-
-
宋宋 数据领袖Lv6
发表于2020-3-26 15:36
楼主
我也是AI从业人员，这些年，AI，我是亲身经历了从“黑科技”跌入“俗学”的过程。我清楚的记得，早些年，在模式识别领域（例如人脸识别、语音识别等），大家都发力在数学算法的时候，算法工程师虽然努力多年，精度却一直上不去，几乎没有实用价值。
然而，突然有一天，在NIST竞赛中，有一个厂家突然爆发，一骑绝尘，直接把竞争对手甩下几个身位，也直接把很多识别技术（例如人脸识别）推到了实用的地步。
我当时记得特别清楚，赛后的总结会上，大家都想不明白，第一名到底是掌握了什么“黑科技”，能够如此猛烈的把精度往前推进。
而不久后，当了解到竞争对方之所以能取得这么大的进步，正是因为引入了以“深度学习”为基础的AI技术后，整个实验室的研发重点就迅速切换到了AI的跑道上。
在随后的时间里，大家都如饥似渴的阅读各种paper，虽然我只是一个打配合的软件工程师，但也开始接触各种技术，包括神经网络、深度学习等等。
之后不到一年，研发中心的人工智能平台就搭建了起来，各种模式识别技术（例如人脸、语音）放弃了传统的数学算法研究，直接切换到深度学习平台上。
而经过深度学习的训练，在两年后的NIST竞赛中，不仅我们公司，还有其他公司，算法精度上虽然没有赶上原来的第一名，但已经开始接近了。
这也说明了，两年的时间，模式识别领域，在算法上，大家都统一切换到了以深度学习为基础的人工智能上。
同时说明了，从技术上来说，“深度学习”并不是一个特别高深，特别新颖的技术，而更多是“旧瓶装新酒”，是对大家观念的扭转。
因为在此之前，计算资源缺失，数据缺失，所以才使得严重依赖于此的深度学习技术难以实用化。
而经过互联网多年的积累，计算和数据都到位的时候，“尘封”多年的深度学习技术则突然“枯木逢春”。
而从公司的数学家嘴里，我不止听一个人说过，从对脑力的挑战来说，深度学习的精巧度远不如传统的数学算法。
甚至，相对于早前的数学研究，他们都觉得“深度学习好“傻”，好“暴力”，一种常见的套路是：
设置框架，喂数据，调参数，喂数据，调参数…，循环往复.
而且，就这两年来说，连我这个打助攻的软件工程师，都慢慢开始对算法研究缺乏敬意了，因为我听到最多的对话就如下面：
“你们算法实验室，能不能尽快把质量检测精度再提高下。”
“当然能，不是正在准备数据，正在训练嘛！”
从此，大家也能够感受到，算法的提高，在很大程度上赖于数据，而不仅是算法工程师的脑力。
这直接导致了一个后果：以深度学习为基础的人工智能技术，在使计算机变得“聪明”的同时，却使算法工程师变得更“傻”。
这种傻有两个纬度，一个是从人的角度看，算法工程师的工作难度在降低，从阳春白雪变为了“朝市之学”。
另一个角度是，虽然机器变得越来越聪明，但我们却不知道它为什么变得聪明，它到底学会了什么？
原来，算法科学家通过数学精确的控制着机器的行为，是机器的“管家”，而现在，算法科学家在某种程度上沦为了机器的“保姆”。
因此，在技术上，深度学习不仅没有推高算法工程师的重要性。相反，正在降低他的重要性。
从我身边看到的，原来搞算法研究，博士是主流，而这两年越来越多的硕士正涌入这个行业。
而且，不仅在技术上，在商业上，算法工程师的稀缺程度也不如以前。
就拿人脸识别来说，原来大家的算法精度都比较低的时候，为了促进算法的实用性，大家都疯狂的招兵买马，以提高算法的精度。
而经过这些年的发展，各个厂家的精度都有了大幅的进步，都越过了实用的门槛。因此，在算法上继续大幅投入下去，再取得的回报是非常有限的，甚至连锦上添花都算不上。
这个时候，大家急需要做的就是尽快的用好的产品占领市场，以获取经济回报。而这，无论对资本来，还是对社会，才是一门技术健康发展的应有之义。
当然，在接下来的几年，人工智能行业肯定会继续繁荣下去。但这种繁荣之下，很可能不是技术的繁荣，而是产品和市场的繁荣。
因此，对将要入行的技术新人来说，还需冷静的观察和思考后，再做决定。
来源互联网
然而，突然有一天，在NIST竞赛中，有一个厂家突然爆发，一骑绝尘，直接把竞争对手甩下几个身位，也直接把很多识别技术（例如人脸识别）推到了实用的地步。
我当时记得特别清楚，赛后的总结会上，大家都想不明白，第一名到底是掌握了什么“黑科技”，能够如此猛烈的把精度往前推进。
而不久后，当了解到竞争对方之所以能取得这么大的进步，正是因为引入了以“深度学习”为基础的AI技术后，整个实验室的研发重点就迅速切换到了AI的跑道上。
在随后的时间里，大家都如饥似渴的阅读各种paper，虽然我只是一个打配合的软件工程师，但也开始接触各种技术，包括神经网络、深度学习等等。
之后不到一年，研发中心的人工智能平台就搭建了起来，各种模式识别技术（例如人脸、语音）放弃了传统的数学算法研究，直接切换到深度学习平台上。
而经过深度学习的训练，在两年后的NIST竞赛中，不仅我们公司，还有其他公司，算法精度上虽然没有赶上原来的第一名，但已经开始接近了。
这也说明了，两年的时间，模式识别领域，在算法上，大家都统一切换到了以深度学习为基础的人工智能上。
同时说明了，从技术上来说，“深度学习”并不是一个特别高深，特别新颖的技术，而更多是“旧瓶装新酒”，是对大家观念的扭转。
因为在此之前，计算资源缺失，数据缺失，所以才使得严重依赖于此的深度学习技术难以实用化。
而经过互联网多年的积累，计算和数据都到位的时候，“尘封”多年的深度学习技术则突然“枯木逢春”。
而从公司的数学家嘴里，我不止听一个人说过，从对脑力的挑战来说，深度学习的精巧度远不如传统的数学算法。
甚至，相对于早前的数学研究，他们都觉得“深度学习好“傻”，好“暴力”，一种常见的套路是：
设置框架，喂数据，调参数，喂数据，调参数…，循环往复.
而且，就这两年来说，连我这个打助攻的软件工程师，都慢慢开始对算法研究缺乏敬意了，因为我听到最多的对话就如下面：
“你们算法实验室，能不能尽快把质量检测精度再提高下。”
“当然能，不是正在准备数据，正在训练嘛！”
从此，大家也能够感受到，算法的提高，在很大程度上赖于数据，而不仅是算法工程师的脑力。
这直接导致了一个后果：以深度学习为基础的人工智能技术，在使计算机变得“聪明”的同时，却使算法工程师变得更“傻”。
这种傻有两个纬度，一个是从人的角度看，算法工程师的工作难度在降低，从阳春白雪变为了“朝市之学”。
另一个角度是，虽然机器变得越来越聪明，但我们却不知道它为什么变得聪明，它到底学会了什么？
原来，算法科学家通过数学精确的控制着机器的行为，是机器的“管家”，而现在，算法科学家在某种程度上沦为了机器的“保姆”。
因此，在技术上，深度学习不仅没有推高算法工程师的重要性。相反，正在降低他的重要性。
从我身边看到的，原来搞算法研究，博士是主流，而这两年越来越多的硕士正涌入这个行业。
而且，不仅在技术上，在商业上，算法工程师的稀缺程度也不如以前。
就拿人脸识别来说，原来大家的算法精度都比较低的时候，为了促进算法的实用性，大家都疯狂的招兵买马，以提高算法的精度。
而经过这些年的发展，各个厂家的精度都有了大幅的进步，都越过了实用的门槛。因此，在算法上继续大幅投入下去，再取得的回报是非常有限的，甚至连锦上添花都算不上。
这个时候，大家急需要做的就是尽快的用好的产品占领市场，以获取经济回报。而这，无论对资本来，还是对社会，才是一门技术健康发展的应有之义。
当然，在接下来的几年，人工智能行业肯定会继续繁荣下去。但这种繁荣之下，很可能不是技术的繁荣，而是产品和市场的繁荣。
因此，对将要入行的技术新人来说，还需冷静的观察和思考后，再做决定。
来源互联网
