[AI和大數據技術的發展和應用中，最核心的是人才。可以預見，在未來幾年內，企業對大數據和AI人才的需求會越來越大。企業應該多花點時間尋找適合自己的人才，并通過有效的機制把團隊管理好，讓團隊更好地創造價值。]
人工智能（AI）與大數據是最近幾年科技界乃至商業社會最火的詞。正如阿里巴巴創始人馬云所說，我們已經步入了數據技術時代（Data Technology），數據的重要性和威力越來越顯現出來。隨著大數據存儲和計算的迅猛發展，AI技術像是插上了翅膀，理論和應用層面都在近幾年取得了很大的突破。我們在現在和未來看到越來越多的商業落地，如機場的人臉識別、搜索推薦、人機交互的智能語音音箱等，這些技術與應用正在從方方面面改變著人類的生活。
AI和大數據技術的發展和應用中，最核心的是人才。筆者在美國學習與工作多年，directadmin授權，并在谷歌公司擔任數據科學家，對此深有體會，所以通過本文，從以下幾個方面對人才這個話題做出探討。
研究型人才一般是知名人工智能研究機構的重點招募對象，比如大家耳熟能詳的谷歌大腦、臉書的研究部、阿里的達摩院等，都對研究型人才求賢若渴。研究型人才大部分是國內外知名學府計算機、電子工程、統計學、數學等專業的博士背景，他們側重于架構的創新（比如大名鼎鼎的MXNET、Spark、Tensor Flow），或者算法的創新（比如計算速度、準確率、普世性等），在各自的研究領域鉆研得比較深。這類崗位的錄取標準很高，基本都要求發表頂級會議論文（比如神經信息處理系統大會NIPS、國際機器學習大會ICML、電氣和電子工程師協會IEEE等）。
很多知名人工智能研究機構會和海內外高校有合作關系，比如滴滴和密歇根大學，商湯科技和香港中文大學。和高校不同的是，人工智能研究機構一般會有短期和長期的落地規劃。具體說來，研究機構最終要么是希望研究成果與現有產品結合，打磨出更好的產品，比如谷歌這幾年力推的谷歌助手；要么是為未來推出新產品做技術積累。目前研究型人才相對稀缺，所以很多剛畢業且學術做得很好的博士生會有很不錯的工作邀約。
另外，學校里的教授也是這些研究機構非常看重的一批人。近些年來比如多倫多大學的杰弗里·欣頓（GeoffreyHinton）、斯坦福的李飛飛、卡耐基梅隆大學的安德魯·摩爾（AndrewMoore）等學術大牛都在谷歌等大公司的研究部門帶領團隊做創新。他們走出象牙塔，一方面致力于推動科技落地，變成看得見摸得著的產品，造福人類；另一方面致力于推動科技民主化，使科技讓更多的人了解并且掌握，形成百家爭鳴、百花齊放的場面。這些高素質的博士生和教授引領著前沿技術的探索，推動著產品的創新。
至于應用型人才，就數量而言，比研究型人才要多得多。這些人才通常至少是理工科背景的碩士或者博士，從事數據科學或者算法工程師這類工作，他們為產品的最終落地而服務。
這類人才需要有扎實的數理統計功底和編程能力（包括算法和性能調優），對產品也需要有一定程度的了解。一個只懂產品卻不能動手，或者不懂產品只照著別人所說而寫代碼的人，都不能稱之為理想的AI與大數據人才。除了這些硬功夫外，如何與人溝通、領導團隊、管理上下級期望、如期完成工作，也是十分重要的環節。
當然，頂尖的人才，除了具備上述能力外，還需要具備在不確定性中決策的能力，比如如何通過數據確定產品該做什么，不該做什么，使用什么技術棧（一系列技術的集合），怎么高效實現整個流程管理，如何評估產品，確定產品迭代方向，怎么跨部門協作調動資源完成整個項目等。這類能帶領一個較大團隊打出勝仗的人才，在市場上屈指可數，他們一般也因此得以在大公司擔任重要職位。
至于經驗稍淺的，比如剛畢業或者工作僅僅2~3年的人，他們通常能把別人布置的任務做好，但缺乏思考深度和整體性。不過這些側重寫代碼或做分析的，也是公司不可或缺的人才，培養幾年，一定會有優秀者冒出來，這部分人在美國被稱為Individual Contributor（個人貢獻者），主要擔任技術類職位。
合適的人才通常擁有優秀的背景，比如亮眼的學歷、頂級公司的工作經歷、帶領過重大項目等。通過這些大致可以判斷候選人應該放在企業的什么位置上。
