聊聊AI内卷及如何应对内卷
作者：互联网
同学们大家好呀！
我是一名AI教研，你问AI教研是做什么的？答：就是设计AI方向的课程，包括视音频、作业、练习和分享等形式，将AI理论知识与实践能力，传递给有需要的人。
做AI教研的这一年里，被问到最多的问题就是"AI真的卷吗？”，大家一方面筹划着跟上智能时代的浪潮，加入AI行业，拿算法高薪；另一方面又担心在这浪潮里被高学历、海龟身份和算法大神标签卷的体无完肤。
今天就想跟同学们聊聊AI内卷，认识它，无惧它，战胜它。
聊聊AI内卷显现
AI内卷，从我的视角和调研来看，目前大致有两种含义。第一种是技术内卷，第二种是人才内卷。
技术内卷，是指AI某些技术问题研究达到瓶颈，很难有突破性进展。 例如早期的深度学习，还是多层感知机时期，就出现过技术内卷。1969年，Marvin Minsky出了一本名为“Perceptron”的书，指出单层感知机不能解决异或问题，以Minsky的影响力，感知机和神经网络研究陷入了沉寂。在那之后，很多大佬也放弃了神经网络，感知机的提出者Frank Rosenblatt也因此郁郁不得志，后英年早逝。
现在看来，当时的感知机和神经网络问题还是在于数据、算力和算法，也就是所谓的深度学习三驾马车。近些年在大数据量和计算机硬件的促进下，神经网络也解决了多层网络训练问题，多层神经网络以深度学习又火了。
不过随着接触的同学越来越多，发现大家更关注的是人才内卷。也就是说现在学AI的人越来越多，好多人具有名校、高学历、海归、顶会等闪亮标签，导致工作不好找，岗位竞争力特别大。
下面咱们就分析一下AI人才内卷的原因。
分析AI内卷原因
首先是行业和职业原因。就目前工程上的需要，AI算法工程师能拿到比较高的收入；从职业发展角度讲，AI很有前景。不仅是工程上需要，科研中也非常需要AI人才，所以就需要更多的人加入到AI研究中，希望能够进一步解决AI应用市场上的问题，比如无人驾驶、医疗、安全等。以上因素吸引了大批人才涌入AI。
其次是行业发展原因。深度学习和深度强化学习等最新AI技术是近些年才从实验室走入工业界，最新的AI技术还掌握在科研毕业生，也就是硕士和博士手里，只有经过实验室的科研训练，才能掌握最新的AI技术，这也在一定程度上造成了学历焦虑。
贾扬清在回答"读博对于人工智能意味着什么？”这个问题的时候曾说过：“学习人工智能与是否读博的关系并不是很大，每一个行业都会对博士有特别定义。在 AI 领域有非常多优秀的本科生和硕士生，他们并不比博士的能力差。"
从个人经历来看，我的博士生涯教会我的最重要一点不是「怎样做一件事情」，而是让我更多地思考「我们应该解决什么样的问题」。
博士更多的是要定义问题，需要从特别复杂的场景中抽象出要解决的问题的定义。然后第二位的才是「怎样解决这个问题」，这是博士生涯对我帮助最大的一点。
从培养的角度讲，如果大家希望培养一下自己定义问题的能力，我觉得博士还是很值得读的。5 年的时间不长也不短，但能力的提升是终身获益的事。
最后是技术创新与竞争原因。过去几百年以及近来几十年，最新科技进展都生根发芽于欧美，我国的科技创新起步较晚。例如在无人驾驶领域，中国的无人驾驶现在正在努力赶超美国水平，努力超越waymo等，所以很缺AI的人才。
所以对大家来说，AI人才是稀缺的，我们应该庆幸和开心，因为目前来看AI领域的发展前景非常广阔，还是努力奋斗加入到战斗中，钻研AI，让人们更快地享受到AI带给人们的便利。现在是个好时代，希望大家珍惜。
如何应对AI内卷
其实内卷就像大家一起去剧场看戏，前几排的人看得清楚，第三排的人看不清楚就站起来了，第四排第五排没办法，不站起来就看不到了，最终只能站起来。结果因为大家都站起来，反而没办法好好看戏了。
所以，抓紧时间，买最好的票，坐在第一排，就不会内卷了。
现在学AI、做AI的人是不少，但是企业或者高校真正需要的那种AI人才却寥寥无几。说白了，企业或者高校真正需要的是能够解决他们在实际AI项目中解决问题的人才。如果我们有能力去解决这些问题，那么内卷就不会发生在我们身上。
那么我们怎么做才能解决他们的问题，坐在AI的第一排呢？最重要也是最有效的方法就是打好AI基础知识。很多人，可以说是大部分人看不起AI基础知识，比如CV领域的传统数字图像处理方法，像算子和滤波等；再比如经典的神经网络结构，比如VGG和ResNet等。大部分人都喜欢或者热衷于跟风最新paper和最新源码，也没有深入地去理解。火的论文我们必然去研究，但前提是我们应该把前面所说的基础知识打牢再去研读新的paper，这样我们就有很大的可能去做算法优化，也有更大的可能去做工程优化。这样的能力才是企业和高校需要的。总的来说，摆脱内卷，有效的方法是–在扎实的AI基础上提升能力。在技术上，还可以提升某一种语言的coding能力（比如Python）。
最后，希望大家都能成为坐在AI剧场第一排的人。
标签：人才,AI,问题,感知机,神经网络,聊聊,内卷 来源： https://blog.csdn.net/KaikebaAI/article/details/119205187