五月天，戴维穿着帽衫，瘦瘦高高，里面套着短袖，是最能适应早晚凉中午热的衣着。
作为一个“科技圈人士”，他对热点话题一点感觉也没有，从没听说过共享充电宝，不知道上一轮资本寒冬是什么时候过去的;也不太关心自己的老同学去的那些公司，谁又融了多少钱。
甚至，对自己所在的这个空前热门的行业，他的认识也很模糊——
戴维是国内一家“独角兽公司”的人工智能项目负责人，年薪刚好百万人民币。
这家公司的产品并不是自动驾驶汽车、语音助手和扫脸解锁这种一眼看上去就与人工智能沾边的产品——但在它最新的产品中确实使用了图像识别和自然语言处理，并涉及一些大数据分析的技术。
戴维是部门leader，此前他在一家国际知名的手机厂商做研究员，再之前是清华大学攻读计算机视觉博士学位，还带过博士生。不如那些走穴型的人工智能专家知名，但在学术界，也算是个有点名气的人。
他在这家公司AI部门人不多，差不多10个。但这个部门却撑起了整个公司的可行性方案——尽管用户可能感受不到，但如果没有他们，公司的新产品就完全不可能面向市场。
麦可是戴维的同事，毕业两三年，但年薪也是50万人民币起跳。他的郑明跟他说：“不要谦虚，你自己也说不出国内的OCR(光学字符识别——编者注)谁做的比你更好吧?”——郑明去年自己创了业，在做人工智能方向的猎头。
郑明用了半年多的时间，就把国内能接触到的人才都摸了一遍。不过他也说，这个圈子其实很小，突破几个点后，以一名人才为核心，就能覆盖到他的同学、前后辈和公司同事。
戴维的这份年薪百万的工作是郑明给他找的。郑明也很关心戴维入职后的工作状况，这属于猎头后续工作的一部分。戴维说：“还行，因为这个领域是从零开始，建模、数据搜集和分析，还是有挺多前期工作的。但公司应该已经卖出去一些方案了。”
当然，相比人力投入，这家公司在人工智能业务上还远未回本。
现阶段的人工智能领域，最赚钱的可能是里的“人工”生意了，因为人工智能领域的人才，太短缺了。
“人工智能”是个笼统的概念，企业并不会真的在招聘时招“人工智能岗位”，具体会分为深度学习、自然语言处理、图像识别、推荐算法等不同的职责描述，招的不光是工程师和程序员，而是科学家。
而一个复杂的和人工智能沾边的项目，可能涉及到多种技术的综合应用。
比如要实现“用户拍了一道应用题，智能匹配讲师”这样一个功能，里面会涉及图像识别(识别用户拍的什么题)、自然语言处理(读懂这道题)和推荐算法(按用户数据、题目的类别在导师库里选人)等角色，每个角色都需要对应的职位。
其中每一个环节，都得由至少一名50万年薪起的科学家完成。当然，一个人还肯定不够。
以NLP(自然语言处理)算法工程师为例，此刻正在拉钩上招聘的岗位涉及上百家公司386个具体职位。
这乍一看上去并不是一个很高的数字，但该岗位大多要求求职者拥有相关专业的硕士或博士学位，在国内拥有较强自然语言处理实验室的大学仅限北邮、国防科大、北大、清华、中科院、厦门大学、哈工大、复旦、华中科技和苏州大学等少数重点大学。
而以中国科学院计算技术研究所自然语言处理研究组为例，其2014届硕士毕业生4人，博士毕业生2人，已全部被三星、华为等巨头企业收归靡下。
除以上重点研究室之外，其它学校的NLP专业毕业生，都要去微软亚洲研究院、百度、科大讯飞等大公司镀金之后，才有人相信他们的实力——这就将人才输出源锁定到了一个极小的范围内。
这并非是自然语音识别一个细分领域的现象，在整个人工智能领域都是如此。
在全球最大的职业社交网站LinkedIn上可以查到的，拥有微软亚洲研究院工作背景的公司创始人高达54人。而从微软亚洲研究院离职后，去创业或互联网公司担任总裁、CTO、总监、项目总监和科学家的人数约为104人。
亿欧网于2016年12月整理的中国企业核心AI人才图谱中，218位人工智能华人高管里，知名大学相关专业毕业的博士生占85%，硕士都排不上号。
在采访过程中，无论是郑明还是那些人工智能创业公司的HR都提到，他们一般会定点蹲守一些自己中意的实验室或公司，一旦这些地方人员有异动，就立刻行动准备挖人。
“(公司)不存在太多的选择，有的公司点名道姓的说只招百度出来的人，或者是只招微软亚研的人。”郑明说，“一旦一个这样的人想要从原本的环境里出来，就会收到很多offer，薪资对他们来说反倒是选择的次要标准了，因为所有公司给的薪酬都很高。”
这样的紧缺，也造就了绝对卖方市场。
在郑明提供的一份内部参考文件中，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。
大公司里的高级职位薪酬会比创业公司更高一些，而基础职位的薪资，创业公司比大公司更高。
一家普通的国内互联网公司，如果想从微软亚研、百度、三星这样的公司挖人，需要拿着他们在原有企业里的职级表按上调二、三级的薪资挖——一家传统招聘网站，甚至曾研究1300万人民币年薪挖一个CTO，过来研发智能人岗匹配的下一代招聘产品。
自然语言、图像、深度学习和自动驾驶等不同领域有一定差距，但差距不大。
“在这个领域里即便是级别低一些的人，也是在学术界有过多年研究的。他们的薪酬往往与学术成果挂钩。就算他们中的一些人之前并没有在企业中有过对应的职业经历，但过去在学术机构中积累的经验和年限被直接对应到了他们现在进入的职场中。当你去实际看这些人(博士或硕士)的年龄，其实也差不多就是互联网公司里中高层的那个水平。所以百万年薪，在这个行业里不算很高了。”
郑明对此见怪不怪，但这确实是一件奇怪的事情。
毕竟，在以商业为导向的企业中，能为企业做出的贡献才应该是薪酬的唯一标准，与学术圈的论资排辈有着巨大的区别。而决定这种薪资制度的并非是因为企业家“不看重科研”，而是现代企业必须以盈利作为主要目的。
换句话说，一个千万年薪的团队，能否为公司创造出过亿的利润，才是它是否真的价值千万的唯一衡量标准。
然而，与人工智能专业人才“奇货可居”的价格形成鲜明对照的是，人工智能公司本身真正创造的价值，却少的可怜。
三种人和三种公司
“做人工智能的这些学术派们并没有太大的野心，”猎头郑明说。
这些人从原本的机构或商业研究院的象牙塔走入“凡间”，无论是创业，还是加入创业公司也好，目的基本上是三个：
“一是觉得自己做了这么多年研究，确实想赚一点钱。二是希望能够在商业环境中拿到更好的数据，验证自己的模型和算法，在学术领域再创新高。第三种，也是最少的一类人，是真心希望自己的技术能够转化成一个产品的。”
学术、大公司、创业、被收购，然后重回学术，是大多数人工智能领域的技术大牛名利双收的“职业路径”。
其中的每一步都有着十分明确的考量：如果一个新的环境，能够提供更好的薪资，或更好的数据其中任何一个，那么现有的环境是很难挽留他们的。在郑明看来这不叫没有情怀，叫直率。
在筛选一家公司是否值得去的时候除了薪资，大牛们往往会思考这些问题：“这个公司已有的人工智能人才是否和我在同一个等级上”、“这家公司所涉及的业务是否对我所研究的课题有帮助”、“从这家公司离开后是否能为我回学术圈或创业带来优势”。
对于人工智能人才择业来说，最忌讳的就是来到一家对自己的学术进展毫无帮助的公司。
胡进是业内的一位深度学习专家，在离开原本的大公司研究院后，被一家国内顶尖的汽车媒体聘用。入职之后，胡进发现这家公司的用户数据尽管巨大，但收集维度仅限于用户在汽车领域的消费和浏览偏好，且受限与公司产品形态不容易拓宽。而公司的产品库主要又是游戏和金融产品，数据与推荐品之间无法建立有效的联系，对学术的帮助也收效甚微。若在此恋战，则有可能断绝回到学术圈的道路。
入职六个月，胡进火速离职。
这也是包括百度和Google在内的许多大公司都留不住人工智能人才的原因：
对于有学术抱负的人来说，商业公司只是暂时的落脚点。拿到数据突破学术瓶颈之后，依然要回到学术圈;
对在学术圈“穷怕了”，奔着赚钱的人来说，如果独立创业后可以以更高的估值被收购回去，那么也是一个不错的选择。
前一类人在人工智能创业公司中占了绝大多数，通过抓取LinkedIn数据，在对格林深瞳、旷视科技、商汤科技、思必驰、云知声、第四范式6家不同细分领域AI创业公司的245名离职员工的分析后，PingWest品玩发现有110名员工回到学术研究机构、大学或无明显商业模式的校办企业。
而对那些真正希望自己的技术转化成一个成熟产品的人工智能科学家来说，并不满足在某个大公司中担任技术岗，他们更愿意在大公司中验证自己的模型和算法之后，去创立独立的公司。这些从大公司出走的人工智能创业者往往起点高，对自己的技术实力和市场的空白有充分的把握，坚信自己创办的公司一定能因为掌握某个关键的技术或环节，日后被大公司收购回去。
不过，任何一个人工智能的顶级人才，都不认为自己是泡沫里的裸泳选手，他们甚至对这个行业是否有泡沫并不关心。因为能够进入这个行业的人，真才实学是前提基础，即便是真的有泡沫，回归学术也是他们一条不错的退路。
这恐怕与大多数商业化的公司以及公司背后的资本意志，对他们的预期不太一样。
与人工智能人才各怀心思相同，招聘他们的公司也分为三类，每一类在给出“百万年薪”的同时有着完全不同的诉求：
第一类是互联网巨头，包括“超第一梯队”的跨国公司Google和微软亚洲研究院，以及第一梯队的巨头——大家熟悉的百度、阿里和腾讯;以及第二梯队的今日头条和滴滴等公司。
第二类是人工智能创业公司，以某种人工智能技术为主营业务的创业公司，典型的如自动驾驶领域的Momenta、地平线、驭势科技;视觉识别领域的格灵深瞳、商汤科技和旷视科技等。
第三类是将人工智能融入到自身业务中的其它创业公司，如学霸君、泼辣熊和智齿科技等。
戴维所在的公司就属于第三类，在这类公司，人工智能是用来升级现有的产品或业务的，所有的人工智能研究以产出为导向，实用性强，“泡沫不高”。
但与传统研发领域的许多大牛一样，这类应用驱动的人工智能团队，往往随着新项目的立项而引入，随着新项目的结项而离职。
这样的公司一般有良好但并不过分充裕的现金流，人才和公司都较为明确的知道自己想要什么。一旦人工智能领域上的投入产出比不够好，项目会被立即停掉，原本引入的技术人才也不会恋战。
在人工智能创业公司——第四范式的“范式大学系列课程”第3篇中，也引用了这样一个实例：一个企业招聘了两名机器学习方向的数据科学家，加起来年薪百万。但在合作了一年之后，科学家和企业相看两厌，最终分手。
公司决策层对人工智能的预期是“投入大”、“收益多”，期望聘请一位百万年薪的专家就能撬动整个公司的现有业务流，实现效率的提升，挖掘公司应得的隐形利润。
但立项后，由于将人工智能技术融入已存在行业需要重新建模、收集数据等工作，隐形利润的挖掘需要很长时间，但隐形成本却倍增——人工智能项目的成本不止百万年薪的人才成本，还有配套的数据采集、分析、深度学习云服务的成本。有创业公司因聘请到专家后，买不起深度学习服务器而最终放弃项目。
不过，当我们谈起“人工智能热”的时候，那些巨头公司的研究院，以及把无人驾驶、图像识别和语音识别等技术当成公司核心产品的公司，对人工智能科学家的“容忍度”前所未有地高。由于家底雄厚，它们也是推动人工智能人才高薪的主要原因。
但它们的人工智能产品无论多神奇，似乎永远只出现在新闻里而不是市场上。
谁为“高薪”买单
既然人工智能行业并不赚钱，那么人工智能从业人员的高薪是谁支付的?
与所有风口吹泡泡的故事一样，资本再次充当了那个“老好人”的角色，但资本自己并不如此认为。
从2016到2017年，国内投资过人工智能领域的机构多达145家，而无论是否投资过人工智能企业，几乎所有投资机构在公开场合都认为：人工智能的确是未来，只是在未来有多远，以及如何估值这个问题上存在一定疑问。
以学术水平论估值，是正在布局这个行业的一些VC的基本逻辑。
与投资App和消费升级不同，大多数人工智能创业公司都以To B为主要业务方向，同时有大量的研发支出。“短期内”现金流上巨亏似乎是不可避免的，在业务上也无法找到可以用于衡量的增长指标。
因此，核心团队是否有真才实学，是否能持续的从人才匮乏的学术界挖到人，维持整个公司的研发进度，成为VC衡量人工智能创业公司的一个重要因素。
“业内一些基金的逻辑其实是在投分裂，”一位基金投资经理告诉PingWest品玩，“基金进入每个行业都需要交学费，只不过人工智能和TMT不同，在投TMT的时候你可以找两个实习生，把市面上的项目都用一遍就学会了。但人工智能的学术门槛高，要想判断一个项目好坏，你不可能自己雇一个学术派来做投资经理。
你只能相信一些在学术上有可见成就的人，尽管他的公司可能商业上不成功，但他的学生和人脉会进他的公司。然后一段时间后他的高管和下属会离职创业，与一些商业逻辑更强的行业人结合在一起建立新公司，这个时候你才有机会投到这些公司。”
换句话说，投资人投的就是人，而不是公司，投资人恨不得亲自直接把高额的薪水钞票砸到这些人工智能专家的脸上。这种现象在其它领域的投融资虽然也有，但很少像人工智能创业公司那样，能靠团队撑起上亿美金规模的融资。
商汤科技的汤晓鸥就是在这一逻辑下最值得“被投”的人之一，汤晓鸥1990年于中国科学技术大学获得学士学位，1991年于美国罗切斯特大学获得硕士学位，1996年于麻省理工学院 (MIT) 获得博士学位。在计算机视觉、模式识别和图像处理等人工智能的细分领域上已有200余篇论文。
2014年，汤晓鸥创办商汤科技，背靠香港中文大学多媒体实验室，商汤科技迅速成为业界人才优势最强的人工智能创业公司之一。按照商汤科技官方的介绍，商汤科技主要研究人脸识别、文字识别、人体识别、车辆识别、物体识别、图像处理等技术的应用。在实际业务上，主要深耕金融、移动互联网和安防监控三个方向。
但商汤科技的技术人脉优势，在之后的几年反倒成为了商汤科技的软肋，商汤科技在发展过程中始终没有摆脱研究院式的学术气息，缺乏商业人才导致其在商业化上的探索并不成功。
去年12月，商汤科技引入拥有国资背景的鼎晖投资完成B轮融资，不到半年后又引入国资属性更强的赛领资本作为战略投资方。并与地方政府合作建立人工智能超算中心，强化了自身的技术研究院与基础设施属性。
这意味着商汤科技不再执着于不成熟的商用市场寻找出路，而选择成为现阶段基础服务属性更强的国家队成员。
格灵深瞳是另一家在业内汇聚顶尖人才的创业公司，成立于2013年，其主要业务是计算机视觉和深度学习技术以及嵌入式硬件研发。在成立不久之后，格灵深瞳将这个“技术”转化为一个具体的市场方向——安防。
安防市场是一个相对封闭且对硬件技术要求较高的门槛，目前格灵深瞳主要集中在软件方案上，很难说切入了安防市场的核心地带。2017年年初，格灵深瞳CEO何搏飞的离职也让圈内震惊。
与格林深瞳同样切入安防领域的还有旷视科技(Face++)等以面部识别为核心技术的创业企业。尽管并不否认人工智能技术对安防效果的显著提升，但安防市场一直是以销售为强导向的线下市场，国内长期被海康威视、大华股份、东方网力三家整体方案和硬件商垄断，创业企业很难颠覆。
尽管国内大多数基金的生命周期都是5年以上，也就是说所投公司在5年之内没有回报都是可以“被理解”的。但实际上，如果一家公司在3年内既没有找到合理的商业模式也没有实现批量增长，那么就很难再继续进行正常的下一轮融资了。
无论是为了进一步融资，以获得公司继续生存所必须的救命资金，还是给“裁员”找一个好听的说法，团队出走裂变出新的公司，在人工智能领域都成了一种趋势。
几乎每个成立三年以上的人工智能公司都会存在一次“团队出走，二次创业”的事件。
通过公开资料我们发现：思必驰员工离职创办语音识别公司驰声科技;云知声CMO离职创办人工智能教育公司先声教育;出门问问两位员工离职分别创办大数据冷链公司Meatub、智能硬件公司萌动;商汤科技曹旭东离职后创办自动驾驶公司Momenta;格灵深瞳的丁鹏博士离职创办人工智能医疗公司DeepCare;英特尔的吴甘沙等5人离职创办自动驾驶公司驭势科技……
尽管并不是绝对，但裂变后的公司往往会更为“脚踏实地”，在商业上更努力。
简单来说，从图像识别公司离职的员工，会创办一个在图像识别领域有具体应用场景的公司。比如在自动驾驶领域，从L5(完全自动驾驶)离职的团队则会更倾向于研发L4和L3(辅助自动驾驶)的方案，或者是具体到自动驾驶整个产业链中的某个硬件、芯片或算法上。
只有这样，这些分裂出来的公司才可能在自己重新开启的融资周期内，实现盈利或被收购。
差了5年的风口就是泡沫
“你觉得目前国内哪家公司的人工智能水平最高?”(不包括微软亚研等外企)
PingWest品玩把这个问题扔给了很多人工智能科学家，答案的前半部分惊人的高度一致：“技术实力最强的一定是百度，但是……”
后半部分的回答不尽相同。不过大多数指向刚刚离职的百度前首席科学家吴恩达(Andrew Ng)曾经主导的百度人工智能缺乏成功转化并泛用的产品，从外界看起来并不算“成功”，与“水平最高”的实际状况并不相称。
在PingWest品玩的采访过程中，另一个得到高度一致性答案的问题是：“你觉得是什么让人工智能突然热起来的?”
面对这个问题，几乎所有人无一例外的回答“AlphaGo”。
这也与2016年突然爆发的创业和资本曲线恰好吻合，甚至有创业者直言：“我做了这么多年人工智能，没人知道我是做什么的，在AlphaGo之后终于有投资人能正眼看我了。”
然而AlphaGo是Google的一个实验性加上公关式项目，尽管Google通过它更好的理解了深度学习，同时也向外展示了Google的技术实力。
但AlphaGo本身是不具备任何实际意义，也不能产生回报。
将驱动AlphaGo的技术应用于实际的生产场景，可能还需要许多年。而在不同的场景之下，人工智能的实际应用又有着完全不同的实现难度和时间进度。
“人工智能的风口是个伪命题，因为并不存在某个具体的行业叫人工智能。人工智能的技术会落实到具体的应用之下，但每个场景的实现时间是不同的。比如说我们这个领域，不要说风口来临了，其实风口已经过了。”
自2012年开始做非接触式掌纹识别的老邢说，他如果现在创业也一定说自己是人工智能。“掌纹比指纹的安全性更高，而且无需接触，在使用体验上也比扫脸要好一些”——但是老邢的产品目前只在一些密级很高的单位获得认可，在资本市场和消费市场上都是反响平平。
与认为风口已过的老邢不同，专注货运自动驾驶的图森未来科技CEO陈默则认为风口可能还没到：“目前无人驾驶技术最强的就是Google和百度这样的巨头了，但我们认为他们要想实现他们的L5自动驾驶商用，依然也要5年以上的时间。创业公司切L5一步到位这个点是不现实的，我们做封闭或特定环境的L3、L4自动驾驶，目标就是在三年内能商业化，这才是一个公司该考虑的事情。”
而由科学家这样的学术界人士主导的人工智能项目，往往会将学术界“刷论文”的风气带到公司领域。
在媒体中，我们经常能听到某家人工智能公司在图像识别、人脸识别、上路测试中又取得了新的进展。但如果读至内文，这些突破性进展往往是算法对某种特定场景的识别率又提升了百分之零点几。
这或许在技术上确实是一种重大进步，但在实际应用场景下却往往是另一回事儿。
比如面部解锁，98.8%的识别率和99%的识别率在体验上完全没区别。而用过面部解锁的用户都知道，在移动(晃动)中无法解锁才是目前其无法广泛应用的主要原因，而智能手机的前置摄像头采用什么样的参数和防抖技术又是人工智能解决方案公司完全无法控制的。
但这些公司在测试和刷分的时候，会为那百分之零点几的提升兴奋不已，发新闻稿，恨不得开发布会。
类似复杂的环境因素，决定了人工智能在几乎所有需要考虑复杂环境的普通用户使用场景上都显得有些“智障”。
而在企业端，以医疗为例，政策和体制原因导致这个市场目前连互联网产品都没有完整渗透，即便是有商业公司制作出了可行性产品，短期内也很难攻入市场。
同样面临技术和产品之外的商业化问题的还有上问题提到的安防和自动驾驶。
从技术到应用的这段过长的转化时间，理应是在研究机构中完成的，而并不应该让资本和市场过度干预。以百度为例，总裁兼COO陆奇上任后，百度的人工智能迅速向语音助手、智能家居和L3自动驾驶等短期内更容易出现产品的方向调整，这不失为一次中国人工智能的“头部转弯”。
那么，“不是不行，只是时候未到”的人工智能是泡沫么?
一位一级市场分析师告诉PingWest品玩：”你觉得VR是泡沫么?如果是的话，那人工智能确实有泡沫。“
人工智能与虚拟现实(VR)十分相似：随着内容消费的不断升级，VR有朝一日一定会取代现有的载体成为一个巨大的市场——正如我们总有一天会被人工智能包围。但由于技术不成熟，媒体和资本的提前热炒，催生了2015~2016年VR的非理性繁荣，同时也迎来了今年的VR低谷。
“人工智能比VR的前景更大，它像互联网一样，未来会深入到每个领域中。就像今日头条、像滴滴内部运用人工智能一样。未来小卖铺都像用微信付款一样，利用人工智能来分析客户、库存和SKU。” 老邢告诉我，“但这并不意味着，现在这么热炒就是一件好事。”
通过对一级市场数据库IT桔子上，409家人工智能创业企业的公开信息进行分析，PingWest品玩发现人工智能企业的融资次数，与新增公司数呈现明显地平移相关。截止2017年4月底，今年的新增人工智能企业数量仅为5家，预计今年人工智能新增企业将有大幅下滑。
敏感的“人工智能从业者”们已经意识到了这一轮风口来的太早，而资本却并没有及时刹车。到目前为止，今年(2017年)人工智能企业融资事件已发生62次，已完成的融资额比去年多了一倍，全年资产流入量将有望突破700亿。这700亿中，又将有许多以天价年薪的形式，流入人工智能人才的口袋。
人工智能是方向，但当下却并不是风口，它对标的并不是O2O、电商和消费升级这样的具体赛道。而是像互联网一样，提供了一个全产业升级的技术工具——互联网的诞生让O2O、电商和消费升级成为了可能。而人工智能的风口来临的时候，是指在人工智能成熟后，所有行业都可以利用人工智能提升自己的效率和生产力。
但前景越光明，当下的泡沫也就越大，就像2000年前后中美同时发生的互联网泡沫破灭。
1995年至2001年间，由于媒体和资本的过度投机，让普通民众和投资者认为互联网将会改变一切。随之而来的泡沫破灭，让大约5万亿美元IT业市值蒸发，许多知名企业破产。
在之后的不到五年里，互联网确实改变了一切。后来互联网对世界的变革，甚至超过了2000年互联网泡沫最鼎盛时期华尔街的想象。但这并不能挽回那些互联网先烈的命运。
过早的商业关注，也是对人工智能学术进步的一种阻碍。杜克大学电子与计算机工程系副教授，杜克进化智能研究主任陈怡然在人工智能媒体新智元的一篇文章中写道：
“学术界被挖的千疮百孔，现在连写个项目申请都找不到合适的PI来组队……这个需求有明显的炒作痕迹，而且是学术界的人自己炒自己：谁都知道这个溢价不可能长久，赶紧趁热把自己卖一笔，以后的事情以后再说。”
戴维对此有着相同的观点：“整体来说，人工智能这一波技术的天花板很低，如果现在短期内实现不了的需求，再投多少钱也没用，还是要靠学术界有进一步的突破……学术界上一次突破(深度学习算法)带来的应用红利可能马上就要到头了。”
事实上，如果人工智能真的如互联网一样，是一种庞大改革的技术基底。那么人才去泡沫化、民主化，学术的归学术，商业的归商业，才是引爆风口的第一步。
随着更多的人涌入人工智能相关专业，社会性的商业培训机构的出现，以及人工智能技术自身门槛的降低。人工智能人力成本下降，才能让人工智能真正的大众化，泛用化。当任何一家公司可以像招PHP程序员一样招到人工智能工程师的时候，我们才能迎来没有泡沫的人工智能时代。
