學習是一項艱苦的勞動，深度學習付出艱辛是可想而知的。眾所周知：無論是要掌握文化知識還是專業知識，學習都是必經之路。無論是全日制面授學習，還是在網際網路上透過網路學習，以及藉助書完全自學，都能有效地使頭腦知識儲備增加，掌握知識資訊量加大。再加上去粗取精 、去偽存真的進一步加工，把所學知識加以靈活運用。這樣對未來的人生一定會有積極促進作用。對未來發展前景也會有一定的促進作用。

深度學習無論從未來的就業還是輔助工作都將是非常好的。人類越來越聰明，越來越一樣人工智慧代替人類工作，而想要達到這個目的，深度學習就是必要的。

也許每個計算機科學家都夢想造出變形金剛一樣的人工智慧，但這幾年引起重視的“人工智慧”還是狹義的深度學習(或者說神經網路)。在算力和資料的幫助下，深度學習在影象/語音等領域取得了巨大成功；以神經網路為核心的外沿應用，諸如自動駕駛，機器人學也蓬勃發展。此外，在各種開源軟體/公開課的幫助下，深度學習門檻很低。也正因此，很多人湧入了這一鄰域，AI會議投稿翻了幾倍，各種AI公司也吸引了無數的投資者。

2016-17年大概是AI概念最火熱的時候，當時學界和業界都有很大進展：AlphaGo戰勝了李世石；Berkeley學者將DeepRL(深度強化學習)應用於機器人，開闢了一個全新的方向；自動駕駛公司雨後春筍般冒了出來，很多從業者認為1-2年後就可以取代人類司機。那時，不少人認為AI將會改變甚至顛覆很多鄰域：也許幾年後，道路上都是自動車，服務機器人進入千家萬戶，簡單重複的勞動會被取代。

我動筆已差不多2020年，三年後回頭看，好像人們對AI太樂觀了。幾家AI獨角獸集中在容易落地的方向(如人臉識別，監控)。這些方向市場飽和，這幾家公司也找不到新的增長點。而自動駕駛面臨各種各樣的問題，安全員依舊不可或缺，初創公司也倒閉了一批。DeepRL的應用侷限在棋牌遊戲一類可以大量生成資料的場景。對於機器人學，DeepRL在學界飽受爭議，在業界更是沒人敢用。

吳恩達說，AI是新的電力。但我個人以為，這一說法是不準確的。在電力革命之前，人們就已經對電磁現象有了深刻的認知。許多著名的定律，如歐姆定律和麥克斯韋方程，已經被提出。換言之，電力革命是“理論指導實踐”，電動機變壓器等重要發明離不開理論的指導。與之相對，深度學習是“實踐指導理論”：人們透過實驗發現新的演算法，如果實驗結果良好則給予經驗性的解釋。缺乏理論指導無疑限制了學界對於新方法的發現。過去幾年裡，雖然小的改動層出不窮，但主要的模型還是那麼幾種，深度學習還是隻能處理有限型別的資料。

也許用蒸汽機來類比深度學習，從性質上更為合適。但是改變人類生產生活的，並不是蒸汽機本身，而是蒸汽動力的紡紗機，火車，輪船等。如果深度學習可以被用來製造火車，輪船一樣對人類產生巨大影響的新發明，那也完全稱得上一場革命。但目前來看，深度學習遠沒有達到這種水平，也很難說有這樣的前景。如前文述，能落地的方向有限，頭部企業缺乏增長點，在事關安全的重要鄰域人們對神經網路充滿疑慮。

與此同時，一些消極的現象已經出現。就學界來說，深度學習的低門檻，短週期和高收入吸引了很多人；新從業人員的增加以及合格審稿人的缺失，導致了AI論文泥沙俱下，頂會含金量縮水；而人數帶來的激烈競爭和過時單一的評價標準，反而在鼓勵“灌水”。就業界而言，一個行業從業人員的待遇水平，除去泡沫以後，最終必然取決於這個行業整體所能創造的價值。那麼，深度學習所創造的價值，能不能撐得起那麼多演算法工程師，演算法科學家的高薪呢？我沒有統計過，但很難對此樂觀。

我不是說要把深度學習束之高閣。相反，我覺得深度學習應該像程式設計一樣被普及。因為深度學習入門門檻真的很低，python程式設計加上不超過大一水平的數學而已。換言之，每個人都應該知道，對於特定型別的資料，我們可以解決歸類，擬合，模式匹配等問題。反過來說，人們也應該明白，目前的“人工智慧”有巨大的侷限，資料並不萬能，我們離家政機器人都還差十萬八千里，更不用說天網和終結者了。

但如果想要深入研究深度學習，那相比“普及”可能就是另一回事了。以蒸汽機為類比的話，大概有兩個方向。要麼原理性的解釋神經網路，運用數學工具研究其性質，這類似熱力學定律之於蒸汽機；要麼應用神經網路發明像火車，輪船一樣改變人類生產生活的東西。而研究神經網路理論是一個數學問題，需要深厚的理論功底和孜孜不倦的思考，這並不“低門檻，短週期和高收入”，不適合大部分人。

對於神經網路的應用，也需要從兩個方面看待。對於一些簡單直接的應用，例如人臉識別，它們基本上已經落地(並且飽和)，剩下的工作主要在工程師而非研究員；而對於把神經網路應用於其他學科的研究，其核心與難點也不是神經網路本身，而是問題的提出，資料的準備，以及輸出結果的處理和應用。例如，前一段有些把深度學習用於資料庫的研究。在這些研究中，主要的創新在於問題的轉化，主要的工作則在於資料庫系統的實現。從事這些研究的，並不是一般意義上的演算法科學家(Machine Learning Scientist)。在他們的知識結構中，深度學習只是很小的一部分，所以對他們更準確的刻畫可能是“懂深度學習的資料庫系統科學家”。

也就是說，為了深度學習的發展，目前在學界可能更需要懂得深度學習的物理學家，計算機科學家，工程學家，而不是演算法科學家；在業界則更需要懂得深度學習的軟體工程師，硬體工程師乃至機械工程師，而不是演算法工程師。做一個類比的話，如果瓦特蒸汽機已經被髮明，那學界和業界可能更需要科學家卡諾(熱力迴圈)和發明家富爾頓(蒸汽輪船)，而不是第二個，第三個乃至第一千個瓦特。

前景應該是沒任何問題的，應該也是未來的主要發展方向。但是這個學習需要許多相關知識作為基礎，千萬不要為了熱而一頭扎進去。重點還是要看是否適合自己。

投入深度學習領域，大多數人最關心的除了成長，就是工作機會與薪資了

畢竟人工智慧被一致認為是朝陽行業

那麼深度學習就業情況，薪酬與空間，真的如想象一般完美嗎？

深度學習工程師就業路徑

目前，成為深度學習工程師有兩條路徑：一是透過春秋兩季的校園招聘，另一種是藉助社會招聘跨行業轉型。前述文章曾經將深度學習工程師分為演算法工程師、後端工程師和前端工程師。綜合目前市面上各大公司招聘和諮詢報告結果，目前工作3-5年左右的工程師為人工智慧的市場主力，而應屆畢業生更多還在成長之中。

深度學習工程師就業情況

小A同學，本科專業屬於工科，對深度學習有強烈的興趣，隨即選擇自學並同時報名培訓班，研究生畢業後，加入創業公司，但是後續的工作其實和深度學習沒關係了。

小B同學去年入職NLP自然語言處理方向的演算法工程師，本科到博士均是國內985大學就讀，後進入大廠最終成為了一名深度學習工程師，主攻演算法方向。

這裡大家就發現了，其實個例之間相差還是很大的。於是小PP縱覽招聘機構以及權威諮詢機構的報告，為大家分析總結了如下內容。

根據領英2017年《全球AI領域人才報告》顯示，中國在軟體、演算法、機器學習等基礎層研究人才佔總數的45.6%，細分領域來看計算機視覺是最大熱門領域，佔AI技術領域人才總比重6.4%；NLP佔總比重4.1%，語音識別佔總比重2.3%，自動駕駛佔總比重的1.1%。

那麼，不同規模的企業對AI技術人才又能下多大血本呢？

在此，根據各企業在招聘網站Boss直聘，今年上半年投放的語音技術演算法工程師招聘需求為例，觀察融資情況不同的企業給人才的底薪狀況並進行比較。

直觀可見的是，具備3-5年經驗的工程師薪資相對較高，基本可以達到月薪5萬以上。

此外，觀察職位描述可以發現：除了專業要和計算機、軟體工程相關，還需要對相關演算法和計算機語言有“研、究、開發和應用經驗”“較為深刻的理解”才能順利取得面試機會。

因此，想成功找到深度學習工程師的工作，技術過硬仍然是第一位，並非短期速成能hold住全場，

深度學習屬於人工智慧的前沿技術，是機器學習研究中的一個子集，是一種實現機器學習的技術，透過組合低層特徵形成更加抽象的高層屬性或類別特徵，從而對資料進行表徵。

說的更通俗些，深度學習從資料中學習，即自動從資料中提取特徵，然後再基於這些特徵完成相應的業務需求，比如分類，識別，預測等。現在深度學習已經向前邁出了一步，透過深度神經網路，深度學習可以自動提取對分類演算法比較重要的特徵，而不需要手動定義這些特徵。