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，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，最打動我的，并非這些光鮮的字眼，而是他身上強大的勢能，他眼里的平靜和堅定，以及他完全不Care年輕時賺錢這件事。當(dāng)年，他甘愿拿很少的工資，只為去四大會計師事務(wù)所惡補財務(wù)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(shù)學(xué)模型和物理模型來比喻和解釋身邊的一切現(xiàn)象，喜歡用元認知來節(jié)省大腦內(nèi)存，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。

采訪中，他對于三個問題的論述，讓我尤其印象深刻。

第一，對目前AI芯片的立體式解析（終于知道AI芯片到底為什么會火了）；

第二，對于AI市場稀缺人才AI架構(gòu)師的三個層次解析（技術(shù)追求者必讀哲學(xué)）；

第三，對于AI類或一般程序員選擇創(chuàng)業(yè)的建議，針對三大特征需要補足的短板，并對此提出的四大方法（工程師創(chuàng)業(yè)，請詳讀）。

楊歌很喜歡用簡單的語言，把復(fù)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(jié)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(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。希望對你有所啟發(fā)。

就在AI專用芯片在市場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，且語言表達能力極強。正好借采訪之際，讓他用最直白的語言給抖明白，專用芯片到底一個怎樣的存在，到底應(yīng)該怎么理解現(xiàn)在市場的芯片，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)三個部分內(nèi)容：

1、AI芯片為何突然火了？?

2、AI領(lǐng)域真正最最最缺的人才到底是什么？?

3、AI工程師如果選擇創(chuàng)業(yè)，必須補足哪些功課？

AI芯片為何突然火了？

細數(shù)芯片的歷史，就是一個從專用芯片轉(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），英偉達轉(zhuǎn)成GPU，這兩年又產(chǎn)生了TPU。

這個整套體系都是一個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，因為通用芯片相對來說，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。

為何終端場景會催生專用芯片？

終端的場景為什么一定要用終端芯片，而不能通過一個捕捉器做網(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，然后再返回數(shù)據(jù)呢？

是因為你的網(wǎng)絡(luò)無論多快，中間都有幾百毫秒的時間差，而終端芯片未來都需要做到當(dāng)機立斷、直接分析。

比如一個機器人，它看到你之后，需要迅速分析出你有什么特點，并跟你對話。這個過程中，如果機器人只有接收器，需要傳送到云端再回來，無論網(wǎng)絡(luò)多快，都會有時間差。

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，比如能做圖像識別、語義識別、語音識別，運動機能的一些處理等，那么這個時候，終端就需要具備一定的人工智能能力（AI能力）。

專用芯片起勢后，玩家們到底比拼什么？

當(dāng)專用芯片這個需求起來之后，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)的特點是：沒有最優(yōu)、只有更優(yōu)。

硬件永遠都在迭代，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，它會繼續(xù)進化，從分子層面進到原子內(nèi)部層面，再繼續(xù)找其它的計算位。

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)算法的時候，變體非常多，從最開始簡算的RNN變到LSTM，變到更為復(fù)雜的結(jié)構(gòu)，從最開始設(shè)計CNN，到CNN的復(fù)雜結(jié)構(gòu)，再到用CNN做對抗網(wǎng)絡(luò)…

在大家瘋狂競爭算法的時候，2017年又出來一個理論說：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，很多人又只能整個推翻，重來。

第三，工程細節(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。

每個工程師都有工程上的創(chuàng)新。100個工程師里如果有一個工程師有了意義深遠的創(chuàng)新，那么對于整個行業(yè)來說，又是一場大變革。

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(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，這個行業(yè)就是這樣。

從硬件、軟硬結(jié)合，軟件、算法幾個方面來看，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)致對專用芯片的固定性要求是非常苛刻的。

因為專用芯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)于某一種語音識別機的芯片，一旦算法更新，底層對模塊的要求就又不一樣了，那么這個專用芯片就不能用了。于是，只能再做一個新的專用芯片。

這個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：

1、集成型的芯片（CPU、GPU、TPU），屬于它的模塊陣列非常統(tǒng)一的，它能處理幾乎所有的事情，又叫通用型芯片?

2、FPGA可編程門陣列?

3、專用芯片

其中，F(xiàn)PGA相當(dāng)于編寫硬件，通過改變硬件可以隨時調(diào)整功能邏輯，但FPGA有以下幾個大問題：

1、成本比較高，真正好的FPGA要8000元-1萬元。?

2、編寫復(fù)雜，門檻高，修改難度大。?

3、編程過程中的效率比高級算法低，這樣就導(dǎo)致開發(fā)難度也比較大。

所以，F(xiàn)PGA是個過渡過程，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。

專用芯片的特點是價格極其便宜，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500萬，而且一旦開模就改不了。(營長注：這里500萬為概數(shù)，楊歌想表達是開模費很高，對公司來說，是一筆不小的負擔(dān)。據(jù)營長所知，開模費的量級一般在數(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：

1、專用芯片又叫階躍函數(shù)，意思就是，這個東西開了模之后，下一次你要再改，你就得整個上一等；?

2、FPGA是線性函數(shù)，慢慢漲、慢慢漲；?

3、CPU、GPU等集成型芯片是指數(shù)函數(shù)，成本高，但它是一個好的模式。

專用芯片的成敗關(guān)鍵

目前，大家傾向于回歸專用芯片，這也是因為專用芯片在2017年有兩大推動力：比特幣的挖礦機和人工智能。

基于這兩股力量，編寫專用芯片需求來了，因為FPGA和CPU成本太高了。

但專用芯片的問題也來了，那就是，無論哪個時代，不管你是20世紀70、80年代，還是現(xiàn)在，專用芯片都會有過時的一天，因為技術(shù)一直在迭代。這時候，就是考驗?zāi)銓Ｓ眯酒芽亓Φ臅r候了，一句話，你設(shè)計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)能要下降的時候，你可以拿新的專用芯片頂上。你要能頂上，那這個能力就厲害了。

但如果你的專用芯片半年就過時了，那你的成本就太高了，因為你每個專用芯片的打板就需要500萬以上，對初創(chuàng)公司來講是完全承受不起的。（營長注：此為概數(shù)，只是為強調(diào)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(xiàn)在多核CPU也能完成。

現(xiàn)在專用芯片的一個競爭在于，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，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，這個芯片能不能扛住？當(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發(fā)生變化，你能否扛住？

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性和魯棒性、適應(yīng)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(shù)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，保證局部的魯棒性、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，在交通圖像監(jiān)察識別上，你怎么用都不出錯，正確率99.9%，但突然過兩年算法一升級，你怎么辦？

因此，我不建議把目光放到單個場景的適應(yīng)性上，我認為應(yīng)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(xiàn)在AI芯片競爭最重要的底層邏輯。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、帝國理工的教授、英國皇家工程院院士，發(fā)表300多篇的論文。

他們的特點能把芯片的適用性做得很好，芯片的場景適應(yīng)性、網(wǎng)絡(luò)適應(yīng)性、算法適應(yīng)性非常強。

同樣做的很好的公司還有地平線、寒武紀、深鑒等，不過也有一些公司，場景化的正確率只有95%，甚至85%，那么這些芯片可能就沒法用，或者只能調(diào)動一定的模塊函數(shù)，不能調(diào)動大部分模塊函數(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，因為AI專用芯片主要還是在某一個終端應(yīng)用場景用。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)的一個點。

AI芯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的新型芯片（也是終端芯片）。但英偉達的終端芯片是一個輕版的集成化芯片，是把它集成化的GPU鑲在了一個小的芯片上，形式了一個專用芯片。所以，現(xiàn)在的AI專用芯片還需要扛住英偉達的競爭。

目前，人工智能技術(shù)有三層：

1、基礎(chǔ)數(shù)學(xué)物理層?

2、技術(shù)模塊中間層?

3、應(yīng)用層

技術(shù)模塊中間層（簡稱模塊層）是指圖像識別、語言識別、語義識別、運動機能識別；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)存儲結(jié)構(gòu)、算法結(jié)構(gòu)、算法模塊。

而應(yīng)用層中，幾個比較大的場景有：

1、智能家具、智能房屋、智慧城市?

2、機器人?

3、個人語音助手

這幾個場景的入口模塊都需要完整的、完全標(biāo)準的模塊層，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，都需要模塊層要很成熟，同時需要底層芯片層很成熟。目前，大家都在競爭這個市場。

二十年后，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(chǔ)的模塊體系。

1、第一個模塊體系：硬件模塊體系，就是它的硬環(huán)境。?

2、第二個模塊體系：也就是軟環(huán)境。

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、通訊云、鯤云、深鑒等公司在做的。

現(xiàn)在的AI專用芯片市場，如果說市場飽和度滿分是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，就是因為大家預(yù)期了十年之后的應(yīng)用場景，十年之后這個市場是很大的，不過大到什么程度不好做預(yù)期。

現(xiàn)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(xiàn)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。

對于AI專用芯片來說，應(yīng)用場景還沒有完全開發(fā)完，有人去做無人機監(jiān)測、有人去做道路攝像頭監(jiān)測、有人是做家居環(huán)境。總的來說，目前各家的應(yīng)用場景都還沒有鎖定，還處在一個惡補基礎(chǔ)知識的階段。

當(dāng)然，這個階段完成之后，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

舉個我自身的例子。我在清華大學(xué)念書時，就用過神經(jīng)網(wǎng)絡(luò)，我會用，但我不懂，不懂它的底層意義到底是什么，不懂這個東西為什么能夠訓(xùn)練出來，不理解計算機到底是怎么思考的。

這是一個非常重要的思維門檻。

對于深度學(xué)習(xí)來說，由于這里面是一個黑箱，你可以不知道機器在某一點到底在思考什么，但機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。你首先得在眼睛里，大腦里有這頭牛的全貌，然后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，人工智能也是這么一個工具。

給你一大堆圖片，讓你訓(xùn)練出一個模型，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，有個模型是要用CNN加上全連接的，你的模型是用對抗網(wǎng)絡(luò)更好一點，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，你為什么要使用這個，你是通過大量的算法、經(jīng)驗做出來的。

對我來說，最大的幫助是，一個編程的感性認識。我在大學(xué)研究生的時候，我做了大量的編程，天天在debug，debug特別鍛煉人對于機器底層運轉(zhuǎn)的思考，一套10萬行的程序出錯了，你怎么能夠迅速給他debug出來，這個你要去理解計算機到底容易在什么地方出錯。

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，因為它全是數(shù)據(jù)和數(shù)據(jù)之間，它是一個數(shù)值計算，不能收斂的過程，就是你算著算著錯了，你也不知道什么地方出錯了，你只能看到這個數(shù)據(jù)發(fā)散了，這是一個特別要命的問題，因為你的程序一點都沒有寫錯，只是你的數(shù)據(jù)結(jié)構(gòu)、網(wǎng)絡(luò)結(jié)構(gòu)弄錯了，這個要求程序員對這個算法的物理模型、場景模型極其明確物理意義的過程，這是非常復(fù)雜的，很難描述這個事情。

最稀缺人才——人工智能架構(gòu)師

我有一個特點，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占用腦子里的內(nèi)存越少。比如說讓我去描繪一個整個的商業(yè)案件，有人是背書，從頭到尾背下來，我看一遍以后，我可能一個單位我就記住了，然后就忘了，下次讓我描述這個事，我把這個單元提出來就可以描述。

人工智能也是，它是一套工具，一個真正好的工程師，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，神經(jīng)網(wǎng)絡(luò)、randomforest，adaboost等一大堆，他在看到一個模型后，能迅速判斷哪個模型更適合。

比如說為什么語義識別是用循環(huán)網(wǎng)絡(luò)和LSTM來做識別？因為語義是一個線性的信息流，這個線性信息流里面要記住前面很遠的信息，同時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問題，但LSTM在圖像識別上就不Work了、在量化金融中的優(yōu)勢也不明顯。

這里，很多人會認為股票和語義都是一個時間序列函數(shù)，或者是前后序列函數(shù)。為什么LSTM訓(xùn)練這個很好用，訓(xùn)練股票就不行了呢？

這個，就需要回到元認知。因為他們的數(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，因為圖像的像素之間具有相關(guān)性。

而同樣的一個情況，語義又不適合了。比如“我寫程序”這四個字，每個字之間一對一的相關(guān)性并不是那么強，但他有一個整體相關(guān)性，他跟圖像識別是不一樣的。簡單理解的話，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，原來這個應(yīng)該用什么算法跑，那個不能用什么算法跑。因為人工智能屬于黑暗森林，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(diào)試出來，搞清楚哪種場景，到底該用什么程序，這個程序應(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)該跟什么程序進行配合，是否需要兩個程序進行嫁接，是否需要高級的比如對抗型的、或者輔助型、或者嫁接型等。你需要不斷地錘煉和思考，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更細的層面上，去琢磨這個工具具體應(yīng)該怎么來用。

不過，人工智能架構(gòu)師又分三個層次。

人工智能架構(gòu)師的三個層次

第一層：物理模型架構(gòu)。

有的時候大家在訓(xùn)練一件事情的相關(guān)性上，可能會把兩個事情分開放。其實應(yīng)該把兩個事件放在一起，把相關(guān)性作為訓(xùn)練對象來進行訓(xùn)練，這樣訓(xùn)練可能會更好。

或者把一個隱藏的物理意義作為訓(xùn)練對象，把相關(guān)性和兩個事情都放在一起，然后再進行訓(xùn)練。

但很多人就想不到這點，就拿兩個事情直接去訓(xùn)練相關(guān)性，這是錯誤的。?

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)該怎么去用的時候，火候就差不多了。

第二層：當(dāng)我們確定怎么訓(xùn)練拓撲模型之后，拓撲模型框架出來的時候，基于拓撲框架我選用什么樣的網(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，每一層用多少個單元、多少個參數(shù)，你有沒有這個能力。第一層的神經(jīng)元你可以選擇100個，第二層的你選10個，第三個選擇多少個，然后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(jié)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(wǎng)絡(luò)，每一層大概10個神經(jīng)元，卷積核的層數(shù)大概3層，全鏈接層7層就夠了，他會一上來就給你做這個東西。

目前，這三種架構(gòu)人才都很稀缺。

要培養(yǎng)一個這樣的人才，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、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？因為跨界會對你補充另外一個部分的素養(yǎng)，跨界就是補足你的數(shù)據(jù)，這叫“一個向量空間的完備性”，你跨界是用來干這個的。

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(shù)上。

AI工程師創(chuàng)業(yè)，需補足哪些短板？

未來關(guān)于AI的機會太多了，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進行處理，因此，可能很多AI工程師也會考慮創(chuàng)業(yè)。

如果要創(chuàng)業(yè)，他們又還應(yīng)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。

對這類人群來說，由于長期跟電腦，跟技術(shù)打交道，如果要創(chuàng)業(yè)，他們必須要有實踐經(jīng)歷，要有生活化的感知體驗。

這句話怎么理解呢？

AI工程師必須掌握的三個特征

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征、次要特征、長尾特征。

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，社會規(guī)律一、社會規(guī)律二，你就記住了，這是主要特征。

什么是次要特征呢？一個事件有很多復(fù)雜的次要特征，這個老師講不清楚，你只能通過實踐，比如你在干工作的時候，如果財務(wù)不留準備金率，那公司就非常危險了；此外，對于合規(guī)這件事，在實踐中你才能知道為什么要做合規(guī)，是因為很多細節(jié)，工商、稅務(wù)、法律等問題都會影響到你的效率。

長尾特征屬于感性化的層面了，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，主要特征靠看書解決，次要特征靠實踐解決，長尾特征靠情商培養(yǎng)。如果你只有主要特征，你就永遠解決不了一個完整的事情。

程序員今后不管是創(chuàng)業(yè)，還是說要有更大的發(fā)展，需要加強次要特征和長尾特征兩個方面。

對于三種特征，如何真正學(xué)會和掌握呢？

四種學(xué)習(xí)方法，AI工程師應(yīng)補足后三種

為了很好地掌握這三種特征，我有一個很重要的學(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(xué)習(xí)，學(xué)習(xí)完全結(jié)構(gòu)化的知識叫“理解”，程序員多數(shù)有一個很大的問題，程序員的知識結(jié)構(gòu)大都是理解來的。

“理會”：是與人交流，通過跟別人交流學(xué)到知識，這點是我從24歲之后大量去做的。因為人和人交流的時候，是別人已經(jīng)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(jié)給你了，而且都是精華。

多與智者交談，你會發(fā)現(xiàn)，你的整個世界觀都對了。

“感受”：智者不能告訴你的細節(jié)，你以實踐出真知，從實踐中去感受，能感受到細節(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)你身上會有一些日本人的習(xí)慣，思維方法跟他們很相似，因為這是一套環(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，你去了英國之后，你整個人就變成那種狀態(tài)了，詼諧、思考、謹慎。然后你能想象出來一些東西，為什么這個國家和文化下的人會有這種狀態(tài)。

此外，電影熏陶也是我常常借助的方法。

當(dāng)我對一件事情很不理解的時候，我就開始放那一類電影，一直循環(huán)播放，熏到一定程度的時候，電影里面的每個言行舉止，我都能被強烈地代入進去，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)該補齊的是后面三種學(xué)習(xí)方法，尤其是中國的工程師，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、相對固化的學(xué)習(xí)方法中跳出來。

當(dāng)然，這是一個逐漸豐滿的過程，AI工程師，或者其他程序員有志于未來創(chuàng)業(yè)，一定要多從這幾個方面去鍛造自己。