AI 人才越來越不值錢了嗎?

  • 2021 年 9 月 17 日
  • AI
作者 | 青暮
編輯 | 王亞峰
AI人才市場波動的背後,是你看不到的組織矛盾。
「實不相瞞,我們已經不敢招那些有頭有臉的AI科學家了。」傳統IT上市企業高管程路搖頭嘆氣道。
AI科學家恐懼症這個詞,近些年時不時從企業家口中聽到,尤其是那些作風老派的經營者。
背後的邏輯,並非行業里老生常談的「不落地、不賺錢、研究不重要」等看似有道理,實則非常狹隘的措辭。
而是,大部分公司現有的組織能力,並不能消化掉這批象牙塔里天賦異稟的人才。
好比讓喬丹、科比等一眾球星出生在非洲,大概率無法取得現有成就一樣。
人們往往把組織問題,全部歸結到人身上。片面、偏頗、悲哀。
傳統公司的組織運轉落後程度,相比BAT、位元組、美團,跟非洲與美國的差異如出一轍。
這些公司所產生的AI科學家恐懼症,也是一種對組織能力不自信的映射。
「當二、三線公司,發現自己並不具備吸收首席科學家的組織能力,陸續叫停招募後,人才供需的天秤便開始傾斜。肉多了,狼開始變少了,部分高級AI人才的貶值,是自然而然的事情。」

1

研究最不擅長妥協的一群人
早些年裡,互聯網巨頭招募知名AI科學家的目的非常簡單:吸引更多人才,幫公司走完智能化轉型的從0到0.5,創造更大的想像力空間,間接對工程、產品、銷售、人事、財務部門產生良性作用。
問題在於,這些作用潤物細無聲,不能直接顯現,更無法KPI化。
「除了搜索和廣告等自有場景外,AI的主要形態便是對外賦能,也就是以ToB的形態存在。讓科學家直接去做解決方案、跑業務,顯然不現實。科學尋找的是最優解,ToB產品的本質,則是以最優解為目標的一種妥協。」程路補充道。
當今國內ToB行業,本質上就是一種妥協:標準化和定製化之間的妥協、高毛利與虧損之間的妥協、你主導和客戶主導之間的妥協……
「科學家最不擅長的就是妥協,在他們的局部世界裏,自己永遠是MVP,科學界確實也需要這樣偏執和自負的精神。但回到工業界:大部分管理層並不迷信方法,只關心你拿到了多少用戶,賺到了多少錢。如果是技術團隊,更看重你不可或缺的支撐能力,為什麼阿里雲和OceanBase工程團隊地位那麼高,可以說,沒有他們就沒有雙11。」Google前技術高管吳全告訴雷鋒網。
現在AI的支撐作用,有到這個程度嗎?遠沒有。
因此考核AI科學家,成了一個世紀難題。
面子作用,大於里子,為企業科學家們招來不少非議。

2

AI科學家的「面子」和「里子」雙重作用
企業對科學家的評價標準,分兩種:對內和對外。
對內,直接幫企業解決實際技術、業務、管理問題。
對外,即與外界建立起連接,靠自身影響力招募到大量頂級人才,同時能夠與外部頂級研究機構達成戰略合作,反哺自身的技術儲備,尤其是放大自身的技術影響力和行業號召力。
對互聯網巨頭而言,面子所創造的價值,是無可比擬的。
面子型公司活不久,里子型公司做不大。而那些活的最好的、有里有面的大公司,在他們眼裡,AI的面子,有些時候比里子更重要。
但那些處在溫飽邊緣的二線AI公司或傳統IT公司、產業公司,招募AI研究高管,更多是抱着對AI的過分期待,希望藉此解決實際問題,形成商業變現,想法異常的務實。
過去五年,中小企業的AI研究院驗證了一個道理。那就是,對於AI人才的用法,一旦過於務實,便是用「大炮打蒼蠅」,一是浪費,二是不一定打得着。
此外,這種做法還會讓旁邊的一眾「蒼蠅拍」高管(真正解決實際問題的人)無法理解,認為自己不受重用,從而帶來了新的組織問題。

3

AI科學家所激化的組織矛盾
一家集成商高管告訴雷鋒網,他們曾試圖用四、五百萬的年薪挖某學術專家,雖然這價格相比於動輒千萬的AI首席科學家年薪,已足夠划算,但仍招來人事和業務高管的不滿,激化了組織矛盾。
人事高管認為他的薪資過高,挑戰了現有的薪資結構。業務高管則覺得他們自己在業務一線摸爬滾打二十多年,為公司立下了汗馬功勞,也沒享受到那樣的待遇。
「跑在項目一線的人,對這件事非常的不爽。在他們的價值觀中,誰能更好地幫客戶解決問題,誰就應該拿高薪資。但現在出來個搞虛頭巴腦的研究人員,技術再好,不落地又有何用?開那麼高的薪資,讓其他干實事的人怎麼安心幹活。」該集成商的副總裁異常氣憤。
任正非有一句是這樣說的:企業持續發展的動力不是人才,而是利益分配。也就是說,好的利益分配機制才是企業持續發展的動力。
這樣一個看似小小的利益分配問題,都直接影響到了組織凝聚力。
不止二線集成商,即便是財大氣粗的百度,前首席科學家吳恩達的博士生Adam,一畢業就被任命為總監領着200萬美金的年薪,這是許多百度十年以上工程師都不曾有的待遇,江湖上所謂的斯坦福等名校AI博士畢業領200萬美金年薪的傳言就來源於此。這種非常規的用人,給吳恩達及其實驗室招來公司內的諸多非議。
而AI科學家高薪聘請自己學生的案例,在很多公司屢見不鮮。
企業為科學家們開啟的種種特殊通道,自然會讓自己引火上身。
某知名金融機構,公司產品部門時常抱怨其研究院「人均薪資高,能解決的問題少。」
時間一久後,企業董事長也發現了AI人均投入產出比低的癥結,於是破天荒地為他們制定了營收KPI。

4

讓科學家去賣產品
讓AI科學家走到田間地頭去賺錢,分兩種形式。
其一,和其他部門合夥賺別人的錢:如研究院幫助雲部門的解決方案團隊做技術支持,雲部門獲得的訂單,部分營收額需分配給研究院。因此研究院下設的各個子實驗室,為了評獎評優,經常會和解決方案團隊在一起做項目落地。
這個時候,研究院的屬性也開始發生了變化。
「以阿里達摩院為例,它創立初期的定位是基礎技術研究院,但現在完全淪為應用研究院,全面服務阿里雲的業務。現在國內最純粹的企業AI實驗室就是張正友領導的騰訊AI Lab,他們是真的投入絕對人力、物力去做前沿研究。張正友去年成為騰訊歷史上首位17級專家,側面可以看出騰訊內部對長線前沿研究的決心。」吳全舉證道。
第二種賺錢方式,即左手倒右手。
這在金融行業非常多見,業務部門若有需求,會向科技子公司或研究院下發需求,而這個時候,研究院會向業務部門按投入人頭和服務器使用量來收費。
「假如業務部門需要開發一個非常基礎的AI功能,研究院會評估需要多少個AI研發以及多少周期,然後給出報價。」
但這個時候,問題出現了。
用一句話形容,便是「自家人開始坑自家人」。
業務部門發現,同樣功能的實現,找外部AI供應商採購,成本往往比找自家研究院便宜不少。
這中間有以下幾點:一是外部供應商本身有較為成型的產品,改動改動即可快速部署。其次,外部供應商的人力薪資成本相對較低。
還有一個重要原因,AI供應商為了擴大客戶規模,做標杆案例客戶,甚至會虧本銷售。
反觀研究院,由於營收業績壓力巨大,以及知曉部分項目由於安全原因不能外包,於是漫天要價,而且因為都是同事,態度趾高氣昂。
「做着乙方的事情,卻拿着甲方的薪資,還一副甲方大爺的嘴臉。」李成無奈的說道。「有些項目,即便貴,也不得不含着淚去採購。要合規,要安全,用自家更穩健一些。」
「有時候,研究院的實施即便做得很差,他們還會在彙報會上瘋狂diss產品部門不配合,IT部門代碼爛,數據部門樣本質量不高……」
組織矛盾,就在這些滴滴點點中爆發了。
誰來管他們?

5

「去AI部門化」與「被錯亂使用的AI人」
一直以來,互聯網巨頭的AI研究院都是獨立於工程部門,話語權巨大。
隨着AI所創造的價值難以在短時間內顯現,CEO們越來越傾向讓工程領導去管理研究院。如吳恩達在百度時期,直接向李彥宏彙報,離職後,AI研究團隊被工程體系領導。
同樣,李飛飛離職Google後,工程統帥Jeff Dean接管了Google的人工智能研究。沈向洋離職後,微軟CTO接手其6000人以上的研究團隊。
過往,有技術前瞻性的CEO們,寄希望形成一條自上而下的AI研究驅動工程、工程驅動產品、 產品賦能用戶/客戶的鏈條。事實發現,當前的AI並不能驅動工程,它只是工程的一部分,輔助落地。
過往話語權頗高的獨立AI研究院,也陸續名存實亡,成了工程部門的子團隊。
關於研究派和工程派之爭,雷鋒網將在下個月發佈深度報道《研究派和工程派,誰配在企業統帥 AI ?》
當部分研究院在公司的地位和話語權逐步被工程部門剝奪後,他們對AI人才的招募需求還大嗎?
「依舊巨大,只不過給不到以往那麼高的職級了。過往一個優秀的AI應屆博士生,有可能拿到等同於阿里P8級的職位,現在這個可能性微乎其微。」一獵頭告訴雷鋒網。
此外,AI四小龍之流獨角獸的研究院,在人才市場上的競爭力逐漸變小,過往他們在快速發展的時候,因湯曉鷗、孫劍等招牌科學家的號召力,不少優秀的年輕人紛紛會踏上創業公司之路。
現在隨着AI創業公司想像力空間遇到天花板,年輕人們更傾向於去薪資更高、工作變動更小的互聯網大廠。
2017年前後,在AI融資最井噴的時期,商湯曠視的薪資甚至是高於BAT的,搶人大戰帶來的結果,就是薪資的水漲船高,AI人才一天比一天貴。
現在隨着四小龍等獨角獸的員工數相比那個時間已暴增十倍,外加上連年虧損,以及過去一年IPO的接連遇冷,創業公司已經難以開出四年前那麼具有競爭力的薪資和期權激勵。
水漲不起來,船就開始下沉了。
「現在AI的開源工具操作越來越簡單,開發門檻一年比一年低。好比PS的出現,餓死了一大批畫家。」
「AI工具的普惠化,直接利好兩類人:一類是凌駕於工具之上的應屆天才,如周志華、朱軍、林達華等名師麾下畢業的博士,去到企業鑽研基礎前沿技術,幫公司做好面子。一類人是不求研究能力多強,但熟悉工具即可,成為落地團隊芸芸眾生中的一名大頭兵,為公司撐好里子。而那些處於中間部分平平無奇的人員,高不成低不就,略顯尷尬。」一視覺企業的AI博士薛然告訴雷鋒網。
「他從入職到現在,就一直在做業務開發,什麼高大上的研究都沒做過,感覺自己已經被學術界拋棄了。」以如此高的年薪,卻做着數據清洗、簡單的建模工作,這讓他非常困惑和痛苦。」
當然還有一批人的用處,更加離奇:能幹點啥干點啥。
一AI獨角獸公司的AI博士蕭楚向雷鋒網訴苦,「我感覺有些企業實驗室的氛圍很自由,但好像有點太自由了。」
在進入實驗室三年,發表了幾篇論文後,有一天蕭楚找產品部門了解了情況,發現在公司的產品里,基本沒有他們實驗室技術的影子。「公司聘用我們,或許只是想讓我們發發頂會論文,打打比賽,給他們做做PR。」

6

AI人才眼中的理想型企業研究院
要撐得起面子,首先需要有強大的企業資產做支撐。
谷歌為什麼能容忍DeepMind長期虧損?答案非常簡單,有錢。
FAIR、MSRA背後的Facebook、微軟,也是如此。
微軟和谷歌並不是企業研究院的鼻祖,實際上,企業研究院在二十世紀上半葉經歷了一個輝煌時期,代表企業包括杜邦、通用電氣、AT&T、IBM。其中,AT&T成立的研究院就是著名的貝爾實驗室。
這些企業研究院都有類似的發展軌跡,首先通過應用類技術轉化讓公司迅速擴張,比如通用電氣的GE中央研究院一開始的發展模式就是簡單粗暴的「買專利」;在公司壯大奠定行業領軍地位後,再走向基礎研究,並讓研究院獨立,GE此後便發明了白熾燈、無線電和X射線,貝爾實驗室也因此誕生了十幾位諾貝爾獎得主和四位圖靈獎得主(包括了CNN奠基人Yann LeCun)。
當然,獨立之後的企業研究院也並不是變成了像高校那樣的象牙塔,而是有着明顯的層次劃分。比如GE中央研究院就將技術研發工作分為兩類:基礎研究、技術升級或改造,對於這兩類研究,可以由不同類型的科學家去獨立進行。
在貝爾實驗室也是一樣,而且他們從基礎研究到產品開發,再到推向市場的周期特別短,這種高效的協作有賴於大團隊的人才供給,以及管理模式的創新。
得益於自由的基礎研究氛圍,貝爾實驗室向全世界貢獻了晶體管、激光、Unix、C語言等等改變世界的偉大發明。
這種自由不是一句「我願意把一生獻給學術」就能得到的,貝爾實驗室嚴格的人才選拔標準保證了研究人員的基本科學素養和對科學研究的激情,以此其自由氛圍才得以發揮有益的作用。
這種自由還有一層含義,就是只受同行評議限制,而不受外界考核壓力限制。在上世紀八十年代經歷了拆分和華爾街介入後,頭上頂着業績考核的貝爾實驗室再也沒辦法回復活力,科學家甚至面臨著要和市場部聯合推銷產品的尷尬處境。
以史為鏡,可以知興替。
反觀當下眾多企業AI研究院面臨的種種窘境,不難看出,「命不久矣」。
可以支撐起基礎研究的企業研究院,能夠為企業提供前瞻性視角,進行頂層設計,其存在關乎公司未來的行業領導力。
但由於市場的殘酷生存邏輯,企業研究院的存在也必然是自下而上的衍生品。在歷史上,只有實力雄厚的企業才能支撐起擁有象牙塔的研究院。公司出現危機一般不會動頂層管理者,但第一個被盯上的,往往就是研究院。
對於中小企業的AI研究院也是那樣。一行業人士告訴雷鋒網,如今這些公司的AI研究院很多都已經名存實亡,不敢再招AI高管了。
一方面是急功近利,另一方面,在學術研究上,這些實驗室也未能產出足夠有影響力的成果。「雖然看上去很自由,也發了不少頂會論文,但其實很少有完全自主的idea,基本都是follow谷歌、OpenAI這些公司做的改進研究,比如BERT、GPT-3、AlphaFold等等,我們全都跟過。」蕭楚告訴我們。
蕭楚認為,雖然像AlphaGo、AlphaFold這些研究有不少PR成分,「但能夠以學術成果做PR還是很了不起的,對比我們,國內仍然是跟風模式,一個主要原因是由於AI人才的歷史積澱不足。「蕭楚說道。
在蕭楚的眼裡,儘管這幾年國內頂會論文數量大有登頂之勢,但整個領域的前沿依然由國外的知名實驗室主導。
「國內即便是大牛,大多數還是在做follow up的工作。而國外的大企業實驗室,會有很多五十歲左右的大牛教授坐鎮,他們近距離經歷過人工智能的多次歷史浪潮,在領域認知上自然高我們一個level。」
回顧人工智能早期階段,不管是催生人工智能革命的達特茅斯會議的核心人物,包括約翰·麥卡錫、馬文·明斯基、雷·所羅門諾夫、克勞德·香農、司馬賀、艾倫·紐厄爾等人。
還是後續人工智能的多個歷史階段的引領者,包括自動定理證明、專家系統、知識圖譜、神經網絡的先驅:Martin Davis、Bruce G.Buchchanan、Douglas Lenat、Warren McCulloch、Walter Pitts等人。乃至控制論之父Norbert Wiener、強化學習原型即細胞自動機之父馮·諾依曼,他們都是美國學者。
在美國留學多年的蕭楚對於兩國人才差異上有着深刻體會,而今在Guide2Research的CS學者榜單上,也依然是美國科學家主導。
另外一個原因就是理論素養不夠。對於科學理論的重要性,歷史早已給出了無數例證。
比如,香農提出了信息論之後,人們才得以用精確而簡潔的數學語言來討論信息概念,從而給出確定的理論結論,即數據壓縮極限和通信速率極限。香農對信息的數學定義去除了信息的繁雜含義,抽象出了信息的最重要性質,即不確定性。借用已有的成熟數學工具,信息論得以飛速發展。這種理論探索頗符合香農的研究風格,他曾經說過,「最好的研究是修剪已有的知識樹而不是去發展它。」
蕭楚說道,如今人工智能尚屬於百花齊放階段,如果在某一天遇到了瓶頸,或許可以考慮去「修剪已有的知識樹」,也即是在理論上抽象出智能最本質的數學概念,以此帶來人工智能的下一步飛躍式發展。
回到現實,蕭楚觀察到,今年公司招收的AI博士名額比往年少了,薪資水平也開始下降,「我自己的薪資也怎麼沒漲過,微微苦澀。」另一邊,薛然的處境或許更加困難,「公司已經通知,要開源節流。我知道,肯定第一個拿我們開刀。」

7

企業研究院:走MIT模式,

還是哈佛模式?

哈佛大學終身教授、模式識別領域開拓者何毓琦教授曾基於自身求學經歷總結出了兩種截然不同的教育模式——麻省理工模式和哈佛模式。
麻省理工學院課業繁重,考核嚴格,其畢業生必能掌握某一領域的專業知識和技能,並有獨立學習能力,「質量穩定」——水平比較平均。而哈佛大學的教育理念更加自由開放,考核少,並且會鼓勵學生廣泛涉獵,「質量不穩定」——水平參差不齊,儘管平均水平也很高。
因此,在後期發展上,這兩所學校的畢業生取得的成就類型也有較大區別,「哈佛孕育了更多的諾貝爾獎獲得者,而麻省理工孕育了更多的高科技公司。」
何教授最後也總結道,麻省理工模式更加適合發展中國家,哈佛模式則是在國家發展到一定程度後為了與世界接軌而必須結合的模式。
對比中小企業和大企業,也是如此。中小企業隨時掙扎在生死邊緣,必須首先保證產品質量過關,還不是刻意追求獨創性的時候,也就是麻省理工模式。
也因此,企業研究院在中小企業會如此不適應亦不再奇怪。很多時候,一些突然冒出的極其獨特的獨角獸公司,其獨創性也只體現在剛剛創立的瞬間,其後便需要面對巨大的競爭壓力。
而對於大公司,其資產實力能保證長期依靠已有業務生存,同時也能支撐需要面對大量失敗嘗試的基礎研究,也就是哈佛模式。單純依靠管理創新難以持續帶來新增長,大公司也必須隨時具備危機意識,將希望寄託於科學人才和基礎研究,以期一朝建立十年新優勢。
(文中程路、李成、薛然、蕭楚均為化名)


雷鋒網雷鋒網雷鋒網