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。

---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------