如何在人工智能领域站稳脚跟

近期，IEEE计算机学会发布了指南《为成为人工智能开发者做好职业准备》（Preparing for a Career as an AI Developer），指南指出，通往人工智能领域最稳定的路径并不取决于掌握任何一种工具、编程语言或模型；相反，要取得长期成功，取决于结合坚实的技术基础与机器难以替代的、以人为本的技能。

该指南指出，人工智能正在快速重塑就业市场，学术项目和雇主尚未适应其步伐。如今，各种系统能够分析网络犯罪、预测工厂中的设备故障，并可大规模生成文本、软件代码和图像。这种快速进步已导致技术行业部分领域进行了大规模裁员，同时也让刚毕业的学生和初入职场、面对不确定劳动力市场的年轻专业人士感到不安。

然而，对人工智能专业知识的需求依然强劲。银行、医疗保健、零售和制药公司正竞相部署生成式人工智能工具，以提高生产力和决策能力，从而催生了对既了解技术又懂其应用的从业人员的持续需求。

矛盾也由此产生。就业格局被颠覆，同时机遇也在不断涌现。这让许多人不知道如何做好职业准备才能适应这个不断重构的领域。桑·穆鲁格桑（San Murugesan）和罗迪卡·尼姆图（Rodica Neamtu）撰写这份指南的目的正是帮助大家应对这一不确定性。穆鲁格桑是IEEE终身高级会员，也是澳大利亚西悉尼大学的客座教授。IEEE会员尼姆图是马萨诸塞州伍斯特理工学院的教授（专注于教学）和数据挖掘研究员。

这份可供下载的PDF报告共24页，概述了有志于从事人工智能的专业人士应优先培养哪些技能，并解释了为何人工智能职业越来越侧重于审慎地应用技术，而非孤立地构建算法。

作者写道，人工智能不断扩大影响范围，使当前的技术时代与先前的自动化浪潮区别开来。如今，模式识别、推理、优化和机器学习几乎影响了经济的每一个领域。

该指南引用了包括麦肯锡公司的研究在内的一些高管调查，这些调查显示，高级IT和数据分析人才长期短缺。多个雇主还报告了批判性思维、创造力和解决问题方面的能力缺口，而这些能力仍然难以通过自动化方式实现。

作者认为，对于通过发展互补性技能而不是直接与人工智能系统竞争来进行战略性准备的从业者而言，这种错位正是机遇。

麻省理工学院计算机科学与人工智能实验室的未来科技研究主任尼尔·汤普森（Neil Thompson）在指南中重申了这一思路。他说，从业者应专注于在人类专业知识能够提供背景和判断力的邻近领域应用人工智能。

“技术进步如此之快，从业者应专注于可将人工智能应用于邻近领域的技能和职位。”汤普森表示。他强调，科学研究是一个有巨大潜力的领域。

适应性并不能取代技术的严谨性。健康的人工智能职业生涯仍然需要在计算、数据和机器学习原理方面有扎实的基础。

核心知识领域包括数据结构、大规模数据处理以及数据操作与分析工具。监督学习和无监督学习、神经网络以及强化学习等基础概念仍然至关重要。

由于现代人工智能系统依赖于可扩展的基础设施，熟悉亚马逊云服务、谷歌云和微软Azure等云平台越来越重要。数学是这一切的基础，尤其是线性代数、微积分和概率论，它们构成了大多数机器学习算法的基础。

凭借庞大的人工智能代码库生态系统，Python已成为实验和模型开发的主要编程语言。

开发框架的实践经验也起着关键作用。Meta AI开发的PyTorch广泛用于深度学习系统的原型设计；Scikit-learn支持分类和回归任务；机器学习软件库Tensor Flow则能实现以生产规模构建和部署机器学习系统。

作者强调，与其说这些工具是简历中的关键词，不如说它们是理解模型在现实世界约束下（包括数据不完美和操作限制）行为方式的方法。

随着人工智能项目跨学科发展，人的技能正成为技术工作的核心。专业人员必须向非技术背景的利益相关方解释系统行为、局限性和风险，因此沟通越来越重要。

尼姆图认为，随着自动化扩展，沟通和情境思维是一种愈发有价值的永恒能力，尤其是与领导力、韧性和持续学习相结合时。穆鲁格桑也强调，技术深度必须与协作能力和适应能力相匹配。

穆鲁格桑敦促有志于从事该领域工作的专业人士将持续学习作为一种职业策略。

他说：“永远保持好奇心，从失败中汲取经验。错误和挫折也是征程的一部分。”

尼姆图补充道，由于人工智能将影响几乎每一个职业，追逐特定技术对于长期成功的影响有限，更重要的是保持好奇心，并将技术技能与有意义的应用相结合。