删除历史记录
　----
相关平台红包
我为什么离开高盛，加入北大汇丰？
作者：之家哥
摘要：网贷之家小编根据舆情频道的相关数据，精心整理的关于《我为什么离开高盛，加入北大汇丰？》的精选文章10篇，希望对您的投资理财能有帮助。
《我为什么离开高盛，加入北大汇丰？》 精选一首页正文我为什么离开高盛，加入北大汇丰？中国***教育科研网18分钟前Choi 教授在办公室备课Jaehyuk Choi 博士毕业于 MIT 应用数学系，拥有十多年的顶级投行从业经历，却最终放弃了高盛副总的职位，成为北大汇丰商学院的助教授，开设等前沿课程。意不意外？！让我们听听，他在资深 quant 与新晋教授间转换的人生故事，及职业选择建议。据说，Choi 不是第一个从投行跳槽到北大汇丰的教授，之前有摩根斯坦利来的 Daniel Kim，之后有中信证券 Delta One Group 的头儿朱晓天博士。文 / 金颖琦引香港岛北岸、紧邻维多利亚港一带是皇后大道，这条香港开埠后的首条沿海市中心道，所经之处是高端商业区。高盛亚太区总部设在皇后大道的长江集团大厦，位于中银大厦和汇丰银行大厦之间。这幢摩天楼棱角位全被削平，像个四方盒子，据说这符合李嘉诚在风水上的讲究。四年前，Jaehyuk Choi 的办公室从纽约西街搬到这里。彼时，他已在高盛总部工作了近六年，来香港仍担任量化分析师，从事与数字打交道的工作。Choi 是数学科班出身，在韩国科学技术院（KAIST）取得数学学士学位后，进入麻省理工大学攻读应用数学的博士学位。毕业后，他在巴黎银行工作了近两年，便加入高盛总部。在旁人眼里，Choi 有着一份令人艳羡的工作，但他最终却放弃了高盛 VP 的职位，加入一所年轻的商学院。对我来说，这也是一种回归。说这句话时，Choi 置身于北大汇丰商学院大楼的一间办公室内，身后的黑板上有些略带潦草的模型公式，墙上挂钟正好停在下午三点，这是金融市场最忙的时点。Choi 去年这会通常在香港办公室盯市，但成为北大汇丰金融学助教授后，他把更多的时间留给学术，而不是市场。市场至上在高盛，没有太多可支配的时间。这位新晋的韩国教授将一叠文献放在电脑右侧，感叹现在有空补上落下的功课，以前早中晚都必须严格按照交易时间行动。Choi 所在部门负责投行 FICC 业务，该业务是高盛全盛时的重头及最大利润来源之一。FICC，即所谓的、大宗商品及，后者是 24 小时不间断的市场。Choi 每天早晨八点钟准时来到办公室，首先核查相关报告，看是否存在遗漏问题。如有，他会迅速予以补救，以免耽误晨会和当天的工作进度。在交易时间里，Choi 会通过模型分析数据，测算交易价格，将价格信息传达给交易员。此后，他必须进行风险监测，并撰写风险报告。与其它分析师一样，盯市只是工作的一部分，这直接与交易挂钩，需要迅速给出反馈。我解决交易问题后，就完事了。Choi 回忆起跟着市场连轴转的日子，认为更大的挑战是如何寻求盯市分析与模型研究间的平衡。作为量化分析师，他带领的团队还要不断完善量化交易涉及的数学模型。研究工作是持久战，我必须有一个规划，每天推进一点。此外，要时刻与全球的同事保持沟通交流。Choi 到香港高盛后，与亚洲团队接触较多，这是 15 人左右的团队，包括香港与日本的同事。在大项目上，他还会与伦敦、纽约的同事，约 40 到 50 人共事。由于时区跨度大，当夏季纽约开市的时候，伦敦沐浴着午后的阳光，而北京街头华灯初上。即便是不常出差的分析师，也得时常倒时差。Choi 笑称，经过精密测算，他们已有一套完善的会议时间表。与伦敦开会的话，最好在下午 4 点到 5 点。这时，伦敦刚开市，同事们也上班了。而纽约与北京有着超长的时差，要和纽约开会的话，就必须定在晚上 8 点到 9 点。这时，伦敦区的团队也可以加入，我们亚洲团队只能稍微做点牺牲。有时，我得工作到很晚。Choi 耸了耸肩，没有做过多的抱怨，而是话头一转，所幸，投行的决策过程非常迅速，几乎前一秒讨论完，后一秒下单。因此，他不必在会议结束后，再熬夜整理会议纪要或撰写报告，而是腾出些时间阅读新闻或文献。Choi 从业期间主要做金融工程领域的研究，他论文见于 Mathematical Finance,Applied mathematical finance 等国际知名学术期刊，涉及实操中的互换、波动率分析、定价等模型和策略研究。然而，金融行业的很严，这令 Choi 难以与学术界保持畅快的交流。如果他想在学术会议发表公开言论，其演讲内容就得经由高盛的层层审批。此外，愈发严格的行业监管，使得针对新模型及新金融产品的研究机会正逐渐丧失，这对一直想从事基础研究的 Choi 而言，无疑造成了阻碍。Choi 说，从业这么多年，我总感觉自己会再回到高校。回归初心我从学弟那里得知北大汇丰商学院。Choi 在做研究的想法愈发强烈时，得知 Seungjoon Oh 正好在北大汇丰任助教授。Oh 是其本科时低几届的学弟，但他获得美国密歇根大学金融博士后 , 便加入北大汇丰。从 Oh 那里，他了解到北大汇丰是一所充满活力与潜力的年轻商学院，建立了有国际竞争力的师资队伍，95% 的教授毕业于海外名校，其中近一半还是外籍教授。而博士毕业于 MIT，拥有顶级投行从业经历，Choi 无疑也是这所商学院正在寻觅的人选。北大汇丰商学院大楼这是件很有缘分的事情。从初闻到留下，Choi 说一切都很顺利。在去年秋季入职的 9 位教授中，唯有他拥有十多年顶级金融机构从业经验，而且只申请了北大汇丰的教职。Choi 坦言，国内外的老牌大学或学院，通常倾向于邀请业界人士承担部分课程的教学任务，较少有聘从业者作为全职教授的情况，因为它们在选聘时候，看重的是申请者的科研情况与教学评估。而北大汇丰则更为多元，敢于创新，没有拘泥于这两项条件，还考察申请者的科研潜力与从业经验。不过，对于没有教学经验的 Choi 而言，虽然所讲的内容都是从业期间所熟悉的领域，但如何深入浅出地让学生掌握这些知识，则是一种从未有过的挑战。他每次会花很长时间备课，除选取配套教材外，还大量阅读最新的文献，了解学生的知识结构，以便有针对性的调整课程内容。这学期，Choi 专门在数量金融模块加入了机器学习的内容。对于看似高深的新领域，他却说，只要掌握了数学、概率论及统计，就了解机器学习的很多原理。我担心只有两三个人选课，结果现在有 18 个学生。他的担心多余了，但这门课却开得很应景。其实，早在 AlphaGo 与李世乭的世纪之战开始前，高盛就从未停止在科技金融领域的布局，无论是其对 AI 驱动的交易平台 Kensho 的投入，还是对内部科技部门的扩张，都足以看出高盛对（AI）和机器学习领域重视。近日，全球最大的又宣布裁掉 40 名员工，取而代之的是自主研发的交易平台 Aladdin。有人说，眼下要丢工作的不只是 300 万卡车司机，还有华尔街那帮金融精英。 Choi 则认为，目机构对 AI、机器学习的运用主要在数据、交易信号分析方面，这会对普通行业分析师带来一定的取代作用，但在复杂策略制定等方面，仍然得依赖人机合作。这门课的开设，不仅是出于他对金融发展趋势的把握，也是想让学生不再盲目惧怕机器学习。期末时，每位学生要完成课程项目，选择数据组，运用所学的机器学习法，编程建模，分析具体问题。我也会从商业角度，讲讲金融公司如何将 AI 技术转化成利润。一部分学生认为课太难，另一部分觉得对理论深入不够，Choi 略带幽默地说，看来，我把难度控制在学生平均水平了。目前，他主要在学校开设随机金融、数量金融两大模块，还讲授 python 等计算机语言课程。这些课对数学与计算机能力的要求较高，文科背景的学生会有些吃力，所以，我收到的反馈有些分化。每周课程结束后，他通常设有办公时间，帮助学生解决课堂的疑难问题。生活节奏慢下来了，Choi 现在得在香港与深圳两地跑，但授课之余还有大把时间留给科研。Choi 的研究此前侧重两大领域：博士期间，他与导师共同发表了多篇应用数学领域的文章；从业后，他的研究开始转向金融工程领域。现在，他带着三位学生助理做研究，针对 BS 模型、随机模型，改进回归分析，增加结果的准确性，今后还会将重点放在机器学习领域。岔路的抉择学生想选择高薪工作无可厚非。谈及学生步入社会前将面临的选择，Choi 作为在与学术界都待过的人，感触颇深。据《北大汇丰 2016 年就业报告》显示，95% 的毕业生选择直接就业，仅有 4% 的毕业生进入世界一流院校深造。直接进入职场的 240 名中国学生中，仅进入证券投行和传统银行的毕业生就达到 53%，而在 BAT 等公司的金融类岗位、管理咨询等领域的占比不到 8%。存在一定的。他举了一个例子 : 十多年前，韩剧里的男主多是帅气、高薪的金融精英，所以当时很多毕业生想成为或投行人士。不过，金融机构青睐好胜心强的人才，他们敢于尝试新事物、接受各种挑战，并非所有人都符合这样的人生设定。就算最终不适应这类工作，他们凭借金融行业的积累，完全有实力换其它工作。Choi 认为，金融工作经验是一笔财富，不能简单定义为毕业生的盲目试错。就好比，打小喜欢数学的他，无论是做分析师，还是转行任教授，此前的经历都为此后的路做了铺垫。对于沉下心来做学术的学生，Choi 则期待带着他们做深入研究，这让他想起博士期间与导师合作的时光。Choi 建议学生在做选题时，不要拘泥于书本上的问题或理论，而是要去发掘真实世界中有哪些问题值得研究。只要紧跟时事，便能发现好的研究选题。如，与美国比，中国的信贷市场不够成熟，但微信、支付宝等网络支付平台却十分发达。几乎所有人都在用，他感叹，其实，中国市场并未完全依照惯常的发展路径。他今后研究大方向将聚焦新科技对中国经济金融业的影响，即 Fintech, 包括此前提到的机器学习领域。而在太平洋彼岸的硅谷，***也开始渗透科技领域。科技巨头正大举招募***家，组建***团队，运用***理论有效配置资源。Choi 指出，Airbnb 需要有效的回归方法 , 配对需要住宿的旅者与乐意提供房源的房东，而这取决于如何设计购销环节，让整个过程更为顺畅，实现公司利润最大化。不过，通常招募的是顶级***家，而不是刚毕业的新手。Choi 认为，经济、金融系毕业的学生，无论是专业知识还是思维模式，没有经过一定的调整和训练，难以顺利进入纯科技领域。他更建议学生进入 ,Fintech 是让金融与科技相遇。他认为，北大汇丰的学生已具备了专业的***及金融学的知识，若能够更关注科技行业的发展，在未来的科技金融时代将大有可为。由于学院处在中国高科技创新中心——深圳，培养学生深入了解科技公司，掌握 AI 及机器学习的核心技能，正是他努力的方向。利用这些优势，北大汇丰将来应当能成为与斯坦福比肩的学府。再次回到校园，Choi 时而会忆起在 MIT 的日子，也以不同的视角切身体会着东西方教育的差异。他认为，这所北大汇丰与同母校一样有很好的教学质量，一流的教授资源，吸引了很强的学生，而两者的细微差异或在于一种氛围。MIT Nerd Pride PrintMIT 有种非常有意思的文化—— Nerd Pride。通常，Nerd 指沉迷于编程、数学等复杂枯燥问题的人，他们不够入流，不善交际。但 MIT 的学生却乐做 Nerd，因为他们眼中的 Nerd，是指可以自己的方式，做自己喜欢的事情。这其实关乎独立与自信，这种氛围让学生不死磕书中教条或教授的教导。学生究竟想要什么？恐怕只有他们自己最清楚。Choi 简单总结道，好似此前给予建议，仅是师生间的平等对谈，而非以师长身份制定的最优规划。来源：北京大学汇丰商学院 作者：金颖琦；摄影：谢凤《我为什么离开高盛，加入北大汇丰？》 精选二来源：阿尔法工场作者：陶冬，瑞信董事总经理，亚洲区首席经济分析师，中国***家理事。去年阿尔法狗（AlphaGo）横空出世，打得超一流韩国棋手李世石灰头土面的，它的增强版MASTER更横扫世界上最强的六十位职业围棋手，无一败绩。围棋曾被认为世上最复杂、变化最多的智力游戏，但是人工智能围棋在2016年颠覆了逾千年的围棋传统、思维和定式，肆意羞辱了顶级职业棋手一番。围棋不会因此而消失，但是围棋再不是从前的围棋，顶级棋手也跌回尘埃。人工智能在金融业的运作，已经有数年的历史，只是没有阿尔法狗那么高调、那么富有戏剧性。FinTech从2014年起出现跳跃式增长，并从美国传导到亚洲和欧洲，全球金融业酝酿着一轮革命。笔者认为，和已经使得海量数据处理变得成熟，阿尔法狗出现又打开了的一片天空。的技术支持框架大体出现，只欠具体开发，只欠实体金融与技术的连接和融合，而这只是时间的问题，十年后的金融业和目前的金融业会截然不同。智能金融业，可以解决金融的情况，大幅提高金融业效率、市场效率，同时可能打碎大量金融业人士的饭碗。智能金融相较于传统金融模式，起码有五大优势。1）迅速吸收处理分析信息的能力，可以在极短的时间读取、整理和分析全世界范围内的所有公开数据、图像乃至非结构化信息，藉此作出、、风险管理决定。它在数据分析处理上的能力，和人脑根本不在同一个档次上。2）深度学习已经成为智能金融在未来的最大利器，其在线下快速、海量地通过学习历史和交易记录来提升未来决策水平的能力远远高过人类。3）没有感情、没有思维定式，可以克服人类的弱点和盲点。4）在高速运算和海量数据的支持下，人工智能可以提供因人而异、随时随地的定制解决方案，在、组合配置等方面可以由模块式服务转向个性化服务。5）人工智能可以通过大量机器联网，制造出巨大的乘数效应，而不必坠入人类社会中因人员聚集而经常产生的利益错配、办公室**等陷阱。事实证明，人工智能是博弈高手，可以不带感情地无所拘束地进行博弈，而金融市场从来都是博弈最多的地方。美国近年在运用人工智能做上取得了长足的进步，运作开始成熟，的表现普遍优于等主动管理型资产管理公司。中国在智能金融上起步较晚，但是发展极快，将大数据、云计算运用在消费信用、投顾服务、风险管理等领域也见明显进步。笔者相信，假以时日，智能金融会在金融领域全面开花结果，因为人脑的数据处理能力、学习能力、应变能力、不出错能力，在人工智能面前只能自叹弗如。笔者相信智能金融的市场，并不局限于低端人群，而是整个社会人群，因为它最终会比人脑做得更好。作为金融人士你需要有什么样的能力，才能不被人工智能所取代？你需要拥有非公开信息。人工智能的强项是对公开资讯的提取、分析以及作出相应决策。如果资讯来自尚未公开的渠道，你就有击败人工智能的机会了。这种非公开资讯，不包括分析员在公司门口数进出卡车数量或在超市对品牌偏好做调查，因为大数据可以做得更好、更全面。你是索罗斯。索罗斯的反向，是基于对人性的分析，哲学性质多过数理性质，目前尚没有看到人工智能在模糊哲理上有什么天分。不过索罗斯理论是建立在多数市场参与者是错误的这个前提之上的，如果市场中人类消失了，索罗斯对着全部是机器人的市场未必能占到便宜。你是巴菲特。巴菲特是另一个极端，他只读公司，运用常识进行，坐怀不乱乃是其心法。人工智能可能有千百招，巴菲特只有一招，基于经验和心法的一招。也许有一天人工智能可以学会巴菲特那一招，不过对经验、修为的学习、复制、改良就不是分析数据那么容易的了。你的客户宁可和你打交道。机器始终是机器，能力再强也还是机器，在人与人的感情处理上暂时未见优势。金融业的投资、分析、管控功能可以大量由人工智能代劳，但是与客户的人性交流恐怕还要人来做。当然前提是你面对的客户是人，而不是机器。笔者认为，智能金融在今后十年内会在许多领域大量替代传统金融，金融从业员数量大幅下降。笔者不建议您让子女进入金融业，除非您的子女比掌握了深度学习的机器人更有创意，抑或在替机器人挠痒或讲笑话上有特殊的才华。不过其他行业（如会计、律师、医疗、中介）也面临着类似的挑战。笔者不认为人类会因此没有工作做，历史上机器的出现曾经让许多工种消失或半消失，人类社会却变得更加繁荣，生产效率更高。延伸阅读入侵华尔街人工智能如何改变金融业？文/机器之心微信号11月6日，Daniel Nadler一早醒来给自己倒杯橙汁，打开电脑，等待劳工统计局（Bureau of Labor Statistics）8点半放出月度就业报告。他坐在自己位于切尔西的一居室公寓的厨房桌子旁，紧张地刷新着浏览器——不断地Command-R——用他公司的软件 Kensho从劳工局网站收集着数据。两分钟之内，一份 Kensho自动分析报告便出现在他的电脑屏幕上：一份简明的概览，随后是13份基于以往类似就业报告对的预测。如果不想，Nadler根本无须再次检查所有的分析。这些分析基于来自数十个数据库的成千上万条数据。他只需确定Kensho提取了就业报告中的正确数字——美国整体就业增长即可。这是他唯一能做到的。因为几分钟后，8点35分，Kensho的分析就要提供给高盛（Goldman Sachs）的雇员们。除了是Kensho的客户，高盛还是Kensho最大的。32岁的Nadler在上午余下的时间还会确认一下几个银行最常规的Kensho用户（一位期权和衍生品交易部门的高管，一位经理人），然后在Uber上叫个车去位于曼哈顿西区公路的高盛玻璃塔大楼中参加午餐会议。大楼里每个人都穿着熨烫整齐的西装，而Nadler从不改变他的标准行头：由设计师Alexander Wang设计的路易威登皮革凉鞋以及裁剪精良的休闲T恤和裤子。Nadler拥有10套一模一样的衣服。他简朴的审美观是在美国哈佛大学攻读***博士期间，某年夏天在日本参观寺庙并参加冥想时养成的。（Kensho就是日语中表示在佛教禅宗发展中的第一个意识状态。）他还写了一本诗集（想象中的古典爱情诗），今年下半年Farrar StrausGiroux出版社就会出版这本诗集。我们正在以破坏大量高薪工作为代价来创造极少数的高薪工作，无论如何对社会来说，缺乏某种政策干预……是一个净损失。那天晚些时候，我在位于高盛大厦街对面的世界贸易中心1层45号的Nadler办公室会见了他。房间装修是典型的创业公司风格，有个大浴缸，硕大的音响放着电子音乐，十几个员工一起办公。Nadler的办公室靠边，里面只有一张由回收电线杆制成的木制大桌子和一个铺着合适椅垫的大皮椅。关上门之后，黑色卷发、皮肤白皙的Nadler光脚坐在椅垫上，告诉我今日高盛会议上的信息，包括他们在下一篇报告中想要看到的内容建议以及 关于Kensho速度的优异表现。“人们总是告诉我，“过去我每周得花两天时间做这类事情”或过去我得专门雇佣一个人其他什么都不用做，只做着一件事。” Nadler说。这听起来可能像是吹牛，但是Nadler提及这些反应主要是表达他对类似其公司这样的初创公司有可能会对金融行业产生影响的担忧的一种方式。他说，在十年内，由于Kensho和其他自动化软件，金融行业有三分之一到二分之一的雇员将失业。这一影响起始于收入较低的那些职员们，当和交易趋于电子化后，大部分职员已被取代；当类似Kensho的软件能够比人类更快更可靠地解析大量数据集时，从事研究与分析的人员也将面临失业。而如Nadler所说，接下来的一部分便是那些处理客户关系的职员将面临失业：很快，复杂的交互接口将让客户不再需要人类客服。“我假设这些人中的大部分在5到10年内都不会被其他人取代，”他一边说一边进入了思考状态，对Nadler来说，意味着闭上眼睛，打着手势，好像在宣讲或弹钢琴一般，“10年内，高盛的雇员数将比如今要少得多。”高盛的高管不愿讨论这些流离失所的财务分析师的困境。跟我聊过的几个经理都坚称 Kensho不会引起任何裁员，而且也不会很快裁员。Nadler曾提醒过我一定会得到这样的答复。“当你开始谈论自动化工作时，”他说，“大家都会瞬间沉默。”因为机器而失业的高盛员工不太可能会唤起人们的怜悯。但这正是由于高盛的特权地位才使得其员工遭受的自动化威胁显得很是有趣。如果高盛的工作能被替代，那么在金融行业之内或者之外的那些不太复杂的公司的职位也将很快被替代。2013年末，两位牛津学者发布了一篇论文称未来20年内，美国将有47%的工作处于高危状态，会被自动化。这一结果引起了媒体对担忧机器人盗取工作的大肆报道。该研究观察了702个职位，采用了来自劳工局的数据，且根据九个变量分析了每一个职位的自动化可能性。结果明确显示这不再是我们所熟悉的（并且正在进行的）那种有关机器人取代工厂和仓库员工的故事。现在的软件能做越来越多地原本由受过教育的人坐在桌前所完成的工作。这些工作这么容易被替代，大部分原因是由于计算能力越来越易用且价格越来越低，以及诸如Kensho这样自动收集理解新信息的机器学习软件的崛起。根据牛津大学的论文以及相关研究，就业前景因行业不同而有明显区别。比如，在医疗护理行业，人与人之间的互动是非常重要的，因此自动化威胁比整个劳动力市场要少。考虑到最近自动驾驶汽车的快速发展，出租车和货车司机面临着不太乐观的前景。在一些福利较好的行业中，牛津研究员们引进能够进行分析和分类法律文档的软件，能够很好地完成这项工作，而通常一个薪资丰厚的律师也需要花费数个小时才能完成。记者也面临着像是Automated Insights这样的创业公司的挑战，该公司已经能够自动撰写篮球比赛战况报告了。金融行业尤其突出：因为该行业建立在信息处理的程度上——数字化那些事——研究表明，在该行业中工作受到自动化威胁的风险比任何技能型行业都高，约为54%。牛津大学的研究受到了很多批评——可以理解，想想将之应用于行为的准确性吧。另外，金融行业对待自动化的态度非常严肃，既是机会也是威胁。它能使一些分析员被裁掉，但也会将整个企业模型置于危机中。在所谓的金融技术领域的投资在2013年到2014年之间翻了三倍，达到了122亿美元，而创业公司现在试图将目标瞄准金融业务的每一根线条。贷款是否发放的决定由软件做出，这样一款软件能够考量有关的各类精细数据，而不再需要和财务顾问。而在未来几年，可能几乎华尔街的每一家公司都会因这项研究损失几百亿的收入。银行试图通过给类似Kensho之类的创业公司进行投资来避免这一新事物带来的冲击，而目前为止已募集到2500万美金。技能型行业形成了纽约城经济的基石，目前为止也很大程度地避免这种转变，这是因为金融分析员、出版单位和设计师这类的工作不是那么容易自动化的。但是看看像Kensho这样的公司和它所总结的关于金融行业的认知，很大程度上就能看到这些趋势对行业的冲击，而过去被当做是从这种分崩离析中逃出一劫。去年秋天，Antony Jenkins发表了一场演讲，认为即将到来的一系列“Uber时刻”将会对金融行业带来巨大冲击，而他在几个月钱刚刚解除了英国银行的巴克莱首席执行官职务。“我预测金融服务部门的分支和雇佣人员数量将会减少50%，”Jenkins向听众表示。“即使没那么严重，我预测至少也有20%的下降。”这一过程至少在某些情况下能够帮助消除一些金融系统中的过度膨胀，提供更透明的服务，更少地隐藏费用。也可以被视作对行业巨头的有力打击，而就在最近，几乎冲击了整个世界的经济。但目前为止，失业的压力还未影响到金融界的高管层面，但效率的提高进一步恶化了已经让人非常担忧的收入不均问题。一些支持Kensho的风投告诉Nadler，他应该知道不要在试图发展成客户的那些银行里讨论潜在失业问题的事宜。Nadler告诉他们，他会继续，部分原因是为了维持他自身的正直。他经常将他关于工作的讨论和代表候选人的**资助联系起来，而这些候选人需要更坚固的社会安全网。但他也表示他意识到他的企业为他带来了什么，也让他损失了什么，这使得他成为了一个别具一格的企业家：这就是他在企业的先锋性，而这一切都跟更精确地预测未来的竞争有关。Kensho在高盛的主要客户群是那些在银行交易大厅里的销售人员。在最近几个月，他们利用软件对买卖能源类股票和大宗商品的咨询来电进行回复，这些人想知道他们应该如何组合他们的投资，以便应对叙利亚圣战的熊熊烈火。在过去，这些销售人员会根据他们自己对最近发生的事情以及市场反应的了解进行总结，并且受到人类记忆能力的限制。针对特别有价值的客户，销售代表可能会要求高盛的研究分析专员进行更加完整的研究，挖掘过去的新闻事件，找出市场针对每种情况作出的回应。这种方法的问题在于，当研究结果出来时，交易机会早已溜之大吉。现在，销售代表可以直接点击电脑桌面上的一个图标，连接到Kensho界面，该界面由一条简单的黑色搜索框构成。Nadler在他的笔记本上向我演示了这一步骤。输入“叙利亚”这个词，几组跟叙利亚战争有关的事件就出现了，基本跟谷歌(微博)基于过去的搜索提供建议类似。在最上方的事件组中，显示着“对抗ISIS的进展”，这一组事件包含25条过去的事件。而“ISIS主要进展与残酷暴行”事件组中包含105条事件。Kensho的软件不断地调整并扩展这些建议的搜索词条，这一切几乎无需人力干预。某种程度上，这是该项目最精巧复杂的部分。在过去，交易员或者分析员需要用任何想得到的关键词在维基百科或者新闻数据库中进行搜索。而Kensho的搜索引擎自动将发生的事件根据抽象特征进行分类。比如，它指出，ISIS在帕尔米拉的人质扣押和法国第一次空袭叙利亚都是这场圣战的变量，然而在这两场斗争之中，ISIS在其中一场是侵略者，而在另一场却是防御者。软件也会寻找事件与的意想不到的新关系，会推荐一些用户可能没考虑到的搜索意见。Nadler说，为了实现这个目标，他雇佣了一名机器学习专家，这位专家主要为谷歌研究世界图书馆的大型分类项目。回到交易平台的例子，在选定一组事件之后——比如说关于“叙利亚内战升级”的27个事件，销售员可以通过勾选一系列下拉菜单将搜索范围缩小到特定的时间段和投资组。最多的投资组包含了世界上大概40个重要资产，包括德国股票，澳元，以及一些。然后，他们只需点击绿色的“生成研究”按钮，便可以得到一整页的图表。Nadler展示了这个过程，最顶层的图表显示天然气和在战事扩张之后的几周表现不如，但亚洲股市以及美元和加元这一对却走势良好。继续下拉页面，我们可以看到叙利亚的每一个事件如何逐渐失去影响力，以及系统如何开始构建出一套基于这些事件的最优交易组合。Nadler合上笔记本电脑，整个过程不过几分钟的时间。如果不依靠自动化来总结类似的调查结果，他说，“会花上几天的时间，大概40人·小时，而且需要年薪平均35万至的人来做这件事”。对于一个创建不到三年的公司来说，这是个不小的成就。2013年，还在念博士研究生的Nadler在波士顿的联邦储蓄银行做访问学者。当时，希腊选举以及整个欧洲的不稳定局面正强烈冲击金融市场。当Nadler问道他该如何评估类似事件对金融市场的影响时，他意识到无论是监管者还是银行家，除了翻过去的新闻剪辑以外并不能给出什么好的方案。于是，Nadler开始在他的业余时间与一个前谷歌程序员交流，那是他在日本爱好者学生俱乐部结交的朋友。Nadler本应该就**对2008年经济危机的影响完成博士论文，然而，他在数周内组建了一支小的团队并拿到了谷歌风投部门的一笔早期资金。跟据《福布斯》杂志，之后他们还从许多包括C. I. A.风投部门在内的其他渠道得到投资。Kensho的主要办公地点仍然在麻省的剑桥，位于一家老旧的理发店上边两层，窗外就是哈佛校园。主办公区的约30名员工看起来像是一群放在过去也许会选择去高盛工作的热情洋溢的年轻人。然而在这里，他们在站立式办工桌前工作，穿着牛仔裤，共享一个放着枕头和榻榻米的用于冥想的禅室，以及一个有国际象棋和扑克桌的游戏室。我是在12月拜访剑桥的办公室，就在圣诞节前不久。当我到那里的时候，大多数员工正在交换他们的秘密圣诞礼物，他们的笑声频频传到我、Nadler和他的几个副手所在的会议室。我很好奇，他们是否会谈论自己的工作在更大层面上的影响，于是我问这几个副手，他们在和Nadler的相处过程中什么时候会聊到自动化和失业这一话题。“几乎就是第二句话”，38岁的首席技术官Matt Taylor回答道，他是公司的资深员工之一。“你一开始谈论工作的自动化，所有人都瞬间沉默起来。”“这是第一天”， 20岁的Kensho首席架构师Martin Camacho说道。他刚进哈佛的时候才15岁。Camacho回忆他在Kensho工作的第一个夏天，有一天晚上下班去Nadler家，他们一起看了科幻片“遗落战境”（Oblivion），电影讲述了一个由外星人制造的克隆人组成的世界，他们彻夜讨论这个故事所蕴含的社会经济意义。更近一些时候，Nadler邀请了他的工程团队在剑桥最好的餐厅之一，Henrietta’s Table共进晚餐，一起讨论自动化可能带来的长远影响。Nadler说道，他期待这样一种强人工智能：在遥远的未来计算机已经聪明到能够预测我们的需要，并且引领人类进入一个富裕的时代。然而接下来的几十年在他看来则是更加复杂的一段时间——一个计算机尚不如人类聪明但足以做一些能够产生经济效益的工作的过渡期。Camacho则并不像它的老板那样悲观。他说，前几年计算机辅助的数学证明被创造了出来，但它并没有导致数学研究工作的减少。“我想未来的工作仍然是足够的”，Taylor表示赞同。当我和高盛等公司的高管聊起这个话题时，我也常常听见类似的乐观声音，他们相信软件所替换掉的金融从业者可以转而去做一些更有价值的事，它们也会创造出当下尚不存在的全新工作。几个高管例证说道，当自动提款机广泛出现时，你也没发现银行网点突然就消失了。这是对牛津大学关于自动化的报告的普遍批判意见：即使目前47%的工作岗位最终被自动化替换掉了，也不是就意味着47%的劳动者将失去工作，正如许多报纸在报告中总结的那样。曾经汽车的出现取代了许许多多的马车夫和马童，但同时创造了更多修建高速公路和服务加油站的工作。如今，提供理财建议的软件已经取代了一些的位置，但这同时扩大了需要和便宜人数。牛津大学这篇论文的第一作者Carl Benedikt Frey告诉我他意识到新的科技毁掉一些工作的同时也创造了新的工作。但他很快补充道，总的工作数量保持不变并不意味着这个过程中没有损失。纺织行业的机械化或许并没有提高全国的失业率，但美国南方大片区域仍然遭受着损失。再说到自动提款机的例子，事实上银行网点和银行出纳员的数量最近都在稳定地减少，即便远程呼叫中心的低收入工作人员的数量有所增加。入侵华尔街，人工智能如何改变金融业工程和基础架构副总裁Caleb Howe在剑桥Kensho办公室内。这指向一个令人不安的可能性：也许这次机器真的在降低整体的就业水平。在一项最近的针对未来学家和技术人员的调查中，皮尤研究中心（Pew Research Institute）发现近一半的被访者认为未来工作被机器取代的速度快于被创造出来的速度。Martin Chavez负责高盛所有的技术运作，这个爱折腾的留着胡子的男人对Kensho抱有极大地热情。“这个我们曾经几乎以匠心精神精心打造的工作已经被Kensho自动化了”，他告诉我。Chavez说道，Kensho本身不大可能替换掉许多岗位，这个软件做的事情以前很少有人尝试过，因为它太花时间了。（也有一些用户告诉我这个软件在它可以搜索的事件上仍有许多重大缺陷。）但无论Kensho造成怎样的影响，Chavez对高盛运营过程的数字化工作已经改变了公司员工的数量和类型。过去几年中，每年校园的理工类人才数量都提高了5个百分点，但总人数几乎没有变动。（高盛是华尔街少数几个雇员总人数没有明显下降的公司。）“我确信未来的10到20年将会出现我们今天甚至无法想象的工作”，Chavez说道。是最早迈向电子化的行业中的一个，它是自动化对像高盛这样的公司会产生何种影响的一个有趣先例。现在，在这家公司的交易台上，股票正在被电脑而非人类买进卖出。Chavez说，过去20多年股票交易的电子化让高盛员工用传统方式——电话的人数从超过600降到只有4人，但交易员的数量变化只是故事的一小部分。传统的操盘手被设计并监视这些新交易算法的程序员替代了。此外，数据中心现在出现了新的工作：高频交易。高盛并没有对此提供任何数据，但从2006年到2010年在高盛电子交易平台工作的Paul Chou告诉我，他猜测公司可能只需要一个程序员来代替传统的10个操盘手的工作。作为这个行业快速缩水的标志之一，高盛去年裁掉了它在曼哈顿四个交易大厅其中一个的最后一名操盘手。高盛股票交易业务的进展同时表明行业的自动化不是一步完成的。当年Chou刚从MIT毕业进入高盛时，他工作的一部分便是登录到几十个交易系统，检查算法的输出结果，以确保交易实施之前不会出什么错。当时Chou坐在一个已经多年从事电话交易的女士旁边，她教Chou和他的年轻同事学会怎样做好一笔交易。然而时间表明电脑程序比人类错误率要低。那位女士离开了高盛，而Chou创造出了能够同时登陆所有交易系统并将结果显示在同一个屏幕上的程序。当他第一次运行起这个程序，他的上司，也是个程序员，告诉Chou：“我甚至不知道我为什么还要来上班”。Chou所设计的软件让他有可能将自己投入到更高级别的工作中，为计算机搜索新的交易策略。这比他一直做的监测更令人满意，但最终它还是变得过于重复了。2010年，Chou离开高盛前往硅谷，现在经营着他与妻子和另外两人联合创办的LedgerX。他离开的那个高盛团队的规模已经比他刚到时小了。在我与Nadler的谈话过程中，他在Kensho将会摧毁高盛自身的工作这一想法上有所迟疑。但他说他并不怀疑随着Kensho和其它的金融初创公司在金融行业进行扩张会让一些工作消失，而这种消失的速度在高盛外会比高盛内快得多。在去年夏天Kensho与高盛的排他性合作结束之后，Nadler与摩根大通和美国银行签署了提供软件的合同。未来这些银行所能支持的工作数量将远不止受到软件的影响。为了应对低于预期的经济增长和以来的新法规，银行目前已经在进行裁员了。但这些因素同时也推动着所有银行寻找更便宜和更透明的方式来完成那些目前由昂贵且不可靠的人所做的工作。当我问Chavez裁员是否有可能继续超过收益时，他的反应看起来似乎是真的不确定。他说：“这是我们这个时代最有趣的问题之一。”2013年自动化研究报告的主要作者Carl Benedikt Frey最近做的研究表明创新已经不再是经济的大型推动力了，而劳动力还依然和过去一样。在他去年与瑞典学者Thor Berger联合发布的论文中，他发现在1980年代，美国劳动力的很大一部分是之前十年还不存在的工作类别；换句话说：IBM在招聘。然而这一运动在90年代放缓了，并在2000年到2010年间几乎趋近于0。至于那些仅有的新工作，Frey的数据表明那基本上都是为富裕的精英提供服务的较低收入的工作，比如私人教练或咖啡师。Frey说：“技术正变得越来越节省劳动力，创造的工作也更少。”为什么这可能会发生？一种理论是近期的许多技术进步都是软件而非硬件方面的。尽管IBM和戴尔这样的公司需要员工为每一位新客户制造新计算机，但Facebook和Kensho这样的软件则可以以接近于零的无限复制。当Chou想出能自动登录到几十个交易系统的软件时，它基本上第二天就能出现在高盛位于世界各地的交易机构中。这和1970年代的情况非常不同，那时候底特律需要在机器人自身被建造出来之后，一个个地改造汽车制造工厂。在他离开高盛来到硅谷之后，Chou相信这不同之处就是自动化在这一阶段将会与过去有大不相同的作用。“我敢肯定10或20年之后会有我们今天所有人甚至无法想象的新工作出现。”Chou告诉我，“我们想出新工作的速度还不及替换它们的速度。”Kensho证实了这一观察。 不到三年， Nadler的公司业务已经扩大到给世界最大银行中的三家提供服务，只需大约50名雇员，刚刚填满两个相对较小的办公室。最近，Nadler的纽约职员搬到了世贸中心1号楼里更大的办公室。有更多的地方能够摆放桌子，这样Kensho也能扩张。但是，一间厨房、一张台球桌和高尔夫练习场几乎占满了额外的空间。增长已经让Kensho价值数亿美元，也让Nadler多次进入百万富翁的行列，至少当他在公司的股份计入账面时是这样的。但并不清楚，他的公司对于美国劳动力市场究竟多有益。回想我第一次会见Nadler时，那是去年的一次午餐，他对这一点并不太自信。“讽刺的是，另一家技术企业会告诉你，我们正在创造新工作，我们正在创造技术工作，”他告诉我，“我们至少创造了几百万的工作。”“那或许会让人们晚上睡得好些，”他继续说，“我们正在以破坏大量相对高薪工作为代价来创造极少数的高薪工作，无论如何对社会来说，缺少某种政策干预或者仍没有人想到新产业来雇佣那些人，都是净损失。”推荐阅读哪些岗位，才真正称得上金融行业？提高信贷风险管理能力，做好这两部分工作是关键必读：的“一二三四五”法则国资为盾安全为基长按关注《我为什么离开高盛，加入北大汇丰？》 精选三与人工智能专业人才“奇货可居”的价格形成鲜明对照的是，人工智能公司本身真正创造的价值，却少的可怜。——馨金融“AlphaGo”的在围棋桌上的一战成名，不止把人工智能变成了搜索热词，更是把这个概念直接送上了“风口”。尤其是在我们身处的新金融领域里，前有百度要用人工智能升级传统金融，后有李开复作为投资人疾呼“金融是人工智能应用最好的领域之一”，无论是谁，谈论时候都不可能忽略人工智能这四个字。可是无论是新金融巨头还是创业公司，无论是做业务还是，在概念和故事之外，决定公司成败和行业走向的还有两件事：人和钱。在人工智能这个仍然很抽象的概念里，到底是怎样一群人在做事情，他们怀着什么样的心情又有着怎样的目标，最重要的是，在资本和创业者一拥而入之后，这件事真的能赚钱么？今天分享的这篇文章，我觉得最棒的地方就是透过人看到了这个行业，他们的希望、焦虑和泡沫。百万年薪的人才泡沫与人工智能的虚假繁荣五月天，戴维穿着帽衫，瘦瘦高高，里面套着短袖，是最能适应早晚凉中午热的衣着。作为一个“科技圈人士”，他对热点话题一点感觉也没有，从没听说过共享充电宝，不知道上一轮资本寒冬是什么时候过去的；也不太关心自己的老同学去的那些公司，谁又融了多少钱。甚至，对自己所在的这个空前热门的行业，他的认识也很模糊——戴维是国内一家“”的人工智能项目负责人，年薪刚好百。这家公司的产品并不是自动驾驶汽车、语音助手和扫脸解锁这种一眼看上去就与人工智能沾边的产品——但在它最新的产品中确实使用了图像识别和自然语言处理，并涉及一些大数据分析的技术。戴维是部门leader，此前他在一家国际知名的手机厂商做研究员，再之前是清华大学攻读计算机视觉博士学位，还带过博士生。不如那些走穴型的人工智能专家知名，但在学术界，也算是个有点名气的人。他在这家公司AI部门人不多，差不多10个。但这个部门却撑起了整个公司的可行性方案——尽管用户可能感受不到，但如果没有他们，公司的新产品就完全不可能面向市场。麦可是戴维的同事，毕业两三年，但年薪也是起跳。他的朋友郑明跟他说：“不要谦虚，你自己也说不出国内的OCR（光学字符识别——编者注）谁做的比你更好吧？”——郑明去年自己创了业，在做人工智能方向的猎头。郑明用了半年多的时间，就把国内能接触到的人才都摸了一遍。不过他也说，这个圈子其实很小，突破几个点后，以一名人才为核心，就能覆盖到他的同学、前后辈和公司同事。戴维的这份年薪百万的工作是郑明给他找的。郑明也很关心戴维入职后的工作状况，这属于猎头后续工作的一部分。戴维说：“还行，因为这个领域是从零开始，建模、数据搜集和分析，还是有挺多前期工作的。但公司应该已经卖出去一些方案了。”当然，相比人力投入，这家公司在人工智能业务上还远未回本。现阶段的人工智能领域，最赚钱的可能是里的“人工”生意了，因为人工智能领域的人才，太短缺了。“人工智能”是个笼统的概念，企业并不会真的在招聘时招“人工智能岗位”，具体会分为深度学习、自然语言处理、图像识别、推荐算法等不同的职责描述，招的不光是工程师和程序员，而是科学家。而一个复杂的和人工智能沾边的项目，可能涉及到多种技术的综合应用。比如要实现“用户拍了一道应用题，智能匹配讲师”这样一个功能，里面会涉及图像识别（识别用户拍的什么题）、自然语言处理（读懂这道题）和推荐算法（按用户数据、题目的类别在导师库里选人）等角色，每个角色都需要对应的职位。其中每一个环节，都得由至少一名50万年薪起的科学家完成。当然，一个人还肯定不够。以NLP（自然语言处理）算法工程师为例，此刻正在拉钩上招聘的岗位涉及上百家公司386个具体职位。这乍一看上去并不是一个很高的数字，但该岗位大多要求求职者拥有相关专业的硕士或博士学位，在国内拥有较强自然语言处理实验室的大学仅限北邮、国防科大、北大、清华、中科院、厦门大学、哈工大、复旦、华中科技和苏州大学等少数重点大学。而以中国科学院计算技术研究所自然语言处理研究组为例，其2014届硕士毕业生4人，博士毕业生2人，已全部被三星、华为等巨头企业收归靡下。除以上重点研究室之外，其它学校的NLP专业毕业生，都要去微软亚洲研究院、百度、科大讯飞等大公司镀金之后，才有人相信他们的实力——这就将人才输出源锁定到了一个极小的范围内。这并非是自然语音识别一个细分领域的现象，在整个人工智能领域都是如此。在全球最大的职业社交网站LinkedIn上可以查到的，拥有微软亚洲研究院工作背景的公司创始人高达54人。而从微软亚洲研究院离职后，去创业或互联网公司担任总裁、CTO、总监、项目总监和科学家的人数约为104人。亿欧网于2016年12月整理的中国企业核心AI人才图谱中，218位人工智能华人高管里，知名大学相关专业毕业的博士生占85%，硕士都排不上号。在采访过程中，无论是郑明还是那些人工智能创业公司的都提到，他们一般会定点蹲守一些自己中意的实验室或公司，一旦这些地方人员有异动，就立刻行动准备挖人。“（公司）不存在太多的选择，有的公司点名道姓的说只招百度出来的人，或者是只招微软亚研的人。”郑明说，“一旦一个这样的人想要从原本的环境里出来，就会收到很多offer，薪资对他们来说反倒是选择的次要标准了，因为所有公司给的薪酬都很高。”这样的紧缺，也造就了绝对卖方市场。在郑明提供的一份内部参考文件中，透露了人工智能领域的大概薪资：职位最低的工程师年薪在30~50万，商业公司中的研究员则在50~100万之间，项目主管或CTO则大多会在年薪80万以上上不封顶，普遍在150万左右。大公司里的高级职位薪酬会比创业公司更高一些，而基础职位的薪资，创业公司比大公司更高。一家普通的国内互联网公司，如果想从微软亚研、百度、三星这样的公司挖人，需要拿着他们在原有企业里的职级表按上调二、三级的薪资挖——一家传统招聘网站，甚至曾研究1300万人民币年薪挖一个CTO，过来研发智能人岗匹配的下一代招聘产品。自然语言、图像、深度学习和自动驾驶等不同领域有一定差距，但差距不大。“在这个领域里即便是级别低一些的人，也是在学术界有过多年研究的。他们的薪酬往往与学术成果挂钩。就算他们中的一些人之前并没有在企业中有过对应的职业经历，但过去在学术机构中积累的经验和年限被直接对应到了他们现在进入的职场中。当你去实际看这些人（博士或硕士）的年龄，其实也差不多就是互联网公司里中高层的那个水平。所以百万年薪，在这个行业里不算很高了。”郑明对此见怪不怪，但这确实是一件奇怪的事情。毕竟，在以商业为导向的企业中，能为企业做出的贡献才应该是薪酬的唯一标准，与学术圈的论资排辈有着巨大的区别。而决定这种薪资制度的并非是因为企业家“不看重科研”，而是现代企业必须以盈利作为主要目的。换句话说，一个千万年薪的团队，能否为公司创造出过亿的利润，才是它是否真的价值千万的唯一衡量标准。然而，与人工智能专业人才“奇货可居”的价格形成鲜明对照的是，人工智能公司本身真正创造的价值，却少的可怜。1三种人和三种公司“做人工智能的这些学术派们并没有太大的野心，”猎头郑明说。这些人从原本的机构或商业研究院的象牙塔走入“凡间”，无论是创业，还是加入创业公司也好，目的基本上是三个：“一是觉得自己做了这么多年研究，确实想赚。二是希望能够在商业环境中拿到更好的数据，验证自己的模型和算法，在学术领域再创新高。第三种，也是最少的一类人，是真心希望自己的技术能够转化成一个产品的。”学术、大公司、创业、被收购，然后重回学术，是大多数人工智能领域的技术大牛名利双收的“职业路径”。其中的每一步都有着十分明确的考量：如果一个新的环境，能够提供更好的薪资，或更好的数据其中任何一个，那么现有的环境是很难挽留他们的。在郑明看来这不叫没有情怀，叫直率。在筛选一家公司是否值得去的时候除了薪资，大牛们往往会思考这些问题：“这个公司已有的人工智能人才是否和我在同一个等级上”、“这家公司所涉及的业务是否对我所研究的课题有帮助”、“从这家公司离开后是否能为我回学术圈或创业带来优势”。对于人工智能人才择业来说，最忌讳的就是来到一家对自己的学术进展毫无帮助的公司。胡进是业内的一位深度学习专家，在离开原本的大公司研究院后，被一家国内顶尖的汽车媒体聘用。入职之后，胡进发现这家公司的用户数据尽管巨大，但收集维度仅限于用户在汽车领域的消费和浏览偏好，且受限与公司产品形态不容易拓宽。而公司的产品库主要又是游戏和金融产品，数据与推荐品之间无法建立有效的联系，对学术的帮助也收效甚微。若在此恋战，则有可能断绝回到学术圈的道路。入职六个月，胡进火速离职。这也是包括百度和Google在内的许多大公司都留不住人工智能人才的原因：对于有学术抱负的人来说，商业公司只是暂时的落脚点。拿到数据突破学术瓶颈之后，依然要回到学术圈；对在学术圈“穷怕了”，奔着赚钱的人来说，如果独立创业后可以以更高的估值被收购回去，那么也是一个不错的选择。前一类人在人工智能创业公司中占了绝大多数，通过抓取LinkedIn数据，在对格林深瞳、旷视科技、商汤科技、思必驰、云知声、第四范式6家不同细分领域AI创业公司的245名离职员工的分析后，PingWest品玩发现有110名员工回到学术研究机构、大学或无明显商业模式的校办企业。而对那些真正希望自己的技术转化成一个成熟产品的人工智能科学家来说，并不满足在某个大公司中担任技术岗，他们更愿意在大公司中验证自己的模型和算法之后，去创立独立的公司。这些从大公司出走的人工智能创业者往往起点高，对自己的技术实力和市场的空白有充分的把握，坚信自己创办的公司一定能因为掌握某个关键的技术或环节，日后被大公司收购回去。不过，任何一个人工智能的顶级人才，都不认为自己是泡沫里的裸泳选手，他们甚至对这个行业是否有泡沫并不关心。因为能够进入这个行业的人，真才实学是前提基础，即便是真的有泡沫，回归学术也是他们一条不错的退路。这恐怕与大多数商业化的公司以及公司背后的资本意志，对他们的预期不太一样。与人工智能人才各怀心思相同，招聘他们的公司也分为三类，每一类在给出“百万年薪”的同时有着完全不同的诉求：第一类是互联网巨头，包括“超第一梯队”的跨国公司Google和微软亚洲研究院，以及第一梯队的巨头——大家熟悉的百度、阿里和腾讯；以及第二梯队的今日头条和滴滴等公司。第二类是人工智能创业公司，以某种人工智能技术为的创业公司，典型的如自动驾驶领域的Momenta、地平线、驭势科技；视觉识别领域的格灵深瞳、商汤科技和旷视科技等。第三类是将人工智能融入到自身业务中的其它创业公司，如学霸君、泼辣熊和智齿科技等。戴维所在的公司就属于第三类，在这类公司，人工智能是用来升级现有的产品或业务的，所有的人工智能研究以产出为导向，实用性强，“泡沫不高”。但与传统研发领域的许多大牛一样，这类应用驱动的人工智能团队，往往随着新项目的立项而引入，随着新项目的结项而离职。这样的公司一般有良好但并不过分充裕的现金流，人才和公司都较为明确的知道自己想要什么。一旦人工智能领域上的投入产出比不够好，项目会被立即停掉，原本引入的技术人才也不会恋战。在人工智能创业公司——第四范式的“范式大学系列课程”第3篇中，也引用了这样一个实例：一个企业招聘了两名机器学习方向的数据科学家，加起来年薪百万。但在合作了一年之后，科学家和企业相看两厌，最终分手。公司决策层对人工智能的预期是“投入大”、“收益多”，期望聘请一位百万年薪的专家就能撬动整个公司的现有业务流，实现效率的提升，挖掘公司应得的隐形利润。但立项后，由于将人工智能技术融入已存在行业需要重新建模、收集数据等工作，隐形利润的挖掘需要很长时间，但隐形成本却倍增——人工智能项目的成本不止百万年薪的人才成本，还有配套的数据采集、分析、深度学习云服务的成本。有创业公司因聘请到专家后，买不起深度学习服务器而最终放弃项目。不过，当我们谈起“人工智能热”的时候，那些巨头公司的研究院，以及把无人驾驶、图像识别和语音识别等技术当成公司核心产品的公司，对人工智能科学家的“容忍度”前所未有地高。由于家底雄厚，它们也是推动人工智能人才高薪的主要原因。但它们的人工智能产品无论多神奇，似乎永远只出现在新闻里而不是市场上。2 谁为“高薪”买单既然人工智能行业并不赚钱，那么人工智能从业人员的高薪是谁支付的？与所有风口吹泡泡的故事一样，资本再次充当了那个“老好人”的角色，但资本自己并不如此认为。从年，国内投资过人工智能领域的机构多达145家，而无论是否投资过人工智能企业，几乎所有在公开场合都认为：人工智能的确是未来，只是在未来有多远，以及如何估值这个问题上存在一定疑问。以学术水平论估值，是正在布局这个行业的一些VC的基本逻辑。与投资App和消费升级不同，大多数人工智能创业公司都以To B为主要业务方向，同时有大量的研发支出。“短期内”现金流上巨亏似乎是不可避免的，在业务上也无法找到可以用于衡量的增长指标。因此，核心团队是否有真才实学，是否能持续的从人才匮乏的学术界挖到人，维持整个公司的研发进度，成为VC衡量人工智能创业公司的一个重要因素。“业内一些基金的逻辑其实是在投分裂，”一位告诉PingWest品玩，“基金进入每个行业都需要交学费，只不过人工智能和TMT不同，在投TMT的时候你可以找两个实习生，把市面上的项目都用一遍就学会了。但人工智能的学术门槛高，要想判断一个项目好坏，你不可能自己雇一个学术派来做。你只能相信一些在学术上有可见成就的人，尽管他的公司可能商业上不成功，但他的学生和人脉会进他的公司。然后一段时间后他的高管和下属会离职创业，与一些商业逻辑更强的行业人结合在一起建立新公司，这个时候你才有机会投到这些公司。”换句话说，投资人投的就是人，而不是公司，投资人恨不得亲自直接把高额的薪水钞票砸到这些人工智能专家的脸上。这种现象在其它领域的投虽然也有，但很少像人工智能创业公司那样，能靠团队撑起上亿美金规模的融资。商汤科技的汤晓鸥就是在这一逻辑下最值得“被投”的人之一，汤晓鸥1990年于中国科学技术大学获得学士学位，1991年于美国罗切斯特大学获得硕士学位，1996年于麻省理工学院 (MIT) 获得博士学位。在计算机视觉、模式识别和图像处理等人工智能的细分领域上已有200余篇论文。2014年，汤晓鸥创办商汤科技，背靠香港中文大学多媒体实验室，商汤科技迅速成为业界人才优势最强的人工智能创业公司之一。按照商汤科技官方的介绍，商汤科技主要研究、文字识别、人体识别、车辆识别、物体识别、图像处理等技术的应用。在实际业务上，主要深耕金融、移动互联网和安防监控三个方向。但商汤科技的技术人脉优势，在之后的几年反倒成为了商汤科技的软肋，商汤科技在发展过程中始终没有摆脱研究院式的学术气息，缺乏商业人才导致其在商业化上的探索并不成功。去年12月，商汤科技引入拥有国资背景的完成B轮融资，不到半年后又引入国资属性更强的赛领资本作为战略。并与地方**合作建立人工智能超算中心，强化了自身的技术研究院与基础设施属性。这意味着商汤科技不再执着于不成熟的商用市场寻找出路，而选择成为现阶段基础服务属性更强的国家队成员。格灵深瞳是另一家在业内汇聚顶尖人才的创业公司，成立于2013年，其主要业务是计算机视觉和深度学习技术以及嵌入式硬件研发。在成立不久之后，格灵深瞳将这个“技术”转化为一个具体的市场方向——安防。安防市场是一个相对封闭且对硬件技术要求较高的门槛，目前格灵深瞳主要集中在软件方案上，很难说切入了安防市场的核心地带。2017年年初，格灵深瞳CEO何搏飞的离职也让圈内震惊。与格林深瞳同样切入安防领域的还有旷视科技（Face++）等以面部识别为核心技术的创业企业。尽管并不否认人工智能技术对安防效果的显著提升，但安防市场一直是以销售为强导向的线下市场，国内长期被海康威视、大华股份、东方网力三家整体方案和硬件商垄断，创业企业很难颠覆。尽管国内大多数基金的生命周期都是5年以上，也就是说所投公司在5年之内没有回报都是可以“被理解”的。但实际上，如果一家公司在3年内既没有找到合理的商业模式也没有实现批量增长，那么就很难再继续进行正常的下一轮融资了。无论是为了进一步融资，以获得公司继续生存所必须的救命资金，还是给“裁员”找一个好听的说法，团队出走裂变出新的公司，在人工智能领域都成了一种趋势。几乎每个成立三年以上的人工智能公司都会存在一次“团队出走，二次创业”的事件。通过公开资料我们发现：思必驰员工离职创办语音识别公司驰声科技；云知声CMO离职创办人工智能教育公司先声教育；出门问问两位员工离职分别创办大数据冷链公司Meatub、智能硬件公司萌动；商汤科技曹旭东离职后创办自动驾驶公司Momenta；格灵深瞳的丁鹏博士离职创办人工智能医疗公司DeepCare；英特尔的吴甘沙等5人离职创办自动驾驶公司驭势科技……尽管并不是绝对，但裂变后的公司往往会更为“脚踏实地”，在商业上更努力。简单来说，从图像识别公司离职的员工，会创办一个在图像识别领域有具体应用场景的公司。比如在自动驾驶领域，从L5（完全自动驾驶）离职的团队则会更倾向于研发L4和L3（辅助自动驾驶）的方案，或者是具体到自动驾驶整个产业链中的某个硬件、芯片或算法上。只有这样，这些分裂出来的公司才可能在自己重新开启的融资周期内，实现盈利或被收购。3
差了5年的风口就是泡沫“你觉得目前国内哪家公司的人工智能水平最高？”（不包括微软亚研等外企）PingWest品玩把这个问题扔给了很多人工智能科学家，答案的前半部分惊人的高度一致：“技术实力最强的一定是百度，但是……”后半部分的回答不尽相同。不过大多数指向刚刚离职的百度前首席科学家吴恩达（Andrew Ng）曾经主导的百度人工智能缺乏成功转化并泛用的产品，从外界看起来并不算“成功”，与“水平最高”的实际状况并不相称。在PingWest品玩的采访过程中，另一个得到高度一致性答案的问题是：“你觉得是什么让人工智能突然热起来的？”面对这个问题，几乎所有人无一例外的回答“AlphaGo”。这也与2016年突然爆发的创业和资本曲线恰好吻合，甚至有创业者直言：“我做了这么多年人工智能，没人知道我是做什么的，在AlphaGo之后终于有投资人能正眼看我了。”然而AlphaGo是Google的一个实验性加上公关式项目，尽管Google通过它更好的理解了深度学习，同时也向外展示了Google的技术实力。但AlphaGo本身是不具备任何实际意义，也不能产生回报。将驱动AlphaGo的技术应用于实际的生产场景，可能还需要许多年。而在不同的场景之下，人工智能的实际应用又有着完全不同的实现难度和时间进度。“人工智能的风口是个伪命题，因为并不存在某个具体的行业叫人工智能。人工智能的技术会落实到具体的应用之下，但每个场景的实现时间是不同的。比如说我们这个领域，不要说风口来临了，其实风口已经过了。”自2012年开始做非接触式掌纹识别的老邢说，他如果现在创业也一定说自己是人工智能。“掌纹比指纹的安全性更高，而且无需接触，在使用体验上也比扫脸要好一些”——但是老邢的产品目前只在一些密级很高的单位获得认可，在资本市场和消费市场上都是反响平平。与认为风口已过的老邢不同，专注货运自动驾驶的图森未来科技CEO陈默则认为风口可能还没到：“目前无人驾驶技术最强的就是Google和百度这样的巨头了，但我们认为他们要想实现他们的L5自动驾驶商用，依然也要5年以上的时间。创业公司切L5一步到位这个点是不现实的，我们做封闭或特定环境的L3、L4自动驾驶，目标就是在三年内能商业化，这才是一个公司该考虑的事情。”而由科学家这样的学术界人士主导的人工智能项目，往往会将学术界“刷论文”的风气带到公司领域。在媒体中，我们经常能听到某家人工智能公司在图像识别、人脸识别、上路测试中又取得了新的进展。但如果读至内文，这些突破性进展往往是算法对某种特定场景的识别率又提升了百分之零点几。这或许在技术上确实是一种重大进步，但在实际应用场景下却往往是另一回事儿。比如面部解锁，98.8%的识别率和99%的识别率在体验上完全没区别。而用过面部解锁的用户都知道，在移动（晃动）中无法解锁才是目前其无法广泛应用的主要原因，而智能手机的前置摄像头采用什么样的参数和防抖技术又是人工智能解决方案公司完全无法控制的。但这些公司在测试和刷分的时候，会为那百分之零点几的提升兴奋不已，发新闻稿，恨不得开发布会。类似复杂的环境因素，决定了人工智能在几乎所有需要考虑复杂环境的普通用户使用场景上都显得有些“智障”。而在企业端，以医疗为例，政策和体制原因导致这个市场目前连互联网产品都没有完整渗透，即便是有商业公司制作出了可行性产品，短期内也很难攻入市场。同样面临技术和产品之外的商业化问题的还有上问题提到的安防和自动驾驶。从技术到应用的这段过长的转化时间，理应是在研究机构中完成的，而并不应该让资本和市场过度干预。以百度为例，总裁兼COO陆奇上任后，百度的人工智能迅速向语音助手、智能家居和L3自动驾驶等短期内更容易出现产品的方向调整，这不失为一次中国人工智能的“头部转弯”。那么，“不是不行，只是时候未到”的人工智能是泡沫么？一位一级市场分析师告诉PingWest品玩：”你觉得VR是泡沫么？如果是的话，那人工智能确实有泡沫。“人工智能与虚拟现实（VR）十分相似：随着内容消费的不断升级，VR有朝一日一定会取代现有的载体成为一个巨大的市场——正如我们总有一天会被人工智能包围。但由于技术不成熟，媒体和资本的提前热炒，催生了年VR的非理性繁荣，同时也迎来了今年的VR低谷。“人工智能比VR的前景更大，它像互联网一样，未来会深入到每个领域中。就像今日头条、像滴滴内部运用人工智能一样。未来小卖铺都像用微信付款一样，利用人工智能来分析客户、库存和SKU。” 老邢告诉我，“但这并不意味着，现在这么热炒就是一件好事。”通过对一级市场数据库IT桔子上，409家人工智能创业企业的公开信息进行分析，PingWest品玩发现人工智能企业的融资次数，与新增公司数呈现明显地平移相关。截止2017年4月底，今年的新增人工智能企业数量仅为5家，预计今年人工智能新增企业将有大幅下滑。敏感的“人工智能从业者”们已经意识到了这一轮风口来的太早，而资本却并没有及时刹车。到目前为止，今年（2017年）人工智能事件已发生62次，已完成的融资额比去年多了一倍，全年资产流入量将有望突破700亿。这700亿中，又将有许多以天价年薪的形式，流入人工智能人才的口袋。人工智能是方向，但当下却并不是风口，它对并不是、电商和消费升级这样的具体赛道。而是像互联网一样，提供了一个全产业升级的技术工具——互联网的诞生让O2O、电商和消费升级成为了可能。而人工智能的风口来临的时候，是指在人工智能成熟后，所有行业都可以利用人工智能提升自己的效率和生产力。但前景越光明，当下的泡沫也就越大，就像2000年前后中美同时发生的互联网泡沫破灭。1995年至2001年间，由于媒体和资本的过度投机，让普通民众和投资者认为互联网将会改变一切。随之而来的泡沫破灭，让大约5IT业市值蒸发，许多知名企业破产。在之后的不到五年里，互联网确实改变了一切。后来互联网对世界的变革，甚至超过了2000年互联网泡沫最鼎盛时期华尔街的想象。但这并不能挽回那些互联网先烈的命运。过早的商业关注，也是对人工智能学术进步的一种阻碍。杜克大学电子与计算机工程系副教授，杜克进化智能研究主任陈怡然在人工智能媒体新智元的一篇文章中写道：“学术界被挖的千疮百孔，现在连写个项目申请都找不到合适的PI来组队……这个需求有明显的炒作痕迹，而且是学术界的人自己炒自己：谁都知道这个溢价不可能长久，赶紧趁热把自己卖一笔，以后的事情以后再说。”戴维对此有着相同的观点：“整体来说，人工智能这一波技术的天花板很低，如果现在短期内实现不了的需求，再投多少钱也没用，还是要靠学术界有进一步的突破……学术界上一次突破（深度学习算法）带来的应用红利可能马上就要到头了。”事实上，如果人工智能真的如互联网一样，是一种庞大改革的技术基底。那么人才去泡沫化、民主化，学术的归学术，商业的归商业，才是引爆风口的第一步。随着更多的人涌入人工智能相关专业，社会性的商业培训机构的出现，以及人工智能技术自身门槛的降低。人工智能人力成本下降，才能让人工智能真正的大众化，泛用化。当任何一家公司可以像招PHP程序员一样招到人工智能工程师的时候，我们才能迎来没有泡沫的人工智能时代。《我为什么离开高盛，加入北大汇丰？》 精选四首页理财正文揭秘百万年薪背后：人工智能的虚假繁荣和人才泡沫投中网24分钟前投中网（https://www.chinaventure.com.cn） 编者按：人工智能公司本身真正创造的价值，却少的可怜。五月天，戴维穿着帽衫，瘦瘦高高，里面套着短袖，是最能适应早晚凉中午热的衣着。作为一个科技圈人士，他对热点话题一点感觉也没有，从没听说过共享充电宝，不知道上一轮资本寒冬是什么时候过去的；也不太关心自己的老同学去的那些公司，谁又融了多少钱。甚至，对自己所在的这个空前热门的行业，他的认识也很模糊——戴维是国内一家公司的人工智能项目负责人，年薪刚好百万人民币。这家公司的产品并不是自动驾驶汽车、语音助手和扫脸解锁这种一眼看上去就与人工智能沾边的产品——但在它最新的产品中确实使用了图像识别和自然语言处理，并涉及一些大数据分析的技术。戴维是部门leader,此前他在一家国际知名的手机厂商做研究员，再之前是清华大学攻读计算机视觉博士学位，还带过博士生。不如那些走穴型的人工智能专家知名，但在学术界，也算是个有点名气的人。他在这家公司AI部门人不多，差不多10个。但这个部门却撑起了整个公司的可行性方案——尽管用户可能感受不到，但如果没有他们，公司的新产品就完全不可能面向市场。麦可是戴维的同事，毕业两三年，但年薪也是50万人民币起跳。他的朋友郑明跟他说：不要谦虚，你自己也说不出国内的OCR（光学字符识别——编者注）谁做的比你更好吧？——郑明去年自己创了业，在做人工智能方向的猎头。郑明用了半年多的时间，就把国内能接触到的人才都摸了一遍。不过他也说，这个圈子其实很小，突破几个点后，以一名人才为核心，就能覆盖到他的同学、前后辈和公司同事。戴维的这份年薪百万的工作是郑明给他找的。郑明也很关心戴维入职后的工作状况，这属于猎头后续工作的一部分。戴维说：还行，因为这个领域是从零开始，建模、数据搜集和分析，还是有挺多前期工作的。但公司应该已经卖出去一些方案了。当然，相比人力投入，这家公司在人工智能业务上还远未回本。现阶段的人工智能领域，最赚钱的可能是里的人工生意了，因为人工智能领域的人才，太短缺了。人工智能是个笼统的概念，企业并不会真的在招聘时招人工智能岗位，具体会分为深度学习、自然语言处理、图像识别、推荐算法等不同的职责描述，招的不光是工程师和程序员，而是科学家。而一个复杂的和人工智能沾边的项目，可能涉及到多种技术的综合应用。比如要实现用户拍了一道应用题，智能匹配讲师这样一个功能，里面会涉及图像识别（识别用户拍的什么题）、自然语言处理（读懂这道题）和推荐算法（按用户数据、题目的类别在导师库里选人）等角色，每个角色都需要对应的职位。其中每一个环节，都得由至少一名50万年薪起的科学家完成。当然，一个人还肯定不够。以NLP（自然语言处理）算法工程师为例，此刻正在拉钩上招聘的岗位涉及上百家公司386个具体职位。这乍一看上去并不是一个很高的数字，但该岗位大多要求求职者拥有相关专业的硕士或博士学位，在国内拥有较强自然语言处理实验室的大学仅限北邮、国防科大、北大、清华、中科院、厦门大学、哈工大、复旦、华中科技和苏州大学等少数重点大学。而以中国科学院计算技术研究所自然语言处理研究组为例，其2014届硕士毕业生4人，博士毕业生2人，已全部被三星、华为等巨头企业收归靡下。除以上重点研究室之外，其它学校的NLP专业毕业生，都要去微软亚洲研究院、百度、科大讯飞等大公司镀金之后，才有人相信他们的实力——这就将人才输出源锁定到了一个极小的范围内。这并非是自然语音识别一个细分领域的现象，在整个人工智能领域都是如此。在全球最大的职业社交网站LinkedIn上可以查到的，拥有微软亚洲研究院工作背景的公司创始人高达54人。而从微软亚洲研究院离职后，去创业或互联网公司担任总裁、CTO、总监、项目总监和科学家的人数约为104人。亿欧网于2016年12月整理的中国企业核心AI人才图谱中，218位人工智能华人高管里，知名大学相关专业毕业的博士生占85%，硕士都排不上号。在采访过程中，无论是郑明还是那些人工智能创业公司的HR都提到，他们一般会定点蹲守一些自己中意的实验室或公司，一旦这些地方人员有异动，就立刻行动准备挖人。（公司）不存在太多的选择，有的公司点名道姓的说只招百度出来的人，或者是只招微软亚研的人。郑明说，一旦一个这样的人想要从原本的环境里出来，就会收到很多offer,薪资对他们来说反倒是选择的次要标准了，因为所有公司给的薪酬都很高。这样的紧缺，也造就了绝对卖方市场。在郑明提供的一份内部参考文件中，透露了人工智能领域的大概薪资：职位最低的工程师年薪在30~50万，商业公司中的研究员则在50~100万之间，项目主管或CTO则大多会在年薪80万以上上不封顶，普遍在150万左右。大公司里的高级职位薪酬会比创业公司更高一些，而基础职位的薪资，创业公司比大公司更高。一家普通的国内互联网公司，如果想从微软亚研、百度、三星这样的公司挖人，需要拿着他们在原有企业里的职级表按上调二、三级的薪资挖——一家传统招聘网站，甚至曾研究1300万人民币年薪挖一个CTO,过来研发智能人岗匹配的下一代招聘产品。自然语言、图像、深度学习和自动驾驶等不同领域有一定差距，但差距不大。在这个领域里即便是级别低一些的人，也是在学术界有过多年研究的。他们的薪酬往往与学术成果挂钩。就算他们中的一些人之前并没有在企业中有过对应的职业经历，但过去在学术机构中积累的经验和年限被直接对应到了他们现在进入的职场中。当你去实际看这些人（博士或硕士）的年龄，其实也差不多就是互联网公司里中高层的那个水平。所以百万年薪，在这个行业里不算很高了。郑明对此见怪不怪，但这确实是一件奇怪的事情。毕竟，在以商业为导向的企业中，能为企业做出的贡献才应该是薪酬的唯一标准，与学术圈的论资排辈有着巨大的区别。而决定这种薪资制度的并非是因为企业家不看重科研，而是现代企业必须以盈利作为主要目的。换句话说，一个千万年薪的团队，能否为公司创造出过亿的利润，才是它是否真的价值千万的唯一衡量标准。然而，与人工智能专业人才奇货可居的价格形成鲜明对照的是，人工智能公司本身真正创造的价值，却少的可怜。三种人和三种公司做人工智能的这些学术派们并没有太大的野心，猎头郑明说。这些人从原本的机构或商业研究院的象牙塔走入凡间，无论是创业，还是加入创业公司也好，目的基本上是三个：一是觉得自己做了这么多年研究，确实想赚一点钱。二是希望能够在商业环境中拿到更好的数据，验证自己的模型和算法，在学术领域再创新高。第三种，也是最少的一类人，是真心希望自己的技术能够转化成一个产品的。学术、大公司、创业、被收购，然后重回学术，是大多数人工智能领域的技术大牛名利双收的职业路径。其中的每一步都有着十分明确的考量：如果一个新的环境，能够提供更好的薪资，或更好的数据其中任何一个，那么现有的环境是很难挽留他们的。在郑明看来这不叫没有情怀，叫直率。在筛选一家公司是否值得去的时候除了薪资，大牛们往往会思考这些问题：这个公司已有的人工智能人才是否和我在同一个等级上、这家公司所涉及的业务是否对我所研究的课题有帮助、从这家公司离开后是否能为我回学术圈或创业带来优势。对于人工智能人才择业来说，最忌讳的就是来到一家对自己的学术进展毫无帮助的公司。胡进是业内的一位深度学习专家，在离开原本的大公司研究院后，被一家国内顶尖的汽车媒体聘用。入职之后，胡进发现这家公司的用户数据尽管巨大，但收集维度仅限于用户在汽车领域的消费和浏览偏好，且受限与公司产品形态不容易拓宽。而公司的产品库主要又是游戏和金融产品，数据与推荐品之间无法建立有效的联系，对学术的帮助也收效甚微。若在此恋战，则有可能断绝回到学术圈的道路。入职六个月，胡进火速离职。这也是包括百度和Google在内的许多大公司都留不住人工智能人才的原因：对于有学术抱负的人来说，商业公司只是暂时的落脚点。拿到数据突破学术瓶颈之后，依然要回到学术圈；对在学术圈穷怕了，奔着赚钱的人来说，如果独立创业后可以以更高的估值被收购回去，那么也是一个不错的选择。前一类人在人工智能创业公司中占了绝大多数，通过抓取LinkedIn数据，在对格林深瞳、旷视科技、商汤科技、思必驰、云知声、第四范式6家不同细分领域AI创业公司的245名离职员工的分析后，PingWest品玩发现有110名员工回到学术研究机构、大学或无明显商业模式的校办企业。而对那些真正希望自己的技术转化成一个成熟产品的人工智能科学家来说，并不满足在某个大公司中担任技术岗，他们更愿意在大公司中验证自己的模型和算法之后，去创立独立的公司。这些从大公司出走的人工智能创业者往往起点高，对自己的技术实力和市场的空白有充分的把握，坚信自己创办的公司一定能因为掌握某个关键的技术或环节，日后被大公司收购回去。不过，任何一个人工智能的顶级人才，都不认为自己是泡沫里的裸泳选手，他们甚至对这个行业是否有泡沫并不关心。因为能够进入这个行业的人，真才实学是前提基础，即便是真的有泡沫，回归学术也是他们一条不错的退路。这恐怕与大多数商业化的公司以及公司背后的资本意志，对他们的预期不太一样。与人工智能人才各怀心思相同，招聘他们的公司也分为三类，每一类在给出百万年薪的同时有着完全不同的诉求：第一类是互联网巨头，包括超第一梯队的跨国公司Google和微软亚洲研究院，以及第一梯队的巨头——大家熟悉的百度、阿里和腾讯；以及第二梯队的今日头条和滴滴等公司。第二类是人工智能创业公司，以某种人工智能技术为主营业务的创业公司，典型的如自动驾驶领域的Momenta、地平线、驭势科技；视觉识别领域的格灵深瞳、商汤科技和旷视科技等。第三类是将人工智能融入到自身业务中的其它创业公司，如学霸君、泼辣熊和智齿科技等。戴维所在的公司就属于第三类，在这类公司，人工智能是用来升级现有的产品或业务的，所有的人工智能研究以产出为导向，实用性强，泡沫不高。但与传统研发领域的许多大牛一样，这类应用驱动的人工智能团队，往往随着新项目的立项而引入，随着新项目的结项而离职。这样的公司一般有良好但并不过分充裕的现金流，人才和公司都较为明确的知道自己想要什么。一旦人工智能领域上的投入产出比不够好，项目会被立即停掉，原本引入的技术人才也不会恋战。在人工智能创业公司——第四范式的范式大学系列课程第3篇中，也引用了这样一个实例：一个企业招聘了两名机器学习方向的数据科学家，加起来年薪百万。但在合作了一年之后，科学家和企业相看两厌，最终分手。公司决策层对人工智能的预期是投入大、收益多，期望聘请一位百万年薪的专家就能撬动整个公司的现有业务流，实现效率的提升，挖掘公司应得的隐形利润。但立项后，由于将人工智能技术融入已存在行业需要重新建模、收集数据等工作，隐形利润的挖掘需要很长时间，但隐形成本却倍增——人工智能项目的成本不止百万年薪的人才成本，还有配套的数据采集、分析、深度学习云服务的成本。有创业公司因聘请到专家后，买不起深度学习服务器而最终放弃项目。不过，当我们谈起人工智能热的时候，那些巨头公司的研究院，以及把无人驾驶、图像识别和语音识别等技术当成公司核心产品的公司，对人工智能科学家的容忍度前所未有地高。由于家底雄厚，它们也是推动人工智能人才高薪的主要原因。但它们的人工智能产品无论多神奇，似乎永远只出现在新闻里而不是市场上。谁为高薪买单既然人工智能行业并不赚钱，那么人工智能从业人员的高薪是谁支付的？与所有风口吹泡泡的故事一样，资本再次充当了那个老好人的角色，但资本自己并不如此认为。从年，国内投资过人工智能领域的机构多达145家，而无论是否投资过人工智能企业，几乎所有投资机构在公开场合都认为：人工智能的确是未来，只是在未来有多远，以及如何估值这个问题上存在一定疑问。以学术水平论估值，是正在布局这个行业的一些VC的基本逻辑。与投资App和消费升级不同，大多数人工智能创业公司都以To B为主要业务方向，同时有大量的研发支出。短期内现金流上巨亏似乎是不可避免的，在业务上也无法找到可以用于衡量的增长指标。因此，核心团队是否有真才实学，是否能持续的从人才匮乏的学术界挖到人，维持整个公司的研发进度，成为VC衡量人工智能创业公司的一个重要因素。业内一些基金的逻辑其实是在投分裂，一位基金投资经理告诉PingWest品玩，基金进入每个行业都需要交学费，只不过人工智能和TMT不同，在投TMT的时候你可以找两个实习生，把市面上的项目都用一遍就学会了。但人工智能的学术门槛高，要想判断一个项目好坏，你不可能自己雇一个学术派来做投资经理。你只能相信一些在学术上有可见成就的人，尽管他的公司可能商业上不成功，但他的学生和人脉会进他的公司。然后一段时间后他的高管和下属会离职创业，与一些商业逻辑更强的行业人结合在一起建立新公司，这个时候你才有机会投到这些公司。换句话说，投资人投的就是人，而不是公司，投资人恨不得亲自直接把高额的薪水钞票砸到这些人工智能专家的脸上。这种现象在其它领域的投融资虽然也有，但很少像人工智能创业公司那样，能靠团队撑起上亿美金规模的融资。商汤科技的汤晓鸥就是在这一逻辑下最值得被投的人之一，汤晓鸥1990年于中国科学技术大学获得学士学位，1991年于美国罗切斯特大学获得硕士学位，1996年于麻省理工学院 (MIT) 获得博士学位。在计算机视觉、模式识别和图像处理等人工智能的细分领域上已有200余篇论文。2014年，汤晓鸥创办商汤科技，背靠香港中文大学多媒体实验室，商汤科技迅速成为业界人才优势最强的人工智能创业公司之一。按照商汤科技官方的介绍，商汤科技主要研究人脸识别、文字识别、人体识别、车辆识别、物体识别、图像处理等技术的应用。在实际业务上，主要深耕金融、移动互联网和安防监控三个方向。但商汤科技的技术人脉优势，在之后的几年反倒成为了商汤科技的软肋，商汤科技在发展过程中始终没有摆脱研究院式的学术气息，缺乏商业人才导致其在商业化上的探索并不成功。去年12月，商汤科技引入拥有国资背景的鼎晖投资完成B轮融资，不到半年后又引入国资属性更强的赛领资本作为战略投资方。并与地方**合作建立人工智能超算中心，强化了自身的技术研究院与基础设施属性。这意味着商汤科技不再执着于不成熟的商用市场寻找出路，而选择成为现阶段基础服务属性更强的国家队成员。格灵深瞳是另一家在业内汇聚顶尖人才的创业公司，成立于2013年，其主要业务是计算机视觉和深度学习技术以及嵌入式硬件研发。在成立不久之后，格灵深瞳将这个技术转化为一个具体的市场方向——安防。安防市场是一个相对封闭且对硬件技术要求较高的门槛，目前格灵深瞳主要集中在软件方案上，很难说切入了安防市场的核心地带。2017年年初，格灵深瞳CEO何搏飞的离职也让圈内震惊。与格林深瞳同样切入安防领域的还有旷视科技（Face++）等以面部识别为核心技术的创业企业。尽管并不否认人工智能技术对安防效果的显著提升，但安防市场一直是以销售为强导向的线下市场，国内长期被海康威视、大华股份、东方网力三家整体方案和硬件商垄断，创业企业很难颠覆。尽管国内大多数基金的生命周期都是5年以上，也就是说所投公司在5年之内没有回报都是可以被理解的。但实际上，如果一家公司在3年内既没有找到合理的商业模式也没有实现批量增长，那么就很难再继续进行正常的下一轮融资了。无论是为了进一步融资，以获得公司继续生存所必须的救命资金，还是给裁员找一个好听的说法，团队出走裂变出新的公司，在人工智能领域都成了一种趋势。几乎每个成立三年以上的人工智能公司都会存在一次团队出走，二次创业的事件。通过公开资料我们发现：思必驰员工离职创办语音识别公司驰声科技；云知声CMO离职创办人工智能教育公司先声教育；出门问问两位员工离职分别创办大数据冷链公司Meatub、智能硬件公司萌动；商汤科技曹旭东离职后创办自动驾驶公司Momenta；格灵深瞳的丁鹏博士离职创办人工智能医疗公司DeepCare；英特尔的吴甘沙等5人离职创办自动驾驶公司驭势科技……尽管并不是绝对，但裂变后的公司往往会更为脚踏实地，在商业上更努力。简单来说，从图像识别公司离职的员工，会创办一个在图像识别领域有具体应用场景的公司。比如在自动驾驶领域，从L5（完全自动驾驶）离职的团队则会更倾向于研发L4和L3（辅助自动驾驶）的方案，或者是具体到自动驾驶整个产业链中的某个硬件、芯片或算法上。只有这样，这些分裂出来的公司才可能在自己重新开启的融资周期内，实现盈利或被收购。差了5年的风口就是泡沫你觉得目前国内哪家公司的人工智能水平最高？（不包括微软亚研等外企）PingWest品玩把这个问题扔给了很多人工智能科学家，答案的前半部分惊人的高度一致：技术实力最强的一定是百度，但是……后半部分的回答不尽相同。不过大多数指向刚刚离职的百度前首席科学家吴恩达（Andrew Ng）曾经主导的百度人工智能缺乏成功转化并泛用的产品，从外界看起来并不算成功，与水平最高的实际状况并不相称。在PingWest品玩的采访过程中，另一个得到高度一致性答案的问题是：你觉得是什么让人工智能突然热起来的？面对这个问题，几乎所有人无一例外的回答AlphaGo。这也与2016年突然爆发的创业和资本曲线恰好吻合，甚至有创业者直言：我做了这么多年人工智能，没人知道我是做什么的，在AlphaGo之后终于有投资人能正眼看我了。然而AlphaGo是Google的一个实验性加上公关式项目，尽管Google通过它更好的理解了深度学习，同时也向外展示了Google的技术实力。但AlphaGo本身是不具备任何实际意义，也不能产生回报。将驱动AlphaGo的技术应用于实际的生产场景，可能还需要许多年。而在不同的场景之下，人工智能的实际应用又有着完全不同的实现难度和时间进度。人工智能的风口是个伪命题，因为并不存在某个具体的行业叫人工智能。人工智能的技术会落实到具体的应用之下，但每个场景的实现时间是不同的。比如说我们这个领域，不要说风口来临了，其实风口已经过了。自2012年开始做非接触式掌纹识别的老邢说，他如果现在创业也一定说自己是人工智能。掌纹比指纹的安全性更高，而且无需接触，在使用体验上也比扫脸要好一些——但是老邢的产品目前只在一些密级很高的单位获得认可，在资本市场和消费市场上都是反响平平。与认为风口已过的老邢不同，专注货运自动驾驶的图森未来科技CEO陈默则认为风口可能还没到：目前无人驾驶技术最强的就是Google和百度这样的巨头了，但我们认为他们要想实现他们的L5自动驾驶商用，依然也要5年以上的时间。创业公司切L5一步到位这个点是不现实的，我们做封闭或特定环境的L3、L4自动驾驶，目标就是在三年内能商业化，这才是一个公司该考虑的事情。而由科学家这样的学术界人士主导的人工智能项目，往往会将学术界刷论文的风气带到公司领域。在媒体中，我们经常能听到某家人工智能公司在图像识别、人脸识别、上路测试中又取得了新的进展。但如果读至内文，这些突破性进展往往是算法对某种特定场景的识别率又提升了百分之零点几。这或许在技术上确实是一种重大进步，但在实际应用场景下却往往是另一回事儿。比如面部解锁，98.8%的识别率和99%的识别率在体验上完全没区别。而用过面部解锁的用户都知道，在移动（晃动）中无法解锁才是目前其无法广泛应用的主要原因，而智能手机的前置摄像头采用什么样的参数和防抖技术又是人工智能解决方案公司完全无法控制的。但这些公司在测试和刷分的时候，会为那百分之零点几的提升兴奋不已，发新闻稿，恨不得开发布会。类似复杂的环境因素，决定了人工智能在几乎所有需要考虑复杂环境的普通用户使用场景上都显得有些智障。而在企业端，以医疗为例，政策和体制原因导致这个市场目前连互联网产品都没有完整渗透，即便是有商业公司制作出了可行性产品，短期内也很难攻入市场。同样面临技术和产品之外的商业化问题的还有上问题提到的安防和自动驾驶。从技术到应用的这段过长的转化时间，理应是在研究机构中完成的，而并不应该让资本和市场过度干预。以百度为例，总裁兼COO陆奇上任后，百度的人工智能迅速向语音助手、智能家居和L3自动驾驶等短期内更容易出现产品的方向调整，这不失为一次中国人工智能的头部转弯。那么，不是不行，只是时候未到的人工智能是泡沫么？一位一级市场分析师告诉PingWest品玩：你觉得VR是泡沫么？如果是的话，那人工智能确实有泡沫。人工智能与虚拟现实（VR）十分相似：随着内容消费的不断升级，VR有朝一日一定会取代现有的载体成为一个巨大的市场——正如我们总有一天会被人工智能包围。但由于技术不成熟，媒体和资本的提前热炒，催生了年VR的非理性繁荣，同时也迎来了今年的VR低谷。人工智能比VR的前景更大，它像互联网一样，未来会深入到每个领域中。就像今日头条、像滴滴内部运用人工智能一样。未来小卖铺都像用微信付款一样，利用人工智能来分析客户、库存和SKU.老邢告诉我，但这并不意味着，现在这么热炒就是一件好事。通过对一级市场数据库IT桔子上，409家人工智能创业企业的公开信息进行分析，PingWest品玩发现人工智能企业的融资次数，与新增公司数呈现明显地平移相关。截止2017年4月底，今年的新增人工智能企业数量仅为5家，预计今年人