机器学习技术未来将会封装到软件工程师日常使用的工具包里面。

其实，我们在每个领域一开始都会扮演着专业的角色，但随着时间的推移，就变得普通起来，换一句话说，就是说的多了大家也就见怪不怪了。

现在在企业里的AI和数据科学家被统称为机器学习工程师，早些年，机器学习是个必要的角色。因为它确实能带来一笔非常可观的收入！但机器学习工程师也是因人而异的。

一部分看重本质的人认为机器学习工程师经常会用到数据工程，还可以将模型带出实验室并可量化、扩大机器学习系统规模，理论工程化。ML工程师非常强大，几乎了解所有的模型。

但这感觉又有点像软件工程师。

调研了一些头部的技术公司，对于机器学习工程师的理解每家有不同的看法。没啥可惊讶的，这是一个比较新的岗位，而且基本上是经理级别的，很多时候他们没有个几十年是不能了解这块的。

这是一些头部技术企业的岗位招聘要求，注意看他们之间的不同：

第一个很劲爆，确定不是要招研究员？

• 数学，统计，运筹学博士学位。了解R语言、SQL和当前的机器学习技术。

这是个大厂公司，而且是巨头，所以也不用太惊讶。

• 计算机科学学士或硕士学位，1-5年的软件开发工作或学术经验， 有计算机视觉，自然语言处理等知识者优先。

最后这个是属于照抄型的。

• 计算机科学学士/硕士学位，3年及以上有搭建机器学习框架经验，有大数据经验者优先。

很多公司开始用新的办法，就是把机器学习为核心的需求列出来，并且首选有软件工程经验的，不管这个框系统是基于ML还是其他的，雇主都应该选择有丰富经验的工程师来做。

只要机器学习了解的人少，而且门槛低，那机器学习工程师就很有存在的必要。

我坚信，机器学习工程师的角色将完全由普通软件工程师代替。 它将转变为标准工程角色，工程师将从上游人员那里获得接口和库，将其转换为生产代码，并交付和扩展应用程序。 

现在很多ML工程师都处在解决机器学习安全这块的问题，就很诡异，在这种情况下，他们既是研究院又是工程师，我遇到过一部分ML工程师几乎遍及整个堆栈，另外一波可能就是涉及范围比较窄，但会花很多时间研究新的论文，并他们落地实现。

现在我们就是处在一个挺奇特的十字路口上，而且这个地方就像拼图一样安排好了大家的位置。

由于工作方式的影响，无论是否对我们的专业有用，但我们还是更倾向于去参加会议并且加入讨论。可以说就是我们接受任何形式的会议邀请，哈哈，在我看来，ML应该是处在架构之上的输出阶段，把代码落地。

不久前，大部分企业不需要研究工作就能完成相应的项目，只有利基（针对性、专业性很强的产品）和用到比较深的技术需求才会用到。未来的世界就要靠工程师使用API接口了，可以理解为ML将变成常用调用工具。我们可以看到现在越来越多的大学把机器学习纳入到大学中，那在学习的过程中每个毕业生其实未来都会有自己的一个领域。

打个比方，区块链现在炙手可热，那区块链其实可以理解为分布式系统工程师。自Nakamoto 发布比特币白皮书以来，绝大多数区块链项目一直在致力于基础技术和基础架构的建设。因此，你必须要有特别强大的工程技能——分布式系统工程师。 最终我们会看到事物变得抽象了，那么企业就开始寻找用例，普通的工程师现在就可以使用区块链构建新的用例。AI / ML也是在这样变化着。

另外一些观点：

• 硅谷有个主题是“一个API来统筹所有”，这很可能是虚假的，而机器学习将始终需要在基础架构级别进行一定程度的自定义。 我认为，HuggingFace对NLP的意义将在其他所有域中发生。 我们将能够通过一个简单的API征服大多数用例。

• “这只是个头衔。 “机器学习工程师”是指，具有比一般CS毕业生更高的数学和统计背景知识的人。” 完全同意。 这只是一个标题。 但如果不再需要该角色，那标题还存在吗？ 可如果你是对的，那这就只是标题。

• “在我的架构中机器学习根本不是这个意思。”因为在你的架构中，所以我要学习这些，而且还要继续了解这些事情的发展和走向。同时也想听听其他的想法。

• “这只是个头衔，没人在乎”你是对的，所以无所谓怎么想。

• “机器学习是一个新兴领域，具有新的用例，在不断地研究中。 在未来十年内放慢速度是幼稚的想法。” 很有可能！