「深度學習入行門檻太低了，不開心！」

安妮 問耕 編譯整理

量子位 出品 | 公眾號 QbitAI

進入門檻太低正在毀掉深度學習的名聲！

這麼一篇標題「憂心忡忡」的討論帖，毫無意外的在reddit上炸了。為什麼發起這麼一個討論？先看看原po主是怎麼說的。

很長一段時間以來，我注意到很多自稱深度學習專家、大咖的人，其實名不副實。這些人沒有機器/深度學習的教育或者研究背景，只是裝上TensorFlow運行了一些GitHub上搞來的代碼，然後就自認專家，寫博客、寫教程、甚至出書。

這讓我很困擾，這破壞了深度學習的名聲。大多數公司不知道如何辨別這些所謂的「專家」，面試官也不懂深度學習，不在乎NIPS、ICML。所以當這些「專家」的深度學習解決方案不行時，這些公司就會認為一切只是一場炒作。

隨著這種情況越來越多，持懷疑態度的人就越來越多，連內行都開始談論泡沫了。大家怎麼看這個問題？你們同意我的看法么？以後應該怎麼辦？

然而這個討論，很快變成學術派和工程派的爭執……

不少人跟帖反對上面這個論點，核心思想可以大概總結為：多研究些問題，少談些主義。量子位從中摘錄部分觀點，改寫如下：

與po主的觀點相反，開放性或者說「門檻低」是機器學習社群最好的部分之一。這個社群不會因為身份而把人拒之門外，對所有人都持歡迎態度。

大多數公司更需要的是工程師，而不是研究員。現在大部分工作都是基於標準技術，然後應用到特定的業務中。不用搞什麼新研究。

根據我的經驗，一個優秀的教授可以提供很多好主意，讓20多個優秀的工程師忙碌起來。這個搭配是合適的。通常至少需要一個（可能也只需要一個）優秀的教授，以及一個聰明的工程師團隊來支持他。

誰知道如何應用機器學習來解決業務需求？誰定義了模型的輸入和輸出？誰保證了數據的可用性？誰分析了結果？誰解決了問題？

如果是工程師完成了這一切，那就不是一個簡簡單單的工程師。你永遠需要那些能夠洞察業務需求，將其映射到正確的問題和答案上，並轉化為可靠生產代碼的人。

反對這種分類和對立。許多研究員也很擅長在現實世界中應用這些知識。不過有能力用機器學習來解決問題，和說自己的機器學習專家是完全不同的。

這個爭論很大程度上，源於工程師缺乏必要的認可，導致一些人不得不「假裝」成科學家。不往NIPS、ICML投論文，並不意味著他們不了解深度學習的基本原理。誠然，即使進入門檻比較低，仍然沒有足夠的深度學習工程師來滿足需求。

這個領域急需有經驗的機器學習工程師。

不是數量，而是質量

到底缺什麼樣的人？

Forrester研究公司近日調查顯示，在2018年，科技公司還會為高質量軟體人才漲薪，漲薪幅度高達20%。

程序員如此稀缺嗎？不，是高質量的工程師達到了前所未有的稀缺。

在過去的幾年中，軟體工程師就是求職市場的香餑餑，是美國對就業最挑剔的一類人。大家普遍認為，在2018年這種就業形勢不會變化。

來自Forrester研究公司的一份市場調查預測，在吸引重要數字人才方面落後的僱主會支付比高出市場20%的薪資招攬人才，尤其是在需求的技能方面。這些人才包括數據科學家、高級軟體開發人員和信息安全分析師等。

軟體工程人才短缺不是缺少自稱為是「工程師」的人，而是缺乏有經驗、高質量、對軟體工程有深度理解的工程師。

這張美國地區科技人才的薪資統計圖，或許可以窺見優質工程師的稀缺程度：

真正的「軟體工程師」

只了解一種編程語言就是工程師啦？Naive，還差的遠。就好比會說基本的西班牙語和優秀西班牙語老師之間的巨大差距。

在我看來，軟體工程師是問題解決者，專門決計算機科學中系統應用上的各種問題。他們必須深度了解邏輯語法才能將想法轉化成機器可理解的語言。

慢著，僅僅實現別人的想法還不夠，工程師需要構建創新性的想法。此外，這些想法不僅僅需要在本地開發環境中運行，還需要在大型任務上表現良好。

受歡迎的軟體工程師一定是個問題解決者，而不僅僅是碼農（coders）。

僱傭和教育挑戰

高質量人才的稀缺有以下5個原因：

• 缺乏經驗
• 缺少工作技巧/技術技巧
• 求職者過於追求高薪
• 缺乏軟技能/工作能力
• 缺乏正規的工程教育

△ 到2022年，美國每年需要的專業人才和大學畢業生人數對比

從上圖可以看到，計算機技術的相關職位空缺比授予學士學位的畢業生人數多的多。

現存挑戰

獵頭公司TekSystems的調查顯示，70%的IT領袖表示他們的公司費盡心思想留住頂尖IT人才。為什麼出現這種情況？IT人才為什麼會頻繁跳槽？可能有以下幾點原因：

• 公司沒有為員工提供職業規劃
• 將軟體工程視為一項基於任務的工作
• 沒有意識到留人的重要性
• 項目停滯
• 沒有為員工提供足夠的成長機會
• 員工缺乏志同道合的同事

減輕人才短缺

強迫每個有潛力的工程師參加四年正規計算機科學培訓不是一個現實的解決方案，也對人才短缺於事無補。雖然接受過正規理論教育是工作的基礎，用基礎知識解決問題的能力是通過項目經驗和導師指導獲得的。

學校教育和企業需求有條巨大的鴻溝不容忽視。現代技術棧非常複雜，包含了各種不同的框架、反應性經驗（reactive experience）、AI、機器學習和集成測試等知識，這些知識在常規的高等教育中涉及很少，除非你找到在專門研究某一特定領域的項目。

「比如說，很多中小企業不會提供崗位培訓，卻要求員工旗開得勝，但幫助他們完成這些任務的技能是在學校里無法學到的。這不僅僅是美國面臨的問題，是全球問題。」IT招聘公司Kyyba的國際工程師Ganesan表示。

需要軟體工程師旗開得勝的公司就是加速高質量人才短缺和工資飆升的「罪魁禍首」。

企業是時候應該注意人才定向定向培訓問題了，他們可以通過一些嘗試強化自己的工程人才庫：

• 招募可被引導和培養的可塑新興人才，構建員工培訓計劃。
• 為沒有接受過正規培訓的新興人才提供教育激勵機制。

也就是說，這裡還存在一個更廣泛的問題：即使崗位需要，但美國只有少數學生取得了計算機科學的學位。

△ 授予計算機科學學士學位的人數

最後看一下中美人才數量對比，美國STEM專業（科學、技術、工程和數學）的應屆畢業生在2016年有568000人。中國的人口大約是美國的四倍，但STEM畢業生數量是美國的9倍。

△ 不同國家STEM應屆畢業生人數對比

雖然中國的STEM畢業生佔比遠遠大於美國，但畢業生的總體質量才是真正緩解人才短缺的因素。除此以外，缺乏培訓計劃、堆棧越來越複雜、不連貫的正規教育及缺乏解決問題的經驗均為短缺的重要原因。

—完—

歡迎大家關注我們的專欄：量子位 - 知乎專欄

誠摯招聘

量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界面，回復「招聘」兩個字。

量子位 QbitAI · 頭條號簽約作者

?? ? 追蹤AI技術和產品新動態