就我國國內大環境而言，人工智能正處在急速發展期，但是相關人才短缺，因此我國人工智能工程師就業前景一片大好，薪酬水平很高。未來的職業發展肯定無可限量。嚴峻挑戰的是不能什么都依賴進口，要有屬于自己的真東西。
目前正在從事ai相關工作，從自己的角度講一下吧。
1 現在的人工智能并不是真正的智能，相比人類的大腦來說，連幼兒都比不過。目前的人工智能只能從很多先驗知識中學習一些強大且較為通用的規則，從而應用到一些類似場景中解放一些重復性勞動。它并不具備任何學習新知識的能力。
2 人工智能門檻降低，從研發角度來說，人工智能=數據+算法+算力，數據主要依賴一些第三方外包標注，算法的話只要學過高等代數就可以入局，對一般的大學生來說沒有任何門檻，算力其實就是cpu gpu機器，這部分長期被國外巨頭掌控，在國內基本沒有就業機會。因為門檻低，因此涌入的人越來越多，內卷極其嚴重。
3 缺乏業務場景，目前除了搜索，推薦，安防，翻譯等領域，基本沒有成熟的落地業務，像無人車之類的還在燒錢階段，最后能不能落地還么有定論，這也是ai四小龍集體啞火的原因。這么多年了，ai投資人的錢也消耗的差不多了，沒有資本進入市場，那么職位肯定會減少，不可避免。
去年一個醫院項目，長期收集病人肚子鳴叫聲音（腸鳴音），用了ai簡單算法（mfcc,NNs,lstm）做信號處理與特征比對。ai很有用，與場景和硬件結合做產品需要綜合能力。項目用到骨傳拾音陣列屏蔽噪聲，可穿戴低功耗硬件，算法轉c工程化。用框架并依托大廠資源（openvino，tensorRT很好但不夠）難做到靜水潛流，只懂算法也較被動。
2012年后的這次人工智能主要是因Yoshua Bengio、Yann LeCun、Geoffrey Hinton這三位大佬打造的深度神經網絡體系，移動互聯網的普及提供了大量數據，硬件成本下降使得單位算力價格降低，但是本質上還是基于統計學的，并不能算真正意義上的智能。
深度神經網絡的核心在于BP算法、SGD、小批量樣本學習，各種變種網絡大多是在層與層之間的權重、鏈接方式，神經元激活函數做文章。通過隱藏層的權重、鏈接方式、激活函數來產生大量特征，解決了此前需要專家知識構建特征的難題，拋開特征生成方式的其它內容和之前的算法并沒有多大區別。神經網絡的損失函數本質上是一個非凸問題，并不滿足KKT條件，數學界對它的認同遠不如SVM，但是架不住它在工業界的應用效果不錯。這也造成了這波AI變成了拼數據、拼算力、天馬行空的結構魔改的奇葩現象。
算法的落地上大部分是在圖像、文本、語音三個大類上。圖像層面具體體現在安防、交通、巡檢、OCR，這類項目大部分2G的，一般的公司根本拿不到；文本方面用的多的是智能客服、智障音箱、企業內部搜索殷勤（知識圖譜）、輿情分析、翻譯；語音上某飛的那個烏龍大家都懂的，具體產品上就是大家手機里面的語音輸入、錄音筆配套的音頻轉文字，應用場景和頻次也沒那么多。至于其它變相場景真夠嗆。
如果說有突破點，那大概率只有對抗生成網絡了，畢竟人家縮寫牛逼， 不要慫就是GAN.
最根本的原因是人工智能是錯誤的！
人工智能想實現像人類一樣地思維，但人類的思維并不是以計算為基礎的，因而以計算機為基礎的人工智能顯然是弄錯了方向，注定會一敗再敗，沒有僥幸的余地。
機器有沒有可能不以人類大腦的方式實現類人思維？沒有可能！因為我猜人類的思維方式很可能是宇宙中唯一可行的思維方式！這也許是人類至今還無法發現外星文明的主要原因。
我這輩子都在研究大腦思維，自以為破解了意識之謎，但也知道想要人們理解真的不容易，因為這需要超凡的想象！為什么需要想象？因為沒有感官直覺！要是有感官直覺的話，還會有我什么事？
盡管如此，但還是希望能有人理解，只有到現在，我才會理解為什么明知不可為卻還要為之。
