算法工程師不僅需要具備牛逼的算法能力，還要精通業務、善于溝通？（小本子趕緊記下來！）

　　8 月 23 日晚，知乎直播“AI 時代聽大咖聊”邀請到 AI 領域的兩個大神，分別是阿里云智能高級研究員賈揚清，以及知乎 CTO 李大海。

　　在直播中，賈揚清與李大海就國內外 AI 研究區別、在校生/職場新人如何培養自己的 AI 才能、AI 應用落地，以及 AI 在未來的發展趨勢展開討論。

　　在討論中，賈揚清認為：沒有算法工程師這個角色，只有兩個角色，一個是算法的研究人員，一個是應用的工程師，而“調參俠”沒有市場。

　　另外，作為 Caffe、PyTorch 和 Tensorflow 曾經的核心開發者，他還提到，深度學習框架并不會出現大一統的局面，因為現實中需求很多，并沒有一家機器學習框架能夠囊括所有的需求。

視頻鏈接：https://www.zhihu.com/zvideo/1280989974280634368

　　AI 科技評論對本次分享作了不改變原意的整理與編輯：

　　1

　　“專業”除草，沒想到賣了 3 億美元

　　Q1：能否請兩位聊一下國內外做 AI 領域的研究有什么區別？

　　賈揚清：首先，國內外的工程師都很用功，而且都追求最新的技術。個人認為國內的工程師更關注如何把方法與業務結合起來，而國外在 AI 方面有一些很好玩的事情。

　　舉兩個例子：一個是，如今很多農產品（比如黃瓜）在運去超市前需要篩選出大小、質量等許多方面合格的產品。以前都是用手分揀的，很麻煩，但自從有了深度學習的框架 TensorFlow 之后，有精通工程的年輕農民就結合算法，使用機器學習自動對黃瓜進行分類，實現了：大一點的黃瓜送超市，小一點的拿去做零售。

　　第二個是，我有一個研究生同學把 Raspberry Pi 放在后院，后院里有一個喂鳥的地方，松鼠經常過來，他就拿那個 Raspberry Pi 識別松鼠，松鼠一來就把它趕走。這些技術看著好像沒有什么用處，但后來產生了非常多應用。硅谷有一個公司叫 Blue River Technology，他們做的事情是運用技術在田間地頭找雜草、除雜草，有點類似篩黃瓜、找松鼠。這個公司后來被美國最大的農機制造商約翰迪爾公司以 3 億美元收購了。他們很多時候是出于純粹的技術好奇心，但后來創造了一個產業。我覺得這是國外蠻有意思的一點。

直播截圖

　　李大海：揚清講的這個公司我有印象，他們通過識別雜草、然后定點噴灑除草劑，雜草率可以降低到原來的 10%。硅谷的公司一直有這個文化。當時我在谷歌的時候，Eric（谷歌執行董事長）曾經講過一個很好玩的故事：當時在谷歌有一個柜子專門放T恤。在谷歌，無論發生什么，他們都會把事件印在T恤上，不定期往柜子里塞，然后大家去搶。當時柜子附近有一個攝像頭，Eric 就基于攝像頭寫了一些代碼去監控這個柜子。一旦識別出這個柜子附近有人，攝像頭就會發出“警報”來通知 Eric，然后 Eric 一看到有人往柜子里面塞T恤就去搶。在美國，這些工程師會自發地去做這種（技術應用的）微創新。

　　國內工程師在創新方面與國外可能有一些差別。目前國內的 AI 應用場景已經很廣。比如說，在知乎的工程團隊里，大概1/6 的人都是算法工程師。在工業界，算法確實已經滲透到應用場景的方方面面。第二點是，AI 應用從互聯網開始逐漸推向越來越多的傳統企業和傳統行業。但在個人層面，與國外相比，國內的工程師可能較少會自發去發現一些微小的創新機會，并實現它。

　　2

　　如何優雅入“AI”這個坑

　　Q2：作為一個在校生，我要如何將學習與業務結合，如何培養自己的 AI 能力、才能進入比較好的互聯網公司呢？

　　李大海：我們一般稱掌握了 AI 知識的同學為“算法工程師”。算法工程師在本質上首先是一個工程師，所以一個工程師所具備的能力，算法工程師也應該具備，例如說：1）代碼能力，能夠通過代碼實現自己的想法；2）數據能力，即能夠對數據進行分析，并發現數據所包含的重點，同時對數據進行處理；3）與人溝通的能力，因為算法工程師都是在團隊里面工作，不是單打獨斗，所以需要能夠與同組的其他工程師、產品經理、測試和其他同事進行溝通。

　　第二點是算法工程師需要培養業務能力，即對業務的理解。工程師首先要掌握業務應用的知識。業務場景非常多，但每個場景所面臨的問題是不一樣的，所以算法工程師一定要理解業務到底是需要解決什么問題，具備定位問題、發現問題、拆解問題和解決問題的能力。

　　綜上，對于在校生來說，擁有對算法的理解能力是非常重要的特質。雖然算法工程師都喜歡自黑，稱自己是“調參俠”，但除了調參之外，還需要知道算法背后的原理。我們現在處于深度學習時代，但是在“前深度學習時代”有很多淺層模型，這些模型因為沒有深度學習碾壓式的表達能力，所以在淺層模型上做了很多思考。

　　個人認為：“當年”那些模型所用到的技巧對于培養機器學習的能力和解決現實問題是非常重要。

直播截圖

　　賈揚清：同意大海的觀點：分析問題，定義問題，然后解決問題的整個邏輯非常重要。在校生得到的訓練更多是：如何解決問題的能力。但其實如果問題定義清楚了，解決問題的方法就會出現很多。

　　另外，從工程的角度補充兩點：第一，如何獲取最新的技術和算法？現在整個開源領域進展迅速。其實，不光是開源，也有很多開發支持平臺。所以，大家可以保持好奇心，然后多帶著玩的心態進行嘗試。例如三年前，名為叫 Neural Style Transfer 的 AI 應用，將拍的照片上傳之后，就可以轉換成一張類似梵高風格的藝術照。

　　第二是，“摸透”應用的實現流程。落地應用是“曇花一現”，但應用背后所涉及的工程步驟，例如把算法快速地迭代出來、如何做算法優化、如何把算法放到手機上，如何上線，等等。這種實際操作的流程和只看論文和 demo 是不一樣的。今天，我們有 GitHub 這類的開源社區，很多實際操作都比以前更加容易。

　　李大海：我想補充一點。有段時間我訂閱過 arXiv 上面的 topic，但我發現這是個坑。arXiv 最近在機器學習領域非常火熱，每天都大量的論文發布出來，其中包含很多不同領域的或大或小的突破，這其實會讓人眼花繚亂。所以在這種情況下，我給學生們的建議是：自己先抓住一個重點（領域），至于其他領域，簡單了解那些技術和突破是什么就好。

　　Q3：假設一個同學已經入職了，已經成為算法工程師，他可能會經歷初級、中級、高級三個階段。所以，關于初級算法工程師怎么晉升到中級算法工程師，以及中級算法工程師怎么晉升到高級算法工程師，兩位有何看法？

　　賈揚清：我覺得挺重要的一點是學習是所謂的 engineering practice（工程實踐）。很多時候，我們在寫研究代碼時，跟研究本質是一樣的，因為研究是快速迭代，不需要做工程實現。假如，今天要上線一個功能，不僅要保證它的整個 foundation（基礎）是 solid（堅固）的。這時候，我們怎么做代碼的管理、協同、review（審查）、測試、CD 和上線？怎么做 performance（性能）的 benchmark（基準）跟 profiling ？這一系列的工程流程也挺重要。

　　第二點是保持好奇心。其實任何一個公司的平臺都是挺大的。拿阿里大數據和 AI 平臺來舉例子，像 ODPS（Open Data Processing Service）大數據平臺是 10 年前開始建造的，今天平臺非常復雜，包括上層的C語言庫、中間的 Query Optimization（查詢優化）和底層的執行調度，肯定不能完全把握。在這個時候，算法工程師就要與他人保持交流，多提問、多討論。就像T型，對系統的某一點了解特別深，對系統的其他部分就觸類旁通。逐漸成為一個高級算法工程師之后呢，成為一個架構師所擁有的能力，其實也能使得我們在更看得更寬、看得更大的同時，有一個更加全局的系統架構的視野。

　　Q4：揚清有沒有一些具體的建議？比如說你在學生時代是怎么學習的？用什么途徑獲取到新的 AI 資訊，遇到問題怎么解決？

　　賈揚清：在我學生時代，當時大家了解深度學習的算法是通過看論文，看完論文后大概就知道怎么做架構設計。在看論文的過程中會有非常多的輸入，比如我們學到，人們最開始寫深度學習框架的時候（Torch 是 2000 年左右出來的，Theano 是 2008 年出來的），它們的架構設計怎么做神經網絡、怎么做 layer（層數）等等，這對我們后來設計其他的框架，像 Caffe、MXNet、PyTorch 等等，是非常有幫助的。再比如說，我們怎么樣做模型 civilization 的格式化等等，這時候谷歌的 ProtoBuf 又是一個很好的測試框架，如 G test。這些現有的工程實踐以及設計有現成的代碼、文檔和應用，看這些其實能夠在實際中提升自己的能力。

　　李大海：我非常贊同揚清的觀點，就是在學校的時候我們會更關注代碼的算法上是否足夠精妙，但是對架構和工程的關注度是不夠的。我自己在早年的時候也犯過這樣的錯誤，像我們數學系畢業的，在工程上接受到的培訓是偏少的，但進入公司以后，工程實踐卻變得很重要。揚清之前在一次線下分享中曾提到的一句話我也很贊同，就是：AI 是一個系統工程，90% 的時間里所做的事情都跟算法無關。在現實中也確實是這樣。

　　那么，作為剛入職的同學，其實首先我認為入職已經晚了，在入職前就應該挑選一個在工程上相對規范的公司去入職。如果是一個小公司，自己又沒有工程上的 sense（意識），那么你進入的是一個工程規范很亂的一家公司，這對于個人的職業發展和工程能力的培養是很有問題的。

　　Q5：想請問兩位 AI 從業者，你們覺得跟其他 AI 從業者比，你們最大的優勢是什么？

　　賈揚清：在 AI 領域里，在業界做得非常成功的人或團隊都有一個特點，就是業務化。他們不光懂算法，而且懂得怎么用算法。因為在今天，算法已經迅速普及，找一個研究生，兩分鐘就能搞出 ResNet。

　　另外，AI 算法的創新在逐漸變慢。比如說，Bert 在 NLP 領域，ResNet 在 CV 領域都已經比較成熟。雖然算法創新還可以稍微提升一下，但算法已經不是一個核心的 differentiate（區別點）。在這種情況下，怎么樣找到實際應用場景，如何把算法和應用結合起來，我覺得這是最能體現出價值的地方。所以，如今 AI 的突破可能不是在算法上，而是“算法+系統+應用”，而且應用可能會變得越來越重要。

　　李大海：我們還處于 AI 的應用層。AI 現在已經是一個非常大的框，里面可以放非常多東西，領域也非常廣。我覺得我們更像是 AI 行業的從業者，是把 AI 當成一個功能強大的工具去使用。

　　我們的團隊內部曾經很喜歡一個國外經濟學家寫的一本書，叫《與運氣競爭》。

　　里面講到，當我們手上有一把鉆子的時候，很容易想到的是我拿著鉆子可以干嘛？但其實很多時候，用戶可能只需要鉆一個孔來掛衣服。所以，如果你想的總是“如何提高鉆頭的合金程度”、“讓它變得更好看”，這可能根本就不是用戶想要的。

　　總的來說，工具非常重要，我們對于 AI 的理解和 AI 前沿技術的跟蹤也很重要，但更重要的事情是：用戶的需求到底在哪里，我們能解決什么問題。

　　3

　　感知大神 VS 決策白癡

　　Q6：現在人工智能處于什么發展階段？它未來會給我們帶來哪些改變？它的長期規劃可能是什么樣的？

　　李大海：如果要判斷 AI 目前處于什么階段，我們得先知道 AI 的全景是什么樣子，但這個很難預測。這時又會涉及到：人工智能最后到底能走到什么階段？它能不能達到強人工智能的狀態？我的觀點是偏悲觀的，我覺得強人工智能可能永遠都達不到。

　　但說到應用，我們可以看到，人工智能在許多領域里已經打敗人了，比如說圖片分類。所以在應用層面上我是很樂觀的。人工智能的歷史始于 20 世紀初，后來經歷了一些起起伏伏。

　　到今天，AI 可能有一些泡沫，但這個泡沫其實是 AI 公司在商業模式上遇到的問題。但從技術層面上講，AI 這個工具越來越強大，數據量越來越大，這些都是毋庸置疑的事情，所以在應用層面上我是很看好的。

　　賈揚清：從歷史的角度來看，計算機誕生的目的是為了更加智能化地處理人與世界交互的問題。在人工智能最早的時候，大家都在處理決策的問題。等決策系統做了一堆工作后，我們發現，其實我們首先都還不知道這個世界是如何從一個像素、語音“導入”到計算機邏輯的系統里。所以在前面這幾年，深度學習其實是在從決策層面轉到感知層面，從而來解決感知的問題。

　　從感知的角度來說，今天已經相對較成熟。例如 2014 年，圖像識別的正確率在一個限定的范圍內已經超過人類。

　　回過頭來看決策，人工智能的決策發展還不行。比如說，在自動駕駛里，我能感知這里有一輛車、那里有一個人，但是知道后如何做決策？邏輯是什么？甚至在一些更復雜的場景，例如限速 25，但前面的車都超速往前開了，這時候我又怎么辦呢？這些事情都是要在決策層面上解決的。人工智能很有可能會先解決感知/認知問題，然后在感知的基礎上做決策。

　　綜上，分領域來看，人工智能在認知領域已經到達非常成熟的階段，但在決策領域可能還處于初期的探索。

　　4

　　AI 離不開云

　　Q7：有一句話叫“AI 是云的內核，云是 AI 的必然形態。”如何看 AI 和云的關系，以及 AI 在云里面扮演的角色。

　　賈揚清：為什么今天我們說云和 AI 是一個強結合的狀態呢？我覺得原因可能有兩點：一是算力，二是數據。從算力的角度來說，以前我們在學校做實驗或自己創業的時候都搭過機器。搭機器很痛苦，而且運維機器在一定程度上不產生價值，然后 AI 又對 GPU 有非常強烈的需求。GPU 又是一個很惡心的事，有時候運行不錯，有時候又會過熱，有時候又需要我們做資源的調度等等。任何一個實驗室都會遇到資源調度問題：一個是科研人員在那找 GPU 的時候發現找不著，然后系統工程師跑去一看，說：“哇天啊！利用率好低！”一邊是 starvation（饑餓），一邊是 satiation（飽和）。

　　如今，云可以很好地解決算力問題。30 年前，所有的單位都有一個發電機，但今天沒有人用發電機了，因為底層的基礎設施已經非常成熟，可以低成本、大規模地給社會提供電力。在今天，云的計算力就像水電煤一般的基礎設施，我們不需要擔心哪天機器哪里出了問題。比如說，今天我突然要拉起一個大量的應用，這個時候云可以“soo”一聲彈上來，不要了就放掉。這是算力方面。

　　第二個是數據。前段時間，許多人關注深度學習領域，如圖像、語音等等。但許多 AI 應用其實是跟結構化數據綁在一塊的。咱們舉個例子。比如說像知乎有大量的用戶內容，這涉及到兩方面：一方面是自然語言的處理，另一方面是用戶和內容的匹配。這時候，其實是在一個大數據底座（像 Hadoop 和 MaxComput）上面做結構化數據的人工智能。

　　這和一個大規模分布式系統是分不開的，因為我不可能今天說把這些數據放到一個 GPU 機器上面，拿三個 SSD 把它給接起來。所以這時候就需要一套比較完整的系統，從數據的存儲、處理、分析到計算，到上層去進行任務的編排、模型的開發、模型的上線，以及數據的回流。無論用戶是自己搭一個系統（我們叫“私有云”），還是在公有云上面進行，云都是 AI 不可或缺的一個環境。

　　今天的 AI，越來越多會關注到系統、云。這也標志著 AI 未來發展的必然形態。目前，算法能夠“單機”開發，但是如何運用算法，則需要算力和數據的支持，因此也會需要云和云相關的技術。

　　我現在在做的工作是把 AI 和大數據進行結合。例如，前段時間我們發現：深度學習的工程師會發現目前的大數據平臺不能滿足需求。因為過去需要數據庫管理結構化數據，而如今需要大數據逐漸向這種深度學習的應用領域進行改變。

　　另一方面，對于結構化的應用工程師來說，當存在推薦系統的需求時，所需要的并不是把所有的代碼寫出來，而是通過更加靈活的“拖拉拽”等方式。因此，過去是從大數據的角度進行 AI 落地，而未來一到兩年內需要從系統的層面，推動非結構化深度學習場景和結構化“傳統經濟學產品”進步。

　　5

　　算法工程師的未來“兇多吉少”

　　Q8：AI 工程師和 AI 算法工程師之間有何不同？各自的發展趨勢是怎樣的？兩者會不會融合？

　　李大海：在谷歌內部，AI 的工作是普通的工程師在進行，只要把問題描述清楚，然后放到“系統”上，系統就能夠給出一個大概的解決方案。在未來，隨著技術的發展，AI 和 AI 工程的門檻會越來越低。這就意味著 AI 工程師的從業門檻也會越來越低。

　　但是有許多缺口需要 AI 工程師補充，所以，AI 工程師也需要積累算法。因此，從這個角度來看，AI 工程師既需要懂架構，又需要懂算法。對于學生或者剛進入工作的職場新人而言，需要好好塑造自己的方法論，快速補充自己，根據自己的業務需求讓自己的能力變強。

　　其實，無論是在谷歌還是在知乎，我們招聘工程師都有一個標準，即希望工程師足夠聰明，能夠快速學習，可以根據自己的業務補充“技能樹”。

　　綜上，無論是算法還是工程，其基礎能力和學習能力非常重要。

　　賈揚清：我來討論可能相對比較有爭議性的話題：個人認為沒有算法工程師這個角色，只有兩個角色，一個是算法的研究人員，一個是應用的工程師，而“調參俠”沒有市場。因為，有的調參工作只需要寫 for 循環語句即可。

　　算法的科研人員更多是攻堅“更好的算法”，例如在計算機視覺領域，可能要把模型做得更大、更準，在某些問題上需要把模型做得更小。當然，在具體量化的過程中，需要在兩者之間進行平衡。也就是說，科研人員更多是思考如何在一些“普遍”的場景下對算法進行創新。

　　在具體的應用過程中，調參只是一個手段。例如，在無人駕駛領域，其場景和機場的云點識別的場景非常類似，但是其數據的分布不一樣，所要做的事情不一樣。應用工程師更多的是了解其背后的業務場景差距和限制，例如傳統的約束滿足問題(CSP)。所以，應用工程師更多的是對端到端進行整合，找到最優的方向進行調參，也就是說，調參只是一個手段。綜上，調參俠沒有市場，現實中只存在算法科研人員和應用工程師。

　　6

　　小板凳蹲阿里、知乎的 AI 展望

　　Q9：AI 的發展情況如何？在知乎和阿里有哪些技術沉淀？未來的應用情況、重點投入的 AI 方向是什么？

　　李大海：目前的 AI 工作和場景結合緊密。抽象來看，（知乎）有三大方向：一是內容生產，如何利用 AI 讓內容生產進行更有效率，例如創作者匹配、激活創作者；二是內容理解，建立內容概述，對內容質量有初步把握，例如內容底線內容在哪里？內容是不是帶有辱罵性質？是不是有極端（仇恨）情緒；三是內容分發，這個方向建立在第二個方向基礎之上，但不再僅僅局限在內容的理解上，還需要對用戶進行理解。具體而言有兩種情況，一是用戶主動搜索，將 AI 算法賦能到搜索引擎里；二是，被動推薦，將高質量內容推薦給合適用戶。

　　那知乎在文本方面（NLP）有哪些工作呢？主要有兩個方面，一是分詞，例如最近的一次迭代結果是：F1 的值從 91% 上漲到 93.5%。二是詞性的判斷，這類工作包括命名實體識別、消歧等等。

　　賈揚清：阿里有很多團隊在研究 AI，例如阿里的 PAI 團隊致力于 AI 的開發和治理的平臺，基本上阿里的所有工程師都會在上面做開發，達摩院的同學就會在上面構建很多應用和落地的算法，包含圖片、語音等等。

　　具體而言，阿里在開發和工程平臺上基本上有三方面的應用，首先是 AI 和大數據的結合，目的是在傳統機器學習領域里，如何讓應用工程師、或者數據科學家更加容易使用數據和算法。換句話說，更加豐富、更加成熟、更加高效的算法的結合，目的是為公司提供需要的場景化的解決方案。最典型的例子有兩個，一個是搜索推薦，另外一個是金融風控。這兩個領域對 AI 存在強需求。如果存在場景化的解決方案，那么就能讓其更容易將領域數據和 AI 相結合。

　　第二是更加云原生、順暢的 AI 的深度學習的體驗。以往的大數據、深度學習平臺其結構往往比較重，使用云原生“容器化”的能力可以構建出一個和“自己”的開發環境相符合的“產品”。例如在無人駕駛場景中，可以實現非常靈活的深度學習開發，構建靈活的深度學習應用。

　　第三是更加成熟的工程化的 AI 算法的部署，旨在解決模型的穩定程度和彈性以及檢測模型的性能。再者，如果有新的模型上線，如何進行A/B 測試？如何回流模型的用戶反饋？等等都是需要考慮的問題。

　　在阿里我們還進行了一些“隱形”的工程能力。例如，針對系統利用率低，我們做了資源調度、資源的編排管理等工作。具體而言，我們在 OSDI 這一會議發布了異構相關文章，還發布了在推理的框架里如何自動生成代碼等論文。這些工作在產品中顯現不清楚，但是確確實實能夠幫助平臺降成本，增效率。

　　Q10：有何展望？阿里云會不會有自己的深度學習框架？接下來有哪些新的產品形態？

　　賈揚清：接下來在產品形態上會把產品做得更加成熟，更加模塊化。目的是讓大家根據自己的需求進行靈活選擇，模塊化的靈活組合。

　　另外，也會著重強調穩定性和用戶體驗。關于深度學習框架，個人邏輯是：從需求出發。TensorFlow 和 Pytorch 其出現的原因也是這個邏輯，例如 TensorFlow 能夠迎合“在一個大規模的彈性系統上面，靈活構建高性能 AI 的需求”。

　　但是 TensorFlow 也有學習難度比較大的弱點。所以針對學習難度問題，出現了 Pytorch。目前，這兩者也在相互借鑒，例如 TensorFlow 在增強用戶體驗，Pytorch 在增強系統能力。所以，從需求的角度來看，這兩者在一定程度上很好的解決了用戶體驗問題。

　　設計深度學習框架切記不要 meet to product，即和 TensorFlow 和 PyTorch 在結構上不一樣，但是所能夠滿足的需求，能夠做的事情是一樣的。（賈揚清意思是：這種框架不值得）

　　其實，個人認為，當前最重要的價值是如何更好的對接軟硬件的協同設計，不光是大規模的系統，如何將眾多的芯片（例如平頭哥芯片、AMD 芯片、蘋果芯片）和框架進行對接，也是一個非常現實的工程問題。

　　所以，軟硬件系統的設計才是核心問題，能否出現新的深度學習框架，這個框架將會解決什么問題，也都會圍繞這個核心問題。

　　7

　　精挑細選的問答

　　問答1：作為 CTO，管理著上百人的技術團隊，你們一天的工作內容是什么？

　　李大海：技術體系的工作分為兩種，第一種是建體制，即從機制層面思考創造讓團隊認真工作的環境。讓大家覺得工作更愉悅，工作目標更明確。如果這個問題解決不好，直接會影響工程團隊的組織能力，會影響到團隊的文化氛圍。

　　第二種是對重點的工作領域進行分類，在幾百人的團隊里，我們的工作覆蓋面非常廣，所以我會關注到哪些領域的重要程度最高，然后判斷現狀和重要程度之間的差距如何。雷鋒網

　　最后，我作為全局領導者，擁有的信息比較全面。也會關注擁有部分信息的員工所作出的決策，如果他出現錯誤，我會進行糾正。

　　賈揚清：有四個方面，第一做事情，即如何搭建平臺，如何進行業務，這里涉及到和阿里云的其他團隊進行對接，討論需求，商量決策。雷鋒網

　　第二是如何通過團隊之間的良好溝通，確保團隊的戰斗力。這需要考慮人的喜怒哀樂，需要考慮組織溫度。

　　第三，如何構建機制，我們的做法是通過“戰役”進行確定重點方向，例如針對用戶體驗，用戰役的機制進行討論、執行，確保能夠做出用戶需要的產品。

　　第四，自我學習。在做管理的時候，感覺自身有很多不足的地方。并且，我的知識儲備和團隊相比并不會雄厚。所以，需要自我學習，提升能力，從而更好的管理團隊。

　　總結一下，我在阿里云做管理，涉及到的工作是：人、機制、自我學習。

　　問答2：會不用有一個大一統深度學習框架？

　　賈揚清：我覺得不會， 例如可口可樂和百事可樂；安卓和 ios ，mac 和 windows。曾經看到過這么一個經濟學觀點，我們的現實需求很多，并沒有一家能夠囊括所有的需求。例如在最好的語言評選中，數據科學家更傾向于 Python，系統工程師會選擇C++。因此，不會有一個一統江湖的框架，也不會存在一成不變的框架。（編者注：賈揚清說的可能是政治經濟學里面的“壟斷并不會消除競爭”~）

　　李大海：同意賈揚清的觀點，但是我想從另一個角度討論這個問題。例如微信只有一個，但是其他產品可能會出現并存。是否形成一家獨大的判斷標準，我認為是是否有網絡效益。機器學習平臺并沒有那么強的網絡效益，需求的點有很多，不同的需求可能存在不同的平臺。所以，Tensorflow 和 Pytorch 這兩大主流平臺可能會長期存在，而在某些垂直領域還可能出現某些“小而美”的平臺。

　　問題3：有哪些好的學習方法，最近在看的書可以分享？

　　賈揚清：學習方法在于好的知識輸入渠道，推薦四個：1、知乎；2、Hacker News；3、TechCrunch；4、Reddit machine learning group。關于書籍，最近在看一些管理方面的書籍，例如《公司的進化》。

總結

以上是生活随笔為你收集整理的一份来自贾扬清的AI青年修炼指南：不存在算法工程师、调参侠没有市场的全部內容，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。