ai浪潮下的應對之策

上一篇談到ai驅動下的自動化浪潮中，「機器換人」已是不可逆的大勢，我們需要小心規劃自己的職業發展並努力提高自己的競爭力以免被淘汰：

職業分類

人工智慧有關的崗位可分3類

1） 數據科學家/演算法工程師，負責理論模型和演算法的研發，對數學和人工智慧技術有深入了解，一般要求碩士或以上學歷，且擁有在人工智慧方面發表論文的經驗，

2） 產品經理/應用工程師，負責尋找行業痛點（客戶需求），並協調產品開發與應用落地，一般要求有對應的行業經驗與深入的垂直領域知識，對人工智慧技術有一定了解，

3） 軟硬體研發工程師，在科學家和產品經理指導下開發產品，需要熟練掌握軟硬體知識，並對人工智慧技術有一定了解，

職業選擇

專業就是人工智慧或計算機相關而且數學能力夠強的同學可以嘗試第一種科學家崗位，畢竟一不留神就財務自由了，當然決心走這條路的同學最好先讀個博。

對於人工智慧感興趣，有軟硬體技術基礎，但是條件達不到科學家級別的同學，可以學習機器學習相關知識後嘗試第三種工程師崗位。

對於既不是計算機/軟體出身，數學和編程能力也不算特別凸出，然而對人工智慧及其應用感興趣，希望往這方面發展的同學，可以嘗試往第二種應用型崗位。這種崗位有的來自人工智慧企業的產品開發和市場拓展需求，有的來自想引入新技術改善企業運營的公司高層，但即便沒有正式入職為產品經理，也可以在現有崗位上了解機器學習，把自己的行業知識和人工技能技術發展結合起來，在日常工作中引入新技術改善工作的效果效率，也是一種ai大潮下較好的應對之策。

要注意的是，人工智慧應用分為數據型和技術型。比如工藝優化或不良品分類屬於前者，其非常依賴歷史數據的有效性，當數據足夠豐富且準確時，即便只用簡單的模型也能得到不錯的結果，反之當數據不理想時，即便再怎麼樣優化演算法也無法得到準確的結果，在這些應用中，難點在於行業知識和數據積累，比較有利於項目經理髮揮自己的影響力。又比如語義識別和自動駕駛屬於後者，非常依賴軟硬體支持，特徵提取和模型演算法對最終結果影響很大，在這些應用中數據科學家和研發工程師的作用非常大，導致推動力主要來自大廠。

技術平台

關於人工智慧技術的引進，可以嘗試現成技術方案，在網上搜索人工智慧方案提供商能找出來一大片，這樣的好處是方案上線快，壞處是見效之前就要投入資金，而且垂直領域專業知識的保密性存疑；如果不想引進現成平台，可以選擇上手難度小的機器學習軟體，這個其實也不是很難（針對這個問題，筆者會另行撰文詳述）。如果要自行構建應用方案，也沒必要報培訓班，相關學習資料網上都快輕易找到，如果你沒辦法通過自學解決實際問題，那從培訓班出來也解決不了你的問題。現在很多「4天上手機器學習」「1周學會人工智慧」，也就是科普一下軟體操作。

其他行業

即便不打算進入人工智慧行業，也要選擇隨著經驗增加能夠持續提升能力的職業，以免一不留神就被機器人換掉了，如研發和銷售，前者如機械工程師都是越老越吃香，後者則是在業務中積累了人脈鍛煉了心智，都是可以通過積累經驗持續發展的職業。

如果當前做的就是重複性的工作，而且能力或者性格限制不便轉崗，還可以嘗試往管理崗位發展，因為即便是機器換人的大背景，與人打交道的場景還是企業運營的主要情況，畢竟大部分的問題都可以在管理或招聘上找到根源，所以管理崗總是不可或缺的。

無論選擇哪條上升通道，必須保證自己的能力持續得到提升，畢竟你能得到一份工作的原因，是同等報酬下能力最強，同等能力下報酬最低。而要讓能力持續的得到提升，必須認清自己的核心競爭力，並小心的規劃自己的技能樹，而不是這裡學一點那裡學一點，網上討論這個的文章很多，我就不詳述了。

總結

如果不想在ai驅動的自動化浪潮中淪為被淘汰的對象，就不要混日子，而是小心的規劃自己的發展方向，如果隨著年齡增長的只有三高，那被機器替換就不是什麼遙遠的場景了。