专家预测，未来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。机器学习工程师并非消失而是换一种存在的模式。

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。

专家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。因为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：

岗位要求：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。

这要求，确定不是要招研究员？

岗位要求：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。

这是个大厂公司，而且是巨头，所以也不用太惊讶。

岗位要求：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。

最后这个是属于照抄型的。

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。

那我们来看下其他观点：

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！

那么，你支持哪种观点呢？