在人工智能领域，近些年来，如果为每一年选一项标志性进展，你觉得应该是怎样的？
热门文章
0
近年来,人工智能技术频频亮相,近年来,人工智能的发展引起了越来越多人的注意,近几年,人工智能方兴未艾,近年来人工智能行业迅猛发展
例如ResNet，Transformer，BERT，GPT-3，以及今年的chatGPT，是否能作为相应年度人工智能领域的的标志性成果？ 2022年，当之无愧是 AIGC（人工智能自动生成内容）的专属年份。甚至于 2023 年，我认为也将是 AIGC 大放异彩的一年。Novel AI、chatgpt、谷歌还发布了一个通过文本生成音乐的MusicLM模型[1][2]，以及种种生成式 AI 的井喷式出现。种种迹象表面，AIGC 的春天才刚刚开始，斌且还将延续一段时间。我也很好奇，AIGC 之后，下一个壮举会是什么？不过现在看来，还得等AIGC的风再吹一阵儿。不过，生成式 AI 的内容已经有很多人讲了。所以，我想讲讲往年人工智能领域的标志性进展――如 2020 年的人工智能领域。我认为主要的标志性进展有两项：AlphaFold 2 和 GPT-3站在当下，AlphaFold 2 依然领先，然而 GPT-3 或许已经不及 chatgpt 那般优秀了。但在 2020 当年， GPT-3 绝对算得上是标志性进展了。对于公众而言，2020年度最为出圈的人工智能领域突破性工作，当属Deepmind 团队的 AlphaFold 2了，我认为，其可以称得上是2020年的新版“AlphaGo”了，或者说2020年版本的“chatgpt”or“Novel AI”。CASP132020年11月，在第14届蛋白质结构预测技术的关键测试（Critical Assessment of protein Structure Prediction，CASP）竞赛中，AlphaFold 2得到了接近90分的成绩（中位分数为92.4），表现良好，已经接近于实验取得结构的水平，并且全面碾压了来自学术界和产业界的其他竞争对手，完美地向世人展示了人工智能是如何来推动和加速新的科学发现的。蛋白质构成示意AlphaFold 2的这一巨大突破，直接引爆了全网的热点，Nature、Science纷纷报喜，生物届和AI领域的大牛们也集体祝贺，被誉为是“解决了五十年来生物学的大挑战”的巨大成就。哥大生物学助理教授MohammedAlQuraishi更是评价道：蛋白质结构AI从此进入了“ImageNet时代”。CASP14：Z-scores得分上图展示的，是该次比赛中的各小组Z-scores的得分，其计算方法为样本值相对于总体平均值的差除以标准差，可以看出，AlphaFold 2与第二名以及后面组的得分相差很大，明显好于平均水平，好到是可以当成离群点或者异常点来进行剔除的程度了。排名数据从排名数据中可以看到，AlphaFold 2系统对所有蛋白靶点3D结构预测的中位GDT评分为92.4分，即使对于一些非常难以被解析的蛋白靶点，其也有87的分数，表现非常优异。其实，早在2018年，也就是第13届CASP比赛中，DeepMind团队就用CNN+Rosetta组成的AlphaFold来预测蛋白质结构，首次参加CASP就拔得头筹，取得了第一名的好成绩。不过，第一版取得成功的主要原因还是算力问题，当时的后面几名小组如C-I-TASSER、Multicom、C-QUARK等也都利用了深度学习的技术，所以AlphaFold在方法论的设计上实际并无多少突破，当时的很多小组也和DeepMind团队一样，都是用CNN或者RNN来构建自己的模型，并实现已有方法的优化。这种情况对于以往的工作来说，也算是做出了不小的突破，但这种严重路径依赖的状态对于日益增长的算力来说并不是一个最佳的解决方案。而新的AlphaFold 2，则可以说是从根本上完完全全的战胜了全部的竞争对手。正好比AlphaGo能下出各种匪夷所思的落子，以至于柯洁惊叹"自己这辈子都打败不了AI了"一样，许多人也对新的AlphaFold 2发出了如此高度的感慨，高呼其“解决了五十年来生物学的大挑战”。绿色实验结果，蓝色计算预测结果18年的AlphaFold在CASP13中成功使用深度学习来预测距MSA（Multiple sequence alignment，多序列比对）的残基距离，然后，将这些预测转换为电势，接着使用简单的梯度下降算法将其最小化（例如L-BFGS）以找到良好的结构。而这个想法，在两年后的CASP14中仍然被许多研究小组采用，其中包括那些排名靠前的小组。协同进化方法如何从多序列比对（MSA）中提取有关蛋白质结构的信息的示意图但是，这一次，DeepMind决定开发端到端模型。他们没有使用MSA来预测约束，而是创建了一种深度学习体系结构，该体系结构将MSA作为输入，最后输出完整的结构。不同于先生成残基之间距离再通过其他方法产生结构的方法，AlphaFlod2这次使用了端到端的方法直接通过网络产生结构，还利用了Attention Module增强学习效果。他们建立了一个基于注意力机制的神经网络系统，使用170,000个结构组成的数据集，通过端到端进行了训练，并在之后通过不断地迭代，使得AlphaFold系统学习到了基于氨基酸序列，精确预测蛋白结构的强大能力。AlphaFold 2将折叠好的蛋白质当成具有3D结构的“空间图”来处理，折叠的蛋白质可以被认为是“空间图”，那其中的氨基酸便自然成就为了“空间图”中的节点和线条。这种“空间图”的构建，对于理解蛋白质内的物理相互作用及其进化历史是非常重要的。 通过上述这一套基于注意力机制的人工智能神经网络模型，CASP14上使用的最新版AlphaFold 2，可以高效的解析不同蛋白质的“空间图”结构，同时，系统会试图解释这个图的结构原理，并对它正在构建的隐式图进行推理。此外，模型还会使用进化相关的氨基酸序列，多序列比对（MSA）和对氨基酸对的表示来完善蛋白质结构的预测。另外，模型还使用了内部置信度度量指标，来对蛋白质结构进行衡量。虽然一部分氨基酸侧链的精确位置仍然是一个很大的难题，但Alphafold 2已经能够在很大程度上解决蛋白质结构的预测问题了。深度学习和Attention model等人工智能领域的方法在其中起到了巨大的决定性作用。但是，由于深度学习的部分不可解释性，Alphafold 2也因此有了很多的质疑。其中便包括了德国马克斯・普朗克发育生物学研究所，蛋白质进化学系主任安德烈・卢帕斯。因此，他提出了一个特殊的挑战，即预测一种来自古细菌群中古细菌物种的膜蛋白。之后的一切表明，X-射线晶体学显示的实验结果，完全符合AlphaFold 2模型返回的那张长着两个长长螺旋的蛋白质结构图像，这样的预测结果，不仅从实验层面上没有驳倒AlphaFold 2，反而更进一步证实了AlphaFold 2的强大之所在。所以，若要问到2020年人工智能领域最伟大，同时也最具有突破性的成就，AlphaFold 2自然是当之无愧的NO.1了。至少，是我心目中的NO.12018年，AlphaFold 开始被用来预测蛋白质结构.同样是在2018年，Google发布了论文《Pre-training of Deep Bidirectional Transformers for Language Understanding》，文章中所提出的BERT模型，成功在高达11项的 NLP 任务中取得了state of the art 的结果，赢得自然语言处理学界的一片赞誉之声。自2001年Bengio等人提出第一个神经语言模型起，NLP这项工作便在人工智能界开始了一项长足跋涉之旅。2013年的词嵌入、2014年的sequence-to-sequence 模型、2015年的注意力机制等等，一直到2018年10月推出的划时代意义的BERT模型，都表明NLP领域一直在不断地高速前进和蓬勃发展。依然是2018年，在NLP领域大放光彩的Bert模型旁边，还站着另一位陪跑选手，在用自己的努力孤独地坚持着，向着更亮的远方默默前进，它便是OpenAI GPT（Generative Pre-Training）。最开始，GPT只是个12层单向的Transformer，而后，2019年初的GPT-2，提出了meta-learning，用了15亿参数的大模型，将所有的NLP任务输入输出进行了整合，成为当时生成模型界的霸主。2020年，新一步的极限挑战又开始了，45TB的训练数据，1750亿个参数，1200万美元的花费，造就了异常强大的GPT-3模型，GPT-3像之前一样使用单向语言模型训练方式，但其将目光聚焦于更通用的NLP模型之上。通过对大量文本进行预训练，然后对特定任务进行微调，证明了GPT-3在许多NLP任务和基准方面的巨大收获。实验显示，无论是在Zero-shot、One-shot还是Few-shot的情况下，GPT-3都有着很好的表现。据OpenAI的报道，截至目前目前已有超过300个APP开始使用GPT-3，平均每天产出约45亿个词，更甚者，GPT-3目前已经可以扮演虚拟角色，来与我们进行交互行为。有时候，GPT-3的强大会远超我们的想象。感谢各个互联网公司的巨额资金投入，更要感谢广大科研工作者们的不懈努力和认真钻研，让人工智能和我们的科学与生活越来越近，让我们愈发感受到了人工智能的魅力，和其带给这个世界的巨大变化。接下来几年，AI还会高速发展吗？我认为答案是可以肯定的，目前，深度学习还处于发展的高峰阶段，接下来，随着5G的慢慢普及，更强算力芯片的不断涌现，边缘计算+云计算的持续进步，计算存储一体化的突破，我相信，未来一段时间，人工智能发展的脚步绝不会停止，相反，人工智能会更加大踏步的向前迈进。AI也不光是纸上谈兵，实际上有很多的落地产品，也都或多或少影响到了人们的现实生活，自AlphaGo横空出世起，各类棋牌类竞技游戏相继被人工智能所攻破，接着，便是各类形形色色的产品开始问世。微软搜索开始推出了自己的人工智能产品小冰；百度也开始测试自己的无人车了；Style Transfer技术生成了各种千奇百怪的艺术图片；计算机视觉技术开始进入普通人的生活，同时也接入了如病例分析、医疗影像诊断等医学领域，并且取得了不俗的成果。未来，AI对人类的实际生活造成的影响只会越来越多，妄图一夜之间梨花漫地，自然是不现实的。但AI对生活造成的影响是逐步向我们走来的，无人驾驶，智能购物，更便捷的出行等，这都是我们一点点可以感受得到的，同时我也相信，以后会做的更好。未来可期，希望我们能够共同加油！
豪赌一场AI弯道超车赛。 ChatGPT爆火之后，看AI的猎头已经忙疯了。 2月14日，当「甲子光年」试图联系一位长期关注AI领域的猎头时，她一整个下午都排满了面试：“最早也得晚上6点后。” 另一位关注互联网及医疗健康的猎头也提到，她今年已接到40多个AI领域职位的人才需求，并且需求很急。 这可能是当下很多猎头们的真实状态。 实际上，不管此前是否关注AI领域，许多猎头此刻也不得不跟着潮流来看一看火热的AI领域，毕竟需求太旺盛了。 过去的两周里，沉寂许久的AI领域被重新点燃。 先是百度、阿里、腾讯、华为等一线互联网大厂纷纷表态，正着手推出自己的AI大模型产品，由此掀起了一场AI大模型的“军备竞赛”。 接着，则是前美团联合创始人王慧文的一纸宣言：出资5000万美元，寻找业界公认的顶级研发人才，打造中国版OpenAI。 两个导火索，直接引爆了业界对顶级AI研发人才的需求。 CGL深圳前沿科技组合伙人梁弘进向「甲子光年」表示，过去的一周多，已有超过10个客户来询盘（即咨询，行业术语）高端AI人才――这类人才的薪酬，高者达千万年薪。他提到，过去两周来询盘客户的数量，几乎等于去年一整年的量，甚至一些“过去不敢询盘这类人才的二线企业”也来了。 猎聘大数据研究院的统计数据显示，当下的人工智能人才需求是五年前的近3倍，其中ChatGPT直接带动的AIGC领域，其新发职位近一年同比增长了42.51%。 人才与资本相伴相生。就在AI人才备受关注的同时，敏锐的VC也在快速涌入。IT桔子的统计数据显示，2023年开年至今一个半月的时间，AI领域融资额已达到729亿元，这一数量超过去年全年1340亿元的一半。 人才急切流动的背后，ChatGPT这个划时代产品的出现，正在互联网圈引发着一场豪赌AI的弯道超车赛。 情绪的点燃通常是在某个瞬间。 ChatGPT最早推出是在2022年11月30日。虽然当时小火一把，但也没能激发“万人空巷”的景象。 两个多月后，北京时间2月8日凌晨，微软宣布将OpenAI传闻已久的GPT-3.5的升级版“普罗米修斯模型”集成到Bing及Edge浏览器中。ChatGPT的丝滑体验，让人着实惊艳，“AI代替人工”的老论调这一次真实可感了。随后，大模型之风便在科技圈刮起，甚至有AI从业者笑称“连卖菜的都能谈一两句”。 当然，为了不被AI截胡，科技公司的动作是加紧对其研发。先是百度宣布即将推出大模型新项目“文心一言”（ERNIE Bot），百度CEO李彦宏甚至把“引领搜索体验的代际变革”设为2023年一季度OKR关键任务。 随后，阿里也爆出正在研发类似聊天机器人ChatGPT的项目，目前处于内测阶段；2月9日，腾讯表示已在ChatGPT相关方向上进行布局；2月10日，京东宣布推出产业版ChatGPT，命名为“ChatJD”。 国内的一线大厂已经很久没有像这样，不约而同地聚焦一款产品了。 表面上，巨头们对AI大模型争相入局；私下里，一场AI人才争夺战同时打响。 最先听到枪响的，是那些长期跟踪高端AI人才的猎头们。 春节之后，CGL深圳前沿科技组合伙人梁弘进的电话就没怎么断过。上班第一天他就接到了需求――为某互联网大厂寻找AI科学家。 在猎头行业从业8年的梁弘进，有6年是为客户链接海内外的优秀AI人才。 正因此，许多客户在寻找AI科学家的时候，第一反应就是找他。 梁弘进称，过去两周，已经有超过10家客户找到他。这些客户基本都是国内一二梯队的互联网大厂。 客户们的诉求只有一条：“就想找OpenAI项目里的华人”，而且“薪资不设限，越快越好”。 “大模型和预训练（ChatGPT）这个事情，过去很多国内科技公司也在做，但是目前只有OpenAI做成了。这就很容易让人猜想，是不是因为他们掌握了什么核心技术？有什么正确的技术路径？” 而找到懂ChatGPT的核心研发人员，是快速做出类似产品的一条捷径。 事实上，ChatGPT大模型的成功，一定意义上是因为它在不断地工程化、优化模型之后实现了突破。 理性来看，在当下找到OpenAI里的华人，并且说服他回国，是一件低概率的事情。“在市场过热的情况下，对标顶级项目定点猎挖，客户必然要直面人才的溢价和更长的入职周期。”梁弘进说。 别说国内科技公司要从OpenAI挖人了，一批硅谷AI大牛正排着队挤进OpenAI，比如谷歌这两天遭遇的人才“叛逃”――2月15日，谷歌两位重量级AI研究员相继宣布加入OpenAI。而且据外媒统计，最近几个月OpenAI已经雇用了超过12名谷歌的AI人员。 此外，这类AI人才的薪资也非常高。一般来说，有海外背景的AI高级人才，年薪要在300万元以上，甚至个别能达到500万元。按梁弘进的说法，一些顶级AI科学家，年薪会高达1000万元。“这里面有一定溢价，当然他们自己也会带着一些资源，比如一些优秀的学生，可以很快组成一个豪华团队。早期企业也乐于支付溢价，达到抢占市场高地的目的。” 不过，到目前为止，梁弘进还没有听说哪位有OpenAI背景的华人科学家回国入职大厂。但他有自己的方式来满足客户的某些需求。“其实硅谷有很多优秀的华人，无论是学术圈还是工业界。ChatGPT本质上不是新技术，我个人更倾向于拆解技术栈，帮客户找到能解决问题的专家。” 除了头部大厂，一些中间梯队的科技企业也闻风而来。 “在我们接触的客户里，一些第二梯队的互联网公司也会参与进来。他们会把ChatGPT看作是一个弯道超车的机会。” 梁弘进观察到一个现象：过去，由于顶级AI科学家高昂的薪资，很多企业其实不敢询盘这类人才，但现在一些非头部的科技企业也敢询盘了。 数据真实体现了互联网企业对AI人才需求的旺盛。 与ChatGPT紧密相关的三个领域分别是预训练模型、对话机器人、AIGC。其中，预训练模型是该类产品的核心技术；对话机器人是其产品形态；AIGC是其产品功能。 根据猎聘大数据研究院针对上述三个方向新发职位所在行业的统计，三个职位数量最高的雇主均为IT/互联网/游戏行业，预训练模型、对话机器人、AIGC职位占比分别为59.85%、64.17%、35.97%，也即这三类职位一半都是互联网行业发布的。 换句话说，互联网仍是最渴望AI人才的行业。 这背后隐含着一个变化：过去很多互联网企业都把AI条线作为一个一二十人规模的部门或者品牌。但现在ChatGPT的表现，让他们看到了AI生成内容跟自身业务的相关度加强，甚至有可能颠覆过去互联网的业务模式，这也倒逼他们不得不做一些新的尝试。 很多企业奔着第一步抢到人才、资源，然后吃到第一波红利，所以就去找猎头询盘。但AI究竟会怎样颠覆互联网的业务模式，以及企业能不能坚持到AI大模型跑通商业模式，现在难以预料。毕竟就连ChatGPT也没有展现出明确的商业模式，更遑论其他的AI大模型产品。 “很多企业最终可能没办法持续投入，甚至产品都是个伪需求。”一位业内从业者表示。 “最后能成功招聘到顶级AI人才的企业一定少之又少，人们肯定会冷静下来，现在是一个不理智的阶段。如果这波热度过去了，这个需求还在不在，我都不确定。”从2017年至今一直做AI人才猎头服务的梁弘进，对这股热潮保持着冷静。 实际上，随着ChatGPT热度的发酵，关注它的人群已经有了明显的情绪划分：要么极度狂热，抱着“再不上车就晚了”的心态入局；要么极度冷静，刻意去避免这种喧闹。 “我昨天还约见了两位有大模型研发经验的AI候选人，他们很冷静。”梁弘进说道，“他们已经看到这条光辉大道上最艰难的一面，大模型一旦跑出来就需要更大的资金持续投入，数额高达数十亿、上百亿元。这不是每一家企业都能玩得起的。” 对结果，他并没有抱太高的期望。他说，即使面对当下的AI人才热，他手上10余个AI科学家的需求，真正能成交的可能也不会高于30%。 科学家毕竟是少数拔尖者。实际上看一个行业有多吃香，从业者的平均薪资最能说明问题。 在猎聘大数据研究院近期发布的AI人才报告中显示，2022年AI相关岗位招聘的平均年薪为33.15万，比互联网岗位高4.27万；而2023年以来的一个多月，AI岗位招聘的平均年薪已达到42.51万元，比上一年高出9万多。 这其中，以AI算法工程师职位的薪资最高，在2022年的平均年薪为46万元。 数据、算法和算力是人工智能技术的三要素。这一轮人工智能高潮的掀起，其最为核心的便是人工智能算法，而中国最缺的就是算法人才。 过去，由于开源算法人人都可获得，门槛非常低，所以许多公司从网上下载开源算法，并以其为核心研发出一套AI应用。但是真正做原创算法的工程师却非常少。 2019年，中国工程院院士徐匡迪曾在某行业活动上发问：“中国有多少数学家投入到人工智能的基础算法研究中？”一语点破国内AI算法研究的软肋。 在同年人社部等发布的《人工智能工程技术人员就业景气现状分析报告》中显示，当时国内AI人才缺口500万，预计到2025年缺口达1000万。这其中，最缺少的就是AI算法人才，需求度高达80%。 仍以猎聘大数据研究院的数据，在近一年AI领域的新发职位中，算法工程师需求最大，占比为7.26%；此外，智能网联工程师、图像算法、机器视觉、深度学习、自然语言处理等职能排名靠前，跻身热招职能TOP15，招聘的平均年薪均超39万元。 资深猎头、南京谦引力企业管理咨询有限公司高级合伙人高敏向「甲子光年」表示， AI领域人才价格贵已是共识，“一个刚毕业1~3年的应届生，平均年薪就在30万元~40万元之间；如果是3~5年工作经验的，平均年薪在40万元~60万元左右；而5~10年的资深AI技术人才，年薪则在100万元左右。” 此次ChatGPT直接带动的领域是AIGC，其新发职位近一年同比增长42.51%。 相比之下，国内在预训练模型、对话机器人领域的职位增长比较平稳，甚至有的呈下降趋势。2022年预训练模型的新发职位同比增长20.37%，而对话机器人（产品经理）的新发职位则同比下降了31.47%。 AI人才之所以如此贵，是因为其培养难度确实要高很多。“一般来说，AI算法人才要数学好，对逻辑思维能力要求很高。”梁弘进。 除此之外，这类人才的培养成本也高，多数岗位都要求硕博学历。 根据猎聘大数据研究院的数据，预训练模型和AIGC职位（以算法人才为主）对硕博学历的需求占比高于普通的AI岗位。近一年，在预训练模型、对话机器人和AIGC三个方向的岗位，明确要求本科以上学历的分别占71.33%、82.30%、92.53%；要求硕博士学历的则分别为16.49%、9.86%、18.22%。 或许是维度不同，脉脉人才智库在2022年上半年的统计数据中称，算法工程师的平均学历最高，已经近九成（87.5%）为硕博学历。相比之下，开发工程师、硬件工程师则以本科为主。 由此可见，真正要在AI领域进行研究，需下极高的培养成本。“如果缺少核心算法，当碰到关键性问题时，还是会被人‘卡脖子’。”浙江大学应用数学研究所所长孔德兴曾如此说。 事实上，假如产业发展过度依赖开源代码和现有数学模型，缺少原创模型，那真正属于中国自己的东西并不多。这也是ChatGPT对当下国内在AI人才培养上的一个启示。 AI本质上是一个效率工具。 正如旷视联合创始人兼CEO印奇在去年一场发布会上所言：“AI很难作为一个独立的产业体系或商业闭环存在。AI本质上是一个效率工具，它能够无形地渗透到各个行业，成为行业效率提升的催化剂。” 但如果只是为了一个风口造出一个工具，造成之日难免又会面临“落地”的难题。 对这一点，梁弘进也颇有感触。在ChatGPT火热后，许多AI人才的需求涌到他面前，但是很少企业能把核心的需求说清楚。 “他们就想看’懂ChatGPT并能够把它做出来的人’，但是他们给不出具的体岗位描述，大部分企业也不知道怎么做。大部分企业也不知道怎么做。有些企业听完ChatGPT所需成本和相关人才的薪资后觉得这么贵，就选择要冷静冷静。” 而且，一般猎头在找这类人才的时候往往要花比较大的周期。“成功为企业找到一名合适的人工智能候选人，大概要花2-6个月时间，猎头也面临较大的寻访压力。”万仕道（北京）管理咨询有限责任公司人工智能方向的猎头顾问余女士称。这就意味着，企业更应该提前想清楚岗位的需求。 “当然，如果大佬确实怀揣梦想，有清晰的技术和商业思路，前期投入几个亿，未来获得几倍杠杆的回报也无可厚非，但前提是这不能是‘伪需求’。” 从目前的数据上看，当前的AI人才需求已经达到五年前的近三倍。猎聘大数据研究院数据显示，若以AI行业发展的第一个高潮即2018年为参照点，2022四季度的人工智能新发职位是2018一季度的2.74倍，而当前互联网的新发职位仅是2018一季度的1.06倍。 在AI岗位的需求大户中，除了上文提到的互联网行业，传统企业也是不可忽略的需求方。万仕道猎头顾问余女士已明显感觉到，传统企业对AI人才的需求在上升。 从数据上看，人工智能在2022年机械制造行业人才紧缺指数中排名第二，第一是硬件。这表明，机械制造越来越需要高科技属性和互联网属性的行业来加快自己的智能化进程。 此外，汽车行业的智能化转型，也吸纳了一部分AI人才。 南京谦引力企业管理咨询有限公司高级合伙人高敏称，她最近已经接到数十个AI人才的需求，其中多数来自车企端。 猎聘数据也显示，新能源汽车首位热招职能是汽车研发/项目管理，算法工程师占比位居第五，招聘的平均年薪为69.91万，十分豪气。有意思的是，据猎聘统计，今年以来发布AI相关职位最多的公司，前两名是vivo和吉利控股，接下来才是百度、阿里。 在余女士看来，产业端这种需求其实是正常的增长，并没看到它受AIGC或者ChatGPT的影响。甚至一些猎头也预感到这波热度不会持续太久。在那之后，人们生活将一如往常。 梁弘进的体会是，做高端岗位的猎头，很难在市场最热的时候去结识这个领域最顶级的专家。所以他需要先于市场预判，并储备相关人脉。 “赌未来三年的长期赛道，我不会只重仓AI，我会关注能源、第四代半导体材料、量子计算机等技术领域。哪怕顺着ChatGPT的发展思路，我也更关心机器审核、隐私计算、软件工程等周边场景。跟别的猎头去卷ChatGPT赛道，并不理智。”他说。 特别声明：以上文章内容仅代表作者本人观点，不代表新浪网观点或立场。如有关于作品内容、版权或其它问题请于作品发表后的30日内与新浪网联系。
一、通过openai实现的作品：要想快速实现功能，咱们先了解一下OpenAI,OpenAI是一家人工智能公司，专注于开发强化学习、机器学习、自然语言处理等技术。OpenAI的主要目标是创造一套安全的人工智能系统，以帮助人们在各行各业中利用这项技术.接下来咱们来实现一下。安装openai库：调用openai生成图片以下是示例代码：运行结果：要想快速实现功能，咱们先了解一下PaddleHub,PaddleHub是飞桨预训练模型管理和迁移学习工具，通过PaddleHub开发者可以使用高质量的预训练模型结合Fine-tune API快速完成迁移学习到应用部署的全流程工作。其提供了飞桨生态下的高质量预训练模型，涵盖了图像分类、目标检测、词法分析、语义模型、情感分析、视频分类、图像生成、图像分割、文本审核、关键点检测等主流模型,接下来咱们来实现一下。安装paddlehub库：调用paddlehub生成图片以下是示例代码：运行结果：Stable Diffusion 是一个用于生成高质量 AI 绘画的 Python 库安装Stable Diffusion库：调用Stable Diffusion生成图片以下是示例代码：
例如ResNet，Transformer，BERT，GPT-3，以及今年的chatGPT，是否能作为相应年度人工智能领域的的标志性成果？ 2022年，当之无愧是 AIGC（人工智能自动生成内容）的专属年份。甚至于 2023 年，我认为也将是 AIGC 大放异彩的一年。Novel AI、chatgpt、谷歌还发布了一个通过文本生成音乐的MusicLM模型[1][2]，以及种种生成式 AI 的井喷式出现。种种迹象表面，AIGC 的春天才刚刚开始，斌且还将延续一段时间。我也很好奇，AIGC 之后，下一个壮举会是什么？不过现在看来，还得等AIGC的风再吹一阵儿。不过，生成式 AI 的内容已经有很多人讲了。所以，我想讲讲往年人工智能领域的标志性进展――如 2020 年的人工智能领域。我认为主要的标志性进展有两项：AlphaFold 2 和 GPT-3站在当下，AlphaFold 2 依然领先，然而 GPT-3 或许已经不及 chatgpt 那般优秀了。但在 2020 当年， GPT-3 绝对算得上是标志性进展了。对于公众而言，2020年度最为出圈的人工智能领域突破性工作，当属Deepmind 团队的 AlphaFold 2了，我认为，其可以称得上是2020年的新版“AlphaGo”了，或者说2020年版本的“chatgpt”or“Novel AI”。CASP132020年11月，在第14届蛋白质结构预测技术的关键测试（Critical Assessment of protein Structure Prediction，CASP）竞赛中，AlphaFold 2得到了接近90分的成绩（中位分数为92.4），表现良好，已经接近于实验取得结构的水平，并且全面碾压了来自学术界和产业界的其他竞争对手，完美地向世人展示了人工智能是如何来推动和加速新的科学发现的。蛋白质构成示意AlphaFold 2的这一巨大突破，直接引爆了全网的热点，Nature、Science纷纷报喜，生物届和AI领域的大牛们也集体祝贺，被誉为是“解决了五十年来生物学的大挑战”的巨大成就。哥大生物学助理教授MohammedAlQuraishi更是评价道：蛋白质结构AI从此进入了“ImageNet时代”。CASP14：Z-scores得分上图展示的，是该次比赛中的各小组Z-scores的得分，其计算方法为样本值相对于总体平均值的差除以标准差，可以看出，AlphaFold 2与第二名以及后面组的得分相差很大，明显好于平均水平，好到是可以当成离群点或者异常点来进行剔除的程度了。排名数据从排名数据中可以看到，AlphaFold 2系统对所有蛋白靶点3D结构预测的中位GDT评分为92.4分，即使对于一些非常难以被解析的蛋白靶点，其也有87的分数，表现非常优异。其实，早在2018年，也就是第13届CASP比赛中，DeepMind团队就用CNN+Rosetta组成的AlphaFold来预测蛋白质结构，首次参加CASP就拔得头筹，取得了第一名的好成绩。不过，第一版取得成功的主要原因还是算力问题，当时的后面几名小组如C-I-TASSER、Multicom、C-QUARK等也都利用了深度学习的技术，所以AlphaFold在方法论的设计上实际并无多少突破，当时的很多小组也和DeepMind团队一样，都是用CNN或者RNN来构建自己的模型，并实现已有方法的优化。这种情况对于以往的工作来说，也算是做出了不小的突破，但这种严重路径依赖的状态对于日益增长的算力来说并不是一个最佳的解决方案。而新的AlphaFold 2，则可以说是从根本上完完全全的战胜了全部的竞争对手。正好比AlphaGo能下出各种匪夷所思的落子，以至于柯洁惊叹"自己这辈子都打败不了AI了"一样，许多人也对新的AlphaFold 2发出了如此高度的感慨，高呼其“解决了五十年来生物学的大挑战”。绿色实验结果，蓝色计算预测结果18年的AlphaFold在CASP13中成功使用深度学习来预测距MSA（Multiple sequence alignment，多序列比对）的残基距离，然后，将这些预测转换为电势，接着使用简单的梯度下降算法将其最小化（例如L-BFGS）以找到良好的结构。而这个想法，在两年后的CASP14中仍然被许多研究小组采用，其中包括那些排名靠前的小组。协同进化方法如何从多序列比对（MSA）中提取有关蛋白质结构的信息的示意图但是，这一次，DeepMind决定开发端到端模型。他们没有使用MSA来预测约束，而是创建了一种深度学习体系结构，该体系结构将MSA作为输入，最后输出完整的结构。不同于先生成残基之间距离再通过其他方法产生结构的方法，AlphaFlod2这次使用了端到端的方法直接通过网络产生结构，还利用了Attention Module增强学习效果。他们建立了一个基于注意力机制的神经网络系统，使用170,000个结构组成的数据集，通过端到端进行了训练，并在之后通过不断地迭代，使得AlphaFold系统学习到了基于氨基酸序列，精确预测蛋白结构的强大能力。AlphaFold 2将折叠好的蛋白质当成具有3D结构的“空间图”来处理，折叠的蛋白质可以被认为是“空间图”，那其中的氨基酸便自然成就为了“空间图”中的节点和线条。这种“空间图”的构建，对于理解蛋白质内的物理相互作用及其进化历史是非常重要的。 通过上述这一套基于注意力机制的人工智能神经网络模型，CASP14上使用的最新版AlphaFold 2，可以高效的解析不同蛋白质的“空间图”结构，同时，系统会试图解释这个图的结构原理，并对它正在构建的隐式图进行推理。此外，模型还会使用进化相关的氨基酸序列，多序列比对（MSA）和对氨基酸对的表示来完善蛋白质结构的预测。另外，模型还使用了内部置信度度量指标，来对蛋白质结构进行衡量。虽然一部分氨基酸侧链的精确位置仍然是一个很大的难题，但Alphafold 2已经能够在很大程度上解决蛋白质结构的预测问题了。深度学习和Attention model等人工智能领域的方法在其中起到了巨大的决定性作用。但是，由于深度学习的部分不可解释性，Alphafold 2也因此有了很多的质疑。其中便包括了德国马克斯・普朗克发育生物学研究所，蛋白质进化学系主任安德烈・卢帕斯。因此，他提出了一个特殊的挑战，即预测一种来自古细菌群中古细菌物种的膜蛋白。之后的一切表明，X-射线晶体学显示的实验结果，完全符合AlphaFold 2模型返回的那张长着两个长长螺旋的蛋白质结构图像，这样的预测结果，不仅从实验层面上没有驳倒AlphaFold 2，反而更进一步证实了AlphaFold 2的强大之所在。所以，若要问到2020年人工智能领域最伟大，同时也最具有突破性的成就，AlphaFold 2自然是当之无愧的NO.1了。至少，是我心目中的NO.12018年，AlphaFold 开始被用来预测蛋白质结构.同样是在2018年，Google发布了论文《Pre-training of Deep Bidirectional Transformers for Language Understanding》，文章中所提出的BERT模型，成功在高达11项的 NLP 任务中取得了state of the art 的结果，赢得自然语言处理学界的一片赞誉之声。自2001年Bengio等人提出第一个神经语言模型起，NLP这项工作便在人工智能界开始了一项长足跋涉之旅。2013年的词嵌入、2014年的sequence-to-sequence 模型、2015年的注意力机制等等，一直到2018年10月推出的划时代意义的BERT模型，都表明NLP领域一直在不断地高速前进和蓬勃发展。依然是2018年，在NLP领域大放光彩的Bert模型旁边，还站着另一位陪跑选手，在用自己的努力孤独地坚持着，向着更亮的远方默默前进，它便是OpenAI GPT（Generative Pre-Training）。最开始，GPT只是个12层单向的Transformer，而后，2019年初的GPT-2，提出了meta-learning，用了15亿参数的大模型，将所有的NLP任务输入输出进行了整合，成为当时生成模型界的霸主。2020年，新一步的极限挑战又开始了，45TB的训练数据，1750亿个参数，1200万美元的花费，造就了异常强大的GPT-3模型，GPT-3像之前一样使用单向语言模型训练方式，但其将目光聚焦于更通用的NLP模型之上。通过对大量文本进行预训练，然后对特定任务进行微调，证明了GPT-3在许多NLP任务和基准方面的巨大收获。实验显示，无论是在Zero-shot、One-shot还是Few-shot的情况下，GPT-3都有着很好的表现。据OpenAI的报道，截至目前目前已有超过300个APP开始使用GPT-3，平均每天产出约45亿个词，更甚者，GPT-3目前已经可以扮演虚拟角色，来与我们进行交互行为。有时候，GPT-3的强大会远超我们的想象。感谢各个互联网公司的巨额资金投入，更要感谢广大科研工作者们的不懈努力和认真钻研，让人工智能和我们的科学与生活越来越近，让我们愈发感受到了人工智能的魅力，和其带给这个世界的巨大变化。接下来几年，AI还会高速发展吗？我认为答案是可以肯定的，目前，深度学习还处于发展的高峰阶段，接下来，随着5G的慢慢普及，更强算力芯片的不断涌现，边缘计算+云计算的持续进步，计算存储一体化的突破，我相信，未来一段时间，人工智能发展的脚步绝不会停止，相反，人工智能会更加大踏步的向前迈进。AI也不光是纸上谈兵，实际上有很多的落地产品，也都或多或少影响到了人们的现实生活，自AlphaGo横空出世起，各类棋牌类竞技游戏相继被人工智能所攻破，接着，便是各类形形色色的产品开始问世。微软搜索开始推出了自己的人工智能产品小冰；百度也开始测试自己的无人车了；Style Transfer技术生成了各种千奇百怪的艺术图片；计算机视觉技术开始进入普通人的生活，同时也接入了如病例分析、医疗影像诊断等医学领域，并且取得了不俗的成果。未来，AI对人类的实际生活造成的影响只会越来越多，妄图一夜之间梨花漫地，自然是不现实的。但AI对生活造成的影响是逐步向我们走来的，无人驾驶，智能购物，更便捷的出行等，这都是我们一点点可以感受得到的，同时我也相信，以后会做的更好。未来可期，希望我们能够共同加油！
大厂点名“就要OpenAI的华人，薪资不设限”｜AI｜AI领域
大厂ui,大厂吧 百度贴吧,大厂都有谁,大厂成员名单豪赌一场AI弯道超车赛。 ChatGPT爆火之后，看AI的猎头已经忙疯了。 2月14日，当「甲子光年」试图联系一位长期关注AI领域的猎头时，她一整个下午都排满了面试：“最早也得晚上6点后。” 另一位关注互联网及医疗健康的猎头也提到，她今年已接到40多个AI领域职位的人才需求，并且需求很急。 这可能是当下很多猎头们的真实状态。 实际上，不管此前是否关注AI领域，许多猎头此刻也不得不跟着潮流来看一看火热的AI领域，毕竟需求太旺盛了。 过去的两周里，沉寂许久的AI领域被重新点燃。 先是百度、阿里、腾讯、华为等一线互联网大厂纷纷表态，正着手推出自己的AI大模型产品，由此掀起了一场AI大模型的“军备竞赛”。 接着，则是前美团联合创始人王慧文的一纸宣言：出资5000万美元，寻找业界公认的顶级研发人才，打造中国版OpenAI。 两个导火索，直接引爆了业界对顶级AI研发人才的需求。 CGL深圳前沿科技组合伙人梁弘进向「甲子光年」表示，过去的一周多，已有超过10个客户来询盘（即咨询，行业术语）高端AI人才――这类人才的薪酬，高者达千万年薪。他提到，过去两周来询盘客户的数量，几乎等于去年一整年的量，甚至一些“过去不敢询盘这类人才的二线企业”也来了。 猎聘大数据研究院的统计数据显示，当下的人工智能人才需求是五年前的近3倍，其中ChatGPT直接带动的AIGC领域，其新发职位近一年同比增长了42.51%。 人才与资本相伴相生。就在AI人才备受关注的同时，敏锐的VC也在快速涌入。IT桔子的统计数据显示，2023年开年至今一个半月的时间，AI领域融资额已达到729亿元，这一数量超过去年全年1340亿元的一半。 人才急切流动的背后，ChatGPT这个划时代产品的出现，正在互联网圈引发着一场豪赌AI的弯道超车赛。 情绪的点燃通常是在某个瞬间。 ChatGPT最早推出是在2022年11月30日。虽然当时小火一把，但也没能激发“万人空巷”的景象。 两个多月后，北京时间2月8日凌晨，微软宣布将OpenAI传闻已久的GPT-3.5的升级版“普罗米修斯模型”集成到Bing及Edge浏览器中。ChatGPT的丝滑体验，让人着实惊艳，“AI代替人工”的老论调这一次真实可感了。随后，大模型之风便在科技圈刮起，甚至有AI从业者笑称“连卖菜的都能谈一两句”。 当然，为了不被AI截胡，科技公司的动作是加紧对其研发。先是百度宣布即将推出大模型新项目“文心一言”（ERNIE Bot），百度CEO李彦宏甚至把“引领搜索体验的代际变革”设为2023年一季度OKR关键任务。 随后，阿里也爆出正在研发类似聊天机器人ChatGPT的项目，目前处于内测阶段；2月9日，腾讯表示已在ChatGPT相关方向上进行布局；2月10日，京东宣布推出产业版ChatGPT，命名为“ChatJD”。 国内的一线大厂已经很久没有像这样，不约而同地聚焦一款产品了。 表面上，巨头们对AI大模型争相入局；私下里，一场AI人才争夺战同时打响。 最先听到枪响的，是那些长期跟踪高端AI人才的猎头们。 春节之后，CGL深圳前沿科技组合伙人梁弘进的电话就没怎么断过。上班第一天他就接到了需求――为某互联网大厂寻找AI科学家。 在猎头行业从业8年的梁弘进，有6年是为客户链接海内外的优秀AI人才。 正因此，许多客户在寻找AI科学家的时候，第一反应就是找他。 梁弘进称，过去两周，已经有超过10家客户找到他。这些客户基本都是国内一二梯队的互联网大厂。 客户们的诉求只有一条：“就想找OpenAI项目里的华人”，而且“薪资不设限，越快越好”。 “大模型和预训练（ChatGPT）这个事情，过去很多国内科技公司也在做，但是目前只有OpenAI做成了。这就很容易让人猜想，是不是因为他们掌握了什么核心技术？有什么正确的技术路径？” 而找到懂ChatGPT的核心研发人员，是快速做出类似产品的一条捷径。 事实上，ChatGPT大模型的成功，一定意义上是因为它在不断地工程化、优化模型之后实现了突破。 理性来看，在当下找到OpenAI里的华人，并且说服他回国，是一件低概率的事情。“在市场过热的情况下，对标顶级项目定点猎挖，客户必然要直面人才的溢价和更长的入职周期。”梁弘进说。 别说国内科技公司要从OpenAI挖人了，一批硅谷AI大牛正排着队挤进OpenAI，比如谷歌这两天遭遇的人才“叛逃”――2月15日，谷歌两位重量级AI研究员相继宣布加入OpenAI。而且据外媒统计，最近几个月OpenAI已经雇用了超过12名谷歌的AI人员。 此外，这类AI人才的薪资也非常高。一般来说，有海外背景的AI高级人才，年薪要在300万元以上，甚至个别能达到500万元。按梁弘进的说法，一些顶级AI科学家，年薪会高达1000万元。“这里面有一定溢价，当然他们自己也会带着一些资源，比如一些优秀的学生，可以很快组成一个豪华团队。早期企业也乐于支付溢价，达到抢占市场高地的目的。” 不过，到目前为止，梁弘进还没有听说哪位有OpenAI背景的华人科学家回国入职大厂。但他有自己的方式来满足客户的某些需求。“其实硅谷有很多优秀的华人，无论是学术圈还是工业界。ChatGPT本质上不是新技术，我个人更倾向于拆解技术栈，帮客户找到能解决问题的专家。” 除了头部大厂，一些中间梯队的科技企业也闻风而来。 “在我们接触的客户里，一些第二梯队的互联网公司也会参与进来。他们会把ChatGPT看作是一个弯道超车的机会。” 梁弘进观察到一个现象：过去，由于顶级AI科学家高昂的薪资，很多企业其实不敢询盘这类人才，但现在一些非头部的科技企业也敢询盘了。 数据真实体现了互联网企业对AI人才需求的旺盛。 与ChatGPT紧密相关的三个领域分别是预训练模型、对话机器人、AIGC。其中，预训练模型是该类产品的核心技术；对话机器人是其产品形态；AIGC是其产品功能。 根据猎聘大数据研究院针对上述三个方向新发职位所在行业的统计，三个职位数量最高的雇主均为IT/互联网/游戏行业，预训练模型、对话机器人、AIGC职位占比分别为59.85%、64.17%、35.97%，也即这三类职位一半都是互联网行业发布的。 换句话说，互联网仍是最渴望AI人才的行业。 这背后隐含着一个变化：过去很多互联网企业都把AI条线作为一个一二十人规模的部门或者品牌。但现在ChatGPT的表现，让他们看到了AI生成内容跟自身业务的相关度加强，甚至有可能颠覆过去互联网的业务模式，这也倒逼他们不得不做一些新的尝试。 很多企业奔着第一步抢到人才、资源，然后吃到第一波红利，所以就去找猎头询盘。但AI究竟会怎样颠覆互联网的业务模式，以及企业能不能坚持到AI大模型跑通商业模式，现在难以预料。毕竟就连ChatGPT也没有展现出明确的商业模式，更遑论其他的AI大模型产品。 “很多企业最终可能没办法持续投入，甚至产品都是个伪需求。”一位业内从业者表示。 “最后能成功招聘到顶级AI人才的企业一定少之又少，人们肯定会冷静下来，现在是一个不理智的阶段。如果这波热度过去了，这个需求还在不在，我都不确定。”从2017年至今一直做AI人才猎头服务的梁弘进，对这股热潮保持着冷静。 实际上，随着ChatGPT热度的发酵，关注它的人群已经有了明显的情绪划分：要么极度狂热，抱着“再不上车就晚了”的心态入局；要么极度冷静，刻意去避免这种喧闹。 “我昨天还约见了两位有大模型研发经验的AI候选人，他们很冷静。”梁弘进说道，“他们已经看到这条光辉大道上最艰难的一面，大模型一旦跑出来就需要更大的资金持续投入，数额高达数十亿、上百亿元。这不是每一家企业都能玩得起的。” 对结果，他并没有抱太高的期望。他说，即使面对当下的AI人才热，他手上10余个AI科学家的需求，真正能成交的可能也不会高于30%。 科学家毕竟是少数拔尖者。实际上看一个行业有多吃香，从业者的平均薪资最能说明问题。 在猎聘大数据研究院近期发布的AI人才报告中显示，2022年AI相关岗位招聘的平均年薪为33.15万，比互联网岗位高4.27万；而2023年以来的一个多月，AI岗位招聘的平均年薪已达到42.51万元，比上一年高出9万多。 这其中，以AI算法工程师职位的薪资最高，在2022年的平均年薪为46万元。 数据、算法和算力是人工智能技术的三要素。这一轮人工智能高潮的掀起，其最为核心的便是人工智能算法，而中国最缺的就是算法人才。 过去，由于开源算法人人都可获得，门槛非常低，所以许多公司从网上下载开源算法，并以其为核心研发出一套AI应用。但是真正做原创算法的工程师却非常少。 2019年，中国工程院院士徐匡迪曾在某行业活动上发问：“中国有多少数学家投入到人工智能的基础算法研究中？”一语点破国内AI算法研究的软肋。 在同年人社部等发布的《人工智能工程技术人员就业景气现状分析报告》中显示，当时国内AI人才缺口500万，预计到2025年缺口达1000万。这其中，最缺少的就是AI算法人才，需求度高达80%。 仍以猎聘大数据研究院的数据，在近一年AI领域的新发职位中，算法工程师需求最大，占比为7.26%；此外，智能网联工程师、图像算法、机器视觉、深度学习、自然语言处理等职能排名靠前，跻身热招职能TOP15，招聘的平均年薪均超39万元。 资深猎头、南京谦引力企业管理咨询有限公司高级合伙人高敏向「甲子光年」表示， AI领域人才价格贵已是共识，“一个刚毕业1~3年的应届生，平均年薪就在30万元~40万元之间；如果是3~5年工作经验的，平均年薪在40万元~60万元左右；而5~10年的资深AI技术人才，年薪则在100万元左右。” 此次ChatGPT直接带动的领域是AIGC，其新发职位近一年同比增长42.51%。 相比之下，国内在预训练模型、对话机器人领域的职位增长比较平稳，甚至有的呈下降趋势。2022年预训练模型的新发职位同比增长20.37%，而对话机器人（产品经理）的新发职位则同比下降了31.47%。 AI人才之所以如此贵，是因为其培养难度确实要高很多。“一般来说，AI算法人才要数学好，对逻辑思维能力要求很高。”梁弘进。 除此之外，这类人才的培养成本也高，多数岗位都要求硕博学历。 根据猎聘大数据研究院的数据，预训练模型和AIGC职位（以算法人才为主）对硕博学历的需求占比高于普通的AI岗位。近一年，在预训练模型、对话机器人和AIGC三个方向的岗位，明确要求本科以上学历的分别占71.33%、82.30%、92.53%；要求硕博士学历的则分别为16.49%、9.86%、18.22%。 或许是维度不同，脉脉人才智库在2022年上半年的统计数据中称，算法工程师的平均学历最高，已经近九成（87.5%）为硕博学历。相比之下，开发工程师、硬件工程师则以本科为主。 由此可见，真正要在AI领域进行研究，需下极高的培养成本。“如果缺少核心算法，当碰到关键性问题时，还是会被人‘卡脖子’。”浙江大学应用数学研究所所长孔德兴曾如此说。 事实上，假如产业发展过度依赖开源代码和现有数学模型，缺少原创模型，那真正属于中国自己的东西并不多。这也是ChatGPT对当下国内在AI人才培养上的一个启示。 AI本质上是一个效率工具。 正如旷视联合创始人兼CEO印奇在去年一场发布会上所言：“AI很难作为一个独立的产业体系或商业闭环存在。AI本质上是一个效率工具，它能够无形地渗透到各个行业，成为行业效率提升的催化剂。” 但如果只是为了一个风口造出一个工具，造成之日难免又会面临“落地”的难题。 对这一点，梁弘进也颇有感触。在ChatGPT火热后，许多AI人才的需求涌到他面前，但是很少企业能把核心的需求说清楚。 “他们就想看’懂ChatGPT并能够把它做出来的人’，但是他们给不出具的体岗位描述，大部分企业也不知道怎么做。大部分企业也不知道怎么做。有些企业听完ChatGPT所需成本和相关人才的薪资后觉得这么贵，就选择要冷静冷静。” 而且，一般猎头在找这类人才的时候往往要花比较大的周期。“成功为企业找到一名合适的人工智能候选人，大概要花2-6个月时间，猎头也面临较大的寻访压力。”万仕道（北京）管理咨询有限责任公司人工智能方向的猎头顾问余女士称。这就意味着，企业更应该提前想清楚岗位的需求。 “当然，如果大佬确实怀揣梦想，有清晰的技术和商业思路，前期投入几个亿，未来获得几倍杠杆的回报也无可厚非，但前提是这不能是‘伪需求’。” 从目前的数据上看，当前的AI人才需求已经达到五年前的近三倍。猎聘大数据研究院数据显示，若以AI行业发展的第一个高潮即2018年为参照点，2022四季度的人工智能新发职位是2018一季度的2.74倍，而当前互联网的新发职位仅是2018一季度的1.06倍。 在AI岗位的需求大户中，除了上文提到的互联网行业，传统企业也是不可忽略的需求方。万仕道猎头顾问余女士已明显感觉到，传统企业对AI人才的需求在上升。 从数据上看，人工智能在2022年机械制造行业人才紧缺指数中排名第二，第一是硬件。这表明，机械制造越来越需要高科技属性和互联网属性的行业来加快自己的智能化进程。 此外，汽车行业的智能化转型，也吸纳了一部分AI人才。 南京谦引力企业管理咨询有限公司高级合伙人高敏称，她最近已经接到数十个AI人才的需求，其中多数来自车企端。 猎聘数据也显示，新能源汽车首位热招职能是汽车研发/项目管理，算法工程师占比位居第五，招聘的平均年薪为69.91万，十分豪气。有意思的是，据猎聘统计，今年以来发布AI相关职位最多的公司，前两名是vivo和吉利控股，接下来才是百度、阿里。 在余女士看来，产业端这种需求其实是正常的增长，并没看到它受AIGC或者ChatGPT的影响。甚至一些猎头也预感到这波热度不会持续太久。在那之后，人们生活将一如往常。 梁弘进的体会是，做高端岗位的猎头，很难在市场最热的时候去结识这个领域最顶级的专家。所以他需要先于市场预判，并储备相关人脉。 “赌未来三年的长期赛道，我不会只重仓AI，我会关注能源、第四代半导体材料、量子计算机等技术领域。哪怕顺着ChatGPT的发展思路，我也更关心机器审核、隐私计算、软件工程等周边场景。跟别的猎头去卷ChatGPT赛道，并不理智。”他说。 特别声明：以上文章内容仅代表作者本人观点，不代表新浪网观点或立场。如有关于作品内容、版权或其它问题请于作品发表后的30日内与新浪网联系。
ai生成python代码 python在ai中的一些运用实例
python制作ai,ai自动生成代码,python illustrator,python ai编程一、通过openai实现的作品：要想快速实现功能，咱们先了解一下OpenAI,OpenAI是一家人工智能公司，专注于开发强化学习、机器学习、自然语言处理等技术。OpenAI的主要目标是创造一套安全的人工智能系统，以帮助人们在各行各业中利用这项技术.接下来咱们来实现一下。安装openai库：调用openai生成图片以下是示例代码：运行结果：要想快速实现功能，咱们先了解一下PaddleHub,PaddleHub是飞桨预训练模型管理和迁移学习工具，通过PaddleHub开发者可以使用高质量的预训练模型结合Fine-tune API快速完成迁移学习到应用部署的全流程工作。其提供了飞桨生态下的高质量预训练模型，涵盖了图像分类、目标检测、词法分析、语义模型、情感分析、视频分类、图像生成、图像分割、文本审核、关键点检测等主流模型,接下来咱们来实现一下。安装paddlehub库：调用paddlehub生成图片以下是示例代码：运行结果：Stable Diffusion 是一个用于生成高质量 AI 绘画的 Python 库安装Stable Diffusion库：调用Stable Diffusion生成图片以下是示例代码：
版权声明：除非特别标注原创，其它均来自互联网，转载时请以链接形式注明文章出处。
