|
這里，就不賣關(guān)子了。AI領(lǐng)域最最最最最稀缺的人才應(yīng)該為人工智能架構(gòu)師。有過4次技術(shù)創(chuàng)業(yè)經(jīng)歷，如今做AI投資的星瀚資本創(chuàng)始合伙人楊歌如是說。 在楊歌的身上，傳奇的經(jīng)歷多得是。 清華學(xué)霸，技術(shù)男，四次技術(shù)創(chuàng)業(yè)經(jīng)歷，創(chuàng)建青年精英商業(yè)聯(lián)合會(huì)，投身PE，創(chuàng)辦星瀚資本，圈內(nèi)最懂AI技術(shù)的投資人之一...... 然而，最打動(dòng)我的，并非這些光鮮的字眼，而是他身上強(qiáng)大的勢(shì)能，他眼里的平靜和堅(jiān)定，以及他完全不Care年輕時(shí)賺錢這件事。當(dāng)年，他甘愿拿很少的工資，只為去四大會(huì)計(jì)師事務(wù)所惡補(bǔ)財(cái)務(wù)知識(shí)。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(shù)學(xué)模型和物理模型來比喻和解釋身邊的一切現(xiàn)象，喜歡用元認(rèn)知來節(jié)省大腦內(nèi)存，喜歡用一二三來?xiàng)l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。 采訪中，他對(duì)于三個(gè)問題的論述，讓我尤其印象深刻。 第一，對(duì)目前AI芯片的立體式解析（終于知道AI芯片到底為什么會(huì)火了）； 第二，對(duì)于AI市場(chǎng)稀缺人才AI架構(gòu)師的三個(gè)層次解析（技術(shù)追求者必讀哲學(xué)）； 第三，對(duì)于AI類或一般程序員選擇創(chuàng)業(yè)的建議，針對(duì)三大特征需要補(bǔ)足的短板，并對(duì)此提出的四大方法（工程師創(chuàng)業(yè)，請(qǐng)?jiān)斪x）。 楊歌很喜歡用簡(jiǎn)單的語言，把復(fù)雜的道理講清楚。每一個(gè)問題，他都能細(xì)到不能再細(xì)，深到不能再深，再結(jié)合各類比喻，確保你真正聽懂了他的意思。 本文較長(zhǎng)，總共分三個(gè)部分，價(jià)值含量相當(dāng)高。文中盡可能地保留楊歌的口語，以原汁原味地呈現(xiàn)他的智慧。希望對(duì)你有所啟發(fā)。
就在AI專用芯片在市場(chǎng)上的呼聲不斷被推向新高的當(dāng)下，作為投資人的楊歌也出手了，一舉投資鯤云科技。在看AI技術(shù)有關(guān)的創(chuàng)業(yè)中，楊歌在圈內(nèi)頗有名聲，且語言表達(dá)能力極強(qiáng)。正好借采訪之際，讓他用最直白的語言給抖明白，專用芯片到底一個(gè)怎樣的存在，到底應(yīng)該怎么理解現(xiàn)在市場(chǎng)的芯片，以及AI芯片的創(chuàng)業(yè)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(xiàn)三個(gè)部分內(nèi)容：
AI芯片為何突然火了？ 細(xì)數(shù)芯片的歷史，就是一個(gè)從專用芯片轉(zhuǎn)向通用芯片，又轉(zhuǎn)為專用芯片的過程。
最早追溯到上世紀(jì)60年代，Intel從專用芯片轉(zhuǎn)向通用型芯片中央處理器（CPU），英偉達(dá)轉(zhuǎn)成GPU，這兩年又產(chǎn)生了TPU。 這個(gè)整套體系都是一個(gè)把芯片越做越普世化的過程，但這兩年由于終端要降低成本，所以又要返回到專用芯片，因?yàn)橥ㄓ眯酒鄬?duì)來說，效率比較低，制作成本比較高。 所以，這兩年專用芯片開始火起來。
從通用型的、服務(wù)器型的、集成型的芯片，轉(zhuǎn)成專用型的，部分設(shè)備使用的，有一定功能的芯片，再加上這兩年正好趕上AI大爆發(fā)，大家就很自然地把AI的需求燒制到這些芯片里，也就是我們看到的AI芯片異軍突起。
為何終端場(chǎng)景會(huì)催生專用芯片？ 終端的場(chǎng)景為什么一定要用終端芯片，而不能通過一個(gè)捕捉器做網(wǎng)絡(luò)傳輸送到云端、送到服務(wù)器端，用服務(wù)器的CPU、或GPU、或TPU去處理，然后再返回?cái)?shù)據(jù)呢？
是因?yàn)槟愕木W(wǎng)絡(luò)無論多快，中間都有幾百毫秒的時(shí)間差，而終端芯片未來都需要做到當(dāng)機(jī)立斷、直接分析。
比如一個(gè)機(jī)器人，它看到你之后，需要迅速分析出你有什么特點(diǎn)，并跟你對(duì)話。這個(gè)過程中，如果機(jī)器人只有接收器，需要傳送到云端再回來，無論網(wǎng)絡(luò)多快，都會(huì)有時(shí)間差。
所以，為了提高響應(yīng)速度，終端開始催生自帶處理器的需求，比如能做圖像識(shí)別、語義識(shí)別、語音識(shí)別，運(yùn)動(dòng)機(jī)能的一些處理等，那么這個(gè)時(shí)候，終端就需要具備一定的人工智能能力（AI能力）。
專用芯片起勢(shì)后，玩家們到底比拼什么？ 當(dāng)專用芯片這個(gè)需求起來之后，玩家們就要開始比拼了，具體來說，比的是：
第一，你的硬件結(jié)構(gòu)是不是最優(yōu)。 硬件行業(yè)的特點(diǎn)是：沒有最優(yōu)、只有更優(yōu)。 硬件永遠(yuǎn)都在迭代，背后的原因，主要是摩爾定律在起作用。此外，當(dāng)摩爾定律晶體管變成量子化的東西后，它會(huì)繼續(xù)進(jìn)化，從分子層面進(jìn)到原子內(nèi)部層面，再繼續(xù)找其它的計(jì)算位。
第二，算法是不是最優(yōu)。
前兩年大家非常癡狂的去搞神經(jīng)網(wǎng)絡(luò)算法的時(shí)候，變體非常多，從最開始簡(jiǎn)算的RNN變到LSTM，變到更為復(fù)雜的結(jié)構(gòu)，從最開始設(shè)計(jì)CNN，到CNN的復(fù)雜結(jié)構(gòu)，再到用CNN做對(duì)抗網(wǎng)絡(luò)…
在大家瘋狂競(jìng)爭(zhēng)算法的時(shí)候，2017年又出來一個(gè)理論說：神經(jīng)元的基礎(chǔ)單元不應(yīng)該是神經(jīng)，而應(yīng)該是一個(gè)膠囊；這樣一來，算法底層又改了，Hinton先生把自己30年前的學(xué)術(shù)成果給推翻了。在Capsule Network中，in&out在單個(gè)處理單元上變得更復(fù)雜，雖然網(wǎng)絡(luò)連接過程還是原來的樣子。 所以，很多人又只能整個(gè)推翻，重來。
第三，工程細(xì)節(jié)是不是最優(yōu)。 人們也發(fā)明了很多種方法，比如原來是全連接的，后來又有CNN部分模塊連接，然后又出現(xiàn)了很多類似Dropout的模式，連接著同時(shí)遺忘著，發(fā)現(xiàn)比正常的還更好。
第四，工程上的創(chuàng)新每天都在發(fā)生。 每個(gè)工程師都有工程上的創(chuàng)新。100個(gè)工程師里如果有一個(gè)工程師有了意義深遠(yuǎn)的創(chuàng)新，那么對(duì)于整個(gè)行業(yè)來說，又是一場(chǎng)大變革。
無論是怎樣的創(chuàng)新，都在不斷突破，不斷提升效率。比如，在算法上，AlphaGoMaster和AlphaGo Zero，后者的效率相對(duì)前者就有突飛猛進(jìn)的增長(zhǎng)。
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(xiàn)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(gè)行業(yè)就是這樣。
從硬件、軟硬結(jié)合，軟件、算法幾個(gè)方面來看，每天都在迭代，所以它很難：由于它沒有定型，無定型態(tài)的結(jié)果導(dǎo)致對(duì)專用芯片的固定性要求是非?？量痰?。 因?yàn)閷Ｓ眯酒艽蟮膯栴}是一旦定板、開模，這個(gè)東西就不能改，這是一個(gè)很大的問題。所以，如何做一個(gè)適用性最強(qiáng)的專用芯片，這是非常重要的。一般的專用芯片做完之后，比如只服務(wù)于某一種語音識(shí)別機(jī)的芯片，一旦算法更新，底層對(duì)模塊的要求就又不一樣了，那么這個(gè)專用芯片就不能用了。于是，只能再做一個(gè)新的專用芯片。
這個(gè)事情的迭代速度太快了。
芯片的三種類型 前面大致羅列了專用芯片崛起的背景，接下來我們具體聊一下芯片到底有哪三種類型：
其中，F(xiàn)PGA相當(dāng)于編寫硬件，通過改變硬件可以隨時(shí)調(diào)整功能邏輯，但FPGA有以下幾個(gè)大問題：
所以，F(xiàn)PGA是個(gè)過渡過程，它能夠銜接通用型芯片和底層專用芯片。
說完FPGA，再說說專用芯片。 專用芯片的特點(diǎn)是價(jià)格極其便宜，只要你開模、打板之后，基本上一片50-100元就搞定了，但開模費(fèi)500萬，而且一旦開模就改不了。(營(yíng)長(zhǎng)注：這里500萬為概數(shù)，楊歌想表達(dá)是開模費(fèi)很高，對(duì)公司來說，是一筆不小的負(fù)擔(dān)。據(jù)營(yíng)長(zhǎng)所知，開模費(fèi)的量級(jí)一般在數(shù)百萬-數(shù)千萬之間。）
如果用數(shù)學(xué)的方式來理解這三類芯片，那就是：
專用芯片的成敗關(guān)鍵 目前，大家傾向于回歸專用芯片，這也是因?yàn)閷Ｓ眯酒?017年有兩大推動(dòng)力：比特幣的挖礦機(jī)和人工智能。
基于這兩股力量，編寫專用芯片需求來了，因?yàn)镕PGA和CPU成本太高了。 但專用芯片的問題也來了，那就是，無論哪個(gè)時(shí)代，不管你是20世紀(jì)70、80年代，還是現(xiàn)在，專用芯片都會(huì)有過時(shí)的一天，因?yàn)榧夹g(shù)一直在迭代。這時(shí)候，就是考驗(yàn)?zāi)銓?duì)專用芯片把控力的時(shí)候了，一句話，你設(shè)計(jì)的專用芯片到底能支撐業(yè)務(wù)走多久。
如果你編出來的專用芯片，能持續(xù)三年使用，那么同期你就可以去研發(fā)另外更新的專用芯片。三年后，當(dāng)原來的專用芯片產(chǎn)能要下降的時(shí)候，你可以拿新的專用芯片頂上。你要能頂上，那這個(gè)能力就厲害了。
但如果你的專用芯片半年就過時(shí)了，那你的成本就太高了，因?yàn)槟忝總€(gè)專用芯片的打板就需要500萬以上，對(duì)初創(chuàng)公司來講是完全承受不起的。（營(yíng)長(zhǎng)注：此為概數(shù)，只是為強(qiáng)調(diào)打板花費(fèi)較大。）如果你還不停地在打板，那你的公司就危險(xiǎn)了，你還不如用FPGA和CPU來做，現(xiàn)在多核CPU也能完成。
現(xiàn)在專用芯片的一個(gè)競(jìng)爭(zhēng)在于，你編寫出來專用芯片是否魯棒性、適應(yīng)性和存續(xù)性足夠強(qiáng)，是否能夠適應(yīng)更多的人工智能算法模塊，是否能扛住算法變體…
比如當(dāng)CNN一變體，卷積核一變體，這個(gè)芯片能不能扛?。慨?dāng)LSTM的循環(huán)網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)中，忘記門和記憶門這兩個(gè)發(fā)生變化，你能否扛??？
當(dāng)然，Capsule Network一出來，不僅你扛不住了，大家都扛不住了。
總的來說，你要讓你的專用芯片在容錯(cuò)性和魯棒性、適應(yīng)性上做到最強(qiáng)，這樣，你的成本才能算得過賬來。但大部分技術(shù)人員的賬，可能算不了三到五年的時(shí)間。
還有些人把目光放在非常細(xì)的地方，一定要編到極致，保證局部的魯棒性、容錯(cuò)性提到最高，但長(zhǎng)期的、中長(zhǎng)期，比如三年期，這樣不一定行。
比如，在交通圖像監(jiān)察識(shí)別上，你怎么用都不出錯(cuò)，正確率99.9%，但突然過兩年算法一升級(jí)，你怎么辦？ 因此，我不建議把目光放到單個(gè)場(chǎng)景的適應(yīng)性上，我認(rèn)為應(yīng)該放在一個(gè)長(zhǎng)期的、場(chǎng)景變革的使用性上，這點(diǎn)非常重要。
這些問題其實(shí)是現(xiàn)在AI芯片競(jìng)爭(zhēng)最重要的底層邏輯。在AI芯片領(lǐng)域，我們投了鯤云科技，他們的聯(lián)合創(chuàng)始人為斯坦福的客座教授、帝國(guó)理工的教授、英國(guó)皇家工程院院士，發(fā)表300多篇的論文。
他們的特點(diǎn)能把芯片的適用性做得很好，芯片的場(chǎng)景適應(yīng)性、網(wǎng)絡(luò)適應(yīng)性、算法適應(yīng)性非常強(qiáng)。
同樣做的很好的公司還有地平線、寒武紀(jì)、深鑒等，不過也有一些公司，場(chǎng)景化的正確率只有95%，甚至85%，那么這些芯片可能就沒法用，或者只能調(diào)動(dòng)一定的模塊函數(shù)，不能調(diào)動(dòng)大部分模塊函數(shù)。
目前來說，深度學(xué)習(xí)訓(xùn)練過程是不需要用AI專用芯片的，因?yàn)锳I專用芯片主要還是在某一個(gè)終端應(yīng)用場(chǎng)景用。一般來說，終端人工智能芯片并不執(zhí)行訓(xùn)練過程，它只執(zhí)行使用過程。這是大家容易產(chǎn)生理解誤區(qū)的一個(gè)點(diǎn)。
AI芯片市場(chǎng)距離飽和還很遠(yuǎn)
說到終端市場(chǎng)，英偉達(dá)也在猛攻終端市場(chǎng)。英偉達(dá)去年出了一個(gè)TX2的新型芯片（也是終端芯片）。但英偉達(dá)的終端芯片是一個(gè)輕版的集成化芯片，是把它集成化的GPU鑲在了一個(gè)小的芯片上，形式了一個(gè)專用芯片。所以，現(xiàn)在的AI專用芯片還需要扛住英偉達(dá)的競(jìng)爭(zhēng)。
目前，人工智能技術(shù)有三層：
技術(shù)模塊中間層（簡(jiǎn)稱模塊層）是指圖像識(shí)別、語言識(shí)別、語義識(shí)別、運(yùn)動(dòng)機(jī)能識(shí)別；底層，即基礎(chǔ)數(shù)學(xué)物理層，就是芯片，數(shù)據(jù)傳輸、數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)、算法結(jié)構(gòu)、算法模塊。
而應(yīng)用層中，幾個(gè)比較大的場(chǎng)景有：
這幾個(gè)場(chǎng)景的入口模塊都需要完整的、完全標(biāo)準(zhǔn)的模塊層，就是說語音識(shí)別、語義識(shí)別都則需要非常精準(zhǔn)，無論是器械，還是一個(gè)機(jī)器人，都需要模塊層要很成熟，同時(shí)需要底層芯片層很成熟。目前，大家都在競(jìng)爭(zhēng)這個(gè)市場(chǎng)。
二十年后，周圍的物體可能拍一拍都能動(dòng)、都能說話，每一個(gè)東西都需要兩個(gè)基礎(chǔ)的模塊體系。
軟環(huán)境就是科大訊飛、商湯、曠視等等在做的東西，硬環(huán)境就是英偉達(dá)、通訊云、鯤云、深鑒等公司在做的。
現(xiàn)在的AI專用芯片市場(chǎng)，如果說市場(chǎng)飽和度滿分是10分，現(xiàn)在也就1分不到。
雖然現(xiàn)在才1分不到，但今年的AI芯片公司突然火起來，就是因?yàn)榇蠹翌A(yù)期了十年之后的應(yīng)用場(chǎng)景，十年之后這個(gè)市場(chǎng)是很大的，不過大到什么程度不好做預(yù)期。
現(xiàn)在市場(chǎng)上的幾家公司，顯然還是不足以形成大的競(jìng)爭(zhēng)。
如果做個(gè)比喻，現(xiàn)在的市場(chǎng)，也就是剛剛進(jìn)入體育場(chǎng)，裁判還沒有開始吹哨的時(shí)候。
對(duì)于AI專用芯片來說，應(yīng)用場(chǎng)景還沒有完全開發(fā)完，有人去做無人機(jī)監(jiān)測(cè)、有人去做道路攝像頭監(jiān)測(cè)、有人是做家居環(huán)境?？偟膩碚f，目前各家的應(yīng)用場(chǎng)景都還沒有鎖定，還處在一個(gè)惡補(bǔ)基礎(chǔ)知識(shí)的階段。
當(dāng)然，這個(gè)階段完成之后，可能有的轉(zhuǎn)向交通，有的轉(zhuǎn)向家庭環(huán)境了，各有各自的立足的垂直領(lǐng)域，并繼續(xù)迭代。那么等到那時(shí)候，可能就不競(jìng)爭(zhēng)了。 AI市場(chǎng)上最稀缺的人才是？ 首先，我覺得懂人工智能，我是說的是真正懂人工智能的人才，是非常稀缺的。 那么什么叫真正懂呢？ 就是了解人工智能物理意義的人，而不僅僅是懂算法。
什么才是真正懂人工智能——庖丁解牛 舉個(gè)我自身的例子。我在清華大學(xué)念書時(shí)，就用過神經(jīng)網(wǎng)絡(luò)，我會(huì)用，但我不懂，不懂它的底層意義到底是什么，不懂這個(gè)東西為什么能夠訓(xùn)練出來，不理解計(jì)算機(jī)到底是怎么思考的。 這是一個(gè)非常重要的思維門檻。
對(duì)于深度學(xué)習(xí)來說，由于這里面是一個(gè)黑箱，你可以不知道機(jī)器在某一點(diǎn)到底在思考什么，但機(jī)器思考的那套整體邏輯和大概每一層單元在干什么，你要很清楚。
目前，能理解到這個(gè)層次的人非常少。
打個(gè)比方，有個(gè)詞叫庖丁解牛。你首先得在眼睛里，大腦里有這頭牛的全貌，然后你還必須很會(huì)使用這個(gè)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(dá)到庖丁解牛的境界。 同樣，人工智能也是這么一個(gè)工具。
給你一大堆圖片，讓你訓(xùn)練出一個(gè)模型，你用tensorflow跑出來了，但明天讓你訓(xùn)練語音，后天訓(xùn)練物流雜亂的數(shù)據(jù)化信息，你就蒙圈了。 再比如，有個(gè)模型是要用CNN加上全連接的，你的模型是用對(duì)抗網(wǎng)絡(luò)更好一點(diǎn)，那么你的模型就可以不使用神經(jīng)網(wǎng)絡(luò)，而應(yīng)該使用Randomforest，有了模型你應(yīng)該使用這個(gè)，你為什么要使用這個(gè)，你是通過大量的算法、經(jīng)驗(yàn)做出來的。
對(duì)我來說，最大的幫助是，一個(gè)編程的感性認(rèn)識(shí)。我在大學(xué)研究生的時(shí)候，我做了大量的編程，天天在debug，debug特別鍛煉人對(duì)于機(jī)器底層運(yùn)轉(zhuǎn)的思考，一套10萬行的程序出錯(cuò)了，你怎么能夠迅速給他debug出來，這個(gè)你要去理解計(jì)算機(jī)到底容易在什么地方出錯(cuò)。
人工智能更復(fù)雜，人工智能在調(diào)試的過程中，沒有debug的提示器，因?yàn)樗菙?shù)據(jù)和數(shù)據(jù)之間，它是一個(gè)數(shù)值計(jì)算，不能收斂的過程，就是你算著算著錯(cuò)了，你也不知道什么地方出錯(cuò)了，你只能看到這個(gè)數(shù)據(jù)發(fā)散了，這是一個(gè)特別要命的問題，因?yàn)槟愕某绦蛞稽c(diǎn)都沒有寫錯(cuò)，只是你的數(shù)據(jù)結(jié)構(gòu)、網(wǎng)絡(luò)結(jié)構(gòu)弄錯(cuò)了，這個(gè)要求程序員對(duì)這個(gè)算法的物理模型、場(chǎng)景模型極其明確物理意義的過程，這是非常復(fù)雜的，很難描述這個(gè)事情。
最稀缺人才——人工智能架構(gòu)師 我有一個(gè)特點(diǎn)，我所有學(xué)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(gè)東西叫元認(rèn)知。 元認(rèn)知越底層的人，他在理解一件事情的時(shí)候所占用腦子里的內(nèi)存越少。比如說讓我去描繪一個(gè)整個(gè)的商業(yè)案件，有人是背書，從頭到尾背下來，我看一遍以后，我可能一個(gè)單位我就記住了，然后就忘了，下次讓我描述這個(gè)事，我把這個(gè)單元提出來就可以描述。
人工智能也是，它是一套工具，一個(gè)真正好的工程師，他手里所有的人工智能都是算法，比如現(xiàn)已知的，人工智能大類的算法可能有七八類，像支持向量機(jī)，神經(jīng)網(wǎng)絡(luò)、randomforest，adaboost等一大堆，他在看到一個(gè)模型后，能迅速判斷哪個(gè)模型更適合。
比如說為什么語義識(shí)別是用循環(huán)網(wǎng)絡(luò)和LSTM來做識(shí)別？因?yàn)檎Z義是一個(gè)線性的信息流，這個(gè)線性信息流里面要記住前面很遠(yuǎn)的信息，同時(shí)要忘掉很大一部分信息，再記住當(dāng)前的信息，所以，用LSTM能非常完美的解決這個(gè)問題，但LSTM在圖像識(shí)別上就不Work了、在量化金融中的優(yōu)勢(shì)也不明顯。
這里，很多人會(huì)認(rèn)為股票和語義都是一個(gè)時(shí)間序列函數(shù)，或者是前后序列函數(shù)。為什么LSTM訓(xùn)練這個(gè)很好用，訓(xùn)練股票就不行了呢？ 這個(gè)，就需要回到元認(rèn)知。因?yàn)樗麄兊臄?shù)據(jù)結(jié)構(gòu)完全不一樣，你得理解什么模型處理什么實(shí)體結(jié)構(gòu)。 再比如，CNN適合處理大量數(shù)據(jù)、超大量的數(shù)據(jù)，且數(shù)據(jù)和數(shù)據(jù)之間有明確相關(guān)條件，所以，CNN適合處理圖像，因?yàn)閳D像的像素之間具有相關(guān)性。 而同樣的一個(gè)情況，語義又不適合了。比如“我寫程序”這四個(gè)字，每個(gè)字之間一對(duì)一的相關(guān)性并不是那么強(qiáng)，但他有一個(gè)整體相關(guān)性，他跟圖像識(shí)別是不一樣的。簡(jiǎn)單理解的話，語義是一維函數(shù)，圖像是二維函數(shù)。 所以，這些都是很細(xì)節(jié)的東西。你只有在使用了大量的程序之后，跑著跑著，才能感知到，哦，原來這個(gè)應(yīng)該用什么算法跑，那個(gè)不能用什么算法跑。因?yàn)槿斯ぶ悄軐儆诤诎瞪?，你只能慢慢去摸索，摸索哪個(gè)是最適合的。你不可能第一天就調(diào)試出來，搞清楚哪種場(chǎng)景，到底該用什么程序，這個(gè)程序應(yīng)該有多少層的網(wǎng)絡(luò)、結(jié)構(gòu)、單元，每一層單元有什么樣的參數(shù)，應(yīng)該跟什么程序進(jìn)行配合，是否需要兩個(gè)程序進(jìn)行嫁接，是否需要高級(jí)的比如對(duì)抗型的、或者輔助型、或者嫁接型等。你需要不斷地錘煉和思考，才能出來這樣的感覺，都是一點(diǎn)一點(diǎn)悟出來的。
所以，回到最開始的問題，我覺得如果用一個(gè)特定的職位來定義，這個(gè)最稀缺的人才是人工智能架構(gòu)師。
他能抽象出你最應(yīng)該使用什么樣的工具。在他之下，其他人就可以在一個(gè)更細(xì)的層面上，去琢磨這個(gè)工具具體應(yīng)該怎么來用。
不過，人工智能架構(gòu)師又分三個(gè)層次。
人工智能架構(gòu)師的三個(gè)層次
第一層：物理模型架構(gòu)。 有的時(shí)候大家在訓(xùn)練一件事情的相關(guān)性上，可能會(huì)把兩個(gè)事情分開放。其實(shí)應(yīng)該把兩個(gè)事件放在一起，把相關(guān)性作為訓(xùn)練對(duì)象來進(jìn)行訓(xùn)練，這樣訓(xùn)練可能會(huì)更好。 或者把一個(gè)隱藏的物理意義作為訓(xùn)練對(duì)象，把相關(guān)性和兩個(gè)事情都放在一起，然后再進(jìn)行訓(xùn)練。 但很多人就想不到這點(diǎn)，就拿兩個(gè)事情直接去訓(xùn)練相關(guān)性，這是錯(cuò)誤的。 物理模型架構(gòu)，這是最里的一層，需要深刻理解物理意義，當(dāng)知道各種各樣的函數(shù)該怎么去用的時(shí)候，火候就差不多了。
第二層：當(dāng)我們確定怎么訓(xùn)練拓?fù)淠Ｐ椭?，拓?fù)淠Ｐ涂蚣艹鰜淼臅r(shí)候，基于拓?fù)淇蚣芪疫x用什么樣的網(wǎng)絡(luò)模塊，具體需要訓(xùn)練成什么效果，然后再具體去訓(xùn)練。
第三層：等這些模塊全選好了，每一層用多少個(gè)單元、多少個(gè)參數(shù)，你有沒有這個(gè)能力。第一層的神經(jīng)元你可以選擇100個(gè)，第二層的你選10個(gè)，第三個(gè)選擇多少個(gè)，然后用卷積你又選擇多少個(gè)，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(jié)果來。
好的工程師第一刀就可以給你切到差不多的點(diǎn)上，你這個(gè)模型基本10層網(wǎng)絡(luò)，每一層大概10個(gè)神經(jīng)元，卷積核的層數(shù)大概3層，全鏈接層7層就夠了，他會(huì)一上來就給你做這個(gè)東西。
目前，這三種架構(gòu)人才都很稀缺。
要培養(yǎng)一個(gè)這樣的人才，很難很難，必須跨界，尤其物理模型架構(gòu)層面，必須跨界。你必須要能理解這個(gè)東西在物理層面上的意義，你必須經(jīng)歷過不一樣思維模式的業(yè)務(wù)，有開闊的眼界，比如從事過社會(huì)、社科、商業(yè)等多種類型的工作，然后再反過來去看這件事情，就容易了。
為什么說一定要跨界呢？因?yàn)榭缃鐣?huì)對(duì)你補(bǔ)充另外一個(gè)部分的素養(yǎng)，跨界就是補(bǔ)足你的數(shù)據(jù)，這叫“一個(gè)向量空間的完備性”，你跨界是用來干這個(gè)的。
我見過的特別優(yōu)秀的能扛起人工智能架構(gòu)師這類角色的人很少。我很欣賞第四范式的戴文淵，他就可以把銀行所需要的算法場(chǎng)景變成一定的函數(shù)需求，他屬于在工程師里情商比較高，相對(duì)比較跨界的稀缺人才。
要成為一個(gè)這樣的人才，我覺得至少要十年時(shí)間。
這類人才，一定是有強(qiáng)感知能力的，他有感知整個(gè)社會(huì)存在的能力，而不是把眼睛全放在眼前的技術(shù)上。
AI工程師創(chuàng)業(yè)，需補(bǔ)足哪些短板？ 未來關(guān)于AI的機(jī)會(huì)太多了，各行各業(yè)都需要AI，所有有大量數(shù)據(jù)的地方都可以用AI進(jìn)行處理，因此，可能很多AI工程師也會(huì)考慮創(chuàng)業(yè)。
如果要?jiǎng)?chuàng)業(yè)，他們又還應(yīng)該得到哪些方面的成長(zhǎng)呢？
要回答這個(gè)問題，我們先來看看程序員到底是一種怎樣的存在。
程序員是數(shù)據(jù)和人類之間的溝通者，這一點(diǎn)非常重要。什么意思呢，就是說，他能把數(shù)據(jù)翻譯成人話，把人想要執(zhí)行的東西轉(zhuǎn)化成數(shù)據(jù)、數(shù)字。 對(duì)這類人群來說，由于長(zhǎng)期跟電腦，跟技術(shù)打交道，如果要?jiǎng)?chuàng)業(yè)，他們必須要有實(shí)踐經(jīng)歷，要有生活化的感知體驗(yàn)。
這句話怎么理解呢？
AI工程師必須掌握的三個(gè)特征 我舉個(gè)例子，這個(gè)例子可能有點(diǎn)抽象了。我把任何一件事分為主要特征、次要特征、長(zhǎng)尾特征。 主要特征靠看書是可以學(xué)習(xí)到的，就是老師告訴你公理一、公理二，社會(huì)規(guī)律一、社會(huì)規(guī)律二，你就記住了，這是主要特征。
什么是次要特征呢？一個(gè)事件有很多復(fù)雜的次要特征，這個(gè)老師講不清楚，你只能通過實(shí)踐，比如你在干工作的時(shí)候，如果財(cái)務(wù)不留準(zhǔn)備金率，那公司就非常危險(xiǎn)了；此外，對(duì)于合規(guī)這件事，在實(shí)踐中你才能知道為什么要做合規(guī)，是因?yàn)楹芏嗉?xì)節(jié)，工商、稅務(wù)、法律等問題都會(huì)影響到你的效率。 長(zhǎng)尾特征屬于感性化的層面了，比如你在人和人接觸的時(shí)候，你對(duì)這個(gè)人要稍微好一點(diǎn)，生意就變得更順暢一點(diǎn)，這個(gè)老師都不會(huì)教給你。
總的來說，主要特征靠看書解決，次要特征靠實(shí)踐解決，長(zhǎng)尾特征靠情商培養(yǎng)。如果你只有主要特征，你就永遠(yuǎn)解決不了一個(gè)完整的事情。 程序員今后不管是創(chuàng)業(yè)，還是說要有更大的發(fā)展，需要加強(qiáng)次要特征和長(zhǎng)尾特征兩個(gè)方面。
對(duì)于三種特征，如何真正學(xué)會(huì)和掌握呢？
四種學(xué)習(xí)方法，AI工程師應(yīng)補(bǔ)足后三種 為了很好地掌握這三種特征，我有一個(gè)很重要的學(xué)習(xí)方法可以跟大家分享：學(xué)習(xí)多樣性。 具體而言，有四個(gè)層面：
“理解”：是看書和通過理論化的知識(shí)去學(xué)習(xí)，學(xué)習(xí)完全結(jié)構(gòu)化的知識(shí)叫“理解”，程序員多數(shù)有一個(gè)很大的問題，程序員的知識(shí)結(jié)構(gòu)大都是理解來的。 “理會(huì)”：是與人交流，通過跟別人交流學(xué)到知識(shí)，這點(diǎn)是我從24歲之后大量去做的。因?yàn)槿撕腿私涣鞯臅r(shí)候，是別人已經(jīng)加工過的知識(shí)，通過一個(gè)相對(duì)柔和的、說人話的方式讓你聽懂了。 與一個(gè)智者聊天勝讀十年書，因?yàn)樗阉甑臇|西全總結(jié)給你了，而且都是精華。 多與智者交談，你會(huì)發(fā)現(xiàn)，你的整個(gè)世界觀都對(duì)了。 “感受”：智者不能告訴你的細(xì)節(jié)，你以實(shí)踐出真知，從實(shí)踐中去感受，能感受到細(xì)節(jié)。 “感知”：主要來自于看不同文化的影片、電影、電視劇和書籍文章等；還有出去旅行。 舉個(gè)例子，比如你去日本，語言、貨幣、文化什么都不通，你在那兒待20天，回來之后你發(fā)現(xiàn)你身上會(huì)有一些日本人的習(xí)慣，思維方法跟他們很相似，因?yàn)檫@是一套環(huán)境在影響你，這套環(huán)境在數(shù)學(xué)上叫高階小量。這些東西在不斷地影響你的一些行為習(xí)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(guó)最典型的感受就是這樣的。因?yàn)檫@兩個(gè)國(guó)家的文化氣息是非常濃烈且集中的，你去了英國(guó)之后，你整個(gè)人就變成那種狀態(tài)了，詼諧、思考、謹(jǐn)慎。然后你能想象出來一些東西，為什么這個(gè)國(guó)家和文化下的人會(huì)有這種狀態(tài)。 此外，電影熏陶也是我常常借助的方法。 當(dāng)我對(duì)一件事情很不理解的時(shí)候，我就開始放那一類電影，一直循環(huán)播放，熏到一定程度的時(shí)候，電影里面的每個(gè)言行舉止，我都能被強(qiáng)烈地代入進(jìn)去，然后我就突然就理解了，原來這么干是有原因的，為什么是這樣不是那樣。
在這四種學(xué)習(xí)中，AI工程師最應(yīng)該補(bǔ)齊的是后面三種學(xué)習(xí)方法，尤其是中國(guó)的工程師，應(yīng)多學(xué)學(xué)硅谷工程師的跨界，一定要從自己的理解層面的學(xué)習(xí)方法、相對(duì)固化的學(xué)習(xí)方法中跳出來。
當(dāng)然，這是一個(gè)逐漸豐滿的過程，AI工程師，或者其他程序員有志于未來創(chuàng)業(yè)，一定要多從這幾個(gè)方面去鍛造自己。 |
|
|
