；但是知道布置在亞馬遜熱帶雨林的動物識別系統的訓練數據不需要包含企鵝和鯨魚，還要能平衡硬體耐用性、識別準確率和功耗，你需要的就是行業經驗豐富的工程師。

「這些公司都覺得，『啊，我得招個斯坦福畢業的博士生』，但這其實並不能解決他們的問題」，Thomas 說。「自家員工里的人才被他們低估了。」

Benson 也認為這些企業並沒有盡自己所能正面應對他們的問題。招聘學歷不那麼閃亮的研究人員、提供持續的教育機會、培訓自己內部的員工都是基於整個企業的解決方案，只不過這畢竟會花費一些資源，所以企業巴不得直接招一個很能打仗的人進來把一切擺平。但高校所能做的事情就這麼多，企業自己不產生一些影響力的話尷尬的局面就只能這樣持續下去。

「學術界已經給出了回應了。但是工業界還不知道要如何是好。」Benson 說。

via fastcompany.com，雷鋒網 AI 科技評論編譯

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！