9月20号讯飞AI同传语音造假的新闻刷爆科技圈，科大讯飞股价应声下跌3.89%（不是65.3%，标题党文章害死人）。 吃瓜群众纷纷感慨，有多少人工，就有多少智能。
AI概念在2015年起就红得发紫，不论是送外卖，搞团购，卖车，或是推荐莆田医院的，是个公司都会标榜自己是搞人工智能的。在21世纪的第二个十年，计算机专业相关的学生不说自己是搞AI算法的，同学聚会都抬不起头，相亲机会都变少了。随便从一摞简历里抽出一份，一定会有AI，调参，CNN，LSTM这些关键词。未来最赚钱的职业，一定不是天桥贴膜，而是天桥调参，50块钱一次，一调就灵：
NIPS会议，人满为患，改改网络结构，弄个激活函数就想水一篇paper; 到处都是AI算法的培训广告，三个月，让你年薪45万！在西二旗或望京的地铁车厢里打个喷嚏，就能让10个算法工程师第二天因为感冒请假。
谁也不知道这波热潮还能持续多久，但笔者作为一线算法工程师，已经能明显感受到危机的味道： 以大红大紫的图像为例，图像方向简历堆满了HR的办公台，连小学生都在搞单片机和计算机视觉。在笔者所在的公司，人工智能部门正在从早前研究院性质的组织架构分别向前台和后台迁移：前者进入业务部门，背上繁重的KPI，与外部竞争者贴身肉搏；后者则完全融入基础架构，像数据库一样普通和平凡。之前安逸的偏研究生活被打破， AI早已走下神坛。
以笔者愚见，对于一般的算法工程师，这种危机包含两部分：一方面是来自人的竞争，大量便宜的毕业生和培训生涌入这个行业，人才缺口被迅速填满甚至饱和，未来的竞争会更激烈；另一方面则是来自机器的竞争，大量算法工程师会很快被他们每天研究的算法所代替。 这两者互相恶化，AI人才市场终会变成一片红海。
连小学生都会写模型工具和框架本身的发展，让设计模型所需的代码写得越来越简洁。10年前从头用C++和矩阵库实现梯度下降还是有不小的门槛的，动辄上千行。而当今几十行Keras甚至图形化的模型构建工具，让小学生都能设计出可用的二分类模型。强大的类库吞噬了知识，掩盖了内部的复杂性，但也给从业者带来了不小的惰性。从业者的技术水平，和使用模型的复杂程度关系不大，越是大牛，用的技术更底层更make sense。
不仅如此，深度学习本身的性质，造成了明显的数学鸿沟。与SVM, 决策树不同，由于模型存在大量的非线性和复杂的层次关系，且输入信号（例如图像，文本）也很复杂，因此严格的数学论证是需要极高的抽象技巧的。该方法为什么好，在什么类型的数据上好，有时连作者都在拍脑袋，很多state of arts的方法，成了口口相传的经验和trick，而非严谨的theory。 连batch normlization（批规范化，只包含四个初中数学级别的简单公式）为何有效，都被争论了好几年。只有凤毛棱角的专家，能深入到模型最深处，用数值分析和理论证明给出严谨的答案。 大部分人在入门后便进入漫长的平台期，美其名曰参数调优，实际就像太上老君炼丹一样。
我们把这种现象绘制成下面的AI学习曲线，左侧是稍显陡峭的入门期，需要学习基本的矩阵论，微积分和编程，之后便是漫长的平台期。 随着复杂性越来越高，其学习曲线也越来越陡峭，大部分人也就止步于此。 越来越易用的工具，让曲线左侧变得平坦，入门期变短，却并不能改变右侧的陡峭程度。
入门容易深入难，这条曲线同时也能描述AI人才的收入水平。而真正处于危机的，莫过于夹在中间的芸芸众人：对理论一知半解，对工具非常依赖。可替代性很强，一旦AI浪潮过去，就知道谁是在裸泳。
市场和业务变化越来越快，能有哪些核心业务，是能让工程师静心调个一年半载的呢？当一个从培训学校里出来的人都能做模型时，有多少业务能让公司多花两三倍的人力成本，而仅带来1%的性能提升呢？
机器都能调参，要你干吗？面向大众AI科普节目，最常讨论的便是“AI时代如何不被机器所取代”。很不幸，最容易且最快被取代的反而是算法工程师。