1. 程式人生 > >AI領域真正最稀缺的人才是具有工程思維的架構師

AI領域真正最稀缺的人才是具有工程思維的架構師

【AI科技大本營導讀】這裡,就不賣關子了。AI領域最最最最最稀缺的人才應該為人工智慧架構師。有過4次技術創業經歷,如今做AI投資的星瀚資本創始合夥人楊歌如是說。

在楊歌的身上,傳奇的經歷多得是。

清華學霸,技術男,四次技術創業經歷,建立青年精英商業聯合會,投身PE,創辦星瀚資本,圈內最懂AI技術的投資人之一......

然而,最打動我的,並非這些光鮮的字眼,而是他身上強大的勢能,他眼裡的平靜和堅定,以及他完全不Care年輕時賺錢這件事。當年,他甘願拿很少的工資,只為去四大會計師事務所惡補財務知識。他賺的第一桶金,想都不想,直接扔到公司。他壓根就不理尋常的那一套活法。

他喜歡用數學模型和物理模型來比喻和解釋身邊的一切現象,喜歡用元認知來節省大腦記憶體,喜歡用一二三來條分縷析。他的語速很快,很少停頓,且無廢話,幾乎可以直接成稿。

採訪中,他對於三個問題的論述,讓我尤其印象深刻。

第一,對目前AI晶片的立體式解析(終於知道AI晶片到底為什麼會火了);

第二,對於AI市場稀缺人才AI架構師的三個層次解析(技術追求者必讀哲學);

第三,對於AI類或一般程式設計師選擇創業的建議,針對三大特徵需要補足的短板,並對此提出的四大方法(工程師創業,請詳讀)

楊哥很喜歡用簡單的語言,把複雜的道理講清楚。每一個問題,他都能細到不能再細,深到不能再深,再結合各類比喻,確保你真正聽懂了他的意思。

本文較長,總共分三個部分,價值含量相當高。文中儘可能地保留楊歌的口語,以原汁原味地呈現他的智慧。希望對你有所啟發。

作者 | 鴿子

就在AI專用晶片在市場上的呼聲不斷被推向新高的當下,作為投資人的楊歌也出手了,一舉投資鯤雲科技。在看AI技術有關的創業中,楊歌在圈內頗有名聲,且語言表達能力極強。正好借採訪之際,讓他用最直白的語言給抖明白,專用晶片到底一個怎樣的存在,到底應該怎麼理解現在市場的晶片,以及AI晶片的創業者們,到底需要比拼些啥?

以下采用第一人稱口述的形式,呈現三個部分內容:

  • AI晶片為何突然火了?

  • AI領域真正最最最缺的人才到底是什麼?

  • AI工程師如果選擇創業,必須補足哪些功課?

01

AI晶片為何突然火了?

細數晶片的歷史,就是一個從專用晶片轉向通用晶片,又轉為專用晶片的過程。

最早追溯到上世紀60年代,Intel從專用晶片轉向通用型晶片中央處理器(CPU),英偉達轉成GPU,這兩年又產生了TPU。

這個整套體系都是一個把晶片越做越普世化的過程,但這兩年由於終端要降低成本,所以又要返回到專用晶片,因為通用晶片相對來說,效率比較低,製作成本比較高。

所以,這兩年專用晶片開始火起來。

從通用型的、伺服器型的、整合型的晶片,轉成專用型的,部分裝置使用的,有一定功能的晶片,再加上這兩年正好趕上AI大爆發,大家就很自然地把AI的需求燒製到這些晶片裡,也就是我們看到的AI晶片異軍突起。

為何終端場景會催生專用晶片?

終端的場景為什麼一定要用終端晶片,而不能通過一個捕捉器做網路傳輸送到雲端、送到伺服器端,用伺服器的CPU、或GPU、或TPU去處理,然後再返回資料呢?

是因為你的網路無論多快,中間都有幾百毫秒的時間差,而終端晶片未來都需要做到當機立斷、直接分析。

比如一個機器人,它看到你之後,需要迅速分析出你有什麼特點,並跟你對話。這個過程中,如果機器人只有接收器,需要傳送到雲端再回來,無論網路多快,都會有時間差。

所以,為了提高響應速度,終端開始催生自帶處理器的需求,比如能做影象識別、語義識別、語音識別,運動機能的一些處理等,那麼這個時候,終端就需要具備一定的人工智慧能力(AI能力)。

專用晶片起勢後,玩家們到底比拼什麼?

當專用晶片這個需求起來之後,玩家們就要開始比拼了,具體來說,比的是:

第一,你的硬體結構是不是最優。

硬體行業的特點是:沒有最優、只有更優。

硬體永遠都在迭代,背後的原因,主要是摩爾定律在起作用。此外,當摩爾定律電晶體變成量子化的東西后,它會繼續進化,從分子層面進到原子內部層面,再繼續找其它的計算位。

第二,演算法是不是最優。

前兩年大家非常痴狂的去搞神經網路演算法的時候,變體非常多,從最開始簡算的RNN變到LSTM,變到更為複雜的結構,從最開始設計CNN,到CNN的複雜結構,再到用CNN做對抗網路…

在大家瘋狂競爭演算法的時候,2017年又出來一個理論說:神經元的基礎單元不應該是神經,而應該是一個膠囊;這樣一來,演算法底層又改了,Hinton先生把自己30年前的學術成果給推翻了。在Capsule  Network中,in&out在單個處理單元上變得更復雜,雖然網路連線過程還是原來的樣子。

所以,很多人又只能整個推翻,重來。

第三,工程細節是不是最優。

人們也發明了很多種方法,比如原來是全連線的,後來又有CNN部分模組連線,然後又出現了很多類似Dropout的模式,連線著同時遺忘著,發現比正常的還更好。

第四,工程上的創新每天都在發生。

每個工程師都有工程上的創新。100個工程師裡如果有一個工程師有了意義深遠的創新,那麼對於整個行業來說,又是一場大變革。

無論是怎樣的創新,都在不斷突破,不斷提升效率。比如,在演算法上,AlphaGoMaster和AlphaGo  Zero,後者的效率相對前者就有突飛猛進的增長。

所以,一旦底層被改變,一切又變得不一樣了,又得迭代。比如,原來可能是20秒解決,你能19.8秒解決;但現在,突然底層一變,你變成10秒解決了,就又是一層迭代了。

沒辦法,這個行業就是這樣。

從硬體、軟硬結合,軟體、演算法幾個方面來看,每天都在迭代,所以它很難:由於它沒有定型,無定型態的結果導致對專用晶片的固定性要求是非常苛刻的。

因為專用晶片很大的問題是一旦定板、開模,這個東西就不能改,這是一個很大的問題。所以,如何做一個適用性最強的專用晶片,這是非常重要的。一般的專用晶片做完之後,比如只服務於某一種語音識別機的晶片,一旦演算法更新,底層對模組的要求就又不一樣了,那麼這個專用晶片就不能用了。於是,只能再做一個新的專用晶片。

這個事情的迭代速度太快了。

晶片的三種類型

前面大致羅列了專用晶片崛起的背景,接下來我們具體聊一下晶片到底有哪三種類型:

  • 整合型的晶片(CPU、GPU、TPU),屬於它的模組陣列非常統一的,它能處理幾乎所有的事情,又叫通用型晶片

  • FPGA可程式設計門陣列

  • 專用晶片

其中,FPGA相當於編寫硬體,通過改變硬體可以隨時調整功能邏輯,但FPGA有以下幾個大問題:

  • 成本比較高,真正好的FPGA要8000元-1萬元。

  • 編寫複雜,門檻高,修改難度大。

  • 程式設計過程中的效率比高階演算法低,這樣就導致開發難度也比較大。

所以,FPGA是個過渡過程,它能夠銜接通用型晶片和底層專用晶片。

說完FPGA,再說說專用晶片。

專用晶片的特點是價格極其便宜,只要你開模、打板之後,基本上一片50-100元就搞定了,但開模費500萬,而且一旦開模就改不了。(營長注:這裡500萬為概數,楊歌想表達是開模費很高,對公司來說,是一筆不小的負擔。據營長所知,開模費的量級一般在數百萬-數千萬之間。)

如果用數學的方式來理解這三類晶片,那就是:

  • 專用晶片又叫階躍函式,意思就是,這個東西開了模之後,下一次你要再改,你就得整個上一等;

  • FPGA是線性函式,慢慢漲、慢慢漲;

  • CPU、GPU等整合型晶片是指數函式,成本高,但它是一個好的模式。

專用晶片的成敗關鍵

目前,大家傾向於迴歸專用晶片,這也是因為專用晶片在2017年有兩大推動力:比特幣的挖礦機人工智慧

基於這兩股力量,編寫專用晶片需求來了,因為FPGA和CPU成本太高了。

但專用晶片的問題也來了,那就是,無論哪個時代,不管你是20世紀70、80年代,還是現在,專用晶片都會有過時的一天,因為技術一直在迭代。這時候,就是考驗你對專用晶片把控力的時候了,一句話,你設計的專用晶片到底能支撐業務走多久。

如果你編出來的專用晶片,能持續三年使用,那麼同期你就可以去研發另外更新的專用晶片。三年後,當原來的專用晶片產能要下降的時候,你可以拿新的專用晶片頂上。你要能頂上,那這個能力就厲害了。

但如果你的專用晶片半年就過時了,那你的成本就太高了,因為你每個專用晶片的打板就需要500萬以上,對初創公司來講是完全承受不起的。(營長注:此為概數,只是為強調打板花費較大。)如果你還不停地在打板,那你的公司就危險了,你還不如用FPGA和CPU來做,現在多核CPU也能完成。

現在專用晶片的一個競爭在於,你編寫出來專用晶片是否魯棒性、適應性和存續性足夠強,是否能夠適應更多的人工智慧演算法模組,是否能扛住演算法變體…

比如當CNN一變體,卷積核一變體,這個晶片能不能扛住?當LSTM的迴圈網路內部結構中,忘記門和記憶門這兩個發生變化,你能否扛住?

當然,Capsule  Network一出來,不僅你扛不住了,大家都扛不住了。

總的來說,你要讓你的專用晶片在容錯性和魯棒性、適應性上做到最強,這樣,你的成本才能算得過賬來。但大部分技術人員的賬,可能算不了三到五年的時間。

還有些人把目光放在非常細的地方,一定要編到極致,保證區域性的魯棒性、容錯性提到最高,但長期的、中長期,比如三年期,這樣不一定行。

比如,在交通影象監察識別上,你怎麼用都不出錯,正確率99.9%,但突然過兩年演算法一升級,你怎麼辦?

因此,我不建議把目光放到單個場景的適應性上,我認為應該放在一個長期的、場景變革的使用性上,這點非常重要。

這些問題其實是現在AI晶片競爭最重要的底層邏輯。在AI晶片領域,我們投了鯤雲科技,他們的聯合創始人為斯坦福的客座教授、帝國理工的教授、英國皇家工程院院士,發表300多篇的論文。

他們的特點能把晶片的適用性做得很好,晶片的場景適應性、網路適應性、演算法適應性非常強。

同樣做的很好的公司還有地平線、寒武紀、深鑑等,不過也有一些公司,場景化的正確率只有95%,甚至85%,那麼這些晶片可能就沒法用,或者只能調動一定的模組函式,不能調動大部分模組函式。

目前來說,深度學習訓練過程是不需要用AI專用晶片的,因為AI專用晶片主要還是在某一個終端應用場景用。一般來說,終端人工智慧晶片並不執行訓練過程,它只執行使用過程。這是大家容易產生理解誤區的一個點。

AI晶片市場距離飽和還很遠

說到終端市場,英偉達也在猛攻終端市場。英偉達去年出了一個TX2的新型晶片(也是終端晶片)。但英偉達的終端晶片是一個輕版的整合化晶片,是把它整合化的GPU鑲在了一個小的晶片上,形式了一個專用晶片。所以,現在的AI專用晶片還需要扛住英偉達的競爭。

目前,人工智慧技術有三層:

  • 基礎數學物理層

  • 技術模組中間層

  • 應用層

技術模組中間層(簡稱模組層)是指影象識別、語言識別、語義識別、運動機能識別;底層,即基礎數學物理層,就是晶片,資料傳輸、資料儲存結構、演算法結構、演算法模組。

而應用層中,幾個比較大的場景有:

  • 智慧傢俱、智慧房屋、智慧城市

  • 機器人

  • 個人語音助手

這幾個場景的入口模組都需要完整的、完全標準的模組層,就是說語音識別、語義識別都則需要非常精準,無論是器械,還是一個機器人,都需要模組層要很成熟,同時需要底層晶片層很成熟。目前,大家都在競爭這個市場。

二十年後,周圍的物體可能拍一拍都能動、都能說話,每一個東西都需要兩個基礎的模組體系。

  • 第一個模組體系:硬體模組體系,就是它的硬環境。

  • 第二個模組體系:也就是軟環境。

軟環境就是科大訊飛、商湯、曠視等等在做的東西,硬環境就是英偉達、通訊雲、鯤雲、深鑑等公司在做的。

現在的AI專用晶片市場,如果說市場飽和度滿分是10分,現在也就1分不到。

雖然現在才1分不到,但今年的AI晶片公司突然火起來,就是因為大家預期了十年之後的應用場景,十年之後這個市場是很大的,不過大到什麼程度不好做預期。

現在市場上的幾家公司,顯然還是不足以形成大的競爭。

如果做個比喻,現在的市場,也就是剛剛進入體育場,裁判還沒有開始吹哨的時候。

對於AI專用晶片來說,應用場景還沒有完全開發完,有人去做無人機監測、有人去做道路攝像頭監測、有人是做家居環境。總的來說,目前各家的應用場景都還沒有鎖定,還處在一個惡補基礎知識的階段。

當然,這個階段完成之後,可能有的轉向交通,有的轉向家庭環境了,各有各自的立足的垂直領域,並繼續迭代。那麼等到那時候,可能就不競爭了。

02

AI市場上最稀缺的人才是什麼?

首先,我覺得懂人工智慧,我是說的是真正懂人工智慧的人才,是非常稀缺的。

那麼什麼叫真正懂呢?

就是了解人工智慧物理意義的人,而不僅僅是懂演算法。

什麼才是真正懂人工智慧——庖丁解牛

舉個我自身的例子。我在清華大學唸書時,就用過神經網路,我會用,但我不懂,不懂它的底層意義到底是什麼,不懂這個東西為什麼能夠訓練出來,不理解計算機到底是怎麼思考的。

這是一個非常重要的思維門檻。

對於深度學習來說,由於這裡面是一個黑箱,你可以不知道機器在某一點到底在思考什麼,但機器思考的那套整體邏輯和大概每一層單元在幹什麼,你要很清楚。

目前,能理解到這個層次的人非常少。

打個比方,有個詞叫庖丁解牛。你首先得在眼睛裡,大腦裡有這頭牛的全貌,然後你還必須很會使用這個刀。而不是說你拿著這把刀,你就可以迅速地把這頭牛解剖了。

你只有既理解牛、又理解刀的使用方法,你才能達到庖丁解牛的境界。

同樣,人工智慧也是這麼一個工具。

給你一大堆圖片,讓你訓練出一個模型,你用tensorflow跑出來了,但明天讓你訓練語音,後天訓練物流雜亂的資料化資訊,你就蒙圈了。

再比如,有個模型是要用CNN加上全連線的,你的模型是用對抗網路更好一點,那麼你的模型就可以不使用神經網路,而應該使用Randomforest,有了模型你應該使用這個,你為什麼要使用這個,你是通過大量的演算法、經驗做出來的。

對我來說,最大的幫助是,一個程式設計的感性認識。我在大學研究生的時候,我做了大量的程式設計,天天在debug,debug特別鍛鍊人對於機器底層運轉的思考,一套10萬行的程式出錯了,你怎麼能夠迅速給他debug出來,這個你要去理解計算機到底容易在什麼地方出錯。

人工智慧更復雜,人工智慧在除錯的過程中,沒有debug的提示器,因為它全是資料和資料之間,它是一個數值計算,不能收斂的過程,就是你算著算著錯了,你也不知道什麼地方出錯了,你只能看到這個資料發散了,這是一個特別要命的問題,因為你的程式一點都沒有寫錯,只是你的資料結構、網路結構弄錯了,這個要求程式設計師對這個演算法的物理模型、場景模型極其明確物理意義的過程,這是非常複雜的,很難描述這個事情。

最稀缺人才——人工智慧架構師

我有一個特點,我所有學到的東西,我都能從零開始推,就是老師講的所有東西我都可以從零開始推。這個東西叫元認知。

元認知越底層的人,他在理解一件事情的時候所佔用腦子裡的記憶體越少。比如說讓我去描繪一個整個的商業案件,有人是背書,從頭到尾背下來,我看一遍以後,我可能一個單位我就記住了,然後就忘了,下次讓我描述這個事,我把這個單元提出來就可以描述。

人工智慧也是,它是一套工具,一個真正好的工程師,他手裡所有的人工智慧都是演算法,比如現已知的,人工智慧大類的演算法可能有七八類,像支援向量機,神經網路、randomforest,adaboost等一大堆,他在看到一個模型後,能迅速判斷哪個模型更適合。

比如說為什麼語義識別是用迴圈網路和LSTM來做識別?因為語義是一個線性的資訊流,這個線性資訊流裡面要記住前面很遠的資訊,同時要忘掉很大一部分資訊,再記住當前的資訊,所以,用LSTM能非常完美的解決這個問題,但LSTM在影象識別上就不Work了、在量化金融中的優勢也不明顯。

這裡,很多人會認為股票和語義都是一個時間序列函式,或者是前後序列函式。為什麼LSTM訓練這個很好用,訓練股票就不行了呢?

這個,就需要回到元認知。因為他們的資料結構完全不一樣,你得理解什麼模型處理什麼實體結構。

再比如,CNN適合處理大量資料、超大量的資料,且資料和資料之間有明確相關條件,所以,CNN適合處理影象,因為影象的畫素之間具有相關性。

而同樣的一個情況,語義又不適合了。比如“我寫程式”這四個字,每個字之間一對一的相關性並不是那麼強,但他有一個整體相關性,他跟影象識別是不一樣的。簡單理解的話,語義是一維函式,影象是二維函式。

所以,這些都是很細節的東西。你只有在使用了大量的程式之後,跑著跑著,才能感知到,哦,原來這個應該用什麼演算法跑,那個不能用什麼演算法跑。因為人工智慧屬於黑暗森林,你只能慢慢去摸索,摸索哪個是最適合的。你不可能第一天就調試出來,搞清楚哪種場景,到底該用什麼程式,這個程式應該有多少層的網路、結構、單元,每一層單元有什麼樣的引數,應該跟什麼程式進行配合,是否需要兩個程式進行嫁接,是否需要高階的比如對抗型的、或者輔助型、或者嫁接型等。你需要不斷地錘鍊和思考,才能出來這樣的感覺,都是一點一點悟出來的。

所以,回到最開始的問題,我覺得如果用一個特定的職位來定義,這個最稀缺的人才是人工智慧架構師

他能抽象出你最應該使用什麼樣的工具。在他之下,其他人就可以在一個更細的層面上,去琢磨這個工具具體應該怎麼來用。

不過,人工智慧架構師又分三個層次。

人工智慧架構師的三個層次

第一層:物理模型架構。

有的時候大家在訓練一件事情的相關性上,可能會把兩個事情分開放。其實應該把兩個事件放在一起,把相關性作為訓練物件來進行訓練,這樣訓練可能會更好。

或者把一個隱藏的物理意義作為訓練物件,把相關性和兩個事情都放在一起,然後再進行訓練。

但很多人就想不到這點,就拿兩個事情直接去訓練相關性,這是錯誤的。

物理模型架構,這是最裡的一層,需要深刻理解物理意義,當知道各種各樣的函式該怎麼去用的時候,火候就差不多了。

第二層:當我們確定怎麼訓練拓撲模型之後,拓撲模型框架出來的時候,基於拓撲框架我選用什麼樣的網路模組,具體需要訓練成什麼效果,然後再具體去訓練。

第三層:等這些模組全選好了,每一層用多少個單元、多少個引數,你有沒有這個能力。第一層的神經元你可以選擇100個,第二層的你選10個,第三個選擇多少個,然後用卷積你又選擇多少個,核有多大,3×3的、5×5的、10×10的,你到處去試,試一年可能才試出結果來。

好的工程師第一刀就可以給你切到差不多的點上,你這個模型基本10層網路,每一層大概10個神經元,卷積核的層數大概3層,全連結層7層就夠了,他會一上來就給你做這個東西。

目前,這三種架構人才都很稀缺。

要培養一個這樣的人才,很難很難,必須跨界,尤其物理模型架構層面,必須跨界。你必須要能理解這個東西在物理層面上的意義,你必須經歷過不一樣思維模式的業務,有開闊的眼界,比如從事過社會、社科、商業等多種型別的工作,然後再反過來去看這件事情,就容易了。

為什麼說一定要跨界呢?因為跨界會對你補充另外一個部分的素養,跨界就是補足你的資料,這叫“一個向量空間的完備性”,你跨界是用來幹這個的。

我見過的特別優秀的能扛起人工智慧架構師這類角色的人很少。我很欣賞第四正規化的戴文淵,他就可以把銀行所需要的演算法場景變成一定的函式需求,他屬於在工程師裡情商比較高,相對比較跨界的稀缺人才。

要成為一個這樣的人才,我覺得至少要十年時間。

這類人才,一定是有強感知能力的,他有感知整個社會存在的能力,而不是把眼睛全放在眼前的技術上。

03

AI工程師創業,必須提前補足哪些短板?

未來關於AI的機會太多了,各行各業都需要AI,所有有大量資料的地方都可以用AI進行處理,因此,可能很多AI工程師也會考慮創業。

如果要創業,他們又還應該得到哪些方面的成長呢?

要回答這個問題,我們先來看看程式設計師到底是一種怎樣的存在。

程式設計師是資料和人類之間的溝通者,這一點非常重要。什麼意思呢,就是說,他能把資料翻譯成人話,把人想要執行的東西轉化成資料、數字。

對這類人群來說,由於長期跟電腦,跟技術打交道,如果要創業,他們必須要有實踐經歷,要有生活化的感知體驗。

這句話怎麼理解呢?

AI工程師必須掌握的三個特徵

我舉個例子,這個例子可能有點抽象了。我把任何一件事分為主要特徵、次要特徵、長尾特徵。

主要特徵靠看書是可以學習到的,就是老師告訴你公理一、公理二,社會規律一、社會規律二,你就記住了,這是主要特徵。

什麼是次要特徵呢?一個事件有很多複雜的次要特徵,這個老師講不清楚,你只能通過實踐,比如你在幹工作的時候,如果財務不留準備金率,那公司就非常危險了;此外,對於合規這件事,在實踐中你才能知道為什麼要做合規,是因為很多細節,工商、稅務、法律等問題都會影響到你的效率。

長尾特徵屬於感性化的層面了,比如你在人和人接觸的時候,你對這個人要稍微好一點,生意就變得更順暢一點,這個老師都不會教給你。

總的來說,主要特徵靠看書解決,次要特徵靠實踐解決,長尾特徵靠情商培養。如果你只有主要特徵,你就永遠解決不了一個完整的事情。

程式設計師今後不管是創業,還是說要有更大的發展,需要加強次要特徵和長尾特徵兩個方面。

對於三種特徵,如何真正學會和掌握呢?

四種學習方法,AI工程師應補足後三種

為了很好地掌握這三種特徵,我有一個很重要的學習方法可以跟大家分享:學習多樣性。

具體而言,有四個層面:

  • 第一種:理解;

  • 第二種:理會;

  • 第三種:感受;

  • 第四種:感知。

“理解”:是看書和通過理論化的知識去學習,學習完全結構化的知識叫“理解”,程式設計師多數有一個很大的問題,程式設計師的知識結構大都是理解來的。

“理會”:是與人交流,通過跟別人交流學到知識,這點是我從24歲之後大量去做的。因為人和人交流的時候,是別人已經加工過的知識,通過一個相對柔和的、說人話的方式讓你聽懂了。

與一個智者聊天勝讀十年書,因為他把他十年的東西全總結給你了,而且都是精華。

多與智者交談,你會發現,你的整個世界觀都對了。

“感受”:智者不能告訴你的細節,你以實踐出真知,從實踐中去感受,能感受到細節。

“感知”:主要來自於看不同文化的影片、電影、電視劇和書籍文章等;還有出去旅行。

舉個例子,比如你去日本,語言、貨幣、文化什麼都不通,你在那兒待20天,回來之後你發現你身上會有一些日本人的習慣,思維方法跟他們很相似,因為這是一套環境在影響你,這套環境在數學上叫高階小量。這些東西在不斷地影響你的一些行為習慣。久而久之,你的思考方式跟他們很類似,你就能處理一些原來你不能處理的事情,這非常有意思。

我去日本、英國最典型的感受就是這樣的。因為這兩個國家的文化氣息是非常濃烈且集中的,你去了英國之後,你整個人就變成那種狀態了,詼諧、思考、謹慎。然後你能想象出來一些東西,為什麼這個國家和文化下的人會有這種狀態。

此外,電影薰陶也是我常常藉助的方法。

當我對一件事情很不理解的時候,我就開始放那一類電影,一直迴圈播放,薰到一定程度的時候,電影裡面的每個言行舉止,我都能被強烈地代入進去,然後我就突然就理解了,原來這麼幹是有原因的,為什麼是這樣不是那樣。

在這四種學習中,AI工程師最應該補齊的是後面三種學習方法,尤其是中國的工程師,應多學學矽谷工程師的跨界,一定要從自己的理解層面的學習方法、相對固化的學習方法中跳出來。

當然,這是一個逐漸豐滿的過程,AI工程師,或者其他程式設計師有志於未來創業,一定要多從這幾個方面去鍛造自己。


相關推薦

AI領域真正稀缺人才具有工程思維架構

【AI科技大本營導讀】這裡,就不賣關子了。AI領域最最最最最稀缺的人才應該為人工智慧架構師。有過4次技術創業經歷,如今做AI投資的星瀚資本創始合夥人楊歌如是說。 在楊歌的身上,傳奇的經歷多得是。 清華學霸,技術男,四次技術創業經歷,建立青年精英商業聯合會,投身P

【人工智慧】AI系統架構AI領域真正缺的人才是會庖丁解牛的那個人

來源: AI科技大本營 授權 產業智慧官 轉載圖片來源:Wired【AI科技大本營導讀】這裡,就

AI市場上稀缺人才是什麼?

首先,我覺得懂人工智慧,我是說的是真正懂人工智慧的人才,是非常稀缺的。那麼什麼叫真正懂呢?就是了解人工智慧物理意義的人,而不僅僅是懂演算法。什麼才是真正懂人工智慧——庖丁解牛:舉個我自身的例子。我在清華大學唸書時,就用過神經網路,我會用,但我不懂,不懂它的底層意義到底是什麼,

AI領域的State Of the Art先進的成果

https://www.stateoftheart.ai/?area=Computer%20Vision 以及下面內容:轉自https://blog.csdn.net/dongfang1984/article/details/78592322  1. State-of-the-ar

2018年AI領域人才緊缺行業

據相關招聘機構資料顯示,2018年AI領域仍然是大部分資深技術人才轉崗的首選目標,在人才最緊缺的前十大職位中,時下最火的大資料、人工智慧、演算法類崗位佔據半壁江山。 據調查指出,2017年技術研發類崗位薪酬漲幅不再處於高位,平均漲幅在5%左右,但以人工智慧、大資料為代表的新

12113個崗位爭奪AI人才!中國成為AI崗位空缺多的國家

來源:新智元 本文約4800字,建議閱讀10+分鐘。 今年秋招情況顯示,AI人才招聘並無“收緊”跡象,反倒“短缺”。 [ 導讀 ]AI崗位有多少空缺?據UiPath的資料顯示,中國AI崗位空缺最多,有12113個相關職位正在招聘,其次是美國。在全球熱門城市中,蘇州、上

這可能是AI、機器學習和大資料領域覆蓋全的一份速查表

https://mp.weixin.qq.com/s?__biz=MjM5ODE1NDYyMA==&mid=2653390110&idx=1&sn=b3e5d6e946b719d08b67d9ebf88283fe&chksm=bd1c3d0d8a6bb41bf05a8ccc9f

人才缺口達百萬:全解大資料、AI領域就業現狀

隨著國務院《新一代人工智慧發展規劃》的釋出,大資料、人工智慧逐步上升為國家戰略,國

為什麽在AI領域網絡安全更重要?先睹為快~

www. 智能汽車 mage 課程 col targe 屬於 ins 應對 AI迎來了改變世界的新機遇,同時也迎來了新的網絡安全問題,只要是聯網的系統就會有漏洞爆出~ 隨著大數據的應用,人工智能逐漸走入千家萬戶並顯示出巨大的市場空間,從機器人客服、自動駕駛汽車到無人機等,全

分別列舉人工智能4個主要領域牛叉的10位專家

技術分享 為什麽 ria ima 計算 info 視覺 bold miner https://mp.weixin.qq.com/s/UtJkWiNllDYx2MhgSyBosw 人工智能,各個子領域的最牛叉的10位專家除了吳恩達,你還能說出幾個?李飛飛在計算機視覺中能排

在5G、大資料、AI領域進行合作,商飛與騰訊雲共推大飛機智慧製造

說到中國的大飛機制造,大家肯定會想到的一個名字:中國商飛~ 去年5月,中國首款國產大型商用飛機C919首飛成功,作為中國實施大型客機專案的主體,統籌幹線飛機和支線飛機發展、實現我國民用飛機產業化的主要載體,商飛也一下成了“網紅”。 飛機制造業被譽為工業領域的皇冠,是國家戰略性產業,商

為什麼結構化程式設計、面向物件程式設計、軟體工程架構設計最後沒有成為軟體領域的銀彈

為什麼結構化程式設計、面向物件程式設計、軟體工程、架構設計最後沒有成為軟體領域的銀彈? 從計算機語言開始講,一步一步的概述和講解,最終會有一個結論,大家往後看,即可明白。 1.機器語言(1940年之前) 機器語言,直接使用二進位制碼0和1來表示機器可以識別的指令和資料。 比如0100011111000

為什麽結構化編程、面向對象編程、軟件工程架構設計最後沒有成為軟件領域的銀彈

電子郵件 軟件質量 80年 說明 設計原則 世界 程序員 計算機基礎知識 bject 為什麽結構化編程、面向對象編程、軟件工程、架構設計最後沒有成為軟件領域的銀彈? 從計算機語言開始講,一步一步的概述和講解,最終會有一個結論,大家往後看,即可明白。 1.機器語言(1940年

物聯網安全研究領域常見的幾大安全漏洞

  物聯網作為未來最有前景的行業之一,有著非常大的應用範圍。然而,目前物聯網技術發展迅猛,卻並不普及,其中一大原因就是物聯網的安全問題頻出,同時企業和個人又不重視,也不願花太多成本在安全方面,物聯網安全最常見的幾大場景。 遠端拍錄時惡意攻擊 黑客有可能在主人毫不知情的情況下,黑入物

如何在安卓原生專案中加入mui相關檔案進行開發(使用新版本5+SDK建立簡Android原生工程(Android studio))

緣起 最近在搭一個android開發的demo,專案使用androidstudio作為開發工具,使用混合式開發,途中需要整合mui.但是網上找了很多教程都是老版本的,以至於MUI官網提供的demo已經不符合教程了。後來進過多方努力終於找到了新版的教程,特此記錄。 新版教程連結點這

AI看齊:鎂光科技斥資1億美元投資AI領域

據路透社報道,鎂光科技本週三在其首次人工智慧會議上宣佈,其通過戰略投資實體鎂光風投為人工智慧和機器學習領域的初創公司提供高達1 億美元的投資。 投資領域包括AR(增強現實技術)、VR(虛擬現實技術)、自動駕駛等人工智慧領域。同樣鎂光對這些領域也很感興趣,因為該

中國 AI 開發者真實現狀:人才依賴海外引進,本科 AI 教育盛行

近幾年,人工智慧之風吹遍全球,伴隨著國內網際網路的迅猛崛起,越來越多的開發者們,開始從事 AI 相關的工作和研究。但同時,由於這是一個從 0 到 1 的新領域,可參考的歷史案例較少,也因此很多 AI 開發者常常面臨著迷茫、或者一不小心就踏進了網際網路無人區的情

搜狗CEO王小川:AI領域存在泡沫 但留下的是珍珠

 11 月 8 日下午訊息,第五屆世界網際網路大會於 11 月 7 日至 9 日在浙江烏鎮舉行,本次大會以“創造互信共治的數字世界——攜手共建網路空間命運共同體”為主題。搜狗 CEO 王小川在大會現場接受了新浪科技等媒體採訪。   搜狗和新華社 7 日聯合釋出了 A

獨家 | 螞蟻金服漆遠首談剛完成的AI重大突破及緊缺人才,呼籲國內多點技術性強的大會,少點網紅

7 月22 - 23 日,由中國人工智慧學會、阿里巴巴集團& 螞蟻金服主辦,CSDN、中國科學院自動化研究所承辦的第三屆中國人工智慧大會(CCAI 2017)將在杭州國際會議中心盛大開幕。 大會開幕前,CSDN獨家採訪到本屆大會程式委員會主席、螞蟻金服副總裁兼

AI從入門到放棄之特徵工程

特徵工程 01 特徵歸一化 Q1為什麼要對數值型別的特徵做歸一化? 未完待續... 02 類別型特徵 Q2 在對資料進行預處理時,應該怎樣處理類別型特徵? 03