-
![]()
人工智能
人工智能+零售升级，「深兰科技」完成亿元级A轮融资
36氪获悉，人工智能企业「深兰科技」今日宣布完成亿元级A轮融资，华映资本领投，德商资本跟投。
「深兰科技」方面表示，本轮融资将加速公司在零售升级、自动驾驶、智能机器人等领域的产品研发与市场拓展，加速团队扩建，推动基于人工智能技术的新生态系统建设。
36氪曾多次报道过「深兰科技」，此前公司曾获得云锋基金投资的数千万人民币Pre-A轮融资，以及DNA基金领投、蓝海基金跟投的千万级人民币天使轮融资。
「深兰科技」2015年推出了第一家无人值守门店，2016年发布「quiXmart快猫智能零售系统」，2017年2月联合蚂蚁金服推出「takego结算系统」，2017年6月发布「AI自贩柜」，2018年初推出办公室货架的升级产品「小兰系列」。
作为To B的技术服务提供商，从底层技术和算法，到中层的软件，再到上层的硬件，深兰科技提供一系列完整的解决方案。总结来看，深兰科技的产品架构主要应用于以下场景：
便利店存量升级场景：quiXmart快猫智能零售系统/takego结算系统
在技术路径的选择上，深兰科技应用的核心技术是——机器视觉、深度学习及生物识别，这和Amazon Go是一致的。
quiXmart快猫系统实现了便利店的无人化，而takego结算系统实现了“拿完即走”的便利性。反映在购买流程上，第一次注册的用户需录入手脉信息，并同意支付宝代扣款协议；完成注册后，可以通过“扫手”的动作开门，挑选商品，“拿完即走”，由支付系统完成代扣款。
值得一提的是，如果说“无人便利店”形态瞄准的是增量市场，「深兰科技」更多地是对存量市场的改造。“我们对无人零售店的真实需求，是存疑的。” 深兰科技创始人陈海波表示，公司倾向于做赋能型的存量改造。
自动贩卖机场景：「AI自贩柜」产品
同样的升级改造，也适用于自动贩卖机。
陈海波表示，相较于市面上的自贩机，深兰的「AI自贩柜」提供了和便利店一样的购物体验，扫手开门-选择商品-关门扣款。
此外，将自贩机的投资回报周期从6年缩短到1年——这意味着需要提高商品的客单价和消费频次。客单价的提高，需要添加便当、酸奶等鲜食产品，反推到技术解决方案上，需要可识别的商品形状不受限制。而消费频次的提高需要强化便利性，“拿完即走”，是深兰在便利性上的解决方案。
近场零售场景：办公室货架升级产品「小兰系列」
关于近场零售，办公室货架曾在两个月内30个项目入局，但由于货损率问题，似乎有渐凉之意。
因此，货损问题，是小兰系列产品解决的第一个痛点。「小兰系列」包括小兰冰箱、小兰货柜、小兰货架、小兰风幕柜。其中，小兰冰箱推出首周，接到订单过万台。未来深兰科技还将联合国内知名自贩机企业打造千元级开门式自贩机，实现扫手（脸/二维码）开门，拿完即走。
便利店增量场景：「大兰超级便利」双开门冰柜
冰柜产品可多柜自由组合，为便利店探索更多的增量。
根据公司提供的数据，目前已落地数百台设备，30-40个B端客户（包括娃哈哈、伊利、来伊份等），积累了十多万C端用户数据。
陈海波透露，2018年深兰科技的重点有三个，一是办公室货架企业的升级；二是自贩机领域的升级，三是将零售移动化。
本轮领投方华映资本表示，深兰科技作为人工智能无人零售解决方案提供商，拥有一套专为零售场景打造的AI识别算法，这是深兰科技的核心价值。
“作为To B的企业，深兰科技拥有将技术落地的实力——能够将算法、技术变成适配不同场景、不同需求的产品和解决方案，并进行规模量产。”华映资本投资总监姜志峰表示，在底层架构的基础之上，深兰科技未来可将其技术及算法，应用在更多的领域之中。
-
人工智能
微信的机器学习与人工智能应用实践
编者按：本文来自InfoQ（ID：infoqchina），作者：张重阳，编辑：小智。2018 年 1 月 13-14 日，AICon 全球人工智能与机器学习技术大会在北京召开，微信小程序商业技术负责人张重阳应邀担任本次大会的联席主席，发表演讲介绍了人工智能应用落地过程中的 4 个"in"，并结合在微信的实践案例做了深入的讲解。以下为演讲全文。
图为张重阳AICon演讲现场
写在前面
大家好，我是来自微信的张重阳，很荣幸有这个机会和大家一起交流一下机器学习和人工智能技术在微信的应用实践。谈起人工智能，大家首先想到的是图像识别、语音识别、机器翻译、机器人这些技术，然而人工智能所涉及的应用场景和商业价值却远不止此。在日常的经营和管理中，任何一个企业都会维护客户关系，都有销售数据需要分析，都会在生产，销售和运营的各个环节中面对不同的决策问题，新一代的商业智能技术就是利用现在飞速发展的机器学习和数据分析技术对企业商业化过程中面临的各种问题给出自动化的智能解决方案，从而驱动业务快速增长。
我们来看一下智能技术在商业过程中解决问题的 4 个重要环节，我这里总结了 4 个“in”，首先我们叫 integration，就是针对需要解决的问题收集和整合已有的数据。这里所面临的挑战主要有两个，首先是如何在计算机中表示数据以便于存储和计算，另一个是在我们实际应用中如何处理保密数据，比如财务数据，或是当我们处理用户数据的时候如何保护用户隐私，有没有什么方法对数据进行处理后既起到保密的作用又不影响计算机使用？
有数据后就是用统计和机器学习的方法去解决问题得出问题的最优解，这步我们叫 inference，不同于学术研究，在实际应用中我们会将多个模型进行组合使用取长补短从而得到更好的效果，稍后我会结合实例说明，
在有了 inference 结果之后，实际应用中不能只给一个预测结果，而是要结合数据对模型的预测结果进行更深入的分析和解释也就是 interpretation，这也是最近两年在深度学习之后比较热门的方向，因为深度学习虽然在整体的数据结果上取得了很不错的效果，但偶尔会在个别样本上给出令人难以理解的结果，有没有什么方法对深度学习这样的复杂模型进行解释，我将在后面介绍一种对黑盒模型进行解释的方法。
解释之后，该发现的问题找到原因，那么我们就要结合人工的知识和实际环境制定策略，并用自动化测试的方法去验证效果，这步我们叫 investigation，这一步其实最复杂，因为要结合人工知识而且在各个业务场景中验证方法都不一样，由于时间关系我这里介绍一种通用的方法 ABtest，ABtest 无论是在传统行业还是在互联网公司都已经被使用了很多年了，是一个非常有效的产品测试方法，但是即便是这种被广泛使用的方法，也需要根据实际应用场景进行设计，比如我们在微信上使用的很多产品是社交化的不能完全独立的分成 AB 两个集合，有时在小样本测试下有效不能保障放量后继续有效，后面我会给大家介绍一种我们改进的方法 Ntest。
好，说了这么多，我们先来宏观的看一下，在微信平台上我们正在做哪些尝试，这个图我 2015 年的时候就在 InfoQ 上分享过，当时我们的工作重点是在精准拉新这部分，因为当时在做朋友圈广告，但是拉新只是商业化的第一步，有了用户后，如何通过数据分析和自动化的方法做精细化运营降低用户流失率并提供个性化的服务提高产品体验才是企业成功的关键。
大家都知道小程序是微信生态的重要一环，因为它的便携性商家可以在微信小程序上以极低的成本获取用户，下一步我们还会依靠微信的大数据处理和机器学习的能力结合我们丰富的用户画像体系逐渐提供相关的分析工具和自动化测试工具帮助商家做好精细化运营提高用户体验。比如现在很多商家的促销展示对每个用户都是一样的，如果平台可以分析出当前用户里面哪些是最有价值的用户哪些是即将流失的用户，并提供一些自动化的测试工具验证运营效果，相信可以帮助商家大幅度的降低运营成本提高运营效果。今天我将结合其中的用户画像，流失预测，流失分析和 ABtest 相关技术和大家一起探讨一下微信在商业智能技术 4 个“in”上的技术实践。
整合 Integration
先看数据整合 integration，这里我介绍一下实际应用中最常用到的用户画像技术，对一个企业来说最重要的资源无疑是它的用户，提供个性化和自动化的服务和产品必然需要足够的了解用户，那么用户画像就是用户在计算机中的表示形式。这里的挑战首先就是表示的方法，将用户表示成什么样的结构才方便计算机使用，另一个挑战是如何保护用户隐私，虽然我们对用户的敏感数据进行了脱敏，但用户的特征越多越容易反推回单个用户，有没有什么方法既能保护用户隐私又不影响计算机的使用？
先看用户画像的表示方法，用户画像的目的是为了在不同任务中度量用户和用户之间的相似度，那么通用的做法是将每个用户在数据库中表示成一个向量，向量和向量之间的距离有很多种数学方法计算比如常用的欧式距离和余弦，但实际使用中会根据不同应用场景定义相似度函数，或是在实际的数据上用机器学习的方法去拟合这个函数，有了这种对不同用户相似度度量的方法我们就可以做用户分类和聚类，或是提供对相似的用户推荐相同的商品这样的服务。
但是这个将用户转成向量的过程，在实际中却是非常复杂的，如果都是简单的标签那么常用的 onehot 编码就可以搞定，但很多数据是有结构的，例如微信中社交关系是一个网络结构，用户和公众号的关注关系是一个二部图的结构，用户的兴趣是一个随时间变化的序列结构。
我们在实践中社交关系这种网络结构使用了 node2vec 的方法转换成向量，使用的时候有些提高效果的小技巧比如好友关系其实是有权重的，好友和好友之间相互点赞和评论的越多权重就越大。 公众号的关注关系其实是一个稀疏矩阵，我们把每个用户关注的公众号作为一个词，把一个用户作为一个文档看待，这样就可以使用通用的主题模型给每个用户打上主题标签，推荐大家使用袁老师的 lightlda，非常适合大规模数据的训练，还有短期兴趣这种序列结构，文本，图像这些数据都可以用深度学习的方法 embedding 成向量，那么最终把这些向量拼接到一起就是计算机可以使用的用户特征向量。
上面的方法编码后，每个用户特征的维度是很高的，这意味着实际使用中需要足够多的训练样本否则就容易过拟合，但实际使用中用来训练的用户集大多数时候是非常有限的，要让算法支持较低的样本输入，必须要对初步编码后的用户特征向量做降维，现在有基于深度学习的 auto-encoder 的方法，在实际使用中我们发现它的效果比传统的 PCA 好很多，降维的另一个好处是对传统的标签进行了压缩和隐藏，压缩完成的向量不影响用户相似度的计算，但维度上比原始的向量小了很多，每一维的数值并没有实际的物理含义从而保护了用户隐私，便于在公司内进行共享使用。
关于用户隐私保护的问题这是公司内在处理用户数据时遵守的原则，文字比较多我就不念了。
推断 Inference
对数据整合和编码后，下一步我们要使用统计和机器学习的方法去求解问题也就是 inference，这里我们来说 lookalike 这个模型。
lookalike 在商业化方向上有很多的应用场景，lookalike 最早是用在社交广告上的，通过商家上传的种子用户包扩展更多的相似用户用于做广告受众，广告投放中它的效果远好于标签筛选出来的用户，但是 lookalike 的本质是通过已知的一堆样本在另一个集合上去找相似的样本，同样的也可以用在流失预测上，我们知道上个月到现在已经流失的用户，在现有的用户群上做 lookalike 相似性扩展就可以找到正在流失或下一步可能流失的用户，lookalike 对线下店铺的智能运营也很有作用，我们通过已有用户在大盘全量用户上做 lookalike 就可以算出各个地方潜在的客户群体有多大，lookalike 不光用来找人还可以用在商品上，我们可以通过热门商品去商品库里面扩展找类似的商品，这就是智能选品的问题。
这是 lookalike 人群定向系统的大致流程，我们从种子包里过滤出我们自己系统里面的重合用户也就是这里的目标用户，同时从全量用户的其他用户中采样出一些用户作为对比用户，再从用户画像系统里提取出用户特征，这样我们有了一个 label 的正样本数据和一个 unlabel 的数据，可以用 PU learning 或是二分类的机器学习方法训练出模型，模型上线使用后，会有实时的反馈数据，我们会利用这部分实时数据再训练一个综合打分的算法，对线上的模型结果做出实时的调整。最终用这个最终打分对全量用户排序选出最相似的用户。
这里我们看一下 lookalike 打分算法的模型训练部分，前面说了不同于学术研究实际应用中很少使用一个模型，我多年的体会训模型和画画很像，你很难用一个笔刷完成整幅画作，刚开始的时候需要用粗的笔刷完成大的布局最后再用细的笔刷去勾勒细节。
在机器学习中常用的模型整合方法有 ensemble 和 jointtrain，lookalike 中比较通用的方法是左图这种先用 gbdt 学习特征再传给 LR，FM 或 DNN 的方法，之后 google 用了这种对 LR 和 DNN 进行联合训练的 wide&deep 模型。如果人工特征设计得好是可以结合两者优点取得非常好的效果的。我们系统实际使用的是右图这种 ensemble 的方法，因为 gbdt 是一种基于 boosting 的学习框架，那么理论上它可以 boost 任何模型，当然包括 dnn，这样就可以将这两种模型的优点结合起来了，他的训练方法是先训一个 dnn，这里不需要用太多的层数相当于用粗的笔刷去完成大致的轮廓，然后用 gbdt 进行 boosting，这相当于用更细的笔刷去刻画细节。
我们看一下 lookalike 应用的一个具体实例，lookalike 被广泛的应用于精准拉新，但我觉得相对于拉新降低用户流失率更重要，因为新用户可以通过广告或地推等方式花钱买到，但已有用户一旦流失就很难挽回，所以必须在流失之前采取措施。常用的激活策略有很多，比如促销商品，发优惠券或发红包等，假如有商家要拿出一笔钱给用户发红包，那么怎么花这笔钱呢？显然不是等用户已经流失了再发给他，因为这时用户已经不再打开应用了，等同的给每个用户发也不合理，因为预算有限。那么常用的方法是发给对平台有最有价值的用户和有可能要流失的用户，所以要做用户价值分析和流失预测。
这张图是流失预测和流失分析的流程图，我们使用刚流失的用户在当前的用户上面做 lookalike 就可以得到正在流失或即将流失的用户，在流失预测之后的流失分析是很必要的。因为流失有很多种情况，不同情况采取的策略是不同的。那么怎么做这个流失分析呢？这就是我们下面要讨论的问题。
解释 Interpretation
我们继续上一节的话题以流失分析为例看一下第三个“in” interpretation。
模型的可解释性和精度同等重要，这是机器学习在实际使用和学术研究的一个重要区别，因为我们可以从解释的结果中发现模型本身是不是靠谱，这样的解释结果更容易说服模型的反馈对象有助于模型的推广。另外模型的使用者可以从这个结果中发现问题从而针对性的制定策略比如我们刚说的流失分析，其实在某些领域比如医疗和金融，不可解释的模型是无法推广的。
那么有没有一种方法可以同时得到比较高的精确度和可解释性呢？这其实是个鱼和熊掌的问题，因为模型的能力越强就越复杂越不容易解释，右上这个图说明了这种情况，横轴是模型的精确度，纵轴是模型的可解释性，可以看到可解释性很好的线性模型和决策树模型精度并不高，精确度很高的神经网络和深度学习解释性最差。
KDD2016 的一篇文章给出一个很新颖的方法，既然鱼和熊掌不可兼得，能不能用高精度的模型去解决问题，再用一个可解释的模型去解释这个高精度的模型？那么问题来了，可解释的模型一般非常简单比如线性模型，它无法去拟合像 DNN 这样一个非线性模型，例如右上图的这个分类结果，这篇论文给出了一个很新颖的算法 lime，因为无论模型多么复杂，每次也只需解释一个样本的预测结果，而非线性模型在单个的样本的局部是可以用线性模型近似的。
但是这样就有另外一个问题，要在这个样本局部进行拟合必须在这个样本周围有足够多的训练样本，lime 的做法是对样本的某些特征进行一些扰动产生一些新的样本，再用之前的高精度模型对这些样本进行预测。这样就产生了很多由高精度模型标注的样本，而且我们可以计算出每个生成样本和我们要解释的样本之间的距离，这时就可以用可解释的线性模型比如 lasso 对这个样本的局部进行拟合和解释了。
这是用户流失分析系统的框架，通过前面说的模型进行用户流失预测后得到了正在流失的用户和忠实用户，这里需要注意的是我们对用户特征做了 encoder，所以在解释的时候需要映射回之前可解释的特征表示并和编码器一起传给 lime，就可以对每个用户的流失预测结果进行解释了。我们会对全量用户的解释结果再用算法进行一次聚合，分析出正在流失用户和忠实用户整体的特征并将这个结果可视化的展示出来。
这是我们对一款游戏类小程序的用户流失分析结果的可视化展示，可以看出主要是学生用户正在流失可能是由于最近快期末考试了，我们还可以对这些用户进行聚类，右上角是在二维平面上的可视化聚类结果，使用者还可以再次下钻到各个子类中针对各个类的特点制定相应的运营策略。
调查 Investigation
有了分析结果后就是要结合人工知识制定策略并用自动化的方法在实际环境中验证结果我们叫 investigation，这里介绍一种 ABtest 的改进方法。
ABtest 源于医学的双盲实验，在互联网时代，它被广泛的应用于网站改版和产品升级后的效果测试。相对于观察上线前后的数据，abtest 可以有效的排除季节因素、市场环境因素的影响，现在 ABtest 也被用来分析不同广告或运营策略的效果。比如刚说的流失问题，我们分析问题后设计了一个降低流失的策略，要看这个策略有没有效果就要放到线上的真实环境中去测试，这是传统的 ABtest 的流程。
之所以叫 ABtest 是因为在实验时会将实验的用户分流成不使用策略的 control 和使用策略的 treatment 两组用户进行对比观察，这里有很多技术细节比如在多个实验并行进行时的正交分层模型，对 control 和 treatment 的同质校验，结果的显著性分析等，有很多论文讨论这些问题。我这里重点和大家一起交流一下在社交网络中的一些问题和改进方法。
在社交网络上要将用户分成两组完全独立的 control 和 treatment 是很困难的，因为用户和用户之间相互影响，比如我们微信上可以分享给好友的立减金，微信电商类小程序采用的拼单和组团的这种促销模式，这些红包和促销商品会在好友和好友之间传播，最终可能导致 control 和 treatment 都变好了或是都变差了。另外一个问题就是灰度实验的时候，在一个小的用户量下实验有效，在放量后会不会继续有效，因为放量后投放的密度变大了用户和用户之间的影响更大。这种影响可能导致之前的策略不起作用也可能导致之前的策略的效果成指数的放大。那么这个问题就变成了如何测试投放密度和实验效果的关系。
我们针对社交网络的特点设计了一种改进的策略 Ntest，和传统 ABtest 不同，Ntest 不是以单个用户作为测试单位而是以几十人到几百人的子网络作为测试单元，每次实验选择 N 个子网络作为实验组，并在各个实验组上采用不同的密度投放实验策略。最终对每个子网络计算实验指标，我们将这 N 个子网络的指标和密度的关系绘制在坐标系上，就可以分析出指标随密度变化的趋势，右图是常见的三种情况，横轴是策略在子网络上投放的密度，纵轴是当前指标的效果，上面这个图随着密度增大效果整体呈上升趋势，说明策略和当前指标是正相关的。同理这下面是负相关和不相关的大致情况。
写在最后
最后我们总结一下机器学习方法落地实践的心得。
首先是我们要针对问题对数据进行整合和编码使其易于计算，数据整合后用多个模型组合使用可以取得更好的效果，对模型结果的分析和解释在模型推广时非常重要，最后任何结论都要回到实际业务场景中验证效果。
作者介绍
张重阳，微信小程序 商业技术负责人。2014 年加入微信，先后负责用户画像建设，lookalike 人群定向，微信斑马系统，小程序广告系统，小程序商业化技术，专注于自然语言处理，计算广告，机器学习，数据变现等技术方向，加入微信前曾就职于微软、科大讯飞从事自然语言处理、语音、搜索推荐、计算广告等技术研究。
-
人工智能
推荐一篇文章英文：为什么人工智能可能成为你的人力资源团队聘用和保留最优秀人才的工具
人工智能（AI）将以某种方式很快影响几乎所有的行业，但是2018年这项技术将会在一个行业中大放异彩：人力资源。
根据最近的Glassdoor报告，特别是在竞争激烈的领域，例如科技行业，人力资源部门越来越多的供应商正在提供AI解决方案，以帮助人力资源专业人员找到并留住顶尖人才。在美国这些供应商包括Entelo，Textio，Textkernal，HiringSolved和x.ai提供AI解决方案，帮助招聘人员整理简历，使用数据在求职者和职位之间进行预测性匹配，纠正工作描述中使用的语言偏差，并使用机器人计划候选人面试。在中国优面宝（umb.ai）作为面试管理的领导者，也开始布局相关的应用和服务，特别是在候选人面试安排以及面试管理上。
这个方面中美起点都差不多。
来自HRTechChina 专栏 的内容：
详细阅读这里：http://new.hrtechchina.com/Column/blog/blog_detail/home_uid/2/b_id/4.html
-
人工智能
卖引擎而非整车，「麦穗」想用人工智能、大数据帮招聘网站提高效率，英格玛HRTECH基金投资
在麦穗联合创始人王露颐看来，招聘主要有3个步骤，其一是为企业找到足够数量的候选人，因为基数大了，才能确保质量；其二是找准人，最后才是人岗匹配合不合适的问题。
按照王露颐的说法，麦穗并不是卖整车，而是给一些大型招聘网站、企业开发引擎，目前主要提供3大产品。其一是帮助招聘网站快速定位候选人，公司合作客户均具有较大体量，一般在内部都有着丰富简历。通过匹配求职人员简历和职位描述为企业找人。如果客户简历数量不够，公司也会从外部为其定制一定数量的简历。
首先会分析企业的基本情况、发展阶段、过往入职人选等特征来对需求方用人偏好形成一个完整画像。还会精细化分析和标注处理整段职位描述，并分析所处行业特征和标的企业的用人状况。麦穗会运用智能语义解析，切分并提取候选人简历的核心内容，形成150多个维度，来匹配企业的用人画像。这150多个维度包括候选人的期望薪资、期望的工作地点、到岗时间、简历新鲜度（候选人更新简历的频繁程度是和换工作的意愿成正比的）、学历状况、专业技能、工作经历等。
人才库盘活是近年来一个活跃话题，理想场景是当 HR 向外发布职位时，系统可以自动提示她自有人才库里已经有很多合适的候选人了。但是据欧美市场最大的求职网站 Indeed.com 的总裁 Chris Hyams 介绍，由于不同行业、不同工种之前存在许多“潜规则”，且很多职位的 JD 还是不能标准化、模型化，该技术的实际应用还是存在一定问题。
仅仅通过职位 JD 和候选人简历去匹配供需双方，这个显然是不够的，因为很多时候职位与职位间的描述是比较相似的，并不能精确匹配，利用简历数据所做的只能是一个“冷启动模型”，后续还要通过不断添加数据维度来精细化该模型。麦穗的第二个业务是为该模型添加了类似电商的用户行为数据分析。
具体来说，麦穗会分析企业的职位发布者在招聘网站上的历史行为数据，比如关注了哪些候选人、拉黑了哪些候选人、搜索查看过哪些候选人，付费买过哪些候选人的联系方式。通过在推荐模型中添加用户行为数据，匹配的维度自然会更多。使用越多，产生的数据越多，匹配自然也就更加精准。
以上两款产品均是重大数据，轻 AI 的产品。麦穗在今年试点性地推出了一款视频面试类产品，据王露颐介绍，该款产品集成了机器学习和深度探测模型来探测候选人的软性素质，方法是通过探测候选人在面试时的肢体动作和面部表情，来对候选人打分。比方说团队会通过一套数据模型，从中产生6000多个维度，来定义什么是“领导能力”。在匹配候选人面试时的表现，挑选出“领导力”强的候选人。
据悉麦穗是由英格玛HRTECH基金投资。
来源：36氪，作者：徐宇。
-
人工智能
职场报告：现在还没必要担忧AI完全取代你的工作
编者按：本文来自网易智能，选自：cnet编译，网易见外智能编译平台，审校：nariiy。
人工智能是一种稳定的潜流，但它不会是未来一年影响求职者的唯一因素。
员工需求和真正的智能技术可能会改变公司在2018年招聘和留住人才的方式——甚至可能改变你的工作方式。根据求职平台Glassdoor周三发布的一份报告，人工智能和自动化等技术将影响到劳动力的方方面面。这并不奇怪，因为人工智能正在影响各种领域，从网络搜索结果到手机安全，甚至是我们对气候变化的反应。Glassdoor称，真正驾驭人工智能浪潮的行业是人际关系，这一事实对所有求职者都有影响。
人工智能可以帮助招聘者筛选成堆的简历
人力资源部门经常被叫去筛选成百上千份简历，像HiringSolved、Entelo和Textio这样的平台则提供人工智能工具去帮助用户完成这一过程。人工智能还被用于编写不带有偏见的工作描述，并且被要求处理重复性的任务，比如安排候选人面试。Glassdoor预计，在明年及以后的招聘中，人工智能应用将得到更大的普及。
另一个受人工智能影响而发生巨大变化的领域是金融服务，像开发对冲和执行交易这样的常规任务可以用机器学习软件完成。这为更高级别的财务咨询和销售角色留下了空间，这些角色需要判断力、信誉和长期的人际关系——这些都是与生俱来的“人性”。
这些趋势将会从2017年开始，这一年是招聘的好年头。据Glassdoor网站称，截至去年11月，今年新增了190万个工作岗位。失业率处于4.1%的17年低点，这意味着，科技、医疗、电子商务和专业服务领域的人才争夺战，让雇主们争相填补610万个空缺职位。
与这些积极的信号相抗衡的是，人们担心人工智能会破坏经济，迫使人们失业。但是，在Glassdoor的首席经济学家Andrew Chamberlain看来，这些担忧都是不存在的。
“人工智能很少能完全取代一份工作，”Glassdoor报告的作者Chamberlain认为。“它通常会取代一部分工作，然后把其他部分留在后面。”
人力资源和金融领域之外的行业也会感受到人工智能的影响，包括医疗保健。人工智能技术正在帮助放射科医生更准确地检测病人成像扫描中的癌症；在零售领域，它通过亚马逊的Alexa等语音服务创造出家庭购物体验；在交通运输领域，人工智能辅助的卡车运输和包裹递送意味着更安全、更便宜的配送。
更好的透明度
你有没有想过，为什么追踪你订购的一双鞋很容易，但很难得知道工作申请的每一步进展？随着越来越多的雇主将提高透明度作为一种差异化的方式并吸引顶级人才，这种情况在2018年也可能发生变化。求职者想知道招聘过程需要多长时间，他们的简历是否经过审核，以及为什么要做出此种决定。
“对于求职者来说，这是一个主要的痛点。” Chamberlain说。“雇主只会在有压力的情况下才会投资。”
人们申请工作的方式也在转变，向移动端倾斜。Glassdoor网站称，其4800万月独立访客中，超过一半的用户使用移动设备访问该网站。尽管移动求职很方便，但实际上在小屏幕上求职的过程可能会很麻烦。Chamberlain说，这是因为许多公司用来管理在线招聘的软件已经过时了。随着越来越多的求职者在移动设备上寻找工作，企业将会感受到增长的压力，因而开始简化这一流程，并投资更好的软件和功能。
与此同时，在接下来的一年里，寻找帮助促进横向职业发展的“角色试验”项目将会变化。Chamberlain说：“在如今非常紧张的劳动力市场中，对很多争抢技术人才的公司来说，这是一个很好的解决方案，因为你可以更好地利用已有的内部资源。”
当就业增长遇上技术
Glassdoor的预测显示，医疗保健行业在2018年的增长可能最为明显。2016年至2026年期间，家庭保健助理的新工作岗位需求将会超过110万个，因为婴儿潮一代正在步入老年。美国劳工统计局的数据显示，预计未来十年，增长最多的15个工作岗位中，注册护士、医疗助理和护理助理将会是其中之一。
科技公司在世界各地将保有持续的知名度。这对软件开发者来说是个好消息，他们可能会被雇佣到零售、金融、制造业、咨询和生物技术领域，以及硅谷以外的地方。
“如果你今天从事的是技术工作，你可能并不一定要在科技行业工作，”Chamberlain说。“今天，各种行业都在招聘技术从业者——从媒体公司到咨询公司，从政府到金融业。他们都在招聘软件工程师和数据科学家，以及类似的人，因为他们想要更有效地使用自己的数据。”
服务员、清洁工、客户服务代表、建筑工人和卡车司机等传统职位预计也将位列增长最多的15个岗位中。这是因为它们涉及的是一种劳动密集型的、难以实现规模化自动化的工作。人工智能和技术可以将这些工作的部分自动化，但其他需要人类判断或移情的部分无法被取代。
尽管公司为吸引顶级科技人才而提供更多的福利和灵活的工作环境，但鉴于传统求职者在劳动力市场中的重要性，公司可能需要匀出部分福利给传统求职者。与技术人才一起工作的人也能享受到特殊的“照顾”。例如，如果一家公司推出免费的零食和餐食，以吸引那些备受追捧的软件开发者，他们很可能会为所有部门的员工提供这些福利。
-
人工智能
为企业提供基于人工智能的客户服务解决方案，伦敦创企DigitalGenius获1475万美元A轮融资
据外媒消息，总部位于英国伦敦的人工智能客户服务解决方案DigitalGenius宣布获得了一笔1475万美元的A轮融资，领投方为Global Founders Capital，参投方包括MMC Ventures，Paua Ventures，Salesforce Ventures, Runa Capital, RRE Ventures, Lumia Capital, Compound 和Lerer Hippeau Ventures。截至目前，该公司的融资总金额达到了2600万美元。
记者还了解到，由于人工智能技术还没有发展到能够与人类顺畅交流的阶段，很多部署了智能聊天机器人的企业在提供客户服务的时候往往无法提供准确的解释、支持和帮助，导致客户体验极差，甚至造成客户流失。为了解决这个问题，DigitalGenius采用了一种“机器学习*人工干预”的整体解决方案，用机器学习和自然语言处理技术分析社交媒体、文本和电子邮件内容，然后把信息分为不同等级推送给客户，一旦解答信息等级变得越来越低，那么就会有人工客服参与进来。目前，该公司的客户包括荷兰皇家航空、联合利华、欧洲之星、以及Soylent等。
本文作者：Farmer
来源：鸵鸟创投媒体（微信：wechuangye）
-
人工智能
2017年度人工智能报告：7大行业应用，100个初创企业
来源：公众号“龟兔赛跑”
2017年，中美两地人工智能投资大热。中国出台《新一代人工智能发展规划》，首次将人工智能发展提高到国家战略层面；
美国发布《人工智能：自动化和经济》，敦促政府确保美国AI领先地位；
中国，百度在国内首届人工智能开发者大会提出“All in AI”愿景，美国，谷歌在I/O大会上提出“AI First”的新方向。
年末，分析了2017全年对于人工智能的投资趋势，总结了七大行业应用。
正文如下
-END-
撰写团队：王子, 王宇辰，马雅伦，陈宏伟
-
人工智能
唯你网完成3亿人民币A轮融资，用想人工智能助力企业智慧财税
12月8日下午，唯你网在厦门举办“财智未来——唯你网A轮融资暨财税机器人新品发布会”，宣布获得了3亿人民币A轮融资，由中航信托、长融资本、圣农资本及天健咨询等投资机构投资。据悉，这是目前财税领域最大A轮融资。此外，会上还推出了为大中型企业服务的账e捷智能财税机器人，以全新形象“OLI”登场。
唯你网成立于2013年，是一家以大数据、人工智能技术为基础，以智能财税服务为核心业务，并通过数字金融连接，与产业园区、新零售、智慧牛业、冷链等产业深入联动的企业智能化服务商。目前公司拥有员工约600人，覆盖17个省和直辖市、76个地级市区、港台两地。在海外，唯你网布局了马来西亚、新加坡2个国家。目前，唯你网已服务30+大中型企业、2000家财务公司、50万+小微企业，累计850万张数据票。
发布会上，唯你网首席顾问连伟舟表示，唯你网用4年时间，验证了“人工智能+财税”的商业模式的可行性。唯你网运用“智能识别”和“语义理解”两大技术优势，开发从服务小微企业的账益达，延伸到服务海外小微企业的Imageccount，再到现在服务大中型企业的账e捷一系列智能财税应用。除此之外，唯你网还在财税的基础上，延伸出数据金融、智慧产业、数据服务等增值服务，2017年收入已实现将近300%的增长。
连伟舟称，本轮融资引入的投资机构主要进行公司资源整合和布局，在核心技术、业务领域进一步巩固领先优势，资金将主要用于提升人工智能核心技术、高端人才引进、品牌建设、市场拓展的投入以及未来实现产业整合、战略并购。唯你网未来旨在以人工智能为基础，颠覆财税行业全链条的发展规划，致力于成为世界级智能财税服务公司和世界级智慧会计外包工厂。
-
人工智能
人工智能人才短缺，科技巨头们想用 AI 再造 AI
编者按：谷歌等公司正在寻求通过自动化的方法来处理人工智能专家短缺的问题。谷歌的设想是，类似 AutoML 这样的项目，将能帮助企业构建他们自己的AI系统，尤其是那些没有深厚 AI 经验和实力的企业。据估计，如今具备能自我开发 AI 系统的人才的公司，全球不超过 1000 家，但其他更多公司却拥有开发 AI 系统所需的数据。
研究者的梦想，但也许是高级程序员的噩梦：可以建造其他人工智能的人工智能。
谷歌领导工程师之一 Jeff Dean 重点介绍了名为 AutoML 的项目。 ML 是机器学习的缩写，可以通过分析数据自行学习执行特定任务的计算机算法。 AutoML 是一个学习构建其他机器学习算法的机器学习算法。
通过 AutoML ，谷歌可能很快就会找到一种方法，可以部分地取代人类创建人工智能技术，构建人工智能系统，许多人认为这是技术行业的未来。
该项目是众多将最新的 AI 技术带给更广泛的公司和软件开发人员的努力之一。
科技行业正在创造一切的可能性，从可识别人脸的智能手机应用程序到自动驾驶汽车。 但据估计，全世界只有 10000 人拥有建立复杂、神秘数学算法所需的教育、经验和才能，以推动这种新的人工智能。
包括谷歌，Facebook 和微软在内的全球最大的科技企业每年向 AI 专家支付数百万美元薪资。人才短缺不会很快消失，只因为掌握这些技能需要多年的努力。
业界不愿意等待。企业正在开发各种工具，以便更容易开发 AI 软件，包括图像和语音识别服务以及在线聊天机器人等。
微软公司副总裁 Joseph Sirosh 说：“我们遵循计算机科学和所有新型技术相同的道路。”Joseph Sirosh 最近公布了一个帮助编程人员建立深度神经网络的工具，这种计算机算法推动了 AI 领域的最新发展。 “我们正在消除很多繁重的工作。”
这不是利他主义。Dean 这样的研究人员相信，如果有更多的人和公司从事人工智能的研究，将会推动他们自己的研究。与此同时，谷歌、亚马逊和微软这样的公司看到了 Sirosh 所描述的趋势中赚钱的机会。 他们都在销售云计算服务，帮助其他企业和开发人员建立人工智能。
中国创业公司 Malong 的联合创始人兼 CTO Matt Scott 表示：“这是真实的需求，而现有工具还不能满足所有的需求。”
这就是谷歌开展 AutoML 项目的原因。 谷歌 CEO Sundar Pichai 在今年十月发布了 AutoML。
Dean 说，最终，这个项目将帮助公司建立人工智能系统，即使不具备广泛的专业知识。 他估计，今天只有几千家公司拥有合适的 AI 人才，但有更多的公司拥有必要的数据。
他说：“我们希望将成千上万的公司从解决机器学习问题中解脱出来。”
谷歌正在大力投资于云计算服务，帮助其他企业构建和运行软件的服务，预计将成为谷歌未来几年的主要增长动力之一。 在网罗了大量世界顶级 AI 研究人员之后，它有了启动这个引擎的方法。
神经网络正在加速人工智能的发展。 工程师不用一次一个的手工构建图像识别服务或语言翻译应用程序，而只需一行代码，工程师就可以更快地构建一个自学习任务的算法。
例如，通过分析大量传统技术支持呼叫中的语音，机器学习算法可以学习识别口语词汇。
但建立神经网络不像网站或普通的智能手机应用程序。它需要重要的数学技能，极端的反复试验以及直觉。 独立机器学习实验室 Element AI CEO Jean-FrançoisGagné 将这一过程称为“一种新型计算机编程”。
在建立神经网络时，研究人员在一个巨大的机器网络上进行了几十次甚至数百次实验，测试一个算法如何学习一个任务，如识别图像或者从一种语言翻译到另一种语言。 然后他们一遍又一遍地调整算法的特定部分，直到他们解决了一些有效的东西。 有人称之为“黑暗艺术”，因为研究人员很难解释为什么他们会做出特定的调整。
但是通过 AutoML，谷歌试图将这个过程自动化。它正在构建算法，分析其他算法的发展，学习哪些方法是成功的，哪些是不成功的。 最终，学习建立更有效的机器学习。 谷歌表示，AutoML 现在可以构建的算法，在某些情况下，比单纯由人类专家构建的服务更精确地识别照片中的对象。
这个项目背后的谷歌研究员 Barret Zoph 认为，同样的方法对于语音识别或机器翻译等其他任务最终也能适用。
这不是一件容易的事情，但这是人工智能研究的重要趋势的一部分。专家称之为“学习的学习”或“元学习”。
许多人认为，这种方法将大大加快人工智能在网络和物理世界的进展。 在加利福尼亚大学伯克利分校的研究人员正在研究一种技术，使机器人能够根据他们过去所学的知识来学习新的任务。
教授 Pieter Abbeel 说：“电脑本来就是为我们发明算法的。 电脑发明的算法可以很快解决许多很多问题，至少这是希望。”
这也是一种扩大人工智能的人员和企业的方法。 这些方法不会完全取代 AI 研究人员，比如谷歌公司的这类专家，仍然需要做很多重要的设计工作。 但是，我们的信念是，只需要少数专家的工作就可以帮助大量的人建立自己的软件。
卡内基梅隆大学研究员 Renato Negrinho 正在探索类似于 AutoML 的技术，今天还没成为现实，应该在未来几年实现。 “这只是时间问题。”
原文链接：https://medium.com/the-new-york-times/building-ai-that-can-build-ai-7a0546be97bf
编译组出品。编辑：郝鹏程
-
人工智能
（长篇报告）2017全球人工智能人才白皮书：解读世界顶级AI牛人的秘密
人工智能竞争以顶级人才为根本。作为国家未来的发展方向，AI技术对于经济发展，产业转型和科技进步起着至关重要的作用。而AI技术的研发，落地与推广离不开各领域顶级人才的通力协作。在推动AI产业从兴起进入快速发展的历程中，AI顶级人才的领军作用尤为重要，他们是推动人工智能发展的关键因素。
因此，上至发达国家政府，下至科技巨头AI创业公司，无不将AI视为提升自身的核心竞争力的根本性战略。能够引领AI发展的顶级人才，环顾全球，尚不足千人，自然成了供不应求的抢手货。
能够引领AI发展的顶级人才，环顾全球，尚不足千人，自然成了供不应求的抢手货。
然而，人工智能领域人才分布极不平衡，全球AI领域人才约30万，而市场需求在百万量级。
其中，高校领域约10万人，产业界约20万人。
全球共有367所具有人工智能研究方向的高校；
每年毕业AI领域的学生约2万人，远远不能满足市场对人才的需求。
在这种供需极其不平衡的形势下招募团队，大公司比小公司有优势，国际巨头公司比大公司有优势，在某种意义上，国家比国际巨头还有力量。
美国人工智能领域的人才无论从数量、质量都要远超其他国家，虽然中国政府已经将人工智能上升到国家战略层面，但是仍然不能立即改变我国AI人才供需严重不平衡的现状，对此，我国应从政府，企业，高校，协会多种途径实现我国人工智能领域三步走的目标。
第一篇：美国主导下的全球AI人才发展现状
第1章 全球AI人才发展概况
当前，上至发达国家政府，跨国互联网巨头，下至研究机构、AI创业公司，无不将AI视为提升自身的核心竞争力的根本性战略，并预期AI将深刻改变人类社会生活、改变世界。
在国家战略布局方面，许多国家均有战略部署。其中，美国、中国、英国和日本各有特色。美国布局完备，领先各国一大步；中国则聚焦战略发力，积极扩充人才规模；英国则稳步推进，力求争先；而日本希冀通过机器人战略，打造超智能社会5.0。
▌ 1.1 四国AI战略布局对比
美国在AI战略方面布局完备，体现了高度的战略前瞻性，领先各国一大步。
首先，美国从顶层设计入手，规划了比较完备的人工智能发展战略。其次，美国政府设立专职负责机构，推动人工智能落地。再次，美国在AI人才方面举措超前，构建了完备的不同层次的人才梯队。
中国提出AI发展规划，谋求成为世界中心。中国政府将人工智能上升到国家战略层面。2017年7月，国务院印发《新一代人工智能发展规划》，明确指出新一代人工智能发展分三步走的战略目标，到2030年使中国人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。
英国要成为最适合发展和部署AI的国家。英国在人工智能道德标准及政府监管研究领域一直表现积极， 英国政府2013年就将人工智能列为八项伟大的科技计划。2017年10月15日英国政府发布了报告《在英国发展人工智能》，目标是使英国成为世界上最适合发展和部署人工智能的国家。
日本推行机器人战略，提出超智能社会5.0（略）。
▌ 1.2 全球AI高等教育对比
科技的发展核心之一在于研发人才的数量和水平，而这一条件取决于国家的人才培养体系，即教育系统。完善系统的教育体系能够为科技发展强力续航，提供源源不断，规模庞大的专业人员和研究人员。
目前，全球共有367所具有人工智能研究方向的高校，AI领域的人才数量约有10万人。其中，有6000多名AI领域的学者，以及7万余名AI相关专业在读硕博研究生以及其他。每年AI相关领域硕博毕业生约2万名。
在这367所高校中，美国拥有168所，占据全球的45.7%，独占鳌头，加拿大、中国、印度、英国位于第二梯队。
人工智能领域学术能力排在世界前20的学校中，美国占据14所；排名的前八个席位都为美国所占据。雄厚的学术研究实力，帮助美国在人工智能领域取得了首屈一指的地位。而其他国家，在学术能力上与美国差距巨大，如何发展AI教育，是值得思考的问题。
第一，高校AI专业设置：国内高校的AI起步较晚
第二，国外高校AI专业招生：关注理科素质，综合评判
第三，国外高校AI课程设置：计算机科学是基础
▌ 1.3 全球AI产业人才分布
目前，全球人工智能领域中，产业人才约20万人，大部分分布在各国初创企业和科技巨头中。
从国别来看，AI产业人才主要分布在美国、中国及其他国家的企业中。
以在初创企业工作的AI人才为例来看。截至2017年6月，全球人工智能初创企业共计2617家。美国占据1078家居首，中国以592家企业排名第二，其后分别是英国，以色列，加拿大等国家。
其中，美国1078家人工智能初创企业约有78700名员工，中国592家公司中约有39200位员工，只有美国的50%。
美国人工智能初创企业主要以1-10人和10-50人的团队为主，这种小型团队共759个，占据全美的70.41%，是美国AI初创公司的主力军；中国人工智能初创企业主要是10-50人的团队，总量384个，占据全国的64.86%。可以说，美国的小型创业团队规模比中国小。在需要同等技术的情况下，美国团队的平均能力和可创造价值高于中国团队。
由于AI产业大量的核心技术和资源掌握在科技巨头企业手里，因而引领AI产业发展的人才，除了高校，很多也聚集在科技巨头中。
在AI人才队伍建设方面，科技巨头内部出现了一些新变化,例如，专门设立AI研发团队，传统研究院也正向AI研究院转型，面向产品和技术应用项目的团队不断涌现。
各巨头还将挖掘AI人才的触手伸向了国外。例如拥有多伦多大学、蒙特利尔大学等AI研究重镇的加拿大，吸引了大量AI人才聚集，因此，谷歌、微软和Facebook先后在加拿大成立了AI实验室或办事处。
第二篇：全球AI顶级人才全景图
据估算，目前，全球AI研究及直接从业者约有30万人，主要分布在高校、AI新兴企业、科技巨头以及其他领域。其中，高校约10万人，产业界约20万人。
从这30万人中，我们筛选出其中各领域顶尖人才近千人进行了较为详细的调查和统计后，筛选出有代表意义的人才进行了“画像”，包括：学术领域204人，领先企业81人，科技巨头50人，投资人24人。
第2章 四大领域顶级人物画像
▌2.1 学术领域：顶级学者画像
筛选的一个重要指标是，他们自2006年至今，在人工智能领域顶级会议上发表过30篇以上论文，以及其他指标。
从统计来看，这些学者分布于全球4个大洲12个国家的53所高校，其中位于美国的学者最多，占总数的63%。
其中，有35位华人，占总数的17.2%，他们之中又有12位任教于清华大学、北京大学、上海交通大学、香港科技大学等国内高校。
就研究领域而言，这204位学者有的研究偏底层的机器学习、人工智能算法，也有的研究与现实应用更为贴近的计算机视觉、自然语言处理、机器人等方向。
2.1.1年龄：活跃学者以中青年为主
对比研究各领域学者年龄可知，人工智能、计算机视觉、机器学习、自然语言处理这四个领域学者年龄差距不大，而研究机器人的学者年龄偏大。
2.1.2性别：女性比例极低
在学者性别方面，男性学者在AI领域占比远超女性学者，男女学者比例约为7:1。女性学者主要集中在美国、加拿大以及英国。
虽然女性占比较少，但所取得的成就却巾帼不让须眉。例如MIT计算机科学和人工智能实验室（CSAIL）主任Daniela Rus，在机器人领域尤其是自动驾驶方面做出了杰出贡献。
2.1.3地区：主要分布于北美（略）
地区分布上，学者主要分散在北美、欧洲、中国、日本、新加坡、澳大利亚等国家。
2.1.4教育经历：学者们多毕业于CS四大名校
统计学者的毕业学校，发现他们100%都拥有博士学位，而他们之中的大部分都毕业于美国高校。其中从卡耐基梅隆大学、斯坦福大学、加州大学伯克利分校、麻省理工大这CS四大名校学走出的学者比较集中。
2.1.5专业背景：98%的学者拥有CS或EE博士学位（略）
2.1.6学界与业界：学界业界联系紧密
在AI的细分领域中，学者人数最多的领域是机器学习，其次是计算机视觉、机器人和自然语言处理。总体而言，学者越来越多地拥有双重身份：一方面在学校进行研究，另一方面也服务于企业，为人工智能领域做出更贴近产业的贡献。在其中，有52名学者在企业界担当首席科学家、技术总监等职位，有17名学者创办过自己的公司。可见人工智能领域学界和企业界联系紧密。
▌2.2 领先企业：顶级企业家画像
领先企业的数量和体量，也是衡量一个国家产业发展水平的重要标准。
从全球领先的人工智能企业出发，我们筛选出49家全球领先的人工智能企业作为分析主体，包括两家上市企业，独角兽企业，部分被巨头收购的AI创业公司和人工智能转型公司。他们的融资额均在一亿美元以上。
这些带领公司构成了全球人工智能产业的金字塔尖的企业级画像如何？
2.2.1全球超过一半领先企业诞生在美国
美国拥有领先企业数量位居第一，共有26家，占据总量的53%；
中国位居第二，拥有12家，占据总量的24%。总体来看，中美两国处于发展的第一梯队,与其他国家拉开较大差距。
2.2.2 创业场上80后独领风骚
顶级企业家的年龄相对年轻。约50%的企业家年龄不超过40岁，其勇气和魄力可见一斑。44%的人年龄分布在40岁到60岁，只有不到6%的全球领先企业创始人年龄在60岁以上。
2.2.3国籍：中美企业家数量最多，美国优势明显
从企业家的国家分布来看，81位企业家中拥有美国国籍的有43位，占据了一半以上，中国国籍的有17位，位于第二，英国有6位，位于第三。华人数量一共20位，约占总人数的1/4，华人在AI全球领域扮演着重要的角色。
2.2.4 高知云集，超过2/3的硕博占比（简）
▌2.3 科技巨头：顶级实验室负责人画像
科技巨头公司的研发团队是一股不容忽视的力量。我们从全球十大科技巨头中，统计了21个实验室，总计50位负责人。他们中超过90%的人拥有博士学历，男性为主占据总体90%，并且74%的人年龄在50岁上下。
2.3.1 AI巨头研发团队（略）
在收录人才水准在一定标准线之上的情况下，企业搜集的研发人才越多，研发能力就越强。
数据说明：以上仅为估算值
2.3.2 AI研发团队负责人画像
✦ 男性占绝对优势，60后和70后是主力军
巨头企业AI技术负责人中男性以90%的比例占绝对优势，且1960年代和1970年代出生的人为主力军（分别占36%和38%）。这不难理解，60后和70后在38-57岁之间，正当创造力和经验合力最好的年龄；而50后的资深人士渐渐退出工作一线； 80后年轻人才因欠缺团队管理经验而领导力不足。
✦ 中国人和美国人居多，英国人、印度人、法国人也不少
按出生地统计，巨头AI团队负责人的主要出生国家为中国（32%）和美国（26%），两国人数超过了总体的一半以上。另外，英国人（8%）、印度人（8%）、法国人（6%）的占比也显著高于其它国家。
但美国对AI人才的吸引力远高于中国。在中国工作的AI团队负责人的出生地全部为中国；而在美国工作的中国人却为数不少。
▌2.4 投资人
2.4.1 富有远见的投资机构
截至2017年，全球AI领域投资规模前13名的投资机构均由中美两国独占，其中中方占有4家投资机构，占总量的30.77%，美方占有9家投资机构，占总量的69.23%。单从投资机构数量上来看，美国投资界对AI领域的关注度要大大超越中国，显示其更加看好AI领域的发展前景。
AI领域投资规模前三名分别是IDG资本、创新工场、AME Cloud，其中IDG资本在AI领域的投资规模占到各个机构投资总额的25.6%。
2.4.2 投资人画像：（简）
从投资人国籍分布来看，24位投资人中美国国籍的有14位，占据了一半以上；中国国籍的有8位，位于第二；印度与马来西亚各有1位，并列第三。华人数量一共9位，占总人数的37.5%，华人在AI投资领域扮演着重要的角色。
AI领域投资人大部分为男性，24位投资人中仅有2位为女性，男性在AI领域占据着绝对优势。
▌2.5 本节数据来源及补充说明（略）
第三篇：中国AI人才市场为何一将难求
2017中国AI人才供求研究
当前，人工智能领域的竞争，主要体现为人才之争。我国AI人才以80后作为主力军，主要分布在北京、上海、深圳、杭州、广州，人才需求量也以这些城市居多。
根据相关数据显示，中国592家公司中约有39200位员工，而中国对于AI人才的需求数量已经突破百万，但国内AI领域人才供应量却很少，人才严重短缺，中小企业招聘更加困难。
此外，企业对于AI人才的招聘门槛相对较高，硕士成为最低门槛，偏爱双一流院校毕业生，专业以计算机、数学、物理为主。
第3章 AI人才需求现状
▌3.1 供不应求，人才需求爆炸式增长
▌3.2 京沪浙粤，北京需求呼声最高（略）
▌3.3 马太效应，中小企业数量多而需求小
▌3.4 企业重学历，大专学历仅占1.1%
第4章 AI人才供应现状
▌4.1 供应飙升，缺人现象却更加严重（简）
保守估计，截止到2017年10月，我国人工智能人才缺口至少在100万以上。而且，由于合格AI人才培养所需时间远高于一般IT人才，人才缺口很难在短期内得到有效填补。
▌4.2 学历分布,本科硕士为主（简）
▌4.3 谁有优势？双一流大学占九成（简）
此外，海外留学生也成为补给国内AI人才的重要一环。
从留学国家来看，人才分布高度集中，前五国留学生占到了总数的八成，依次为美国、英国、澳大利亚、新加坡和日本，其中仅美英两国占比就接近六成。
第四篇：中国AI企业如何拼抢AI人才？
第5章 对企业招聘的影响：高价求才
（简）
▌5.1 平均月薪2.58万，招聘薪资水涨船高
过去3年中，AI相关岗位平均招聘薪资正以每年近8%的速度增长。
到2017年，人工智能岗位平均招聘薪资已达2.58万元，远高于一般技术类岗位。
从薪资分布上看，近八成岗位招聘薪资超过2万元，五成职位招聘薪资突破3万元，还有1.9%的企业更是开出5万元以上月薪吸引顶级人才，而标注的月薪还只是薪酬福利的一部分。
我们注意到，几乎50%人工智能岗位的职位描述上会提到为员工提供股票期权，部分巨头更是会将解决户口作为吸引牛人的重要手段。
可以说，为争抢优秀人才倾其所有已成为所有AI公司正在做的同一件事情。
除了高昂的起薪外，AI人才薪资成长率也极为可观。数据显示，AI人才前5年的薪资复合增长率达到16.9%,远高于其他互联网职位。五年以上工作经验的AI人才月薪普遍在4万元以上，部分核心岗位人才，前3年薪资增幅更是突破25%。利用高薪资涨幅锁住AI人才，降低流失率已是业内的一个普遍做法。
▌5.2 高层亲自出动，争抢人才白热化 （略）
▌5.3 主动降低门槛：老鸟渐少新兵吃香
AI人才需求激增，合适牛人数量稀少，迫使企业不断降低工作经验门槛，甚至不惜从零培养人才。
数据显示，近2年，企业对AI人才工作经验要求不断下降。
2017年，有30.4%的AI职位工作经验要求为三年或以下，较2016年增长9.5个百分点，其中一年以内的实习生占比已达6.0%。较2016年提升4个百分点。
特别是创业公司，由于在抢人竞争中往往处于明显劣势，更倾向降低门槛来增加应聘该岗位的人才数量。
第6章 对人才应聘的影响：待价而沽
▌6.1 平均期望薪酬何以低于平均招聘薪资
▌6.2 语音识别、机器人领域大受追捧（略）
▌6.3 大厂有魅力，价低也要去
注：公司规模是指企业的整体规模，并非研发人员数量
▌6.4 AI人才如何胜出？掌握复合技能
我们观察到，AI人才掌握的技能宽度和深度均在逐渐提高。2017年求职的人工智能人才中，有68%的人掌握至少3种技能，较2015年增加了10个百分点。
目前简历中最常出现的技能包括spark、深度学习、算法研究、Hadoop，Python等。
第7章 AI对工作岗位的冲击与机遇
▌7.1 冲击：低技能职位难以为继
近些年来，在云计算能力指数级增长、数据驱动能力渐强的作用下，人工智能在多个领域方面取得了显著进步。技术的飞速发展，不仅改变了很多行业原有的生态环境，也搅乱了低端劳动市场人才结构，大批简单、重复性和标准化程度高的工种，面临被首先淘汰的命运。根据目前职位发展现状，我们列举了一些已从数据层面上反应出来正受人工智能冲击的职位。
7.1.1 录入员、速记员、文字秘书负增长
随着语音和图像识别精准度的飞速提升，人工智能在文本录入领域的发挥空间愈发广阔，留给录入员、速记员的工作机会及发展空间越来越窄。
7.1.2 翻译人才即将负增长
7.1.3 仓储管理出现36%的降幅
7.1.4 客服2017年首次呈现负增长
▌7.2 革新：高技能的新职位爆发式增长
▌7.3 热潮：大批技术人才转战AI
第8章 AI人才未来发展预测
（略）
第五篇：中国之路怎么走？
AI人才严重短缺。中国尤其短缺。中国未来的AI人才队伍如何建设，是个非常值得关注的问题。中国人工智能产业的崛起，不光需要依靠研发费用和研发人员规模上的持续投入，还应该加大基础学科的人才培养，尤其是在算法和算力领域，只有投入更多的科研人员，不断加强基础研究，才会获得更多的智能技术的创新和突破。
国家已经将人工智能上升至国家战略的层面，并提出了三步走的战略目标，国家可以从政府、企业、高校、协会四条路径实现该目标。
政府主要是提供政策扶持，具体措施包括增加高校招生、吸引归国高端人才、政策倾斜、完善法律法规和行业标准。
企业则应把握产业大趋势，结合自身情况，找准发展方向，实施校企AI人才联合培养，建立长期人才储备，此外，企业可以开展企业公开课，帮助中小企业转型升级。
高校方面则应推动高校开放政策的实施，拥抱企业、提高AI科研经费，大力发展交叉学科。
协会应当促进协会发展，构建产学研合作新模式、完善交流平台，形成成果转化体系。
第9章 中国AI人才队伍建设路径探讨
（简）
▌9.1 政府层面
2017年7月份，国务院印发《新一代人工智能发展规划》，将新一代人工智能发展提高到国家战略层面，提出了分三步走的战略目标。到2030年人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心，智能经济、智能社会取得明显成效。基于上述目标，有如下路径可供探讨。
9.1.1 增设人工智能一级学科，提高新生人才数量
人工智能的竞争是人才与技术的竞争，但我国目前人工智能人才远不能满足需求，基础理论成果与美国有一定差距。所以，人才是我国实现战略目标的重中之重。要增加人工智能人才，一方面可以通过自己高校培养，另一方面可以引进国外高端人才。
9.1.2 吸引归国高端人才，AI千人计划刻不容缓
国外引进人才方面，一是引进人工智能领域国际顶级科学家，二是引进优秀青年人才。通过特殊政策、渠道，充分利用现有的“千人计划”等人才计划，吸引海外人才，带回国外先进技术，促使中国产业技术突破。同时可以通过薪酬补贴等方式激励企业、高校引进人工智能人才。
9.1.3 给予人工智能产业适当政策倾斜
发展企业方面，需要国家给予企业政策方面的支持。对人工智能中小企业和初创企业给予优惠的财税政策，例如税收减免，研发费用加计扣除政策；鼓励传统企业例如家电家具产业向人工智能产业升级；针对行业巨头和“独角兽”企业，在保证安全的前提下实现数据开放，合作成立国家实验室等。
▌9.2 企业层面
9.2.1 把握产业大趋势，找准发展方向
企业应该了解国家的发展方向和战略方向，再和整个产业的发展方向相结合，结合自身优势，找准自身的发展方向。企业还可以通过参加人工智能业界的交流会来获取业界的最新动态。同时，也可以去美国硅谷等人工智能企业集中的地区取经。
9.2.2 联合高校培养AI人才，建立长期人才储备
校企合作是解决人工智能领域的应用型人才巨大缺口的重要方式，企业在业界的积累将为人才培养释放出巨大的能量。具体而言，企业可以与学校共建人工智能专业和课程，设置科学的人才培养体系与教学方案，参与学校实验室与配套环境的搭建，在供给一定数据的同时，发布部分需要解决的问题让学生与教授尝试去联合解决，在业界经验有机融入到学校中去同时，也提供学术为产业贡献的机会。
9.2.3 开展企业公开课，帮助中小企业转型升级
在人工智能领域，领先的巨头企业可以尝试开展企业公开课，向中小企业传递前沿理念和企业布局，担任产业转型升级的思想启蒙导师。在传播产品，扩大企业影响力和提升社会形象的同时，促进中小企业进步。
▌9.3 高校层面
9.3.1 推动高校开放政策实施，拥抱企业
学术要走出象牙塔，促进科技成果转化。
9.3.2 提高AI科研经费，大力发展交叉学科
科研经费对于科研项目的成果的影响不言而喻，提高AI科研经费可以支持成立更多项目组和课题组，让更多的教授和学生获得更大的发挥空间，促进科研成果的诞生和量产。
另一方面，人工智能及其相关专业应该大力加强和其他专业的联系，发展交叉学科。在不同知识体系和数据背景下，发现新东西，提出新思路，发觉新方法。利用人工智能的学习、筛查等能力帮助传统学科焕发新生。
▌9.4 协会层面（略）
结语：人工智能是机遇还是威胁
扫一扫 加微信
hrtechchina
