AI 領域最最稀缺的人才——人工智慧架構師

https://mp.weixin.qq.com/s/K5sMguTfXum6tIIToWdA-w

人工智慧頭條

微訊號 AI_Thinker

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）。

楊歌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。

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？

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，而不能透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，比如能做影像識別、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。

晶片的三種型別

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型別：

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，透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：比特幣的挖礦機和人工智慧。

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，在交通影像監察識別上，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史丹佛的客座教授、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）是指影像識別、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。

AI市場上最稀缺的人才是？

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，你是透過大量的演算法、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在影像識別上就不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適合處理影像，因為影像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，他跟影像識別是不一樣的。簡單理解的話，語義是一維函式，影像是二維函式。

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。你不可能第一天就除錯出來，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。

AI工程師創業，需補足哪些短板？

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，你只能透過實踐，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”：是看書和透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，透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，透過一個相對柔和的、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，燻到一定程度的時候，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。

AI 領域最最稀缺的人才——人工智慧架構師

相關文章