AI会让AI工程师失业吗？

自从AI出现之后，人类对于AI的担忧就从来没有消停过，特别是AlphaGo的横空出世将AI带到大众跟前，对AI的争论就更加激烈。对于普通大众而言，AI是否会毁灭人类不需太关心，但是对AI是否会取代人类工作就异常敏感了。夸张的是，现在某些高考填报志愿指南就有一个考量：这个职业是否会被AI取代，比如平民考生填报志愿的3个关键点这篇文章就认为将被AI取代的职业有：财会、英语、法律、人力资源等等，不建议报考。

我只是一介小民，担忧人类未来的事情轮不到我来操心，也不是业界大佬，泛泛而谈没什么意义，只是最近看到一篇关于Cloud AutoML的文章，突然想到一个问题：AI会让AI工程师失业吗？

在回答这个问题之前，先简单介绍一下Cloud AutoML。

Cloud AutoML简介

通俗点说，Cloud AutoML是个开发利器，即便你不懂机器学习，也能训练出一个定制化的机器学习模型。由于还在Alpha测试版的阶段，目前这个服务仅支持计算机视觉模型，但谷歌表示稍后会支持所有标准机器学习模型，包括语音、翻译、视频、自然语言处理等。

目前已经可用的服务是Cloud AutoML Vision。

谷歌Cloud AutoML系统基于监督学习，所以需要提供一系列带有标签的数据。具体来说，开发者只需要上传一组图片，然后导入标签或者通过App创建，随后谷歌的系统就会自动生成一个定制化的机器学习模型。

据说，模型会在一天之内训练完成。

整个过程，从导入数据到打标签到训练模型，所有的操作都是通过拖拽完成。在这个模型生成以及训练的过程中，不需要任何人为的干预。

Cloud AutoML会带来什么改变？

在我之前写的一篇文章数学不好，进入机器学习领域还有戏吗？中，AI工程师分为三个层级：科学家（专家）、算法实现及改进者、算法应用者。然而，AutoML改变了机器学习的游戏规则。现有的机器学习中，构建模型和参数调优占据了大部分的工作，而AutoML直接接替了这部分的工作。这样许多公司如果只需要深度网络来完成简单的任务，如图像分类。他们不再需要雇佣机器学习博士，而只需要组织数据的人。

毫无疑问，AutoML将引起“人工智能”的变革，在<<Software 2.0>>一文中甚至认为人工智能将成为一种组件，供开发者调用，就如同我们现在调用UI组件一样。如果按照这样发展的话，这种改变会对谁有利？对于所有进入机器学习领域的人会发生什么？

更多的开发，更少的研究

人工智能领域的很多企业，尤其是初创公司，在深度学习的背景下做着相对简单的事情。 他们的大部分价值来自最终组装的产品。例如，大多数计算机视觉初创公司正在使用某种图像分类网络，这实际上可使用AutoML套件中的AutoML Vision组件。事实上，Google的NASNet已经在TensorFlow中公开发布，它实现了当前最先进的图像分类。企业现在可以跳过产品流程中复杂的实验研究部分，通过机器学习中的迁移学习，就可以很好的完成他们的任务。除掉漫长的模型研究和调参过程，企业可以将更多的资源用于产品设计、开发和整理重要的数据。

更加关注产品

这是的第一个观点的延伸。因为企业将更多的时间花在产品设计和开发上，所以将带来更快的产品迭代。公司的主要价值将更多来自于他们的产品/技术是如何设计的，而不是他们的研究有多么伟大和尖端。它设计得好吗？使用方便吗？数据管道是否可以快速而轻松地改进模型？这些将是优化产品并能够比竞争对手更快地迭代的新的关键。进行尖端研究也许不会成为提高技术性能的主要动力。

数据变得至关重要

既然研究变得不再那么重要，公司又该如何脱颖而出？如何领先于竞争对手？当然，销售、营销和我们刚刚讨论的产品设计都非常重要。但是，深度学习性能的推动力来自数据。当您拥有更高质量和更多样化的任务目标数据，您可以使用AutoML等软件工具改进模型的次数就越多，自然就可以在性能上领先于对手。

深度学习将成为工具箱的一部分

人工智能将如此简单，你只需使用Google的AutoML上传标记好的数据，一切OK！能不能更进一步，将人工智能封装为一个组件，就如同工具箱里的一件工具，拿来就可以使用？这极有可能发生。其实这样的事情正在发生，比如人脸识别这样的通用功能，就有Face++这样的开放平台在做。看到这样的趋势之后，会有越来越多的公司进入到这一领域，提供更多的人工智能组件。

好or坏？

看到这里，进入人工智能领域的你，是不是感到沮丧？作为一个理性乐观派，我当然不会这样悲观的看问题。从研究和开发两个方面来看，反而认为这种变化带来更多的好处。

研究仍有需求

汽车距离发明已经过去了一百多年，从手工制造到现代化标准化生产，难度似乎降低了很多，但人们一直仍在致力于制造更好的汽车。从新材料的应用、速度更快、油耗更低到更加美观、更加个性，创新的脚步一直没有停止。

AI技术出现不过短短几十年，距离成熟还有很长的一段路要走，AI技术仍存在许多改进的空间。人工智能仍然不是很智能，处理复杂的任务仍存在不足。深度学习需要大量标记数据，这既昂贵又耗时，训练仍然需要很长时间才能达到最高的准确度。深度学习模型的表现对于一些简单的任务（如分类）非常好，但对于很多事情来说，它只是表现尚可，有时甚至很差（取决于任务的复杂性）。

所有这些都为科学研究提供了机会。商业方面，一些公司，尤其是科技巨头（如谷歌、微软、Facebook、苹果、亚马逊）仍将需要通过科学和研究创新现有工具，以便在激烈的人工智能领域胜出。当然，这样的科学研究将会越来越集中于巨头和科研机构。

开发人员仍有巨大需求

在Window时代，Visual Basic、Delphi这样的RAD开发工具出来之后，人们也是惊呼，软件开发人员要失业了。因为通过简单的拖拽控件，就可以设计出漂亮的用户界面（相对于计算机早期，那时设计用户界面相当繁琐，界面也比较粗糙）。然而二十年过去了，市场对软件工程师的需求逐年增加，至今仍没有看到下降趋势。

当年的Visual Basic界面，看起来那么亲切

观察整个计算机技术发展的进程。计算机编程最早是从机器码、汇编编码开始！C语言发明之后，大家都转向了C之类的语言，只有极少数场合还需要汇编编程。后来人们认为C难以开发大型复杂软件，开始使用C++。再后来，很多时候，我们甚至不需要像C++那样复杂的东西，所以我们只使用Python或R之类的超高级语言！但汇编、C、C++并没有消亡，只是在不同的领域，找到自己的位置。

软件开发中，我们选择最适合的工具。如果你不需要底层的东西，那么就不必使用它（例如C代码优化、从头开始深度网络的研发），可以简单地使用更高层次和内置的东西（例如Python、迁移学习、AI工具等）。

当开发变得更加简单的同时，会激发更多的需求，而这反过来又增加了软件开发的复杂性。比如计算机最开始被认为只适用于数值计算，然后领域后扩展到文字处理、办公领域，到最后全面开花，计算机变得无处不在。而软件开发在变得越来越简单（RAD工具的使用、组件库的引入）的同时，其复杂度越来越高。相较十年前，现在软件复杂度不可同日而语。

回到人工智能领域，也许不远的将来，我们也可以拖拽几个组件来让产品具有人工智能，但这也带来另一个巨大的需求，以前不那么智能的软件，也有智能的需求。比如拍照软件，以前追求的是是否清晰，现在有美颜、美肤的需求，以后呢？谁说的清。到那时，巨大的产品需求必将引发对开发人员的大量需求。

总结

AutoML之类人工智能工具的出现，可能会带来一些新的改变，但作为开发人员来说，完全不必恐慌，所谓兵来将挡、水来土淹，跟随趋势走，不会太差。

谢谢阅读！希望你喜欢这篇文章，这只是我个人观点的表达，如果你有什么看法，欢迎留言！

参考：

1. 谷歌放大招！全自动训练AI无需写代码，全靠刚发布的Cloud AutoML
2. Google’s AutoML will change how businesses use Machine Learning
3. Software 2.0
4. 平民考生填报志愿的3个关键点