大資料工程師的崗位劃分包括大資料平臺研發、大資料應用開發、大資料分析以及大資料運維等，在當前的大資料時代，這些大資料相關的工作崗位依然有較大的人才缺口，隨著大資料技術的逐漸落地，大資料工程師的需求量會在未來較長的一段時間內保持一個增長的趨勢。

隨著大資料的發展，人工智慧領域也獲得了更好的發展機會，尤其在機器學習（包括深度學習）、計算機視覺和自然語言處理等領域都得到了大資料強大的支撐，一些人工智慧產品也在陸續運用到生產環境中，比如在物流、工業生產、醫療等領域都存在大量的智慧體。

隨著市場對於人工智慧產品的呼聲越來越高，不少科技公司都陸續組建了人工智慧研發團隊，所以近幾年人工智慧領域的專業人才獲得了更多的發展機會，薪資待遇往往也比較高。但是由於人工智慧領域的專業人才往往需要較長的培養週期，而且本科階段開設人工智慧專業的高校屈指可數，這就導致在未來較長一段時間內，人工智慧相關人才將長期面臨短缺的現象。

雖然人工智慧相關人才獲得了市場的追捧，但是大資料相關人才也依然是熱點之一，大資料人才的發展空間也比較大，隨著產業網際網路的發展，大資料相關人才將在廣大的傳統行業發揮出巨大的作用，因此大資料方向依然是一個不錯的選擇。

最後，大資料和人工智慧的關係非常密切，不少人工智慧研發人員都是從大資料轉過去的，所以大資料也是通往人工智慧的重要途徑之一。

首先大資料這個技術是成熟的技術，有成熟的開源平臺，解決方案，技術路線。所以一個公司要從事大資料的業務，僅僅需要招聘合適的工程師，按部就班，核心僅僅是處理大資料業務。

而人工智慧屬於最前沿的技術，根本處於探索階段。

首先能掌握最底層的深度學習技術的公司就寥寥，能應用大公司學習模型處理業務的公司其實也十分有限，我仔細看過阿里雲的深度學習模型，發現要用他來做一些簡單的人工智慧，我根本不知道從哪下手。這就是一項技術不成熟的最根本體現，因為工業化的特徵是分工與流水線，計算機技術同樣，如果僅僅依靠實驗室能做一個阿爾法狗，還遠遠達不到工業與商用的標準。

另外深度學習是否是人工智慧的方案分支還是方案核心，這不僅是一個技術問題，而且是一個理論問題。我想人工智慧的終極目標就是機器的自主意識，而意識的理論基礎尚需要人腦科學，神經學的支援，這些理論都尚在不斷的研究中，所以人類在沒有百分之百的弄清楚大腦與意識之前，不可能在人工智慧上有本質的突破。

所以現在的人工智慧公司，要麼就是個噱頭為了騙錢，要麼掛羊頭賣狗肉。當然也有勵志於底層研發的團隊，但屈指可數，也有少量希望在不成熟的平臺上做產品的公司，這其實很有風險，技術不成熟同時就意味著迭代速度很快，浪費資源，生產一些過時產品。