我一直说AI分两个部分，第一部分是掌握顶尖理论阵营的人，他们在做开创性的东西，第二部分是从模型侠到调参侠到应用模型侠等不同梯度的人

第一部分理论阵营的人积累深厚，壁垒很高，而且基本可以认为现阶段AI成就的理论基础并没有太多的前进，只是依赖于硬件和分布式能力的提升带来的诸多改进式发明，所以尽管AI牛人很多，但是图灵奖颁给三大祖师爷也没人敢说啥。

第二部分的人说实话我作为一个圈外人已经无法判别壁垒在哪里。有一些AI的论文我都不相信这样都可以发，我甚至看到我两年前随便开脑洞的idea最近都有人一本正经做了论文还中了顶会（遗传算法找超参）。

然后就是所谓的选择模型应用模型调参然后部署到应用场景的大部分AI从业者，首先技术壁垒太低了，一个任意有数学+简单编程能力的学生，在半年到一年的学习后都基本能熟练掌握调参工人的工作。

其次这些选择超参/调整训练已经有很多自动化的framework在路上了，从automl开始就有越来越多的系统方向的论文在做（当然系统方向做东西周期太慢，但确实在路上了）。简单来说，就是理解很多SOTA（state of the art）的工作并不难，而把SOTA有效的应用起来，也并不难。

所以如今所有的CS/非CS学生都前仆后继地往算法岗/AI岗挤，问题本来就很大。

在我的印象里，纯算法岗本来在互联网CS民工里占的比重就不大，而对于一般意义上的AI算法，其实已经是属于新时代的Quick Sort了，是个学CS/EE的都会都懂，而且AI那套最基本的理论基础，几乎已经成为所有CS UG/PG课程的必修课了。

毫不夸张地说，就AI那套基础理论课程（loglikelihood/牛顿方法/SGD/高斯过程）我从本科到现在学到第三遍了……本科machine learning课一遍，data mining课一遍，博士machine learning课又一遍，但我只是一个做distributed system的啊，就连DL的花书我无聊的时候都看过两遍了。

而且最关键的是几乎所有CS/EE的学生都是这样，ML已经变成新的Data Structures/ Algorithm课程了。