三大“AI码农”：我的起薪30万 （上）
欢迎关注AI应用领域最专业的垂类自媒体——读芯术
近来一段时间，读芯君能明显感到想入行AI的人越来越多，而且增幅越来越大。
这么多人想入行AI，真的是对计算机科学研究或者扩展人类智能抱着无限的热忱吗？也许大多数人是为了高薪。
高薪的AI岗位：做算法，做工程，做数据
坊间都在聊，2016年底斯坦福大学人工智能实验室主任李飞飞加盟Google并将领导云计算集团旗下新成立的机器学习部门，据传年薪到了300万美元。但是相比其Google前员工Anthony Levandowski，这些还只是算小数目。此前据Google披露，在其加入优步Uber之前，曾获得了超过1.2亿美元的奖励。
这是国外的。国内呢？读芯君的一位AI工程师朋友比较保守地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。
行业八卦真实度多少，不好说。看人才行业的调研报告可能更靠谱——拉勾网数据报告称而对于一般性岗位而言，AI类岗位薪酬情况是：
5-10年工作经验的从事人工智能工作薪资达到3.05万/月，一般的开发岗位在2.3 万/月。
10年以上人工智能从业者的薪资平均达4万元/月，一般的开发岗3万/月。
而美国著名雇主评级网站 Glassdoor Research 发现：Facebook、NVIDIA、Adobe、微软、Uber 和埃森哲是 2018 年最佳的五家人工智能公司。在 Glassdoor 网站上，这五家公司就已经公布了 96 个新的 AI 职位，占到网站总发布职位的 18.7%。Glassdoor 上列出的 AI 职位，基本年薪平均在 11.1118 万美元。
从上图看到，AI 职位的年薪薪资分布大致呈钟形，基本在 10 万到 12 万美元之间。而薪资最低的职位在 2 万至 4 万美元之间，而薪资最高的则高达 24 万甚至 26 万美元。
即使没有把奖金和股票分红算入会计审核，但足以从该样本中看出：AI 相关职位是当前美国收入最高的工作之一。
人们为了获得更高的回报而做出选择、努力工作，但是关键在于：如何找对路径。忽略那些招聘启事上令人眼花缭乱的 title，而从工作内容、职责来分类工业界直接的 AI 技术人员，大致可以分为三个不同角色：
做算法
做工程
做数据
算法工程师：尝试最新算法的使用或把已有算法用出新花样
根据2018校招的统计，包括谷歌中国、微软、google、腾讯、大疆、海康、华为、网易游戏、阿里巴巴、滴滴、百度、今日头条的知名互联网企业，他们给校招生开出的年薪水平均在30万以上，不过提供以上薪资水平的岗位也多为算法工程师、研发工程师、软件工程师等技术性较强的岗位。其中，谷歌中国的人工智能岗位年薪最高，达56万元人民币，其次是微软的算法工程师岗位，年薪51万，第三是谷歌的算法工程师岗位，年薪50万，排在第四、第五的是腾讯公司的基础应用研究（SSP）岗位和腾讯云后台研发工程师岗位，年薪分别是45-50万、32.4万。整体来看，算法工程师岗位最吃香。
说到做算法，大家首先想到的可能是发明新的算法或者对算法进行改进。这是在学术机构或者几家定价大企业研究院中担任科研任务的科学家们的任务。事实上，算法工程师的分类，包括语音/视频算法工程师（通常统称为语音/视频/图形开发工程师）、图像处理算法工程师、计算机视觉算法工程师、通信基带算法工程师、信号算法工程师、射频/通信算法工程师、自然语言算法工程师、数据挖掘算法工程师、搜索算法工程师、控制算法工程师（云台算法工程师，飞控算法工程师，机器人控制算法）、导航算法工程师以及其他（其他一切需要复杂算法的行业）等等。
算法工程师种类虽多，但很多公司的所指的算法工程师，一般都是指数据挖掘和机器学习，需要比较高的专业背景要求。读芯君在这里先为大家PO一则算法工程师的职位招聘广告：
工作内容：
1. 负责人工智能业务领域（深度学习、机器学习、搜索、图技术、知识图谱）的技术能力构建；
2. 负责智能驾驶、推荐系统、自然语言处理的核心技术研发工作；
3. 完成机器学习、深度学习、人工智能相关算法实现、算法优化和性能评估；
4. 参与核心代码的撰写，解决项目开发过程中的重大技术问题。
岗位要求：
1. 通信工程、电子信息工程、计算机、统计、应用数学等相关专业；硕士毕业2年以上，本科毕业4年以上；
2. 人工智能、深度学习、模式识别、机器学习、自然语言处理、图像处理等相关领域工作经验两年以上，熟悉深度神经网络的各种模型，如：CNN，RNN等，并至少参加过机器学习/机器视觉/图像识别/语音识别/自然语言处理等算法开发；
3. 熟悉深度学习开源平台，如TensorFlow、Paddle Paddle、Torth、Caffe、Theano、OpenAI等，至少具有一个平台上的项目开发经验；
4. 精通C/C++、python、Java、matlab、opencl等编程语言与工具(两项以上）；
5. 熟悉Linux/Unix平台上的开发环境；
6. 强大的代码编写能力，以及对于开发部门员工的核心能力提升的培训能力；
7. 具有良好的沟通能力和敬业精神及团队合作精神；
8. 有相关工作经验和同行业从业经验人员优先。
可见，算法开发人员重在需要具备很强的逻辑思维能力，且需要熟练掌握数学建模、应用算法的设计和优化理论，精通C/C++ 或其他一种编程语言，熟悉数据库的接口技术。
有观点认为，在工业界做算法的算法工程师（也有公司叫科学家），最基本的日常工作是：衔接学术成果与实际业务，在工程实践中利用最新科研成果来达到产品或服务在业务层面的提升。算法工程师的工作应该是用机器学习技术解决公司实际业务需求，传统一点的比如搜索推荐反作弊，新潮一点的是图像语音nlp领域的各种应用。写代码的量一般不多。核心技能一方面是机器学习知识本身，一方面是机器学习工程应用的经验。但也有一种通俗的说话，算法工程师实际每天在做的事情是：读论文&实现之——确认最新论文中的阐述是否真实可重现，进一步确认是否可应用于本企业的产品，进而将其应用到实践中提升产品质量。
既然日常工作首先是读别人论文。那么作为算法工程师必不可少应该具备快速、大量阅读英语论文的能力。如果要做算法，平均而言，大致要保持每周读一篇最新论文的频率。仅能读不行，还必须读懂论文。要读懂论文，就需要：
科研能力：或曰学术研究方法，能够通过参考资料、搜索及以往的知识积累学习掌握论文内容的能力。
数学知识：足够深入的微积分、线性代数、概率统计的知识。最新的论文，没有被时光检验过。阅读时，需要关注公式的推导过程。否则，万一出现数学推导有错，导致了过于喜人的结果，却无法在实践中重现，岂不空耗时力？也许这就是为什么，到目前为止，读芯君见过的算法工程师都是名校相关专业博士的原因。
熟悉业务：很多时候，单论具体的手头工作，做算法的算法工程师和下面要说到的做工程的机器学习工程师相差并不大，他们两者都会花费很多时间去训练模型。但是，做工程的可以把关注点放在模型本身，只要交付符合评价指标要求的模型就可以了，而做算法的人必须对业务提升负责。如果交付的模型虽然整体质量提升了，却不能提高用户体验，或者在某几个用户非常关心的 corner case 上总是出错，机器学习工程师可以通过加人工干预，做几个 workaround 把这几个 dsat 绕过去，但算法工程师则有责任从算法角度解决问题，而不是随便打人工补丁。
在实践过程中，算法工程师，即使自己不发明新的算法，不提出新的算法优化方法，也得去尝试最新算法的使用或者把已有算法用出新花样来。毋庸置疑，这是一个有着必然创新性的角色，因此，这个角色也不适合绝大多数人。
做算法工程师是怎样的体验？
深厚的学术背景要求、极强的科研能力、扎实的数学基础……读芯君和你一起来看看“做算法工程师是一种怎样的工作体验？”
工程师A：从业快三年了，让我来告诉你，工作大概是这个样子：
每天的最重要工作就是跑数据！
每天的最重要工作就是跑数据！
每天的最重要工作就是跑数据！
想象的算法工作是这样的：拿到最近某大神新发的Paper，或者自己钻研理论推公式产出理论成果，通过并行编程实现其支持大规模数据训练，然后打败现有模型，ctr提升200%，收入提高200%，此训练工具在工业界广为流传，升职加薪迎娶白富美，出任XXX……
但现实中往往是这样的：这个特征可能对ctr预估是有用的，然后 ——特征调研跑数据——生成训练数据跑数据——模型效果不好请回到特征调研——小流量实验跑数据——实验效果不好回到特征调研——全流量跑数据——done，你终于有产出了，效果是ctr提升：0.2%！！！
或者是策略升级，你想破脑子想了一个策略，然后花了两个月做实验，策略调研跑数据——策略模型训练跑数据——策略小流量跑数据——策略实验对比跑数据——策略全流量跑数据。然后这个策略后来发现是：负向的！没错，你这两个月的产出是0.
什么算法，先要把hql、mr、streaming其中一种写的炉火纯青，不然你啥也干不了。
读芯君开扒
随着计算机行业的不断壮大，花样繁多的“算法工程师”职位不断涌现，这些职位对应聘者人才的知识结构和技术背景都有不同侧重。实际上，“算法工程师”与计算机行业发展如影随形，只是一直笼罩在“软件工程师”的烛影下，随着“算法工程”在业界的不断渗透，“算法工程师”正在走出烛影，作为一种独立的、而且是稀缺的职位登上历史舞台。
事实上在机器学习领域，算法工程师脚下的进阶之路是清晰的：当你掌握了工具、会改造模型，进而可以驾驭新问题的建模，就能成长为最优秀的AI算法人才。只要拥有热情+努力，沿着这条路踏踏实实走下去，100万并不是什么问题。什么？你说还有300万的呢？这个不用眼热，很可能人家只不过把你写代码的时间都用来跨界学习不断进阶，然后跳槽而已。