百萬年薪的人才泡沫與人工智慧的虛假繁榮

「 了解大賽詳情點擊文末「閱讀原文」 」

我們是不是正在像15年前迎來互聯網泡沫那樣，正在迎接人工智慧的更大泡沫？

轉載自PingWest品玩(ID:wepingwest)

應採訪者要求，戴維、鄭明、麥可、胡進、老邢均為化名。

五月天，戴維穿著帽衫，瘦瘦高高，裡面套著短袖，是最能適應早晚涼中午熱的衣著。

作為一個「科技圈人士」，他對熱點話題一點感覺也沒有，從沒聽說過共享充電寶，不知道上一輪資本寒冬是什麼時候過去的；也不太關心自己的老同學去的那些公司，誰又融了多少錢。

甚至，對自己所在的這個空前熱門的行業，他的認識也很模糊——

戴維是國內一家「獨角獸公司」的人工智慧項目負責人，年薪剛好百萬人民幣。

這家公司的產品並不是自動駕駛汽車、語音助手和掃臉解鎖這種一眼看上去就與人工智慧沾邊的產品——但在它最新的產品中確實使用了圖像識別和自然語言處理，並涉及一些大數據分析的技術。

戴維是部門leader，此前他在一家國際知名的手機廠商做研究員，再之前是清華大學攻讀計算機視覺博士學位，還帶過博士生。不如那些走穴型的人工智慧專家知名，但在學術界，也算是個有點名氣的人。

他在這家公司AI部門人不多，差不多10個。但這個部門卻撐起了整個公司的可行性方案——儘管用戶可能感受不到，但如果沒有他們，公司的新產品就完全不可能面向市場。

麥可是戴維的同事，畢業兩三年，但年薪也是50萬人民幣起跳。他的朋友鄭明跟他說：「不要謙虛，你自己也說不出國內的OCR（光學字元識別——編者注）誰做的比你更好吧？」——鄭明去年自己創了業，在做人工智慧方向的獵頭。

鄭明用了半年多的時間，就把國內能接觸到的人才都摸了一遍。不過他也說，這個圈子其實很小，突破幾個點后，以一名人才為核心，就能覆蓋到他的同學、前後輩和公司同事。

戴維的這份年薪百萬的工作是鄭明給他找的。鄭明也很關心戴維入職后的工作狀況，這屬於獵頭後續工作的一部分。戴維說：「還行，因為這個領域是從零開始，建模、數據搜集和分析，還是有挺多前期工作的。但公司應該已經賣出去一些方案了。」

當然，相比人力投入，這家公司在人工智慧業務上還遠未回本。

現階段的人工智慧領域，最賺錢的可能是里的「人工」生意了，因為人工智慧領域的人才，太短缺了。

「人工智慧」是個籠統的概念，企業並不會真的在招聘時招「人工智慧崗位」，具體會分為深度學習、自然語言處理、圖像識別、推薦演算法等不同的職責描述，招的不光是工程師和程序員，而是科學家。

而一個複雜的和人工智慧沾邊的項目，可能涉及到多種技術的綜合應用。

比如要實現「用戶拍了一道應用題，智能匹配講師」這樣一個功能，裡面會涉及圖像識別（識別用戶拍的什麼題）、自然語言處理（讀懂這道題）和推薦演算法（按用戶數據、題目的類別在導師庫里選人）等角色，每個角色都需要對應的職位。

其中每一個環節，都得由至少一名50萬年薪起的科學家完成。當然，一個人還肯定不夠。

以NLP（自然語言處理）演算法工程師為例，此刻正在拉鉤上招聘的崗位涉及上百家公司386個具體職位。

這乍一看上去並不是一個很高的數字，但該崗位大多要求求職者擁有相關專業的碩士或博士學位，在國內擁有較強自然語言處理實驗室的大學僅限北郵、國防科大、北大、清華、中科院、廈門大學、哈工大、復旦、華中科技和蘇州大學等少數重點大學。

而以科學院計算技術研究所自然語言處理研究組為例，其2014屆碩士畢業生4人，博士畢業生2人，已全部被三星、華為等巨頭企業收歸靡下。

除以上重點研究室之外，其它學校的NLP專業畢業生，都要去微軟亞洲研究院、百度、科大訊飛等大公司鍍金之後，才有人相信他們的實力——這就將人才輸出源鎖定到了一個極小的範圍內。

這並非是自然語音識別一個細分領域的現象，在整個人工智慧領域都是如此。

在全球最大的職業社交網站LinkedIn上可以查到的，擁有微軟亞洲研究院工作背景的公司創始人高達54人。而從微軟亞洲研究院離職后，去創業或互聯網公司擔任總裁、CTO、總監、項目總監和科學家的人數約為104人。

億歐網於2016年12月整理的企業核心AI人才圖譜中，218位人工智慧華人高管里，知名大學相關專業畢業的博士生佔85%，碩士都排不上號。

在採訪過程中，無論是鄭明還是那些人工智慧創業公司的HR都提到，他們一般會定點蹲守一些自己中意的實驗室或公司，一旦這些地方人員有異動，就立刻行動準備挖人。

「（公司）不存在太多的選擇，有的公司點名道姓的說只招百度出來的人，或者是只招微軟亞研的人。」鄭明說，「一旦一個這樣的人想要從原本的環境里出來，就會收到很多offer，薪資對他們來說反倒是選擇的次要標準了，因為所有公司給的薪酬都很高。」

這樣的緊缺，也造就了絕對賣方市場。

在鄭明提供的一份內部參考文件中，透露了人工智慧領域的大概薪資：職位最低的工程師年薪在30~50萬，商業公司中的研究員則在50~100萬之間，項目主管或CTO則大多會在年薪80萬以上上不封頂，普遍在150萬左右。

大公司里的高級職位薪酬會比創業公司更高一些，而基礎職位的薪資，創業公司比大公司更高。

一家普通的國內互聯網公司，如果想從微軟亞研、百度、三星這樣的公司挖人，需要拿著他們在原有企業里的職級表按上調二、三級的薪資挖——一家傳統招聘網站，甚至曾研究1300萬人民幣年薪挖一個CTO，過來研發智能人崗匹配的下一代招聘產品。

自然語言、圖像、深度學習和自動駕駛等不同領域有一定差距，但差距不大。

「在這個領域裡即便是級別低一些的人，也是在學術界有過多年研究的。他們的薪酬往往與學術成果掛鉤。就算他們中的一些人之前並沒有在企業中有過對應的職業經歷，但過去在學術機構中積累的經驗和年限被直接對應到了他們現在進入的職場中。當你去實際看這些人（博士或碩士）的年齡，其實也差不多就是互聯網公司里中高層的那個水平。所以百萬年薪，在這個行業里不算很高了。」

鄭明對此見怪不怪，但這確實是一件奇怪的事情。

畢竟，在以商業為導向的企業中，能為企業做出的貢獻才應該是薪酬的唯一標準，與學術圈的論資排輩有著巨大的區別。而決定這種薪資制度的並非是因為企業家「不看重科研」，而是現代企業必須以盈利作為主要目的。

換句話說，一個千萬年薪的團隊，能否為公司創造出過億的利潤，才是它是否真的價值千萬的唯一衡量標準。

然而，與人工智慧專業人才「奇貨可居」的價格形成鮮明對照的是，人工智慧公司本身真正創造的價值，卻少的可憐。

三種人和三種公司

「做人工智慧的這些學術派們並沒有太大的野心，」獵頭鄭明說。

這些人從原本的機構或商業研究院的象牙塔走入「凡間」，無論是創業，還是加入創業公司也好，目的基本上是三個：

「一是覺得自己做了這麼多年研究，確實想賺一點錢。二是希望能夠在商業環境中拿到更好的數據，驗證自己的模型和演算法，在學術領域再創新高。第三種，也是最少的一類人，是真心希望自己的技術能夠轉化成一個產品的。」

學術、大公司、創業、被收購，然後重回學術，是大多數人工智慧領域的技術大牛名利雙收的「職業路徑」。

其中的每一步都有著十分明確的考量：如果一個新的環境，能夠提供更好的薪資，或更好的數據其中任何一個，那麼現有的環境是很難挽留他們的。在鄭明看來這不叫沒有情懷，叫直率。

在篩選一家公司是否值得去的時候除了薪資，大牛們往往會思考這些問題：「這個公司已有的人工智慧人才是否和我在同一個等級上」、「這家公司所涉及的業務是否對我所研究的課題有幫助」、「從這家公司離開后是否能為我回學術圈或創業帶來優勢」。

對於人工智慧人才擇業來說，最忌諱的就是來到一家對自己的學術進展毫無幫助的公司。

胡進是業內的一位深度學習專家，在離開原本的大公司研究院后，被一家國內頂尖的汽車媒體聘用。入職之後，胡進發現這家公司的用戶數據儘管巨大，但收集維度僅限於用戶在汽車領域的消費和瀏覽偏好，且受限與公司產品形態不容易拓寬。而公司的產品庫主要又是遊戲和金融產品，數據與推薦品之間無法建立有效的聯繫，對學術的幫助也收效甚微。若在此戀戰，則有可能斷絕回到學術圈的道路。

入職六個月，胡進火速離職。

這也是包括百度和Google在內的許多大公司都留不住人工智慧人才的原因：

對於有學術抱負的人來說，商業公司只是暫時的落腳點。拿到數據突破學術瓶頸之後，依然要回到學術圈；

對在學術圈「窮怕了」，奔著賺錢的人來說，如果獨立創業后可以以更高的估值被收購回去，那麼也是一個不錯的選擇。

前一類人在人工智慧創業公司中佔了絕大多數，通過抓取LinkedIn數據，在對格林深瞳、曠視科技、商湯科技、思必馳、雲知聲、第四範式6家不同細分領域AI創業公司的245名離職員工的分析后，我們發現有110名員工回到學術研究機構、大學或無明顯商業模式的校辦企業。

而對那些真正希望自己的技術轉化成一個成熟產品的人工智慧科學家來說，並不滿足在某個大公司中擔任技術崗，他們更願意在大公司中驗證自己的模型和演算法之後，去創立獨立的公司。這些從大公司出走的人工智慧創業者往往起點高，對自己的技術實力和市場的空白有充分的把握，堅信自己創辦的公司一定能因為掌握某個關鍵的技術或環節，日後被大公司收購回去。

不過，任何一個人工智慧的頂級人才，都不認為自己是泡沫里的裸泳選手，他們甚至對這個行業是否有泡沫並不關心。因為能夠進入這個行業的人，真才實學是前提基礎，即便是真的有泡沫，回歸學術也是他們一條不錯的退路。

這恐怕與大多數商業化的公司以及公司背後的資本意志，對他們的預期不太一樣。

與人工智慧人才各懷心思相同，招聘他們的公司也分為三類，每一類在給出「百萬年薪」的同時有著完全不同的訴求：

第一類是互聯網巨頭，包括「超第一梯隊」的跨國公司Google和微軟亞洲研究院，以及第一梯隊的巨頭——大家熟悉的百度、阿里和騰訊；以及第二梯隊的今日頭條和滴滴等公司。

第二類是人工智慧創業公司，以某種人工智慧技術為主營業務的創業公司，典型的如自動駕駛領域的Momenta、地平線、馭勢科技；視覺識別領域的格靈深瞳、商湯科技和曠視科技等。

第三類是將人工智慧融入到自身業務中的其它創業公司，如學霸君、潑辣熊和智齒科技等。

戴維所在的公司就屬於第三類，在這類公司，人工智慧是用來升級現有的產品或業務的，所有的人工智慧研究以產出為導向，實用性強，「泡沫不高」。

但與傳統研發領域的許多大牛一樣，這類應用驅動的人工智慧團隊，往往隨著新項目的立項而引入，隨著新項目的結項而離職。

這樣的公司一般有良好但並不過分充裕的現金流，人才和公司都較為明確的知道自己想要什麼。一旦人工智慧領域上的投入產出比不夠好，項目會被立即停掉，原本引入的技術人才也不會戀戰。

在人工智慧創業公司——第四範式的「範式大學系列課程」第3篇中，也引用了這樣一個實例：一個企業招聘了兩名機器學習方向的數據科學家，加起來年薪百萬。但在合作了一年之後，科學家和企業相看兩厭，最終分手。

公司決策層對人工智慧的預期是「投入大」、「收益多」，期望聘請一位百萬年薪的專家就能撬動整個公司的現有業務流，實現效率的提升，挖掘公司應得的隱形利潤。

但立項后，由於將人工智慧技術融入已存在行業需要重新建模、收集數據等工作，隱形利潤的挖掘需要很長時間，但隱形成本卻倍增——人工智慧項目的成本不止百萬年薪的人才成本，還有配套的數據採集、分析、深度學習雲服務的成本。有創業公司因聘請到專家后，買不起深度學習伺服器而最終放棄項目。

不過，當我們談起「人工智慧熱」的時候，那些巨頭公司的研究院，以及把無人駕駛、圖像識別和語音識別等技術當成公司核心產品的公司，對人工智慧科學家的「容忍度」前所未有地高。由於家底雄厚，它們也是推動人工智慧人才高薪的主要原因。

但它們的人工智慧產品無論多神奇，似乎永遠只出現在新聞里而不是市場上。

誰為「高薪」買單

既然人工智慧行業並不賺錢，那麼人工智慧從業人員的高薪是誰支付的？

與所有風口吹泡泡的故事一樣，資本再次充當了那個「老好人」的角色，但資本自己並不如此認為。

從2016到2017年，國內投資過人工智慧領域的機構多達145家，而無論是否投資過人工智慧企業，幾乎所有投資機構在公開場合都認為：人工智慧的確是未來，只是在未來有多遠，以及如何估值這個問題上存在一定疑問。

以學術水平論估值，是正在布局這個行業的一些VC的基本邏輯。

與投資App和消費升級不同，大多數人工智慧創業公司都以To B為主要業務方向，同時有大量的研發支出。「短期內」現金流上巨虧似乎是不可避免的，在業務上也無法找到可以用于衡量的增長指標。

因此，核心團隊是否有真才實學，是否能持續的從人才匱乏的學術界挖到人，維持整個公司的研發進度，成為VC衡量人工智慧創業公司的一個重要因素。

「業內一些基金的邏輯其實是在投分裂，」一位基金投資經理告訴我們，「基金進入每個行業都需要交學費，只不過人工智慧和TMT不同，在投TMT的時候你可以找兩個實習生，把市面上的項目都用一遍就學會了。但人工智慧的學術門檻高，要想判斷一個項目好壞，你不可能自己雇一個學術派來做投資經理。

你只能相信一些在學術上有可見成就的人，儘管他的公司可能商業上不成功，但他的學生和人脈會進他的公司。然後一段時間后他的高管和下屬會離職創業，與一些商業邏輯更強的行業人結合在一起建立新公司，這個時候你才有機會投到這些公司。」

換句話說，投資人投的就是人，而不是公司，投資人恨不得親自直接把高額的薪水鈔票砸到這些人工智慧專家的臉上。這種現象在其它領域的投融資雖然也有，但很少像人工智慧創業公司那樣，能靠團隊撐起上億美金規模的融資。

商湯科技的湯曉鷗就是在這一邏輯下最值得「被投」的人之一，湯曉鷗1990年於科學技術大學獲得學士學位，1991年於美國羅切斯特大學獲得碩士學位，1996年於麻省理工學院 (MIT) 獲得博士學位。在計算機視覺、模式識別和圖像處理等人工智慧的細分領域上已有200餘篇論文。

2014年，湯曉鷗創辦商湯科技，背靠香港中文大學多媒體實驗室，商湯科技迅速成為業界人才優勢最強的人工智慧創業公司之一。按照商湯科技官方的介紹，商湯科技主要研究人臉識別、文字識別、人體識別、車輛識別、物體識別、圖像處理等技術的應用。在實際業務上，主要深耕金融、移動互聯網和安防監控三個方向。

但商湯科技的技術人脈優勢，在之後的幾年反倒成為了商湯科技的軟肋，商湯科技在發展過程中始終沒有擺脫研究院式的學術氣息，缺乏商業人才導致其在商業化上的探索並不成功。

去年12月，商湯科技引入擁有國資背景的鼎暉投資完成B輪融資，不到半年後又引入國資屬性更強的賽領資本作為戰略投資方。並與地方政府合作建立人工智慧超算中心，強化了自身的技術研究院與基礎設施屬性。

這意味著商湯科技不再執著於不成熟的商用市場尋找出路，而選擇成為現階段基礎服務屬性更強的國家隊成員。

格靈深瞳是另一家在業內匯聚頂尖人才的創業公司，成立於2013年，其主要業務是計算機視覺和深度學習技術以及嵌入式硬體研發。在成立不久之後，格靈深瞳將這個「技術」轉化為一個具體的市場方向——安防。

安防市場是一個相對封閉且對硬體技術要求較高的門檻，目前格靈深瞳主要集中在軟體方案上，很難說切入了安防市場的核心地帶。2017年年初，格靈深瞳CEO何搏飛的離職也讓圈內震驚。

與格林深瞳同樣切入安防領域的還有曠視科技（Face++）等以面部識別為核心技術的創業企業。儘管並不否認人工智慧技術對安防效果的顯著提升，但安防市場一直是以銷售為強導向的線下市場，國內長期被海康威視、大華股份、東方網力三家整體方案和硬體商壟斷，創業企業很難顛覆。

儘管國內大多數基金的生命周期都是5年以上，也就是說所投公司在5年之內沒有回報都是可以「被理解」的。但實際上，如果一家公司在3年內既沒有找到合理的商業模式也沒有實現批量增長，那麼就很難再繼續進行正常的下一輪融資了。

無論是為了進一步融資，以獲得公司繼續生存所必須的救命資金，還是給「裁員」找一個好聽的說法，團隊出走裂變出新的公司，在人工智慧領域都成了一種趨勢。

幾乎每個成立三年以上的人工智慧公司都會存在一次「團隊出走，二次創業」的事件。

通過公開資料我們發現：思必馳員工離職創辦語音識別公司馳聲科技；雲知聲CMO離職創辦人工智慧教育公司先聲教育；出門問問兩位員工離職分別創辦大數據冷鏈公司Meatub、智能硬體公司萌動；商湯科技曹旭東離職后創辦自動駕駛公司Momenta；格靈深瞳的丁鵬博士離職創辦人工智慧醫療公司DeepCare；英特爾的吳甘沙等5人離職創辦自動駕駛公司馭勢科技……

儘管並不是絕對，但裂變后的公司往往會更為「腳踏實地」，在商業上更努力。

簡單來說，從圖像識別公司離職的員工，會創辦一個在圖像識別領域有具體應用場景的公司。比如在自動駕駛領域，從L5（完全自動駕駛）離職的團隊則會更傾向於研發L4和L3（輔助自動駕駛）的方案，或者是具體到自動駕駛整個產業鏈中的某個硬體、晶元或演算法上。

只有這樣，這些分裂出來的公司才可能在自己重新開啟的融資周期內，實現盈利或被收購。

差了5年的風口就是泡沫

「你覺得目前國內哪家公司的人工智慧水平最高？」（不包括微軟亞研等外企）

我們把這個問題扔給了很多人工智慧科學家，答案的前半部分驚人的高度一致：「技術實力最強的一定是百度，但是……」

後半部分的回答不盡相同。不過大多數指向剛剛離職的百度前首席科學家吳恩達（Andrew Ng）曾經主導的百度人工智慧缺乏成功轉化並泛用的產品，從外界看起來並不算「成功」，與「水平最高」的實際狀況並不相稱。

在採訪過程中，另一個得到高度一致性答案的問題是：「你覺得是什麼讓人工智慧突然熱起來的？」

面對這個問題，幾乎所有人無一例外的回答「AlphaGo」。

這也與2016年突然爆發的創業和資本曲線恰好吻合，甚至有創業者直言：「我做了這麼多年人工智慧，沒人知道我是做什麼的，在AlphaGo之後終於有投資人能正眼看我了。」

然而AlphaGo是Google的一個實驗性加上公關式項目，儘管Google通過它更好的理解了深度學習，同時也向外展示了Google的技術實力。

但AlphaGo本身是不具備任何實際意義，也不能產生回報。

將驅動AlphaGo的技術應用於實際的生產場景，可能還需要許多年。而在不同的場景之下，人工智慧的實際應用又有著完全不同的實現難度和時間進度。

「人工智慧的風口是個偽命題，因為並不存在某個具體的行業叫人工智慧。人工智慧的技術會落實到具體的應用之下，但每個場景的實現時間是不同的。比如說我們這個領域，不要說風口來臨了，其實風口已經過了。」

自2012年開始做非接觸式掌紋識別的老邢說，他如果現在創業也一定說自己是人工智慧。「掌紋比指紋的安全性更高，而且無需接觸，在使用體驗上也比掃臉要好一些」——但是老邢的產品目前只在一些密級很高的單位獲得認可，在資本市場和消費市場上都是反響平平。

與認為風口已過的老邢不同，專註貨運自動駕駛的圖森未來科技CEO陳默則認為風口可能還沒到：「目前無人駕駛技術最強的就是Google和百度這樣的巨頭了，但我們認為他們要想實現他們的L5自動駕駛商用，依然也要5年以上的時間。創業公司切L5一步到位這個點是不現實的，我們做封閉或特定環境的L3、L4自動駕駛，目標就是在三年內能商業化，這才是一個公司該考慮的事情。」

而由科學家這樣的學術界人士主導的人工智慧項目，往往會將學術界「刷論文」的風氣帶到公司領域。

在媒體中，我們經常能聽到某家人工智慧公司在圖像識別、人臉識別、上路測試中又取得了新的進展。但如果讀至內文，這些突破性進展往往是演算法對某種特定場景的識別率又提升了百分之零點幾。

這或許在技術上確實是一種重大進步，但在實際應用場景下卻往往是另一回事兒。

比如面部解鎖，98.8%的識別率和99%的識別率在體驗上完全沒區別。而用過面部解鎖的用戶都知道，在移動（晃動）中無法解鎖才是目前其無法廣泛應用的主要原因，而智能手機的前置攝像頭採用什麼樣的參數和防抖技術又是人工智慧解決方案公司完全無法控制的。

但這些公司在測試和刷分的時候，會為那百分之零點幾的提升興奮不已，發新聞稿，恨不得開發布會。

類似複雜的環境因素，決定了人工智慧在幾乎所有需要考慮複雜環境的普通用戶使用場景上都顯得有些「智障」。

而在企業端，以醫療為例，政策和體制原因導致這個市場目前連互聯網產品都沒有完整滲透，即便是有商業公司製作出了可行性產品，短期內也很難攻入市場。

同樣面臨技術和產品之外的商業化問題的還有上問題提到的安防和自動駕駛。

從技術到應用的這段過長的轉化時間，理應是在研究機構中完成的，而並不應該讓資本和市場過度干預。以百度為例，總裁兼COO陸奇上任后，百度的人工智慧迅速向語音助手、智能家居和L3自動駕駛等短期內更容易出現產品的方向調整，這不失為一次人工智慧的「頭部轉彎」。

那麼，「不是不行，只是時候未到」的人工智慧是泡沫么？

一位一級市場分析師告訴我們：」你覺得VR是泡沫么？如果是的話，那人工智慧確實有泡沫。「

人工智慧與虛擬現實（VR）十分相似：隨著內容消費的不斷升級，VR有朝一日一定會取代現有的載體成為一個巨大的市場——正如我們總有一天會被人工智慧包圍。但由於技術不成熟，媒體和資本的提前熱炒，催生了2015~2016年VR的非理性繁榮，同時也迎來了今年的VR低谷。

「人工智慧比VR的前景更大，它像互聯網一樣，未來會深入到每個領域中。就像今日頭條、像滴滴內部運用人工智慧一樣。未來小賣鋪都像用微信付款一樣，利用人工智慧來分析客戶、庫存和SKU。」 老邢告訴我，「但這並不意味著，現在這麼熱炒就是一件好事。」

通過對一級市場資料庫IT桔子上，409家人工智慧創業企業的公開信息進行分析，我們發現人工智慧企業的融資次數，與新增公司數呈現明顯地平移相關。截止2017年4月底，今年的新增人工智慧企業數量僅為5家，預計今年人工智慧新增企業將有大幅下滑。

敏感的「人工智慧從業者」們已經意識到了這一輪風口來的太早，而資本卻並沒有及時剎車。到目前為止，今年（2017年）人工智慧企業融資事件已發生62次，已完成的融資額比去年多了一倍，全年資產流入量將有望突破700億。這700億中，又將有許多以天價年薪的形式，流入人工智慧人才的口袋。

人工智慧是方向，但當下卻並不是風口，它對標的並不是O2O、電商和消費升級這樣的具體賽道。而是像互聯網一樣，提供了一個全產業升級的技術工具——互聯網的誕生讓O2O、電商和消費升級成為了可能。而人工智慧的風口來臨的時候，是指在人工智慧成熟后，所有行業都可以利用人工智慧提升自己的效率和生產力。

但前景越光明，當下的泡沫也就越大，就像2000年前後中美同時發生的互聯網泡沫破滅。

1995年至2001年間，由於媒體和資本的過度投機，讓普通民眾和投資者認為互聯網將會改變一切。隨之而來的泡沫破滅，讓大約5萬億美元IT業市值蒸發，許多知名企業破產。

在之後的不到五年裡，互聯網確實改變了一切。後來互聯網對世界的變革，甚至超過了2000年互聯網泡沫最鼎盛時期華爾街的想象。但這並不能挽回那些互聯網先烈的命運。

過早的商業關注，也是對人工智慧學術進步的一種阻礙。杜克大學電子與計算機工程系副教授，杜克進化智能研究主任陳怡然在人工智慧媒體新智元的一篇文章中寫道：

「學術界被挖的千瘡百孔，現在連寫個項目申請都找不到合適的PI來組隊……這個需求有明顯的炒作痕迹，而且是學術界的人自己炒自己：誰都知道這個溢價不可能長久，趕緊趁熱把自己賣一筆，以後的事情以後再說。」

戴維對此有著相同的觀點：「整體來說，人工智慧這一波技術的天花板很低，如果現在短期內實現不了的需求，再投多少錢也沒用，還是要靠學術界有進一步的突破……學術界上一次突破（深度學習演算法）帶來的應用紅利可能馬上就要到頭了。」

事實上，如果人工智慧真的如互聯網一樣，是一種龐大改革的技術基底。那麼人才去泡沫化、民主化，學術的歸學術，商業的歸商業，才是引爆風口的第一步。

隨著更多的人湧入人工智慧相關專業，社會性的商業培訓機構的出現，以及人工智慧技術自身門檻的降低。人工智慧人力成本下降，才能讓人工智慧真正的大眾化，泛用化。當任何一家公司可以像招PHP程序員一樣招到人工智慧工程師的時候，我們才能迎來沒有泡沫的人工智慧時代。

本文由PingWest品玩（ID：wepingwest）授權轉載。關注『PingWest品玩』有品好玩的科技，一切與你有關。

AI+安防的三個細分市場和4大成熟案例