AI職位年薪10萬美元成常態 | 英特爾為開發者圓AI淘金夢支招
AI 領域人才難求，收入水平水漲船高。那麼，作為剛剛接觸或打算進軍AI 和機器學習領域的開發者們，又應該如何在這一領域起步呢？英特爾從他們對人工智慧的理解、機器學習的工作流、AI 在一些領域的發展狀況等幾個方面給出了一些相關的見解和建議。
前兩天，新智元報道了美國僱主評價網站 Glassdoor 公布的一份2017年度 「美國薪酬最高企業 Top 25」，其中顯示，AI公司多數職位年薪超10萬美元。
在 Glassdoor 網站上，可以看到，根據員工匿名提交的16個報告估計的人工智慧從業者的薪酬範圍，平均薪酬總額（包括基本薪資、獎金等）超過10萬美元的職位有人工智慧研究科學家、人工智慧工程師主管、人工智慧與過程式控制制主管、高級人工智慧工程師等，其他職位的平均薪酬總額也在61k~93k美元之間。
國內的AI 相關職位薪酬如何？我們來看一份幾家主流招聘網站上 AI 相關技術崗位的抓取結果：
可以看到，AI相關的技術崗位中，30萬-60萬的年薪佔據主流。在所有 231 份樣本數據中，只有24份年薪在 30萬以下。其中，30-60萬年薪88份，60-100萬25份，100萬以上年薪31份，年薪面議63份。這裡還有一個局限在於，很多年薪數百萬的崗位不會被獵頭髮布出來。
上圖顯示，AI領域目前在招的初級崗位較多，行業很缺資深人士。231份招聘崗位需求中：1-3年工作經驗要求佔比62%，4-5年的21.7%，6-10年只佔比15.8%。
AI 領域人才難求，收入水平水漲船高。那麼，作為剛剛接觸或打算進軍AI 和機器學習領域的開發者們，又應該如何在這一領域起步呢？針對這個很多開發者都比較關注的問題，英特爾軟體與服務事業部在其 AI 開發者社區里分享了幾篇文章，給出了一些相關的見解和建議。
感知、推理、行動、適應——英特爾的 AI 「四步走」
首先，英特爾介紹了它自己對於人工智慧的理解，認為人工智慧是一種解決方案。
站在開發者的角度上，我們不妨暫時拋開 AI 豐富的內涵，借用一下英特爾對AI 的定義。英特爾並未將人工智慧看作最終結果和定義人類理解能力的方式，而是將其視為解決人類問題的計算工具。英特爾認為人工智慧的目標並不是要定義實現人類智能水平需要哪些條件，或必須要讓機器通過某些基準的「智能」水平測試，而是要採取四個步驟：感知、推理、行動、適應，即對輸入進行分析（感知），得出結果（推理）；然後根據結果選擇適當舉措（行動），並根據實施成效改進輸入的收集和選擇方式，進而改進針對這些輸入的計算（適應）。
英特爾這一四步走方案不同於那些大費周章，旨在確定機器是否具備人類智能水平的方案，它可滿足開發者通過編程創建出色的人工智慧解決方案的所有需求。
儘管人們對人工智慧有很多不同看法，而且實現人工智慧的技術也是多種多樣，但機器智能的關鍵在於，它必須能夠感知、推理和行動，然後再根據經驗進行適應。
感知—從大量數據中發現和識別有意義的對象或概念。比如識別出交通信號燈；判斷組織是腫瘤還是正常組織。
推理—了解更大範圍的背景環境信息，並制定實現目標的計劃。如果目標是避免碰撞，汽車必須根據車輛行為、距離、速度和路況計算碰撞的可能性。
行動—推薦出或直接啟動最佳的行動方案。根據車輛和路況的分析，汽車可以執行剎車、加速或準備安全機制等行動。
適應—最後，我們必須能夠根據經驗調整每個階段的演算法，對它們進行重新訓練，使它們變得更智能。自動駕駛汽車的演算法應該進行再訓練，以識別更多盲點，考慮更多的環境變數，並根據以前的事件調整應對措施。
今天，人工智慧的最大能力仍處於「感知」階段，同時其在推理和行動方面的能力也在持續增強。它使用的多數技術都涉及到數學或統計演算法，包括回歸、決策樹、圖論、分類、聚類等。然而，有一種深度學習演算法正在快速興起，它能利用深度神經網路模擬人類大腦神經元的基本功能。英特爾指出，機器學習和深度學習，是今天的開發者讓機器能夠具備智能或執行人工智慧的兩種主要方式。
在機器學習中，學習使用演算法基於數據構建模型，並隨著數據量的增加而不斷改進。機器學習有四種主要類型：監督式學習、非監督式學習、半監督式學習和強化學習。在監督式機器學習中，演算法通過處理和分類大量的標記數據來學習如何識別數據。在非監督式機器學習中，演算法能夠以超過人類大腦的速度，快速識別大量未標記數據中的模式和類別。
深度學習是機器學習的一個子集，是指多層神經網路從大量數據中進行學習。
根據英特爾對人工智慧的理解，即它要能感知、推理和行動，然後根據經驗進行適應。但它運作起來到底是什麼樣子呢？下面是英特爾分享的機器學習在通常狀況下的工作流：
數據採集—首先，您需要大量數據。這些數據來源有很多，包括可穿戴設備中的感測器以及其他設備，還有雲和 web。
數據聚合和管理—收集數據後，數據科學家將對數據進行聚合和標記（在監督式機器學習中）。
模型開發—接下來，將數據用於開發模型，然後對其進行精確度訓練並針對性能進行優化。
模型部署和評分—將模型部署在應用中，用於針對新數據進行預測。
使用新數據產出的結果做更新—隨著數據量的增加，模型的精細度和準確度將得到不斷優化。例如，在自動駕駛汽車的行駛過程中，應用將通過感測器、GPS、360 度視頻捕捉等功能獲取實時信息，然後使用這些信息來更好地預測即將發生的場景。
開發者應該從哪個領域著手
根據這些定義和理解，針對開發者應該從哪個領域著手這個問題，英特爾給出了一些建議，原文如下：
人工智慧最令人興奮的一點在於，它具有無限的潛力，不僅能夠引領計算行業或軟體行業內的變革，而且還能夠改變與我們的生活息息相關的每個行業。就像工業革命、技術革命和數字革命改變了我們生活的方方面面一樣，人工智慧也將以同樣的方式改變整個社會。
下面以幾個領域為例，簡述一下人工智慧在這些領域的發展狀況：
醫療行業
影像分析 – 醫療初創公司正在努力開發能幫助解讀X 射線、MRI、CAT 等生成的醫療影像的技術。
Dulight* – 這是一種可穿戴設備，可幫助視障人士識別食物、貨幣等。
汽車領域
自動駕駛汽車 – 人工智慧可幫助自動駕駛汽車識別路標、行人及其他車輛。
車載信息娛樂 – 改進的語音識別功能可幫助司機更有效地與音樂、地圖等功能或應用進行交互。
工業
維修和維護 – 人工智慧系統可預測維修需求，並改進預防性的維護。
精準農業 – 藉助高效的施肥方法，人工智慧可幫助提升農作物產量，優化其上市時間。
銷售和上市時間 –人工智慧可預測出在一年的不同時節，產品在特定地區的銷售速度和銷量，以及從效率的角度出發，推測出在特定時間，是要將產品轉化為庫存，還是應該直接發運給客戶。
體育產業
提高競技表現 – 人工智慧系統可幫助指導運動員加強鍛煉、保持營養均衡以及提高競技技能。
預防傷病 – 用於改善器材設計，優化戰略戰術，甚至預測規則的要求，以保障運動員的安全。
金融
創建演算法以處理投資產品組合，執行股票交易等。
英特爾認為人工智慧領域的擴展意味著開發者可以將自己在人工智慧領域的知識，運用到其感興趣的行業中。當其在探索人工智慧的世界時，要認真思考一下自己感興趣的其他領域有哪些，以及如何以有意義的方式，使用人工智慧為該領域做出貢獻。在這方面，創意是永無止境的。
選擇一個好的開源深度學習框架也是個不錯的選擇
對於開發者來說，選擇一個合適的開源深度學習框架也能夠大大降低進入 AI 世界的門檻。比如英特爾的 BigDL，對於現在已經比較熟悉大數據，特別是數據分析應用的開發者們來說，就是一個不錯的選擇。
BigDL 是針對ApacheSpark的分散式深度學習庫。使用BigDL，用戶可以像編寫標準的Spark程序那樣來編寫深度學習應用程序，並可以直接運行在現有的 Spark 或Hadoop 集群之上。
BigDL全面支持深度學習，包括（通過Tensor）數值計算和高層次的神經網路；此外，用戶可以使用BigDL載入預先經過培訓的Caffe或Torch模型到Spark 程序中。
為實現高性能，BigDL在每個Spark任務內使用英特爾MKL和多線程的編程。因此，它比原封不動的開源Caffe，Torch或單節點至強處理器上的TensorFlow性能上有數量級的提升（可以比擬主流GPU的性能）。
BigDL可以有效地橫向擴展，以匹配「大數據規模」的能力執行數據分析，因為它有效利用了Apache Spark（閃電般快速的分散式的數據處理框架），有效實施了Spark上的同步SGD和 all-reduce通信。
人工智慧正快速為各行各業帶來革新，並日益成為重要的競爭優勢之源。對於有志於這個領域的人來說，不論是尋找相關的技術工作職位，還是準備自己創業，現在都是最好的時機。
本文由新智元原創，作者張易。
推薦閱讀：