雷锋网按：本文作者田渊栋，卡耐基梅隆大学机器人系博士学位、上海交通大学硕士学位和学士学位，前谷歌无人车项目组成员，现任Facebook人工智能组研究员，主要负责Facebook的智能围棋项目Dark Forest。文章转载自知乎专栏，雷锋网已获授权。
最近收到一些信问“自己是不是适合搞AI，门槛是不是太高”等等问题，也看到“IT是不是泡沫”等等讨论，我就写篇博客给大家分享下我的观点，顺便也分析一下做AI，ML及CS的前景。
其实AI现在算是野蛮生长阶段，英雄不问出身不问门派，只要做的东西效果好，大家立马拜倒。AI做了六七十年，出了很多理论，但都是尝试性和局部性的，并没有一个权威理论去解释一切问题。翻翻各大会议的文章，经常有令人惊讶的结果出现，大牛们往往都不能自圆其说。这种情况往往对应着门槛低而机会多，其实是最适合新人进入的。而一个成熟的领域则有意无意地设置很多门槛，要进入先需要学习五年十年基础知识，或者必须科班出身，或者得要熬年头论资历才可以一点点走上去。
当然反过来说，进入成熟领域，可以借鉴大量前人经验，按部就班就行，节奏也相对慢些；而做AI变数大，对自我学习能力有很强的要求，老师教的和教科书上的往往过时，甚至是刚在会议上听到的权威发言，过几天就被打脸。因此需要不停地总结学习，不仅要有不断突破的意愿和勇气，还要知道如何架梯子搭桥，一点一点地做出成果。
AI作为通用工具，和众多传统领域肯定有交融的一天，并且极大地推动科技进步。现在有很多领域已经用上了ML和AI，比如说今年NIPS上高能物理方向就用上了DL寻找新对撞模式从而找到新粒子。以现在的软硬件发展速度，将来更多领域也会加入，在我们这一辈退休之前，可能大部分行业都会和AI有关，并且因为这个而提高前进的速度。而目前CS，ML和AI等快速迭代的领域需要的能力，是主动而准确地获取新信息及归纳总结，快速学习和利用工具，和不断自我进步自我完善，即“知道如何学习”的技能。这些是做我们这行现在需要的，也会是将来其它领域也需要的能力，不管愿不愿意，总会在将来某时刻与大家产生关联。所以我个人建议，与其将它放到有家有口的将来，不如现在就去主动学会这些技能，是更积极的方案。
当然，并不是所有学AI，ML和CS方向的同学，将来都会从事同类型的工作的。但就算这样，在学习CS及AI过程中掌握的大量工具，都是以后提高工作效率的利器。我和其它领域的人对话，经常痛心效率之低，感到CS可以极大地提高效率。比如说本来需要花费大量人力，为时几年的数据采集工作，往往写几个脚本就可以在几天内更快更好地完成。
相比传统的手工操作，CS的思考习惯和工作方式，会让人下意识地思考更高层次的问题，从而开拓新的思路。这里举个Excel的例子，很多非CS专业的同学会经常用Excel画表作图，但在我们看来这效率不高，因为Excel把数据和操作，格式和内容结合在一起，所以每次有新的数据，往往就要重新导入修改画图，这其中的键盘鼠标操作花费的时间，操作员花费的注意力及可能的人为错误造成的代价，都是惊人的。
相比之下，写脚本是一个更快更好的处理数据的手段，新数据来了只要命令行下重新跑原来的程序，就能做到自动画图排版甚至生成报表，不需人工，省时省力。另外，在实际生活中一些简单的模式识别问题也可以写正则表达式或者训练分类器来做判断，然后人只要负责特殊情况就行了。当然这些都需要好的基础，能灵活操作各种工具完成自己想要的目标。从这点看来，学这些方向的同学，将来会有比较大的优势。
顺便说一句，为什么这个领域的从业人员有高工资呢？
一个原因就是IT人员平日大部分工作是在提高系统盈利的速率，而非维持。一个广告系统做好了，用较小的代价就可以让它持续工作，程序员吃饭睡觉看片打游戏，系统还在不停跑不停地盈利。而程序员改进它则可以提高盈利。相比之下，大部分行业则是不开工则不盈利，开了工只能维持同等的盈利水平。这其中的差别是质上的。
不仅如此，将来的AI系统，比如说使用强化学习的系统，还能自动提高盈利的效率，而研究员们现在想的就是如何让它提高得更快些。这其中的差别，又是质上的。所以说这个领域的从业人员能拿高工资是名至实归，并没有什么泡沫在，一个人能躺着服务千万人，肯定得要拿高薪。要是将来有人能做一个吸收阳光，水和土壤，自动生产食物的系统，那他的工资会是多高？我想大家知道答案。这和工作时间多长，干活多勤勉多累，一点关系也没有；而能调动自然规律和社会规律为我所用，才是更重要的，这比一个人的力量，要强大太多了。
看最近的趋势，确实人和人之间的差距在拉大，以后一个牛人以一当百当千绝对是有可能的。而成为那个一还是那个千分之一，就要由自己选择了。
雷锋网注：转载请联系授权并保留完整信息，不得删减、修改文章。
正在生成分享图...
我在思考中