Когда высокая зарплата в сфере ИИ превращается в дорогой билет на вход: кто платит за это? А кто остается без ничего?
Если вы в последнее время просматривали видео или общественные сети, вероятно, столкнулись с такими рекламными сообщениями: «Переквалифицируйтесь в области ИИ с нуля и за полгода заработайте 250 тысяч в год», «Прощайте рабочие смены по 996 часов и примите новые технологии больших моделей, чтобы стать лидерами своей эпохи».
Как финансовый журналист, я видел множество подобных мифов о быстром обогащении, но на этот раз, когда сама концепция искусственного интеллекта, которая считается одной из самых передовых технологий, была представлена как ускоренный путь к профессиональному успеху, я увидел не распространение знаний, а хорошо спланированную стратегию извлечения денег из страха и неуверенности людей.
В этой статье на основе реальных историй четырех молодых людей с разным опытом — Чжан Шуая, Ван Чжиханя, Чэнь Шу и Линь Бинга — раскрывается истинная суть индустрии обучения в области ИИ. Давайте разберем логику, ловушки и жестокую реальность этого процесса простым языком.
---
I. Искусство создания иллюзий: почему ИИ стало идеальным прикрытием для недостатков?
Основная логика: использование информационного неравенства для превращения неопределенности в уверенность.
Для молодых людей, только что окончивших учебу или чувствующих себя растерянными на рабочем месте, главная проблема не в отсутствии денег, а в неопределенности своего будущего.
1. Использование тренда для создания иллюзий:
За последние десять лет мобильный интернет принес множество историй о быстром обогащении программистов. Теперь ИИ стал новым «трендом». Образовательные центры очень умны: они не говорят о сложных алгоритмах, а только о результатах — высоких зарплатах в крупных компаниях, о нехватке кадров и о необходимости обучения. Такой подход использует психологию FOMO (страх упустить возможность).
*Простой пример:* Когда рынок акций растет, больше всего зарабатывают те, кто продает инструменты для работы с ним. В индустрии ИИ действительно есть перспективы, но образовательные центры продают не сами технологии, а «билеты на вход» в мир высоких зарплат.
2. Смешение понятий «трудоустройства» и «обучения:
Мелкие условия в контрактах, гласящие о отсутствии гарантий трудоустройства, на самом деле являются юридическими защитными мерами, но в рекламных текстах они преподносятся как гарантии трудоустройства или получения предложений о работе.
*Пример:* Чжан Шуай думал, что за 29 800 юаней он купит статус инженера по ИИ, но на самом деле он получил только набор упражнений по программированию и навыки составления резюме.
*Реальность:* Для работы на ключевых позициях в области ИИ (инженеры по алгоритмам, разработчики больших моделей) требуется высшее образование и прочные знания математики и компьютерных наук. Курсы обучения часто охватывают только прикладные или операционные аспекты, но используют обещания высоких зарплат для привлечения учащихся.
3. Целенаправленное воздействие на слабые стороны:
- Для выпускников университетов: страх потери работы после окончания учебы.
- Для новичков на рынке труда: чувство неполноценности из-за низкой зарплаты и отсутствия перспектив.
- Для людей среднего возраста, переживающих кризис: страх увольнения и отставания от трендов времени.
Независимо от вашего положения, если вы чувствуете неуверенность, обучение в области ИИ может дать вам ощущение стабильности, хотя это ощущение может быть обманчивым.
---
II. Что на самом деле учат на курсах: не магия, а рутинная работа
Основная логика: сложные системные инженерные задачи упрощаются до повторяющихся процессов с низкими требованиями к учащимся.
Многие думают, что изучение ИИ означает создание интеллектуальных решений, как показано в фильмах. На самом деле курсы часто предлагают задачи, далекие от реального создания продуктов и близкие к рутинной работе.
1. Реальная роль инструкторов по ИИ: они скорее высококвалифицированные корректоры.
*Пример:* После начала работы Ван Чжиханя его задачей было обработка 200 английских изображений с помощью ИИ и последующая ручная коррекция ошибок в переводах.
*Простой пример:* Для этой работы не нужно понимание принципов глубокого обучения; достаточно знания английского языка и логики, а также способности сосредоточиться на работе. Это работа по очистке данных, находящаяся на самом низком уровне в индустрии ИИ. Такие позиции могут быть доступны в крупных компаниях, но они легко заменяемы, и с развитием способностей ИИ к самокоррекции такие должности сокращаются.
2. Упрощенное изучение разработки больших моделей:
*Пример:* На курсах Чэнь Шуа были задания на написание текстов для песен; учителя спешили, и качество выполнения заданий было низким.
*Простой пример:* Настоящая разработка больших моделей требует глубоких знаний математики и инженерных навыков. Курсы упрощают этот процесс до использования готовых библиотек и пустых проектов. Вы можете научиться только использовать API, но не создавать модели.
3. Скрытые платежи и ловушки с проектами:
*Пример:* Линь Бинг обнаружила, что за самый важный опыт работы требуется доплата в 10 000 юаней, и что проект, который должен был занять полгода, рассматривается за одну неделю.
*Простой пример:* Это типичный пример двойного обмана: на резюме отсутствие опыта работы не привлекает внимания HR. Образовательные центры намеренно разделяют самые ценные элементы обучения на отдельные пункты и продают их отдельно. Из-за краткого срока участников не удается создать серьезные результаты, и их резюме остаются лишь пустыми.
---
III. Жестокий период пробной работы: срок действия резюме составляет всего 3 месяца
Основная логика: в условиях информационного неравенства игра «кошка-мышь» в конечном итоге всегда раскрывается.
Основной акцент образовательных центров не на обучении технологиям, а на обучении учащихся обманывать HR.
1. Техники составления резюме:
Образовательные центры учат, как превращать использование API в создание собственных приложений на основе ИИ и обработку данных в оптимизацию моделей.
*Пример:* На собеседованиях HR часто не разбираются в технических деталях, но ради достижения квот могут принять участников на пробную работу.
2. Раскрытие лжи во время пробной работы:
*Пример:* Многие участники курсов раскрывают свои недостатки уже во время пробной работы и переходят в другие компании.
*Простой пример:* Как только участники сталкиваются с реальными задачами, сложными кодовыми библиотеками и высокими требованиями, их навыки становятся очевидными. В результате их могут уволить, и это оставляет неприятные впечатления на их резюме. Их репутация в индустрии может быть повреждена, а информация о подвохах может распространиться среди работодателей, ведя к патовой ситуации, когда они не могут накопить настоящих профессиональных навыков.
3. Нереальные показатели трудоустройства:
Заявленные показатели трудоустройства часто означают лишь получение предложений о работе, а не возможность устойчивого трудоустройства.
*Пример:* Многие «высокооплачиваемые предложения» могут быть связаны с подрядными проектами или временными задачами, или же представляют собой результаты усилий образовательных центров по достижению квот.
---
IV. Кто платит за это? Экономический анализ страха и иллюзий
Основная логика: молодые люди платят не за навыки, а за ощущение безопасности и идентичность.
Почему они рискуют, даже зная о возможных рисках? Из-за больших финансовых затрат и социального давления.
1. Решение обычных семей:
Родители Чжан Шуая, работающие обычными служащими, отдали все свои сбережения на его обучение; Чэнь Шу скрыл это от родителей и использовал свои сбережения для аренды квартиры в Пекине.
*Анализ:* Для обычных семей сумма в 20–30 тысяч юаней кажется огромной. Однако эти деньги воспринимаются как инвестиция, а не как расход. Родители и их дети действуют по принципу «если удастся, мы изменим свою жизнь». Такой подход мешает рациональному мышлению.
2. Иллюзия социального продвижения:
Ван Чжихан чувствовал себя неполноценным из-за невозможности позволить себе дорогие рестораны, поэтому решил учиться ИИ, чтобы войти в круг крупных компаний.
*Анализ:* Индустрия ИИ ассоциируется с элитой, высокими зарплатами и будущим. Для молодых людей, находящихся в нижних слоях общества, переход в эту индустрию означает социальный прогресс. Они покупают не просто навыки, а идентичность «людей будущего».
3. Последняя попытка изменить свою судьбу для среднего возраста:
38-летний Линь Бинг, потерявший работу, решил учиться ИИ в поисках новых возможностей.
*Анализ:* Для людей старше 35 лет ИИ является последней надеждой на изменение ситуации. Они боятся быть окончательно оттесненными от рынка труда и готовы платить большие деньги за обучение, даже если это лишь психологическое утешение.
---
V. Советы для обычных людей: как избежать ловушек образовательных центров по ИИ
Если вы или ваши близкие рассматриваете возможность обучения в области ИИ, задайте себе следующие вопросы:
1. **Каков