“俠之大者，為國為民。”

昨天，一向“獨孤求敗”的馬云baba搖身變成郭大俠，豪擲千億、廣邀人才組建達摩院，要把阿里巴巴的技術、資源貢獻成對社會的擔當。

他的目標，是服務全球20億人口、創造1億就業機會，讓你“每天工作3小時，每周工作3天”。

而實現這個目標，則要靠達摩院對于機器智能及相關未知領域的探索，用技術和商業來解決人類還沒有解決的問題。

“勇踏前人未至之境”

正如人工智能之父約翰·麥卡錫一直以來所抱怨的——“一旦某項人工智能被實現了，人們便不會再稱之為人工智能。”在糾結人類自身的狂妄與自卑的同時，馬云baba也反復在用機器智能來指代“人工智能”。

事實上，正是得益于互聯網和機器學習所催生的數據智能，阿里巴巴僅用十多年就發展到了過去需要50多年時間才能達到的規模。我們手機上每天都會用的淘寶、微博、支付寶、高德地圖、優酷視頻，背后都有機器學習算法在自動挖掘我們的數據，都自動在替馬云baba賺錢。

比如，在阿里巴巴自己的招聘站點，就有這樣的“人工智能”工程師來處理你在雙十一期間下單搶購時的海量點擊：

而這樣做的絕非阿里一家，微信、美團、京東、今日頭條、滴滴出行……幾乎我們日常所用的每一個手機APP，背后都有這樣一個人工智能的大腦和技術團隊，來把人工智能變成那些已經“不再被稱為人工智能”的東西。

當然，這一波技術潮流的起點還是在硅谷，看一看Google內部的變化趨勢就一清二楚了：

2011年，Jeff Dean和吳恩達聯手創造了大型深度學習軟件平臺DistBelief，是為Google Brain的起點；

第二年，吳恩達讓運行在16000個GPU上的深度神經網絡學會了認“貓”；隨后，Google開始用深度學習改造其一線的產品：搜索引擎、Android、Gmail、Google翻譯、Google地圖、YouTube……到2015年，Google內部這些深度學習項目超過1000個；到2016年，接近3000個；

目前，在Google內部，80%以上的項目都在用深度學習。

這就是為什么李彥宏要大張旗鼓地改造百度，畢竟柯達相機、諾基亞手機的慘敗猶在眼前。2014年，李彥宏說服吳恩達加入百度，開始轉型AI，并向全球宣布吸引人才的“少帥計劃”——百萬年薪，上不封頂。

盡管后來的事情我們都知道：陸奇來，吳恩達去，李彥宏重金招來的人才紛紛出走和創業……但百度全部產品線AI化的趨勢早已不可逆轉。就連“魏則西事件”中被網友批得體無完膚的百度貼吧，都開始被AI改造——圖像算法研發、推薦架構研發、推薦算法與策略，招聘網站隨便一搜就有一大把相關職位。

即便主流大廠的一線業務全部AI化了，那又能說明什么？

很簡單，人工智能和機器學習對于大家找工作的影響，遠比我們從媒體上所見的要深。

更何況，昨天馬云baba又把三十年后你家小孩找工作的路徑鎖死了：“未來三十年，我們將看到人們一天只工作三個小時、一個禮拜只工作三天，這樣的情況一定會發生。”

可問題在于，如果人們工作得少了，那一定是有更好的機器替人們把這里的活都做了，因為社會整體的生產效率必定是要不斷提升的。換句話說，未來你和你的后代一定是更善于讓機器替你們干活的。

馬云baba對此的信心，一方面是源自阿里當前已經做到的技術，另一方面是達摩院接下來所要探索的未知領域，不只是研究數據智能相關機器學習、基礎算法、視覺計算、自然語言處理、芯片技術、量子計算等技術，還要把這些技術結合商業來解決人們的實際問題。

反過來說，如果沒有人工智能和機器學習的加持，如果我們將來做不到讓機器來替我們個人干活，我們一定會在馬云baba的“三十年后”活得非常悲慘。

即便是當下，如果不了解人工智能和機器學習，去一線大廠拿100個月年終獎的機會，很有可能也要擦肩而過。只要有心，你肯定能看到，就連“農藥”所屬的鵝廠游戲都在用機器學習來挖掘玩家的行為數據。

當人工智能都變成你手里的衣食住行工具，變成你的聊天和游戲后，你肯定能感受到“書呆子之王”麥卡錫的那句抱怨之精辟……當人工智能的功能像你吃喝拉撒睡一樣平常的時候，你要不要來學一學它？

要知道，它可沒有那么容易上手，僅僅締造深度學習的成果就用了數十年的時間。

締造深度學習需要數十年，那學習它呢？

Geoffrey Hinton老爺子研究神經網絡數十載，從他和Yann LeCun一起搞反向傳播算法，到他跟Russ Salakhutdinov一同提出深度學習算法，再到2012年AlexNet證實GPU是最合適的深度學習硬件……Hinton老爺子的深度學習好用是好用，就是老爺子自己也沒有給深度學習找出一套自洽的數學理論，這就是為什么前不久他突然又準備拋棄深度學習最基礎的反向傳播算法。

但是，這樣的困境非但沒有影響老爺子繼續探索未知之境，反倒讓他培養出不少高徒，比如Yann LeCun在統領Facebook AI研究、Russ Salakhutdinov已經執掌蘋果的AI部門。

而大家耳熟能詳的吳恩達、李飛飛，前者打師從Michael Jordan起研究機器學習將近20年，后者僅專注ImageNet一項就達8年。

李飛飛高徒、主管Tesla AI部門的Andrej Karpathy，他在深度學習領域的學習路線則是這樣的：

十年寒窗，這話一點都不假。

不過，對于有一定基礎的人，在短時間內掌握深度學習的案例也是存在的，比如Alexey Moiseenkov在看到DeepArt背后“圖像的風格遷移”論文后，先學了兩個月它的神經網絡和數學原理，才開始做Prisma。他原本是俄羅斯網絡公司Mail.ru的工程師。

我們報道過的黑人小哥Jason Carter轉型AI的經歷，他學機器學習三個半月就開始找工作了。他說里面數學就是線性代數，不是什么高深的學問。

當然，他的教育背景是軟件工程，工作方面做過開發者和數據分析師。不過，其中必定也存在一些竅門，對吧？

那這竅門到底是啥？

三個多月的學習，Jason Carter上過兩門專門的深度學習和機器學習課程，這些課程誰都能學，這不是關鍵。

他的關鍵是在學習過程中親自動手，從零組建一臺深度學習電腦并配置好軟件環境，參加Kaggle競賽和MNIST挑戰賽，分享學習經驗并參與AI講座和討論會。

之所以學完就能找工作，是他在學習過程中想到了去數據科學家和Python訓練營中提前去做準備，進而能從構建和部署端到端深度學習產品的學習中累積實際經驗。

反過來，對一個新手來說，如果你沒有踩過深度學習里面的各個大坑，很有可能上手搭建一個TensorFlow的軟件環境就能直接把你卡在門外。而且，數學、編程、動手實操之間相互配合的程度，肯定是一個有過實際的深度學習開發經驗的人能幫你拿捏得更好。

更何況，即便只是三個多月的時間，大家也不免會出現懶散和懈怠的情況，能讓有經驗的人全程督促、手把手幫你渡過難關，肯定會是一個更好的選擇。

這就說到了CSDN學院最新推出的《人工智能工程師》直通車課程

只需一個100天的學習計劃，便能讓你從AI小白直接晉級為具備一年經驗的人工智能工程師。

• 全程實戰案例，從機器學習原理到推薦系統實現，從深度學習入門到圖像語義分割及寫詩機器人，再到專屬GPU云平臺上的四大工業級實戰項目。

• 有專人來跟蹤你的學習進度，并根據你的數學和編程基礎來制定專屬學習計劃，保證不掉隊。

• 兩位大咖講師在計算機視覺的產業界和學術界分別都有著深厚的經驗，產、學、研結合緊密。學成之日，會有來自AI產業界的專業講師來做就業指導，甚至還有可能直接推薦就業并全額返還學費。

相比日后的百萬年薪，這一百天的付出你還在猶豫嗎？

為確保每位學員都能獲得全方位指導服務，以優異的成績畢業，此課程僅余30席位，先報先占位！

欲了解詳情，請掃描下方二維碼，你也可以點擊閱讀原文查看詳細課程信息。

???點擊閱讀原文，查看詳細課程信息

總結

以上是生活随笔為你收集整理的马云豪掷三千亿，你又如何能分到100个月季度奖？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。