AI
人工智能人才短缺，科技巨头们想用 AI 再造 AI
编者按：谷歌等公司正在寻求通过自动化的方法来处理人工智能专家短缺的问题。谷歌的设想是，类似 AutoML 这样的项目，将能帮助企业构建他们自己的AI系统，尤其是那些没有深厚 AI 经验和实力的企业。据估计，如今具备能自我开发 AI 系统的人才的公司，全球不超过 1000 家，但其他更多公司却拥有开发 AI 系统所需的数据。
研究者的梦想，但也许是高级程序员的噩梦：可以建造其他人工智能的人工智能。
谷歌领导工程师之一 Jeff Dean 重点介绍了名为 AutoML 的项目。 ML 是机器学习的缩写，可以通过分析数据自行学习执行特定任务的计算机算法。 AutoML 是一个学习构建其他机器学习算法的机器学习算法。
通过 AutoML ，谷歌可能很快就会找到一种方法，可以部分地取代人类创建人工智能技术，构建人工智能系统，许多人认为这是技术行业的未来。
该项目是众多将最新的 AI 技术带给更广泛的公司和软件开发人员的努力之一。
科技行业正在创造一切的可能性，从可识别人脸的智能手机应用程序到自动驾驶汽车。 但据估计，全世界只有 10000 人拥有建立复杂、神秘数学算法所需的教育、经验和才能，以推动这种新的人工智能。
包括谷歌，Facebook 和微软在内的全球最大的科技企业每年向 AI 专家支付数百万美元薪资。人才短缺不会很快消失，只因为掌握这些技能需要多年的努力。
业界不愿意等待。企业正在开发各种工具，以便更容易开发 AI 软件，包括图像和语音识别服务以及在线聊天机器人等。
微软公司副总裁 Joseph Sirosh 说：“我们遵循计算机科学和所有新型技术相同的道路。”Joseph Sirosh 最近公布了一个帮助编程人员建立深度神经网络的工具，这种计算机算法推动了 AI 领域的最新发展。 “我们正在消除很多繁重的工作。”
这不是利他主义。Dean 这样的研究人员相信，如果有更多的人和公司从事人工智能的研究，将会推动他们自己的研究。与此同时，谷歌、亚马逊和微软这样的公司看到了 Sirosh 所描述的趋势中赚钱的机会。 他们都在销售云计算服务，帮助其他企业和开发人员建立人工智能。
中国创业公司 Malong 的联合创始人兼 CTO Matt Scott 表示：“这是真实的需求，而现有工具还不能满足所有的需求。”
这就是谷歌开展 AutoML 项目的原因。 谷歌 CEO Sundar Pichai 在今年十月发布了 AutoML。
Dean 说，最终，这个项目将帮助公司建立人工智能系统，即使不具备广泛的专业知识。 他估计，今天只有几千家公司拥有合适的 AI 人才，但有更多的公司拥有必要的数据。
他说：“我们希望将成千上万的公司从解决机器学习问题中解脱出来。”
谷歌正在大力投资于云计算服务，帮助其他企业构建和运行软件的服务，预计将成为谷歌未来几年的主要增长动力之一。 在网罗了大量世界顶级 AI 研究人员之后，它有了启动这个引擎的方法。
神经网络正在加速人工智能的发展。 工程师不用一次一个的手工构建图像识别服务或语言翻译应用程序，而只需一行代码，工程师就可以更快地构建一个自学习任务的算法。
例如，通过分析大量传统技术支持呼叫中的语音，机器学习算法可以学习识别口语词汇。
但建立神经网络不像网站或普通的智能手机应用程序。它需要重要的数学技能，极端的反复试验以及直觉。 独立机器学习实验室 Element AI CEO Jean-FrançoisGagné 将这一过程称为“一种新型计算机编程”。
在建立神经网络时，研究人员在一个巨大的机器网络上进行了几十次甚至数百次实验，测试一个算法如何学习一个任务，如识别图像或者从一种语言翻译到另一种语言。 然后他们一遍又一遍地调整算法的特定部分，直到他们解决了一些有效的东西。 有人称之为“黑暗艺术”，因为研究人员很难解释为什么他们会做出特定的调整。
但是通过 AutoML，谷歌试图将这个过程自动化。它正在构建算法，分析其他算法的发展，学习哪些方法是成功的，哪些是不成功的。 最终，学习建立更有效的机器学习。 谷歌表示，AutoML 现在可以构建的算法，在某些情况下，比单纯由人类专家构建的服务更精确地识别照片中的对象。
这个项目背后的谷歌研究员 Barret Zoph 认为，同样的方法对于语音识别或机器翻译等其他任务最终也能适用。
这不是一件容易的事情，但这是人工智能研究的重要趋势的一部分。专家称之为“学习的学习”或“元学习”。
许多人认为，这种方法将大大加快人工智能在网络和物理世界的进展。 在加利福尼亚大学伯克利分校的研究人员正在研究一种技术，使机器人能够根据他们过去所学的知识来学习新的任务。
教授 Pieter Abbeel 说：“电脑本来就是为我们发明算法的。 电脑发明的算法可以很快解决许多很多问题，至少这是希望。”
这也是一种扩大人工智能的人员和企业的方法。 这些方法不会完全取代 AI 研究人员，比如谷歌公司的这类专家，仍然需要做很多重要的设计工作。 但是，我们的信念是，只需要少数专家的工作就可以帮助大量的人建立自己的软件。
卡内基梅隆大学研究员 Renato Negrinho 正在探索类似于 AutoML 的技术，今天还没成为现实，应该在未来几年实现。 “这只是时间问题。”
原文链接：https://medium.com/the-new-york-times/building-ai-that-can-build-ai-7a0546be97bf
编译组出品。编辑：郝鹏程
AI
技术型“狼来了”：AI到底会不会抢走我们的工作？
编者按：本文来自微信公众号脑极体（unity007）。
时近年末，科技界的大小会议开始井喷。
参加了不少人工智能领域的会议之后，我发现了一个标准的AI论坛套路：宣传海报上要提问AI会不会毁灭人类；主持人开场时候要讲AI政治取代人类；圆桌会议时候一定要问每位嘉宾哪些工作会被AI给取代…
我想，以上可以称之为标准的“AI吓死你套餐”。
当然了，有这样的情况也不奇怪。在国外，有马斯克这样的网红企业家每天在推特上提醒人类AI的威胁；在国内，媒体和布道师们动不动就要说AI又可以干什么什么了，又有哪些人要失业了。加上根深蒂固的影视文学印象，“AI要干掉人类”这件事似乎就这样一遍遍被灌输到普通人的脑海里。
但事实果真如此吗？
也许有必要从更大的结构上来看AI与人类的关系了。当然，这里要先说明一点：人类对AI的恐惧来自两个方面，首先是AI会否成长出自己的智能，从而取代人类；其次是AI的能力提升后，会不会挤压自己的工作机会。
第一个问题说实话还非常遥远，从现在到某个AI奇点之间的不可知因素还太多太多。即使AI会觉醒，那也是若干世代之后才应该担心的问题。就像银河系终究将和其他星系相撞一样，就算必然会发生，也不关我们什么事。
如今我们主要应当思考和回答的，是AI到底会不会夺走我们的就业机会？
永远无法阻止技术的滚轮型前进
马云在乌镇谈AI，用了这样一个例子：清朝抵制铁路的原因之一，是担心沿线挑夫会失业，影响社会稳定。结果也确实是这样，挑夫们真的失业了，但是铁路在今天创造了200万直接就业机会，他们比挑夫赚的更多、工作更体面。而且更重要的是，铁路给整个社会经济带来了深远和结构化的影响。
这就是技术的滚轮型前进。
当某种技术应用开始大规模部署在社会中的时候，必然有一些旧有岗位被淘汰，也必然有一些新兴工作诞生。循序往复，人类才能在生产力的数字曲线上越走越远。
个进程是永远无法阻挡的，但是却可以顺应和利用。举个例子，假如某个高人极其热爱BP机产业（不知道还有没有人记得这东西了），一生谨守BP机修理这个工作不放，那么现在他大概早就饿死了。但是如果他敏锐的抓住了技术更新换代的节奏，依靠BP机业务建立起的客户、渠道和经验，先人一步进入手机和智能手机产业，那么不出大问题的话，应该已经赚得盆满钵满。
类似的情况可能也发生在我们面对人工智能的时候。我们看到了一些数据关系类、模糊识别类的工作正在快速被AI取代。但是同样也应该看到，人工智能产业正面临着巨大的人才和配套服务缺口：数据清洗与管理、针对AI的非技术岗位、智能化与传统业态的结合等等，都急迫需要大量劳动岗位来满足发展需求。
此消彼长之下，人工智能究竟是夺走了工作机会，还是创造了工作机会呢？恐怕兼而有之，重要的是人本身，要懂得睁开眼睛，张开怀抱。
就像马斯克每天吆喝着AI要夺走人类工作，但他旗下以及投资的企业却一刻也没有停止过对AI的探索和利用。无论他的话究竟目的何在，至少他的所作所为，已经很诚实的告诉了我们该如何对待AI。
机器智能化对实体经济的加持，会比互联网大很多
车轮效应之外，我们或许还应该看到AI的一些全新特点。
回想一下，互联网兴起的这些年中，一直没有缺少传统企业与实体经济从业者对互联网的指责和诟病。认为互联网抢走了就业，带走了社会机遇等等。
结果呢？结果证明互联网是拥抱和改变世界的捷径。无数年轻人因互联网而获得了人生第一份工作，无数创业者用互联网实现了梦想，无数普通劳动者因快递、外卖、家政服务等互联网相关产业的兴起而丰衣足食。
从社会的大层面来说，互联网绝不是抢夺者。而到了AI这里，传统经济与新兴技术之间最后的鸿沟也许消弭。互联网兴起时实体经济感到惶恐，是因为自己没有机会加入这个局面，但AI却能够通过机器识别、IoT、可视化技术等各种各样的方式进入传统企业当和实体经济内部。在效率聚合、连接可能性和商业精准度等层面帮助传统企业进入全新的轨道上。
从这个角度看，AI相比很多技术变革来说是更温和、更友善的。它确实会快速消除一些工作的存在必要性，但却可以让更多的工作——尤其是经济结构稳定、辐射更广阔人群的制造业、能源业和农业——获得工作质量与效率、收益的提高。
相比于某几个显性的AI表征，更多的AI技术是后端化和渐进性的。机器的智能化，将对实体经济产生巨大的加持作用，从而让这些领域的从业人群受惠。
当你发现你家乡的老工厂，因为AI而焕然一新，亲戚朋友可以依靠更智能的机器降低劳动量，获得更好收入的时候，你真的能硬起心肠敌视AI吗？
AI重构，可能是给基础层劳动者的礼物
我们在讨论AI抢夺就业的时候，脑子中浮现出的第一个画面，大概是城市里到处都是跟人类长得差不多的机器人。服务员、快递员、建筑工人全都是机器人，于是我们开始恐惧，平民百姓又不懂AI技术，在这个世界中如何自处？
其实吧，这个画面中有很多逻辑漏洞。比如干嘛要设计跟人类一样的机器人呢？那成本多高效率多低啊？人类真正设计并投入使用的飞机轮船汽车，其实没有一个是拟人化设计的。因为人类作为一种最充沛的劳动力，是没有必要设计机器去替代的。
其次，我们想象的还是具有独立意识，却又系统封闭的机器人。任何一种AI技术，都是设计来满足人类需求，增强与人类交互的。别说独立意识的机器人造不出来，就算能，也不会去做自行其是的机器人。
以上是希望说明一个简单的道理：AI真正到来时，可能跟我们被电影、漫画灌输的情景并不一样。
比如说上面说的普通人不懂AI的问题。事实上，假如没办法让普通人更好的理解和交互，那么这个AI技术显然还不够成熟。
之所以要用知识图谱、机器学习等方式让AI来模仿人类的思维和智慧，本质上是希望人可以更好的指挥、运用和修正机器。而不是为了让机器驾驭人类。
恰恰与想象中相反，大量自然交互方式加持的AI体系，以及完备的数据可视化技术，可能会成为信息技术首次面向普通人开放的大门。
举个例子来说，一个每天早上给饭馆送菜的小老板，他不知道哪些地方最需要自己商品，不知道接下来什么会涨价什么会降价，也不知道每天出行应该怎样规划路线，遇到天气问题该如何调整等等。他每天的工作只能靠经验摸索，有时靠运气，有时靠天意。
假如他想让这一切都靠谱一些，用技术解决问题，他应该怎么做呢？自学计算机科学、统计学、物流学、经济学，然后自己分析城市交通和市场供需的数据？这显然不现实。
但假如AI分析城市交通、物流和市场指数的系统比较成熟，并且形成可视化化交互机能。一个普通人就可以直观看到整个城市的物流交通和经济流动数据，从而做出让自己效益最大化的选择。
AI把多元数据和信息集成化展现，把原本需要复杂学识门槛的技术用自然交互方式释放出来，都是让复杂的东西简单了起来。
中产阶级和高端人群本身就是各种技术的受益者。而AI带来的技术交互门槛降低，最重要的受惠者，却是那些在信息时代无法触碰技术红利的普通人。
试问，除了AI，又有哪种技术能在可见的时间轴中为他们服务呢？
对于大多数人，AI是公平的。
结束语
以上这些分析，只是希望指出AI的进程中，我们可能不会轻易想到的另一面。当我们惊异于自己的工作快被AI替代时，却很少看到我们能拥抱AI获得更好工作的可能，也没有意识到AI给更多劳动者带来的实惠和惊喜。
并不是说AI不会抢夺工作，任何新技术都会抢夺工作。问题是我们应该认清AI抢夺工作这件事的真正力度，不要被假象和片段蒙了双眼。
就像对于病毒和医学的认知，不是为了让我们每天担忧疾病和死亡，惶惶不可终日。而是为了让我们活得更好，获得健康和快乐。同样的道理，AI这个“狼来了”的故事绝不是为了让我们躲入洞穴不敢出门，或者24小时扛着刀枪准备跟狼决一死战。而是为了让我们做好准备，准备迎接变化和可能的发生。
要知道，只要时间足够长，不仅狼会来，狮子老虎大象鲸鱼都会来的。只要有足够的准备和积极的心态，这些东西就不是夺走你家园的猛兽。反而会让你成为一个出色的猎手——甚至开个动物园也说不定。
AI
（长篇报告）2017全球人工智能人才白皮书：解读世界顶级AI牛人的秘密
人工智能竞争以顶级人才为根本。作为国家未来的发展方向，AI技术对于经济发展，产业转型和科技进步起着至关重要的作用。而AI技术的研发，落地与推广离不开各领域顶级人才的通力协作。在推动AI产业从兴起进入快速发展的历程中，AI顶级人才的领军作用尤为重要，他们是推动人工智能发展的关键因素。
因此，上至发达国家政府，下至科技巨头AI创业公司，无不将AI视为提升自身的核心竞争力的根本性战略。能够引领AI发展的顶级人才，环顾全球，尚不足千人，自然成了供不应求的抢手货。
能够引领AI发展的顶级人才，环顾全球，尚不足千人，自然成了供不应求的抢手货。
然而，人工智能领域人才分布极不平衡，全球AI领域人才约30万，而市场需求在百万量级。
其中，高校领域约10万人，产业界约20万人。
全球共有367所具有人工智能研究方向的高校；
每年毕业AI领域的学生约2万人，远远不能满足市场对人才的需求。
在这种供需极其不平衡的形势下招募团队，大公司比小公司有优势，国际巨头公司比大公司有优势，在某种意义上，国家比国际巨头还有力量。
美国人工智能领域的人才无论从数量、质量都要远超其他国家，虽然中国政府已经将人工智能上升到国家战略层面，但是仍然不能立即改变我国AI人才供需严重不平衡的现状，对此，我国应从政府，企业，高校，协会多种途径实现我国人工智能领域三步走的目标。
第一篇：美国主导下的全球AI人才发展现状
第1章 全球AI人才发展概况
当前，上至发达国家政府，跨国互联网巨头，下至研究机构、AI创业公司，无不将AI视为提升自身的核心竞争力的根本性战略，并预期AI将深刻改变人类社会生活、改变世界。
在国家战略布局方面，许多国家均有战略部署。其中，美国、中国、英国和日本各有特色。美国布局完备，领先各国一大步；中国则聚焦战略发力，积极扩充人才规模；英国则稳步推进，力求争先；而日本希冀通过机器人战略，打造超智能社会5.0。
▌ 1.1 四国AI战略布局对比
美国在AI战略方面布局完备，体现了高度的战略前瞻性，领先各国一大步。
首先，美国从顶层设计入手，规划了比较完备的人工智能发展战略。其次，美国政府设立专职负责机构，推动人工智能落地。再次，美国在AI人才方面举措超前，构建了完备的不同层次的人才梯队。
中国提出AI发展规划，谋求成为世界中心。中国政府将人工智能上升到国家战略层面。2017年7月，国务院印发《新一代人工智能发展规划》，明确指出新一代人工智能发展分三步走的战略目标，到2030年使中国人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。
英国要成为最适合发展和部署AI的国家。英国在人工智能道德标准及政府监管研究领域一直表现积极， 英国政府2013年就将人工智能列为八项伟大的科技计划。2017年10月15日英国政府发布了报告《在英国发展人工智能》，目标是使英国成为世界上最适合发展和部署人工智能的国家。
日本推行机器人战略，提出超智能社会5.0（略）。
▌ 1.2 全球AI高等教育对比
科技的发展核心之一在于研发人才的数量和水平，而这一条件取决于国家的人才培养体系，即教育系统。完善系统的教育体系能够为科技发展强力续航，提供源源不断，规模庞大的专业人员和研究人员。
目前，全球共有367所具有人工智能研究方向的高校，AI领域的人才数量约有10万人。其中，有6000多名AI领域的学者，以及7万余名AI相关专业在读硕博研究生以及其他。每年AI相关领域硕博毕业生约2万名。
在这367所高校中，美国拥有168所，占据全球的45.7%，独占鳌头，加拿大、中国、印度、英国位于第二梯队。
人工智能领域学术能力排在世界前20的学校中，美国占据14所；排名的前八个席位都为美国所占据。雄厚的学术研究实力，帮助美国在人工智能领域取得了首屈一指的地位。而其他国家，在学术能力上与美国差距巨大，如何发展AI教育，是值得思考的问题。
第一，高校AI专业设置：国内高校的AI起步较晚
第二，国外高校AI专业招生：关注理科素质，综合评判
第三，国外高校AI课程设置：计算机科学是基础
▌ 1.3 全球AI产业人才分布
目前，全球人工智能领域中，产业人才约20万人，大部分分布在各国初创企业和科技巨头中。
从国别来看，AI产业人才主要分布在美国、中国及其他国家的企业中。
以在初创企业工作的AI人才为例来看。截至2017年6月，全球人工智能初创企业共计2617家。美国占据1078家居首，中国以592家企业排名第二，其后分别是英国，以色列，加拿大等国家。
其中，美国1078家人工智能初创企业约有78700名员工，中国592家公司中约有39200位员工，只有美国的50%。
美国人工智能初创企业主要以1-10人和10-50人的团队为主，这种小型团队共759个，占据全美的70.41%，是美国AI初创公司的主力军；中国人工智能初创企业主要是10-50人的团队，总量384个，占据全国的64.86%。可以说，美国的小型创业团队规模比中国小。在需要同等技术的情况下，美国团队的平均能力和可创造价值高于中国团队。
由于AI产业大量的核心技术和资源掌握在科技巨头企业手里，因而引领AI产业发展的人才，除了高校，很多也聚集在科技巨头中。
在AI人才队伍建设方面，科技巨头内部出现了一些新变化,例如，专门设立AI研发团队，传统研究院也正向AI研究院转型，面向产品和技术应用项目的团队不断涌现。
各巨头还将挖掘AI人才的触手伸向了国外。例如拥有多伦多大学、蒙特利尔大学等AI研究重镇的加拿大，吸引了大量AI人才聚集，因此，谷歌、微软和Facebook先后在加拿大成立了AI实验室或办事处。
第二篇：全球AI顶级人才全景图
据估算，目前，全球AI研究及直接从业者约有30万人，主要分布在高校、AI新兴企业、科技巨头以及其他领域。其中，高校约10万人，产业界约20万人。
从这30万人中，我们筛选出其中各领域顶尖人才近千人进行了较为详细的调查和统计后，筛选出有代表意义的人才进行了“画像”，包括：学术领域204人，领先企业81人，科技巨头50人，投资人24人。
第2章 四大领域顶级人物画像
▌2.1 学术领域：顶级学者画像
筛选的一个重要指标是，他们自2006年至今，在人工智能领域顶级会议上发表过30篇以上论文，以及其他指标。
从统计来看，这些学者分布于全球4个大洲12个国家的53所高校，其中位于美国的学者最多，占总数的63%。
其中，有35位华人，占总数的17.2%，他们之中又有12位任教于清华大学、北京大学、上海交通大学、香港科技大学等国内高校。
就研究领域而言，这204位学者有的研究偏底层的机器学习、人工智能算法，也有的研究与现实应用更为贴近的计算机视觉、自然语言处理、机器人等方向。
2.1.1年龄：活跃学者以中青年为主
对比研究各领域学者年龄可知，人工智能、计算机视觉、机器学习、自然语言处理这四个领域学者年龄差距不大，而研究机器人的学者年龄偏大。
2.1.2性别：女性比例极低
在学者性别方面，男性学者在AI领域占比远超女性学者，男女学者比例约为7:1。女性学者主要集中在美国、加拿大以及英国。
虽然女性占比较少，但所取得的成就却巾帼不让须眉。例如MIT计算机科学和人工智能实验室（CSAIL）主任Daniela Rus，在机器人领域尤其是自动驾驶方面做出了杰出贡献。
2.1.3地区：主要分布于北美（略）
地区分布上，学者主要分散在北美、欧洲、中国、日本、新加坡、澳大利亚等国家。
2.1.4教育经历：学者们多毕业于CS四大名校
统计学者的毕业学校，发现他们100%都拥有博士学位，而他们之中的大部分都毕业于美国高校。其中从卡耐基梅隆大学、斯坦福大学、加州大学伯克利分校、麻省理工大这CS四大名校学走出的学者比较集中。
2.1.5专业背景：98%的学者拥有CS或EE博士学位（略）
2.1.6学界与业界：学界业界联系紧密
在AI的细分领域中，学者人数最多的领域是机器学习，其次是计算机视觉、机器人和自然语言处理。总体而言，学者越来越多地拥有双重身份：一方面在学校进行研究，另一方面也服务于企业，为人工智能领域做出更贴近产业的贡献。在其中，有52名学者在企业界担当首席科学家、技术总监等职位，有17名学者创办过自己的公司。可见人工智能领域学界和企业界联系紧密。
▌2.2 领先企业：顶级企业家画像
领先企业的数量和体量，也是衡量一个国家产业发展水平的重要标准。
从全球领先的人工智能企业出发，我们筛选出49家全球领先的人工智能企业作为分析主体，包括两家上市企业，独角兽企业，部分被巨头收购的AI创业公司和人工智能转型公司。他们的融资额均在一亿美元以上。
这些带领公司构成了全球人工智能产业的金字塔尖的企业级画像如何？
2.2.1全球超过一半领先企业诞生在美国
美国拥有领先企业数量位居第一，共有26家，占据总量的53%；
中国位居第二，拥有12家，占据总量的24%。总体来看，中美两国处于发展的第一梯队,与其他国家拉开较大差距。
2.2.2 创业场上80后独领风骚
顶级企业家的年龄相对年轻。约50%的企业家年龄不超过40岁，其勇气和魄力可见一斑。44%的人年龄分布在40岁到60岁，只有不到6%的全球领先企业创始人年龄在60岁以上。
2.2.3国籍：中美企业家数量最多，美国优势明显
从企业家的国家分布来看，81位企业家中拥有美国国籍的有43位，占据了一半以上，中国国籍的有17位，位于第二，英国有6位，位于第三。华人数量一共20位，约占总人数的1/4，华人在AI全球领域扮演着重要的角色。
2.2.4 高知云集，超过2/3的硕博占比（简）
▌2.3 科技巨头：顶级实验室负责人画像
科技巨头公司的研发团队是一股不容忽视的力量。我们从全球十大科技巨头中，统计了21个实验室，总计50位负责人。他们中超过90%的人拥有博士学历，男性为主占据总体90%，并且74%的人年龄在50岁上下。
2.3.1 AI巨头研发团队（略）
在收录人才水准在一定标准线之上的情况下，企业搜集的研发人才越多，研发能力就越强。
数据说明：以上仅为估算值
2.3.2 AI研发团队负责人画像
✦ 男性占绝对优势，60后和70后是主力军
巨头企业AI技术负责人中男性以90%的比例占绝对优势，且1960年代和1970年代出生的人为主力军（分别占36%和38%）。这不难理解，60后和70后在38-57岁之间，正当创造力和经验合力最好的年龄；而50后的资深人士渐渐退出工作一线； 80后年轻人才因欠缺团队管理经验而领导力不足。
✦ 中国人和美国人居多，英国人、印度人、法国人也不少
按出生地统计，巨头AI团队负责人的主要出生国家为中国（32%）和美国（26%），两国人数超过了总体的一半以上。另外，英国人（8%）、印度人（8%）、法国人（6%）的占比也显著高于其它国家。
但美国对AI人才的吸引力远高于中国。在中国工作的AI团队负责人的出生地全部为中国；而在美国工作的中国人却为数不少。
▌2.4 投资人
2.4.1 富有远见的投资机构
截至2017年，全球AI领域投资规模前13名的投资机构均由中美两国独占，其中中方占有4家投资机构，占总量的30.77%，美方占有9家投资机构，占总量的69.23%。单从投资机构数量上来看，美国投资界对AI领域的关注度要大大超越中国，显示其更加看好AI领域的发展前景。
AI领域投资规模前三名分别是IDG资本、创新工场、AME Cloud，其中IDG资本在AI领域的投资规模占到各个机构投资总额的25.6%。
2.4.2 投资人画像：（简）
从投资人国籍分布来看，24位投资人中美国国籍的有14位，占据了一半以上；中国国籍的有8位，位于第二；印度与马来西亚各有1位，并列第三。华人数量一共9位，占总人数的37.5%，华人在AI投资领域扮演着重要的角色。
AI领域投资人大部分为男性，24位投资人中仅有2位为女性，男性在AI领域占据着绝对优势。
▌2.5 本节数据来源及补充说明（略）
第三篇：中国AI人才市场为何一将难求
2017中国AI人才供求研究
当前，人工智能领域的竞争，主要体现为人才之争。我国AI人才以80后作为主力军，主要分布在北京、上海、深圳、杭州、广州，人才需求量也以这些城市居多。
根据相关数据显示，中国592家公司中约有39200位员工，而中国对于AI人才的需求数量已经突破百万，但国内AI领域人才供应量却很少，人才严重短缺，中小企业招聘更加困难。
此外，企业对于AI人才的招聘门槛相对较高，硕士成为最低门槛，偏爱双一流院校毕业生，专业以计算机、数学、物理为主。
第3章 AI人才需求现状
▌3.1 供不应求，人才需求爆炸式增长
▌3.2 京沪浙粤，北京需求呼声最高（略）
▌3.3 马太效应，中小企业数量多而需求小
▌3.4 企业重学历，大专学历仅占1.1%
第4章 AI人才供应现状
▌4.1 供应飙升，缺人现象却更加严重（简）
保守估计，截止到2017年10月，我国人工智能人才缺口至少在100万以上。而且，由于合格AI人才培养所需时间远高于一般IT人才，人才缺口很难在短期内得到有效填补。
▌4.2 学历分布,本科硕士为主（简）
▌4.3 谁有优势？双一流大学占九成（简）
此外，海外留学生也成为补给国内AI人才的重要一环。
从留学国家来看，人才分布高度集中，前五国留学生占到了总数的八成，依次为美国、英国、澳大利亚、新加坡和日本，其中仅美英两国占比就接近六成。
第四篇：中国AI企业如何拼抢AI人才？
第5章 对企业招聘的影响：高价求才
（简）
▌5.1 平均月薪2.58万，招聘薪资水涨船高
过去3年中，AI相关岗位平均招聘薪资正以每年近8%的速度增长。
到2017年，人工智能岗位平均招聘薪资已达2.58万元，远高于一般技术类岗位。
从薪资分布上看，近八成岗位招聘薪资超过2万元，五成职位招聘薪资突破3万元，还有1.9%的企业更是开出5万元以上月薪吸引顶级人才，而标注的月薪还只是薪酬福利的一部分。
我们注意到，几乎50%人工智能岗位的职位描述上会提到为员工提供股票期权，部分巨头更是会将解决户口作为吸引牛人的重要手段。
可以说，为争抢优秀人才倾其所有已成为所有AI公司正在做的同一件事情。
除了高昂的起薪外，AI人才薪资成长率也极为可观。数据显示，AI人才前5年的薪资复合增长率达到16.9%,远高于其他互联网职位。五年以上工作经验的AI人才月薪普遍在4万元以上，部分核心岗位人才，前3年薪资增幅更是突破25%。利用高薪资涨幅锁住AI人才，降低流失率已是业内的一个普遍做法。
▌5.2 高层亲自出动，争抢人才白热化 （略）
▌5.3 主动降低门槛：老鸟渐少新兵吃香
AI人才需求激增，合适牛人数量稀少，迫使企业不断降低工作经验门槛，甚至不惜从零培养人才。
数据显示，近2年，企业对AI人才工作经验要求不断下降。
2017年，有30.4%的AI职位工作经验要求为三年或以下，较2016年增长9.5个百分点，其中一年以内的实习生占比已达6.0%。较2016年提升4个百分点。
特别是创业公司，由于在抢人竞争中往往处于明显劣势，更倾向降低门槛来增加应聘该岗位的人才数量。
第6章 对人才应聘的影响：待价而沽
▌6.1 平均期望薪酬何以低于平均招聘薪资
▌6.2 语音识别、机器人领域大受追捧（略）
▌6.3 大厂有魅力，价低也要去
注：公司规模是指企业的整体规模，并非研发人员数量
▌6.4 AI人才如何胜出？掌握复合技能
我们观察到，AI人才掌握的技能宽度和深度均在逐渐提高。2017年求职的人工智能人才中，有68%的人掌握至少3种技能，较2015年增加了10个百分点。
目前简历中最常出现的技能包括spark、深度学习、算法研究、Hadoop，Python等。
第7章 AI对工作岗位的冲击与机遇
▌7.1 冲击：低技能职位难以为继
近些年来，在云计算能力指数级增长、数据驱动能力渐强的作用下，人工智能在多个领域方面取得了显著进步。技术的飞速发展，不仅改变了很多行业原有的生态环境，也搅乱了低端劳动市场人才结构，大批简单、重复性和标准化程度高的工种，面临被首先淘汰的命运。根据目前职位发展现状，我们列举了一些已从数据层面上反应出来正受人工智能冲击的职位。
7.1.1 录入员、速记员、文字秘书负增长
随着语音和图像识别精准度的飞速提升，人工智能在文本录入领域的发挥空间愈发广阔，留给录入员、速记员的工作机会及发展空间越来越窄。
7.1.2 翻译人才即将负增长
7.1.3 仓储管理出现36%的降幅
7.1.4 客服2017年首次呈现负增长
▌7.2 革新：高技能的新职位爆发式增长
▌7.3 热潮：大批技术人才转战AI
第8章 AI人才未来发展预测
（略）
第五篇：中国之路怎么走？
AI人才严重短缺。中国尤其短缺。中国未来的AI人才队伍如何建设，是个非常值得关注的问题。中国人工智能产业的崛起，不光需要依靠研发费用和研发人员规模上的持续投入，还应该加大基础学科的人才培养，尤其是在算法和算力领域，只有投入更多的科研人员，不断加强基础研究，才会获得更多的智能技术的创新和突破。
国家已经将人工智能上升至国家战略的层面，并提出了三步走的战略目标，国家可以从政府、企业、高校、协会四条路径实现该目标。
政府主要是提供政策扶持，具体措施包括增加高校招生、吸引归国高端人才、政策倾斜、完善法律法规和行业标准。
企业则应把握产业大趋势，结合自身情况，找准发展方向，实施校企AI人才联合培养，建立长期人才储备，此外，企业可以开展企业公开课，帮助中小企业转型升级。
高校方面则应推动高校开放政策的实施，拥抱企业、提高AI科研经费，大力发展交叉学科。
协会应当促进协会发展，构建产学研合作新模式、完善交流平台，形成成果转化体系。
第9章 中国AI人才队伍建设路径探讨
（简）
▌9.1 政府层面
2017年7月份，国务院印发《新一代人工智能发展规划》，将新一代人工智能发展提高到国家战略层面，提出了分三步走的战略目标。到2030年人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心，智能经济、智能社会取得明显成效。基于上述目标，有如下路径可供探讨。
9.1.1 增设人工智能一级学科，提高新生人才数量
人工智能的竞争是人才与技术的竞争，但我国目前人工智能人才远不能满足需求，基础理论成果与美国有一定差距。所以，人才是我国实现战略目标的重中之重。要增加人工智能人才，一方面可以通过自己高校培养，另一方面可以引进国外高端人才。
9.1.2 吸引归国高端人才，AI千人计划刻不容缓
国外引进人才方面，一是引进人工智能领域国际顶级科学家，二是引进优秀青年人才。通过特殊政策、渠道，充分利用现有的“千人计划”等人才计划，吸引海外人才，带回国外先进技术，促使中国产业技术突破。同时可以通过薪酬补贴等方式激励企业、高校引进人工智能人才。
9.1.3 给予人工智能产业适当政策倾斜
发展企业方面，需要国家给予企业政策方面的支持。对人工智能中小企业和初创企业给予优惠的财税政策，例如税收减免，研发费用加计扣除政策；鼓励传统企业例如家电家具产业向人工智能产业升级；针对行业巨头和“独角兽”企业，在保证安全的前提下实现数据开放，合作成立国家实验室等。
▌9.2 企业层面
9.2.1 把握产业大趋势，找准发展方向
企业应该了解国家的发展方向和战略方向，再和整个产业的发展方向相结合，结合自身优势，找准自身的发展方向。企业还可以通过参加人工智能业界的交流会来获取业界的最新动态。同时，也可以去美国硅谷等人工智能企业集中的地区取经。
9.2.2 联合高校培养AI人才，建立长期人才储备
校企合作是解决人工智能领域的应用型人才巨大缺口的重要方式，企业在业界的积累将为人才培养释放出巨大的能量。具体而言，企业可以与学校共建人工智能专业和课程，设置科学的人才培养体系与教学方案，参与学校实验室与配套环境的搭建，在供给一定数据的同时，发布部分需要解决的问题让学生与教授尝试去联合解决，在业界经验有机融入到学校中去同时，也提供学术为产业贡献的机会。
9.2.3 开展企业公开课，帮助中小企业转型升级
在人工智能领域，领先的巨头企业可以尝试开展企业公开课，向中小企业传递前沿理念和企业布局，担任产业转型升级的思想启蒙导师。在传播产品，扩大企业影响力和提升社会形象的同时，促进中小企业进步。
▌9.3 高校层面
9.3.1 推动高校开放政策实施，拥抱企业
学术要走出象牙塔，促进科技成果转化。
9.3.2 提高AI科研经费，大力发展交叉学科
科研经费对于科研项目的成果的影响不言而喻，提高AI科研经费可以支持成立更多项目组和课题组，让更多的教授和学生获得更大的发挥空间，促进科研成果的诞生和量产。
另一方面，人工智能及其相关专业应该大力加强和其他专业的联系，发展交叉学科。在不同知识体系和数据背景下，发现新东西，提出新思路，发觉新方法。利用人工智能的学习、筛查等能力帮助传统学科焕发新生。
▌9.4 协会层面（略）
结语：人工智能是机遇还是威胁
AI
AI只是巨头的“玩具”？中小企业主应用AI可以在5个方面受益
人工智能（AI：Artificial Intelligence）和机器学习（ML：Machine Learning）常常与谷歌和亚马逊等技术巨人联系在一起，因为这些大公司创造了最流行的机器学习平台。由于高效的人工智能/ 机器学习解决方案需要大量数据来训练，小公司因为这些昂贵的成本，往往不愿意将人工智能融入他们的业务流程中。我认为这些担忧被夸大了，现在把你的小公司变成一个全面的数据驱动公司，可能比你想象的更容易。为了证明这一点，这里有中小公司如何启动AI的五个简单技巧。
智能的CRM
CRM系统旨在通过不同渠道（例如电子邮件、电话、社交媒体）收集有关消费者的信息，为销售人员提供一个集成的环境，以便管理与当前和潜在的消费者互动情况，并自动营销和指导行动。
如今小企业可以受益于Salesforce平台提供的智能功能。2016年，Salesforce推出Einstein AI平台，它允许开发者将AI功能整合到Salesforce的CRM应用上。Einstein AI可以帮助中小企业记录电话交谈、电子邮件、社交媒体帖子和客户评论内容，进而分析消费者情绪，评估客户反馈，并据此调整营销和组织活动。利用这些平台，小企业的销售人员可以更好地了解客户意图，查询自动获取的销售线索，最终达成个性化营销。借助人工智能CRM，小企业可以从客户数据中自动获取更多的信息，使他们的营销和销售团队更高效，消费者更满意。
目前国内市场中，CRM服务商销售易和百会CRM（Zoho中国）都提出了智能CRM概念，但是其智能能力多集中在相似客户推荐和优化重复性工流程等方面，对客户动态理解等方面还存在能力缺失。Salesforce推出的Einstein AI平台，在管理和分析客户内容方面，更类似国内一些营销云的功能，对inbound（域内流量）和outbound（域外流量）进行分析。
智能客服解决方案
如何高效的提供客户服务是保持客户满意的关键组成部分。然而，客户服务质量可能随着枯燥和重复性的工作而恶化，客服人员希望专注于提供独特的支持消费体验。
为了使客户服务更高效，小企业可以将AI能力集成到内部客户服务系统中。例如，像DigitalGenius（结合人工和智能的客服，2016年获得410万美元融资）这样的企业，可以帮助客户通过邮件、社交网络、短信、聊天界面管理客服咨询。以人工智能的方式自动回答问题，或者快速将回答建议分配到人工团队，由人工修改后回答客户问题。通过在客户服务中使用人工智能，小型企业可以从根本上减少重复问题和平均处理时间，从而达到提高员工和客户满意度的最终目标。
DigitalGenius定位服务于SMB，支持接入Salesforce、Zendesk、Oracle等主流客服平台，国内缺乏类似模式的智能客服企业。不过智能客服在国内是相对成熟的领域，企业有几十家可以选择，比如Udesk今年11月份推出了智能客服大数据平台Udesk Insight；阿里网易七鱼的“一触即达”功能，可以让智能客服机器人具有上下文理解、多轮会话能力，在智能能力表现上都可圈可点。
智慧营销
有效地管理营销预算往往需要深厚的专业知识，这就给小企业带来了额外的人力成本。幸运的是，现在的小企业可以通过人工智能解决方案来有效地使用预算。小企业可以委托Acquisio（以机器学习技术管理中小企业的广告）管理营销活动和营销业务，Acquisio通过多种渠道（如广告、脸谱网、Bing），分析广告表现并做出合理的建议，最终在PPC（按点击付费）效益最好的渠道分配预算。
利用多重算法分析客户与市场竞争对手之间的关系，这样的人工智能营销解决方案可以让小公司找到最好的营销策略，并大大减少CPC（投放的广告被点击，需要支付一定费用）要付出的高昂成本。智能商业工具和预算支出的合理管控意味着节约了额外的市场营销人员成本。
国外数字营销领先国内很多，比如Adobe、Hubspot等企业体量多在数十亿美元。国内数字营销的领先者是BAT等企业，比如阿里妈妈智能营销引擎——OCP“X”（包含OCPC、OCPM），以超大规模机器学习，智能计算每一个PV的流量价值，从而合理出价。
智能的竞争情报供给
当友商产生或者更新的内容达到每一天几百字节，便可能很难追踪他们的策略。但了解竞争对手和市场趋势，对于保持竞争力至关重要。
幸运的是，像Crayon这样的人工智能竞争分析工具可以帮助你解决这一难题。Crayon可以在不同的渠道（网站，社交媒体，网络应用）跟踪你的竞争对手，与强大的自然语言处理和商业指标相结合，分析其价格变化、微妙的信息修改和公关活动，这种功能可以让小企业更好地了解竞争对手的战略变化。此外，AI使竞争情报包括强大的分析功能，可以即时识别竞争对手产品的缺口，弱点和长处，及时反馈来调整自己的经营策略，防止被竞争对手超越。
据了解销售易近期发布智能CRM产品，可以智能整理企业客户的雷达图，包括企业体量、业务方面多维度信息聚合体现。另外会提供客户业务和人员变动信息，提醒商务人员适时关注这家企业。但与Crayon Data能分析竞争对手的优劣点及战略调整，还是本质不同，遗憾的是在国内并没有发现能提供类似功能的公司。（Crayon Data类似一些舆情大数据公司，但国内舆情公司多应用在政务领域）
成熟的智慧商业解决方案
如今，小型企业可以将AI工具嵌入到涉及数据的业务流程中。利用最先进的倾向性分析、分类和预测算法，小企业可以立即从他们的任何数据中提取有用的商业见解。
例如，像Monkey Learn（文本机器学习服务商）这样的人工智能工具，小公司可以在谷歌表格、CSV和Excel数据中使用倾向性分析和实体提取等方法，而无需任何编码。它易于集成，而且该平台还支持自动分类、标记和处理票据，以及对入站电子邮件和其他通信信息进行分类。该系统还可以用来分析产品的评论，分析其中实用的商业见解并将其提炼成有用的报告。所有这些特性，将节省小企业审查其相关数据所需的成本和时间。
将企业内部数据处理自动化，是当前的大数据领域比较火的一个领域。在文本数据挖掘方面，相关的案例有达观数据帮助大型企业自动化整理内部的文档资料，将合同文件结构化。如Monkey Learn对企业多种资料和外来信息进行分析理解。目前国内类似的服务商很稀缺，因为提供这种服务的技术门槛高，部署过程复杂。
当前AI /ML市场蓬勃发展，中小企业有更多的选项来启动他们的AI策略。小型公司可以使用便捷的接口和高效的机器学习功能，将他们的数据和工作流程接入到智能平台，而不是雇用科学家和营销专家做额外的工作。与商业智能相结合的工作流自动化将节省小企业的时间和成本，同时使他们在新兴的数据驱动经济中保持竞争力。
本文翻译自：https://www.entrepreneur.com/article/302655
AI
【2028：AI创造了哪些工作】未来10年21个核心工作岗位
来源：cognizant.com
编译：费欣欣
【导读】Cognizant信息技术公司资助进行了一项调查，根据今天可观察到的主要宏观经济、政治、人口、社会、文化、商业和技术趋势，提出了21个将在未来10年内出现并将成为未来工作基石的新工作，从个人信息交易员到人体器官开发师，我们的生活正在被自动化和人工智能改变，报告还到了AI业务经理、IT自动化设计师，说不定未来你就将从事这样一份工作，一起来看。
关于人工智能对未来经济的影响预测有很多，从生产力大幅提高到整个经济完全湮没。很显然，没有人真正知道把能够自主思考的机器引入生活将如何塑造我们的世界。
但是，至少初步看，我们有一些保持乐观的理由：根据本月Glassdoor经济研究公司（一个分析劳动力市场的网站）的调查，由于人工智能的兴起，已经有不少新的就业机会/职业岗位被创造出来。
这些新的工作都是什么呢？你可能很容易想到AI软件工程师、数据科学家和AI项目经理。没错，在这些与AI相关的工作中，最常见的是AI软件工程师，占Glassdoor调查的512个人工智能相关工作岗位的11％。
同时，其他技术水平较低，与AI关系不是那么直接的岗位也在不断涌现。Glassdoor调查中还给出了bot撰稿人，他们专门撰写用于bot和其他会话界面的对话，以及新的用户体验设计师，这类工作主要产生自智能音箱和虚拟个人助理这样的新兴市场。研究知识产权子系统的律师以及报道人工智能的记者，这些岗位的需求也在增多。
另一方面，在日益自动化的世界中，又是谁在招聘这些人，驾驭劳动力市场的狂潮呢？答案主要是科技公司。在Glassdoor的分析中，排名前四位的分别是亚马逊、英伟达、微软和IBM，富国银行也榜上有名。
未来10年21大工作岗位：未来社会工作的基石
今天我们要介绍的，是由Cognizant信息技术公司资助进行的调查，他们专门制作了一份有关AI相关工作未来图景的报告，统计了未来10年21个关键工作岗位，报告根据“今天可观察到的主要宏观经济、政治、人口、社会、文化、商业和技术趋势，提出了21个将在未来10年内出现并将成为未来工作基石的新工作”。
未来，工作将发生改变，但不会彻底消失。许多工作岗位将被淘汰，许多工人将努力适应他们所理解的“工作”的消失，并且发现很难适应他们不了解的工作。转变将是痛苦的，对我们所有人来说转变都不是一件容易的事情。但是，没有工作的世界是一个幻想，与托马斯·莫尔的“乌托邦”无异。
作者指出，他们在编写本报告时设想了可能在当今可观察到的主要宏观经济、政治、人口、社会、文化、商业和技术趋势内出现的数百个工作，考虑了诸如人口增长、人口老龄化、民粹主义、环境保护主义、移民、自动化，以及量子物理、人工智能、生物技术、空间探索、网络安全和虚拟现实技术等多方面综合原因。
他们考虑的工作种类也确实五花八门：碳元素培育师（carbon farmers），虚拟形象设计师，加密货币套利者，个人数据交易员、人体器官开发者，教机器人英语的人类教师，机器人理疗师，机器人美容顾问，藻类农民，自动驾驶车队停车员，Snapchat成瘾治疗师，城市垂直农场农民，以及Hyperloop施工经理。报告表示，“这些都是年轻一代接下来可能从事的工作”。
报告中给出的21种工作都有望在短期内（未来十年）大幅增加，成为生活中常见的职业。作者表示，他们相信这些工作都将创造大量的就业机会。
走向2028：下一个十年或许你就将从事这样一份工作
下图展示了技术含量从低到高的21个职位，下面我们做简单介绍。了解更多可以下载PDF（英文）：https://www.cognizant.com/whitepapers/21-jobs-of-the-future-a-guide-to-getting-and-staying-employed-over-the-next-10-years-codex3049.pdf
技术含量（低到中等）
陪散步/陪聊（Walker/Talker）
数字裁缝（Digital Tailor）
健身坚持顾问（Fitness Commitment Counselor）
个人记忆收藏管理员（Personal Memory Curator）
虚拟商店导购（Virtual Store Sherpa）
伦理资源经理（Ethical Sourcing Manager）
高速路控制员（Highway Controller）
AI业务开发经理（AI Business Development Manager）
人机协作经理（Man-Machine Teaming Manager）
IT自动化设计师（Bring Your Own IT Facilitator）
个人数据交易员（Personal Data Broker）
技术含量（中到高等）
基因组合总监（Genomic Portfolio Director）
金融健康教练（Financial Wellness Coach）
首席信托官（Chief Trust Officer）
数据侦探（Data Detective）
虚拟城市分析师（Cyber City Analyst）
AI辅助医疗技术人员（AI-Assisted Healthcare Technician）
增强现实旅游开发商（Augmented Reality Journey Builder）
边缘计算主管（Master of Edge Computing）
量子机器学习分析师（Quantum Machine Learning Analyst）
按照出现的时间，未来5年将出现的工作：
数据侦探
IT自动化设计师
伦理资源经理
AI业务开发经理
边缘计算主管
陪散步/陪聊
健身坚持顾问
AI辅助医疗技术人员
未来10年将出现的工作
虚拟商店导购
个人数据交易员
个人记忆收藏管理员
增强现实旅游开发商
高速路控制员
基因多样化官（Genetic Diversity Officer）
最后，我们选取几个未来5年即将出现，并且与新智元读者群最接近的工作做简单介绍：
数据侦探：与组织中的个人和团队合作，调查物联网终端、设备、传感器、生物识别监视器、传统计算基础架构和次世代边缘计算、雾计算等生成的数据，给出有意义的业务答案和建议。目前，这些领域收集的大部分数据都是未经检验的。优秀的数据侦探将类似侦探一样，“到数据所在的地方去”，追踪数据所讲述的一切。好奇、无情、有韧性，懂得迂回外交，从来不接受“No”作为答案。
IT自动化设计师：经验丰富的业务IT专员，整合IT与数字化工作场所，领导创造利用数字化趋势的工作环境。工作目标是创建一个自动化的自助服务平台，让用户选择所需的应用程序，以及构建虚拟助理来改善员工的敏捷性、生产力和参与度，同时保持数据的控制、安全、治理和合规性。在这个角色中的人将创建一个持续可见的系统和供企业用户，包括员工、客户和承包商随时随地使用的工作环境，包括移动和桌面系统以及应用程序和服务。
AI业务开发经理：定义、开发和部署有效和有针对性的计划，以加速基础广泛的销售和业务开发活动。与销售、市场营销和合作伙伴团队密切合作，为客户和合作伙伴定位人工智能服务，并就公司已有的人工智能服务、平台、框架和基础设施实现的价值主张和收益提供指导。此外，还将定义和推动组织加快对AI客户和合作伙伴机会的销售和合作伙伴管理参与度。作为AI BDM，你还需要负责将从业务中收集的数据和信息综合为简洁的结果，为产品和销售团队（包括高级管理人员）提供战略性见解和有说服力的成果和观点。
边缘计算主管（MoEC）：向CIO汇报，确定物联网路线图，评估技术要求、建立边缘处理单元的可行性，并衡量投资回报。MoEC将负责创建、维护和保护边缘计算环境，设计和开发硬件和软件，彻底检查现有网络基础设施的可靠性、效率和延迟性，并平衡网络和互联网络中的负载转移。此外，MoEC将通过区分应存储哪些类型的数据来建立云端关系，确保解决方案的可扩展性并解决边缘（城域、半城市和农村以及移动设备）。
了解更多，可以下载阅读这份在未来感中满是现实意味的报告：https://www.cognizant.com/whitepapers/21-jobs-of-the-future-a-guide-to-getting-and-staying-employed-over-the-next-10-years-codex3049.pdf
AI
当HR碰上AI，这里有一个“三步走”计划
当工业革命开始的时候，科技带给我们的价值是机械的自动化和劳动生产效率的提高，劳动力的构成也因此而变得多元。随着2000年电脑和互联网的普及，不仅信息处理的效率飙升，我们也打破了物理环境的局限，实现了信息的连通性和人才的流动性。
但技术红利给我们带来的生产力增长在2008年金融危机后就到达了瓶颈。而最近得以发展的传感器，人工智能，机器人等新兴技术会给我们带来怎样的变革呢？一个人平均需要3到5年的时间才能适应一次非连续性的技术突破，一个企业对于技术变革的适应只会更久。
当科技让世界扁平，企业可以通过快速复制达到巨大规模的时候，单个个体通过科技赋能所产生的力量也已今非昔比。世界的中心从商品转向到了人才。但同时我们也观察到，一个成熟企业随着员工数量的增多，创造力却在不断下降。随着业务发展速度的加快和组织形态的日益复杂，企业意识到了人才的吸引力和组织结构的敏捷性尤为重要。在人力资源的工作中，我们看到了一些可以用科技去重新定义的机会，HR在企业应对技术变革时可以起到的作用也至关重要。
理智与情感兼备，才是好的HR
理智，指的是用数据驱动的思维去发现，理解和解决问题。2016年美国企业在HR Tech投入比2015年增加了46%，到达140亿美金的市场规模。那么HR只有对日新月异的硬科技保持敏感，才能更早地让企业从传统的工作流程和陈旧的管理方式中转型，比如考勤打卡和KPI绩效考核。
情感，指的是工作中所产生的情绪和感受。我们在工作中和同事待在一起的时间远远超过和父母孩子相处的时间。员工对工作体验的期望会越来越高，他们希望有多元的文化，技能的积累和心灵的成长。如果把员工当做是上帝，那么HR这个产品经理，就要用心去设计每一个与员工交互的界面。员工期待的是简单流畅的体验，这就要求所有的企业服务走向消费化（Consumerization of Enterprise Software），所有以人员为基础的管理方式要转变为以人性为根本。
HR Tech的三个阶段
第一阶段：自动化流程和信息化集成
在这个阶段，人力资源系统做的事情是让公司的HR更加便捷地去管理公司员工。传统的SaaS主要是把人力资源的信息标准化，流程自动化。而新近的创业公司则在尝试用AI完成面试安排，会议时间协调等重复性高又标准化的任务。
第二阶段：关于人才的数据积累
企业的ERP存储了基于业务经营管理的数据，CRM记录了关于客户的数据，那么关于员工的数据，和人才的数据则应该统一实时地集中管理起来。
第三阶段：通过数据分析建造一个可以预测和辅助决策的智能系统
只有当构建了自动采集实时更新的数据库之后，智能的系统才能构建出来。对企业的经营做预测性分析且在重要的决策上起到辅助判断的作用。
AI+HR到底可以颠覆什么（Acquisition，Engagement，Analytics）
1. 人才招募Talent Acquisition
HR对招聘的理解早就不是招人这么简单，这是一场和业务部门肩并肩的全球人才供应链争夺战役。求贤若渴的企业不仅需要有人才大数据的支撑，还需要和人才之间达成使命感的认同和情感的连接。
-从手动到自动
1994年，Monster推出了世界上第一个招聘网站。23年后的今天，纷杂的招聘渠道和落后的简历筛选技术再次造成了企业与求职者之间的信息不对称。简历太多，HR筛不完；简历太少，HR招不到。候选人投递的简历往往石沉大海。而HR每天收到大量的简历中，符合岗位要求的却是寥寥无几。招聘中70%的工作时间都用来处理简历，包括要登录多个招聘平台，在人才库进行搜索和筛选。在美国招聘的人效早就到达了瓶颈，70%的公司都在使用第三方的ATS（Applicant Tracking Systems)来提高效率。
-从被动到主动
一个优秀的人才能为企业产生的价值远高于以往，以后的人才市场会是永久性的紧缺。好的人才都是被动求职者，他们不需要主动地去寻找工作。如果希望招募到最好的人才，公司就一定要脱离被动的筛查而转变为主动出击。同时HR也需要用市场营销的角度去思考，用社交化的手段去建立一个对人才有吸引力的公司品牌。美国创业公司Textio正在帮助HR润色职位描述和宣传文案。Textio分析了大量可以吸引更多候选人的用词和表达方式，从而对HR起草的招聘文案进行评分，提出修改建议。比如它会更换一些过时的说法，也会针对不同性别受众的文字偏好做相应的文案调整。
-从随机到精准
候选人的匹配远不止是技能匹配那么简单。即便所有公司都在招聘前端工程师的岗位，但最终不同的团队领导和公司文化所选择的候选人会各不相同。那么在众多的简历中，如何判断哪位候选人最适合当前的职位呢？我们的被投企业Celential.ai正在用机器学习的技术自动排序人才管道中的职位候选人。它会用自然语言处理技术分析候选人的简历，根据工作经历、表现、任期和流动率等信号对候选人和当前职位的匹配度打分。系统还会从简历数据库中学习成功的招聘案例，从而建立人才模型，更准确地预测候选人未来的表现。
-从线下到线上
在美国40%的求职面试都是通过线上完成的。传统的面试是一个主观和非标准化的过程。人工智能面试分析公司HireVue正致力于通过提取原始视频中的措辞、面部微表情等信号来评估候选人是否符合岗位需求。NLP技术用于分析候选人的回答，计算机视觉技术则用于解读表情和其他非语言因素，试图用组织行为学的心理分析做预测。这个筛选方式主要的卖点就是提高面试效率，针对大批量同质化高的初级岗位快速筛选出进入下一轮人工面试的候选人。但是这些测评方式的效果如何，目前并没有明确的结论。
2. 员工敬业度Talent Engagement
人才是一个企业真正的血脉。当招募人才变难的时候，防止人才的流失才是最好的招聘方法。根据哈佛商业评论的统计，员工在一个企业的平均工作年限已经缩短到3.8年，其中26.7%的员工会在第一年就主动提出离职。在拥有全世界最好员工敬业度数据的美国，也只有33%的人表示对自己的工作满意。如果说公司是你的产品，而员工是你的客户。那么我们用NPS的考核方式去看看，你的员工有多少会向朋友推荐自己的公司？又有多少人在工作中真的像招聘宣传图片里的样子？
公司信奉用户体验是第一位的，最好的用户体验就一定不是偶然发生的。在设计用户体验的时候，产品经理都会先去了解他们的用户到底是什么样的一群人，会有哪些需求。他们会和用户一起交流讨论去挖掘新的想法，会在实际的产品中不断的迭代和测试新的方案。我相信一个伟大的公司，一定会有一种自主，专业，又赋有使命感的员工体验，而这种体验一定不是偶然发生的。
-从To B到To C
美国创业公司Glint尝试用简短无记名的员工意见评估代替传统的员工满意度调查问卷，然后利用机器学习、自然语言处理和预测分析技术，生成报告来解读员工对公司管理、福利待遇和企业文化的感受，为企业提出改进建议。在To C的Yelp和IMDB里，我们见证了用户评分和评论的力量。今天的To B员工系统里，也从陈旧的填表演进到了只是让鼠标悬停在一个五颗星的框里就可以评分的反馈。在现代灵活而分散的组织形态下，如果能及时识别出这些“不开心”的员工，并提出相应的改善计划，就能够有效提高员工的敬业度。
-从亡羊补牢到防微杜渐
有88%的员工认为他们的入职体验很糟糕。通过自助服务和个性化体验，HR可以帮助新员工顺利开展工作。在候选人接受雇佣录取后，他们需要上传许多入职材料，同时对公司的规章制度还很陌生。HR大量的时间花在了处理这些琐碎的文案工作中。如果这些重复性高的流程细节可以交给聊天机器人，他们则可以专注于员工正在适应的新的工作岗位上。入职培训其实也存在着同样的痛点。如何在企业内部建立起知识图谱，给新员工推荐碎片化培训材料，并且依据学习进度推荐相关的内容也会是体验提升的重要环节。
3. 人才数据Talent Analytics
大部分关于业务的决策都是数据驱动的，那么关于人的数据呢？现在美国只有8%的企业表示，他们具备可用的员工工作数据。
-Hindsight读史以明鉴，管理层需要对过去的成功和失败有更清晰的认识
第一阶段的数据分析核心是可视化工具，提供和跟踪一个之前没有的数据集，比如用员工数据去做业务数据的相关性分析。大多企业现在只能看到核心HR数据和业务数据（比如营业额，任职情况，绩效评级），但以后会有更完善的组织关系数据（地点位置，员工协作，团队信息）以及个人工作数据（时间分配，情绪，健康）。随着这个数据集的不断扩大，管理层对经营成败和人员组织的关系会有更深刻的见解。比如为什么有些地方销售的生产力高，而有些分公司却出现欺诈盗窃的行为？
-Insight实时的数据，才能更好地支持日常快速的商业决策
平均而言，一个组织的生产力在绩效考核时会下降40％，因为整个团队都忙着填表，而不是专注于手头的工作。大家可能认为OKR很专业，Google采用OKR，但其实微软做的更彻底，直接取消绩效考核，采用反馈机制。这几年美国出现了像BetterWorks和Reflektive这样的实现考核自动化的软件，使经理和员工能够主动咨询对当前工作的反馈意见并分享数据讨论绩效目标，促进了反馈的真诚性和团队的士气。他们正从一种从自上而下，流程驱动的方法转变为一种更敏捷持续，基于反馈的方法。
-Foresight预测未来，辅助企业制定更好的商业战略
预测性模型可以发挥作用的地方有很多，比如柔性人员管理的需求。分享经济和众包市场改变了我们对劳动力管理的需求。从计划和安排人力，逐渐转移到根据需求预测来实时的调配人力。还有更多的数据分析包括预测高绩效员工的离职，并指出避免员工流失的最佳途径。创业公司Hi-Q Labs开发了一种仅通过外部数据（如居住地，上下班距离，职位，社交网络发布的数据等）就可以预测员工留存率的方案，号称比使用内部数据的预测更准确。管理者有了基于数据驱动的指导，帮助他或她了解最可行的保留高绩效员工的途径。
无论公司大小，人力资源中还有太多的问题，而我们知道的却太少。Gallup在美国2017年的员工调查中表示，在任何一个企业中平均51%的员工在找寻新的工作，79%的人认为他们的工作中缺乏指导。我希望更多的了解他们是谁和公司能做些什么。用AI取代HR是不可能的，现在的技术并不具备真正的智能，也没有社交协作和情感沟通的能力。但在写这篇文章的过程中，我很开心地看到创业者面对这些问题提出了很多独特的解决方案。期待更多的公司把AI融入到HR的环节里为所有人都重新定义一个更好的工作体验。
来源：金沙江创投
作者：张予彤
AI
未来5年AI应用报告 | 谷歌、DeepMind、英伟达科学家支招企业AI应用
编者按：本文来自新智元（ID：AI_era），原文来自reworkco。
ReWork的一份最新AI落地应用报告，阐述了企业该如何使用AI技术。谷歌的Ian GoodFellow、DeepMind的 Jörg Bornschien、英伟达的Kimberly Powell等知名AI研究员参与了这一份AI报告的访谈并发表观点。受访者认为，在接下来的几十年，深度学习模型的大小将呈指数级增长，我们将找到越来越好的神经网络架构和参数，达到甚至超越人类水平。
报告全文：http://reworkco.domain.com/WhitePaperShouldYouBeUsingAIInYourBusiness.pdf
人工智能（AI）正在变革它能触及的各行各业，从医疗保健到零售和广告，金融，交通，教育，农业等等。 AI的目的是什么？接手所有需要员工手动完成的工作，让他们腾出时间更有创意地完成机器不能做的工作。如今，快速发展的 AI 技术主要由大型企业通过机器学习和预测分析来使用。
人工智能不是一项未来的技术，现在当下的技术，没有采用的公司将被抛在后面。
本文将探讨人工智能在商业领域的应用，深入研究谁应该使用这些技术，并深入研究人工智能在各个行业的领军人物的研究贡献。包括来自学者，行业领导者，研究人员，首席执行官，创始人等等的专家意见，以评估人工智能对多个行业的影响。
受访者单位（具体名单）：
包括谷歌的Ian GoodFellow、DeepMind的 Jörg Bornschien、英伟达的Kimberly Powell等知名AI研究员参与了这一份AI报告的访谈并发表观点。
AI 快速增长的背后：技术、资本、企业
人工智能正在颠覆和改变它所触及的每一个行业。从商业运营和效率到创新的客户服务方式、医学研究的突破、更智能的交通系统和更有针对性的广告活动，这是当今世界不可避免的现实。不愿意采用AI的企业将落后，预计AI软件的直接和间接应用产生的收入将从2016年的13.8亿美元增长到2025年的597.5亿美元。(Tractica,2017)
“随着机器变得越来越智能，消费者将会期待24小时内的完美服务，到2025年，AI将会占到所有客户互动的95%，消费者在在线聊天或电话中将无法区分机器人和人类员工。”(Servion,2017)
得益于海量数据和日益智能化的算法，机器可以学习、说话、做出明智的决策，并以一种越来越有效的方式执行复杂的任务。这不仅推动了研究上的突破，而且在业界的实施也证明了AI在现实世界中的应用可能对各行各业的企业产生巨大的潜在影响，包括零售和广告、医疗保健、销售和市场营销、交通运输、旅游等。
图：AI的全球预计收入：2016-2025
是什么令AI的进步如此迅速？
AI需要庞大的数据集，而“真正伟大的科学与技术的惊人进步使我们能够收集到前所未有的数据”，从而使模型能够更快地学习。(Jasper Snoek，谷歌大脑)
目前的发展速度并没有被预见，比如OpenAI的Ankur Handa，并没有预见到在多伦多大学Geoffrey Hinton的研究团队发表第一篇卷积神经网络的论文之后，短短三年的时间里，CNN在ImageNet竞赛中实现了“超越人类的表现”。虽然这些进展迅速而且有影响力，但你的业务是否应该采用AI，这是需要考虑的。诸如成本、可用数据、行业相关性和人员配置，以及可能的ROI等因素是所有规模的企业需要考虑的因素。本报告后面的章节将为这些关键因素提供解决方案，以发现AI在行业中的影响，以及你是否应该在你的业务中使用这些技术。
谁在推动AI的发展？
不仅仅是科技巨头在引领了AI竞赛，还包括大学、风险资本家(VC)和内部研究人员。机构和行业专家的研究为企业将这些模型应用于他们的工作打开了大门，而针对AI的风投正在通过他们的资金来帮助研究取得突破。
下图：著名AI风投、学术机构和公司
AI的生态图景：模型、训练数据、硬件和人员
目前AI的生态图景四个方面：模型、训练数据、硬件和人员。新的模型（如生成对抗网络）正被广泛应用，并取得了巨大的成功；更大的数据集可以用来训练模型；硬件的改进加快了训练的速度；而且，这个领域的每一次成功都会吸引更多的人进入这个行业。(Ed Newton-Rex Jukedeck)
进步是持续的，但是对社会产生直接的影响需要时间和金钱来进行研究。数据的可用性、计算的能力、每个模型的训练周期和智能水平都有局限性。无监督学习的进步正在彻底改变商业应用程序，节省时间和金钱——2010年至2014年间，全球对人工智能技术的投资从17亿美元增长至149亿美元（Merrill Lynch，Bank of America，2016）。
虽然AI不是一个新的概念，但它变得主流的过程也已经花费了数年的时间，近几十年的发展速度是最快的。这意味着，由于我们目前使用arXiv和社交媒体进行传播的文化，新的进步很快就会过时。AI的“过度活跃”可能是破坏性的，这迫使企业重新考虑他们正在设计的产品（Hugo Larochelle，Google Brain）。
AI的发展带来了今天的模型：研究人员发现如何使用GPU来加速神经网络的训练。这些方法使得模型能够扩展到更大的数据集，并在对更小、更学术的数据集进行研究时实现更快的迭代。
DL社区开发了更好的开源库和用于深度学习的工具。例如，Theano在如何实现DL模型方面取得了突破，这启发了现在广泛流行的TensorFlow。
ArXiv和社交媒体已经成为宣传研究的主要真滴。这使得我们可以更快地迭代和构建其他研究人员的工作。(Hugo Larochelle, Google Brain)
如何在商业中应用这些进步?
ML总是受限于可使用的计算量。这些进步能够对现实世界的问题产生非常明显的影响，正如Ian Goodfellow说：
“2017年5月谷歌发布新一代TPU，这是一个大消息。新的谷歌TPU可以帮助缩小在DL实验中可利用的计算量和在生物神经系统中使用的计算量之间的差距。第一代TPU只对谷歌的工程师开放，而新一代TPU将对谷歌云的用户开放，并且研究人员可以申请免费获取。”
领先的AI使用案例，数据分析仍然是最大的场景，其次是销售，再到医疗
随着越来越多的公司（例如谷歌，亚马逊，微软）通过云平台在业务中使用人工智能模型，人工智能技术将持续被工业界和整个社会所接受。没有任何行业会被抛在后面，所有行业都被人工智能的进步所打破（Hugo Larochelle，Google Brain）。商业智能工具能够搜集、分析、转换和报告数据，从而提供有价值的洞察，并使企业将时间和金钱投入到正确的领域。那些努力与用户建立情感联系的公司将通过“有感情的AI”来提高客户满意度，毕竟，在现实生活中，人们的情商很糟糕，导致一系列无用的争端。当AI不受偏见影响的情况下接受训练，它能够提供比人类更合理的反应（Mikko Alasaarela，Inbot，2017年10月）
由于深度学习在数据准备、语音识别、文本理解、电脑游戏，网络安全等方面的应用，我们看到很多令人难以置信的结果。深度学习提供了人工智能历史上最大的性能飞跃（甚至可以说，计算机科学史），并使许多传统方法成为过去时。因此，在未来十年内，任何一个没有依赖深度学习的公司都将被抛在后面（Deep Instinct首席技术官Eli David）。
不仅科技公司能用AI，其他行业也将大量使用这种技术。以下是一些预测数据：
20%的商业内容将由AI生产。(Salesforce, 2017)
57%的用户期望2020年前，智能语音助手能在生活中发挥重要作用。(Salesforce, 2017)
鉴于亚马逊、Alphabet、IBM、微软在云计算的地位，下个十年之处，60%的AI 平台将被上述公司掌控。(IDC FutureScape, 2017)
2018年前，75%的开发者团队将把AI 运用在一个或多个商业应用或服务上。(IDC FutureScape, 2017)
2020年前，80%的客户服务将不需要人类介入。(Salesforce, 2017)
进程
关于AI“抢夺人类工作”的讨论很多，但这并不是第一次。在工业革命时期，机器使得工厂工人失业；互联网飞速发展，颠覆了各行各业。然而，这并不是行业的终点：工人学会了操作机器；记者利用互联网作为资源，而非阻碍。一个工作被摧毁了，无数的新机会被创造出来。 （福布斯，2017年）
Hugo Larochelle解释说，虽然我们无法确定AI和经济的未来， 历史上有一些旨在取代人类的技术发展的例子，但该行业的就业反而增长了。
对于一些高度依赖劳动力的行业来说，人工智能可能比人类更好。由于人工智能永远不会感到厌倦而且几乎不会犯错误，所以这将创造出研发机器的新职位。然而，需要更多人类智慧和情感的行业不可能完全被AI所改变。AI助手帮助人们节省了时间，也帮助我们做了更多聪明的工作。 （雅虎实验室研究科学家Miao Lu）。
人工智能现在远比之前更容易获得，即使对于计算机科学和人工智能领域以外的人也是如此，正如Hugo Larochelle所强调的那样，人工智能云平台提高了可访问性。对于高校来说，迎接人工智能的进步，停止只把它作为计算机科学研究生学习的一个狭窄的话题是非常重要的。
历史上，AI都是大公司在进行开发，因为要想从AI和ML中获得回报，需要大量的训练数据。
对于公司来说，获取这些数据意味着企业需要有一个既有的，成熟的产品，有很能吸引用户的地方，或者公司需要高额的财务支撑来购买交换的数据。今天，通过scale.api和亚马逊Mechanical Turk等平台将人类注释数据与成初创公司的需求相匹配，获取培训数据的成本大大降低。此外，许多平台即服务系统直接提供机器学习模型来输入数据集，如Amazon ML和Azure ML，可以帮助 AI / ML领域的创业公司启动。 （思科Vijay Ramakrishnan）
在GPU（和TPU）的帮助下，AI的计算能力变得非常之快，我们都知道，速度意味着生产力。生产力最终带来的是性能的改善。在速度之外，我们其性能的良好并且具有广泛的适用性。(Kimberly Powell, NVIDIA)
AI 能够让研究员聚焦于眼前的问题，而不需要花费大量的时间来创造新的工具解决新的问题。(Ian Goodfellow, Google Brain)
随着消费者在生活中需要更多的个性化和个性化定制，个人助理将迎合特定的品牌和需求，消费者将越来越期望迎合他们喜好的产品。(Kimberly Powell, NVIDIA）。企业不得不达到这样的期望，如果仅仅依靠人类劳动力，很快遇到天花板，增长将停滞。
考虑你的公司提供的服务和你目前遇到的挑战，无论他们是投资回报率，组织，效率，准确性，客户服务还是业务的其他方面。想一想AI可能产生的影响，不仅有你的日常活动，还有你公司的整体成功。
五年前，我曾和一个领导世界领先的计算机视觉小组的朋友交谈。在讨论深度学习时，他将其称为“另一种短暂的炒作”。今天，他的整个研究小组只关注深度学习，获得了惊人的突破，几乎没有使用过去几十年来其他任何传统图像处理方法。我认为，未来每一个行业的每一个领先企业在未来几年都会深深地依赖于深入的学习（否则就完全落伍了）。
虽然采纳AI的公司中，明显有力竞争者是“科技公司”，跨行业企业如果成功采用AI 技术，也可以看到以前使用的模型无法比拟的优势。由于需要大量标签化的数据，较小型的公司可能不敢投资长期的人工智能战略。许多企业无法拥有数据，但这并不是说建立一个成功的战略是不可能或不可取的。
目前从人工智能中受益的公司是那些已经拥有现有存档数据的公司，例如像互联网公司、获取增量数据成本较低的医院或企业。然而，收集训练数据或开发ML模型所需的时间正在减少。另外，Amazon AWS和Google Cloud ML等云基础架构服务减少了前期购买昂贵基础设施的需求，从而减少了中小型企业进入这一领域的障碍。 （思科Vijay Ramakrishnan）
业务优化
以前需要人工的任务，比如客户服务、数据管理、供应链管理和市场策略决策，都被预测将在未来5年由AI实现自动化（福布斯，2017）。很少有公司在这几个领域不依赖大量人力，但这样做开支巨大，因此使用AI模型是显而易见的。但是，引入技术很简单，但是优化提高效率让员工从好变到更好，需要靠优化（Ankur Handa，OpenAI）
在受访的200多家企业中，75%的表示将在接下来3年“积极部署”AI。全球接受调查的高管中，79%表示AI将让他们的工作变得更加简单高效。
健康医疗
在医疗领域AI的采用率正在上升，不仅仅帮助医生诊断，在新药发现和研究方面也有辅助作用。深度学习方法已经帮助分析师，在检测糖尿病眼睛疾病和癌症等特定场景下超越了人类医生。这些进展并不会取代人类医生和医疗专家，而是辅助他们让他们将更多时间用于攻克更棘手的问题，同时帮助降低错误率（Jasper Snoek，谷歌大脑）。例如，在美国，平均1万人有1名放射科医生，而在印度，就是平均10万人才有1名放射科医生。有了AI后，放射科医生将更加高效的工作，将精力集中在困难病例上（Kimberly Powell，英伟达）。Jasper Snoek预计，AI在心血管疾病领域也将得到应用，算法可以分析患者自己在家拍摄的EKG。
在医疗领域，DeepMind与NHS合作，开发机器学习系统识别眼盲症。Springer Nature报道，研究人员已经开发出“皮肤科医生水平”的皮肤癌分类神经网络。IBM Watson给出的医疗建议，99%的情况下与医生的建议相符合。
未来5年会发生什么？
Eli David，Deep Instinct：第一波最初的工作消失了，同时很多新的动作被创造出来，人类不再与AI竞争，而是与AI一同工作，完成如今完成不了的复杂工作
Raquel Urtasun，Uber ATG：因为有了AI，我认为未来会减少交通拥堵，出行不便的人更容易出行，城市绿化增加，公共交通的可用性也有所提高
Ankur Handa，OpenAI：我认为健康医疗、公共部门和政府因为AI而变得更加完善，这些都是影响人类生活重要决策制定的部门
Jasper Snoek，谷歌大脑：从离散数据源中新兴的技术和NLP将让我们能够分析医疗记录，发现症状，并预测医疗结果
Jorg Bornschien，DeepMind：在快速获取知识方面我们将见到很大的进展：少数据学习（few shot learning），在少数据学习中，生成器或判别器模型只需要从少数几个样本中泛化
Kimberly Powell，英伟达：更多企业将在他们自己的产业中部署AI，在业务中融入独特的用户体验。得益于AI的普及，各行各业的人都将用AI进行创新。
5年以后呢？
Eli David，DeepMind：真正的智能（人类及其他动物）研究有很强的证据表明，大脑里神经元的数量与智能程度呈正相关。这对人工神经网络也一样，尽管有人可能说，当前最先进的深度学习模型与上世纪90年代的神经网络非常类似，但两者的主要区别是网络中连接（synapses）的数量现在增长了100万倍。
由此我预测，在接下来的几十年，深度学习模型的大小将呈指数级增长，我们将找到越来越好的神经网络架构和参数，达到甚至超越人类水平。我认为这将在我们大多数人的有生之年实现。
缩写词：
AI
如果未来面试官是机器人，你该如何表现才能过关？
编者按：Krista Jones最近在Venturebeat发表了一篇文章，题为How to charm the bots in charge of hiring for your dream job，介绍了一下现在求职过程中AI的使用情况，并向求职者给出了一些建议。
人工智能正在迅速改变着医疗等行业，也可以真的帮助人们更好地生活，但希望与担忧同在，很多人担心AI会取代人类的工作。同时，商业届的现有AI平台加快处理进程的速度要比取代进程的节奏快很多。现在我们无法说出AI到底会有怎样的影响，世界经济论坛近期的一份报告预测自动化到2022年至少会取代5百万份工作。现在唯一清楚的是：未来人们的工作方式和公司看待员工的方式都在被AI改变。
除了一些重复性劳动，我们研发的AI技术在一些岗位中，可以让人和科技一同工作，比如招聘和人力资源。其实，数以百万的招聘人员正在用AI或Ideal这样的机器学习公司来扫描数千份简历和领英页面，以精确地挑选相关候选人。所以，如果你没收到面试电话，可能就是因为AI把你从可能的人才池中筛了出去。一个平台可能让你和理想工作擦身而过，而另一个平台可能会让你避开职业雷区。
要注意的是AI在人力资源领域内的用处早已超出挑选候选人这一件事了。Plum等AI平台会基于就业前针对某种行为的筛选问题，将候选人与公司匹配到一起。在招聘初期，它们可以完全不需要简历，只需要名字、教育和工作经历。它们对成功原因和成就的关注度是一样多的。同时，Knockri用视频来检验未来的雇员。这项技术通过视频回应评估了应征人的口头和非口头交流技巧。与传统的视频面试平台不同，AI工具保证了在筛选过程中，姓名、性别、种族、甚至是口音都不会影响结果。
未来，求职者必须要与AI一同找到合适的岗位，并与潜在的雇主一起迈出找工作的第一步。对想转行、找到更具挑战性的工作、或想让工资稳定的人来说，这种双向现实也带来了新的挑战。为了赶上这个节奏，以下是一些如何更好总结职业经验的建议，以让你更好地面对强大但没有心跳的简历阅读者。
挖掘你的创造性
如果你想进入一家用AI技术辅佐人力资源工作的新公司，你需要放弃简历设计的技巧。招聘者利用过滤软件寻找特定词汇来匹配岗位需求这件事已经见怪不怪了。太泛泛而谈和太新颖的简历会被机器忽略。
是的，创造性是有利的，但是要谨慎考虑。比如，若你是一个软件工程师，你可以在编程测试中发挥创造性，用简单独特的方式解决复杂问题。或者，若你是一个平面设计师，布局、调色和字体都是展现你风格和品位的重要指标。最后，求职者应该展示他们价值主张的独特方面，来突出自己。
学会和聊天机器人聊天
聊天机器人是招聘频繁的公司的第一道屏障。雇主经常会使用Karen.ai等服务来将应聘者分类。用一份简历投递多个职位的日子已经一去不复返了。在和聊天机器人主导的面试中和传统的求职信上，应聘者必须通过展示自身性格和总体职业路径，强调自己和所应聘的岗位之间的相关性。聊天机器人会通过与应聘者整个线上讨论的过程来进行评估。因此，应聘者在和聊天机器人聊天时要注意专业和聊天礼仪，以更有可能进入招聘的下一环节。
拥抱共同的职业未来
我认为AI辅助的招聘过程所创造的求职环境会保持下去。企业会更多地使用AI软件来将应聘者分类。这就意味着，应聘者需要直白清楚地写出自己的背景，用通俗地写出自己相关的工作经历。求职者在找工作的时候应做好准备，了解到AI也会像人类一样去了解他们，而不是仅仅列出自己的成就。最后，在面对拥挤的市场和越来越高的招聘要求时，求职者一定要知道如何让简历和申请表符合这些系统。
原文地址：https://venturebeat.com/2017/11/20/how-to-charm-the-bots-in-charge-of-hiring-for-your-dream-job/
编译组出品。编辑：郝鹏程
本文翻译自 venturebeat.com，原文链接。如若转载请注明出处。
AI
「高木学习」获千万级人民币Pre-A轮融资，AI智能学习平台如何验证市场效果
高木学习已于今年下半年获得千万级Pre-A轮融资。本轮融资由松禾资本领投，国内某民营教育机构、图灵人工智能投资、厚德基金跟投。
高木学习成立于2015年，是基于AI的K12个性化学习平台，目前已服务近300家教育机构、约20万中学生。
高木学习平台AI Tutor的理念是个性化学习。它的智能算法首先建立在教师经验总结的基础上，再通过采集、学习学生行为数据不断演进。就像一位人类教师从教学实践中不断积累教学经验一样，使用机器学习算法的AI Tutor也会越来越“聪明”。当学生在平台上训练时，AI Tutor可自动分析学生的学习行为数据来确定其知识能力边界，从而规划个性化的训练路径。
高木学习平台的一大特点是将学习心理学应用到个性化学习算法中，这样做的效果是，算法会根据学生的学习状态适时调整学习内容、节奏和难易度。学生完成练习后，平台会给出实时反馈，将学生取得的进步、成就进行可视化展示，从而增加学生的正面感受、激发学生学习的动力。
高木学习平台的另一个特点是，提分效果明显。个性化学习的理念在90年代就兴起，但迟迟没有普及，主要是效果无法保障。为此，在产品研发出来后，高木学习做了一项试验，它在多个省份、不同中学中选取65个班级，共计3000名学生来使用高木学习平台。结果表明，90%的学生年级排名平均进步约100名。刘瞻透露，这里面有些年级只有三四百人，所以，“进步100名并不是一件简单的事”。
在效果明显的前提下，今年，高木学习也得以快速商业化。
高木学习的主要盈利模式类似于SaaS，以向公立学校和培训机构销售产品获得营收，其中，公立学校客户数占比80%。
值得注意的是，一般面向 B 端尤其是公立学校的产品，容易遇到变现天花板、用户数爆发不如C端等问题。对此，刘瞻回应，目前高木学习面向的群体是初中生，他们面临着升学的压力，在时间、心理上都被限制在学校日程中，因此，要想获客就得先接上学校。而先进入学校也有一个好处：进入学校能让更多的使用者来为平台增加学习行为数据，从而为机器学习提供必要的材料。
随着产品和品牌的成熟，高木学习逐渐在学校之外拓宽市场。今年暑假，高木学习联合卓越教育等培训机构推出了AI双师辅导班，以构建常态化使用场景，完善服务闭环。这些班级在原来教师授课的基础上，加入“AI老师”课时，替代25%的教师课时。此举为教师减轻了工作量，同时也提升了学习效果。据刘瞻介绍，AI双师班的续班率高达90%，为培训机构增加了约30%的利润，高木学习收取10%-15%的分成。
本轮融资后，高木学习准备将业务扩展至不同年级、科目和一些职业考试。目前，高木学习已在着手研发初中物理和化学，此后还将推出面向小学和大学的个性化学习产品。刘瞻透露，开发面向小学生的课程后，高木学习可更灵活地开展2C业务。“小学生升学压力比较小，课外时间充裕，我们可以灵活地对C端推广产品。”
据悉，高木学习的产品研发人员占团队的75%左右，核心成员曾供职于巴克莱投行、帝国理工数据科学研究院、国安数据挖掘实验室、复旦大学心理学系等。
来源：36氪，作者：黄雪姣。转载或内容合作请点击转载说明，违规转载法律必究。
AI
AI进军招聘业，要如何应对求职中diss你的招聘机器人？
编者按：本文来自网易科技，编译：网易见外编译机器人。
随着人工智能（AI）技术的迅速发展，医疗保健、虚拟助理等行业也逐渐被改变，人们对AI取代人类角色的担忧也日益加剧。与此同时，在当今的商业世界中，部署AI平台的速度要比取代它们的速度更快。
虽然我们还没有确定AI技术的确切影响，但世界经济论坛最近发布的一份报告估计，到2022年，自动化将取代至少500万个工作岗位。今天有一件事是清楚的：AI正在推动人们的工作方式以及企业对未来员工的看法发生根本性改变。
除了承担重复性的任务外，我们还开发了许多有AI支持、与人类进行数字交流的技术，比如招聘和人力资源等。事实上，数以百万计的招聘人员目前都在使用像Ideal这样的AI和机器学习公司的技术，来扫描数以千计的简历和LinkedIn页面，以便精确地挑选出相关的求职者。
因此，如果你没有接到回电，那可能是因为AI将你排除在潜在的招聘范围之外。虽然一个平台可能会否定你在理想职位上的资格，但另一个平台可能会让你远离职业生涯的失误。
值得注意的是，AI在人力资源领域的效用远远不止于选择正确的求职者。由AI驱动的平台，如Plum，可以将求职者与公司的招聘职位进行匹配，目的是为了确定行为契合度。实际上，他们通过在招聘阶段记录的名字、教育和经验，完全消除了对简历的需要。他们会更多关注于你为何取得如此大的成功，并从你所取得的成就中寻找线索。
与此同时，Knockri使用视频来筛选潜在员工。这项技术通过视频回复来衡量求职者的口头和非语言沟通能力。与传统的视频面试平台不同，AI工具可以确保名字、性别、种族、甚至是口音都不会成为影响因素，从而帮助公司在短时间内找到最理想的求职者。
将来，求职者必须与AI系统合作，才能找到潜在的雇主和合适的职位。这一双重现实给那些想要换工作的人、找份更有挑战性工作的人或者仅仅是想要获得稳定收入的人带来了全新的挑战。为了跟上技术进步的速度，这里有些建议，以便帮助人类求职者获得那些没有心跳的机器都为之赞叹的简历。
1. 发挥你的创造力
如果你想要进入一家人力资源部门使用AI技术的新公司，不幸的是，你需要把简历设计技能留在家里。对于招聘人员来说，使用过滤软件寻找符合实际招聘信息的关键词是很正常的。那些看起来太普通或超出范围的简历会被机器人自动过滤。
是的，创造力可能是个优势，但它需要被考虑到。例如，如果你是一名软件工程师，你可以在编码测试中表达创造力，以展示一种独特而简单的解决复杂问题的方法。或者，如果你是一名平面设计师，那么在展示你的作品集时，布局、色彩搭配和字体选择是你的风格和能力的重要指标。最终，求职者应该以独特的视角来看待自己的价值，以便在竞争中脱颖而出。
2. 学会与机器人聊天
对于大多数拥有大规模招聘工作的公司来说，聊天机器人是他们的第一道防线。雇主通常会使用像Karen.ai这样的服务来筛选求职者。投递相同简历到多个职位的日子已经正式结束了。在由聊天机器人引导的面试过程中，以及传统的求职信中，如今的求职者必须将他们申请的特定职位的重要性放在优先考虑的位置上，而不是展示他们的个性或一般的职业轨迹。聊天机器人在整个在线讨论过程中对求职者进行评估。因此，他们需要以专业的方式与聊天机器人沟通，以获得更高的晋升机会。
3. 参与实习项目
企业实习现在已经成为大学教育的重要内容。但想象一下，你自己的项目可以让你测试潜在雇主，而不是反过来。绕过传统的雇佣策略是未来的方式，像Riipen这样的创业公司可以帮助学生避免痛苦的求职过程。该公司通过实习配对程序帮助学生获得最佳体验。AI正在幕后工作，让这个全新的人才精选通道成为现实。
4. 拥抱未来的职业生涯
我认为，向AI招聘的转变创造了一个就业搜索环境，而这种环境将会持续下去。企业将越来越多地使用基于AI的软件来对求职者进行分类。这意味着求职者需要用直白的语言来描述他们的背景，使用通用的语言来展示相关的工作经历。申请者还应准备进入招聘程序，让AI试图将他们理解为“人”，而不是作为一份成就清单。最终，对于需要面对拥挤就业市场和不断变化就业要求的求职者来说，了解如何为这些系统提供简历将变得势在必行。
扫一扫 加微信
hrtechchina
AI
AI
AI
AI
AI
AI
AI
AI
AI
AI
扫一扫 加微信
hrtechchina
