各位网友好，小编关注的话题，就是关于人工智能打工的问题，为大家整理了1个问题人工智能打工的解答内容来自网络整理。

为什么说人工智能工作前景越来越严峻了

个人觉得，工作前景就是将来的应用。年纪大点的记得，什么神经元网络，之后的一系列想法，支持向量机，深度学习等等。吸引了几代优秀人才。实际上也就是提个新想法，在实验室里应用一下，训练和培养学生，然后再寻找别的新想法。真正的白人学者搞得不多。有色人种多一些。为什么？就是新，可以多出论文，然后容易在外国留下。真正做工业技术研究的德，日，搞得不多。日本的国立大学做这方面研究的不多，大多是私立大学的老师做。希望不要把它当成技术来看 至少是现在。不然的话，人的中年危机重重。

目前正在从事ai相关工作，从自己的角度讲一下吧。

1 现在的人工智能并不是真正的智能，相比人类的大脑来说，连幼儿都比不过。目前的人工智能只能从很多先验知识中学习一些强大且较为通用的规则，从而应用到一些类似场景中解放一些重复性劳动。它并不具备任何学习新知识的能力。

2 人工智能门槛降低，从研发角度来说，人工智能=数据+算法+算力，数据主要依赖一些第三方外包标注，算法的话只要学过高等代数就可以入局，对一般的大学生来说没有任何门槛，算力其实就是cpu gpu机器，这部分长期被国外巨头掌控，在国内基本都有就业机会。因为门槛低，因此涌入的人越来越多，内卷极其严重。

3 缺乏业务场景，目前除了搜索，推荐，安防，翻译等领域，基本没有成熟的落地业务，像无人车之类的还在烧钱阶段，最后能不能落地还么有定论，这也是ai四小龙集体哑火的原因。这么多年了，ai投资人的钱也消耗的差不多了，没有资本进入市场，那么职位肯定会减少，不可避免。

2012年后的这次人工智能主要是因Yoshua Bengio、Yann LeCun、Geoffrey Hinton这三位大佬打造的深度神经网络体系，移动互联网的普及提供了大量数据，硬件成本下降使得单位算力价格降低，但是本质上还是基于统计学的，并不能算真正意义上的智能。

深度神经网络的核心在于BP算法、SGD、小批量样本学习，各种变种网络大多是在层与层之间的权重、链接方式，神经元激活函数做文章。通过隐藏层的权重、链接方式、激活函数来产生大量特征，解决了此前需要专家知识构建特征的难题，抛开特征生成方式的其它内容和之前的算法并没有多大区别。神经网络的损失函数本质上是一个非凸问题，并不满足KKT条件，数学界对它的认同远不如SVM，但是架不住它在工业界的应用效果不错。这也造成了这波AI变成了拼数据、拼算力、天马行空的结构魔改的奇葩现象。

算法的落地上大部分是在图像、文本、语音三个大类上。图像层面具体体现在安防、交通、巡检、OCR，这类项目大部分2G的，一般的公司根本拿不到；文本方面用的多的是智能客服、智障音箱、企业内部搜索殷勤（知识图谱）、舆情分析、翻译；语音上某飞的那个乌龙大家都懂的，具体产品上就是大家手机里面的语音输入、录音笔配套的音频转文字，应用场景和频次也没那么多。至于其它变相场景真够呛。

如果说有突破点，那大概率只有对抗生成网络了，毕竟人家缩写牛逼， 不要怂就是GAN.

到此，大家对人工智能打工的解答时否满意，希望人工智能打工的1解答对大家有用，如内容不符合请联系小编修改。