一位从后台转向AI的独白

逆天评语： 推荐想转ai的看看，ai是有门槛的，不要后端没走到头就随意跳，最后两边不吃好。 当然了，兴趣永远是最好的老师，只要你真的感兴趣，其实都不是问题 AI数据处理分析的现有轮子，其实可以拿来用，挺方便也很有运用场景。 总之还是之前说的那句话，后端开发的，要么数据、架构、底层相关技术走到底，要么业务资深人士，其他都非主流

刚开始接触 AI 的时候会有这样的一些坑。第一个我把它叫做碎片化时间陷阱，大家一直以为碎片化可以学到很多东西，于是我也关注了一堆的AI 公众号，每天看一下公众号的文章，觉得自己学会了很多。

但是会有什么问题呢？可能一个月我看了很多遍 CNN，但我还是无法了解 AI 的知识体系，在我看来，碎片化的时间是很难真正完成一个转行学习的。

第二，我把它称之为“边干边学”的陷阱。原来我们做后台的时候很提倡边干边学，就是我有什么不会的问题，我直接去网上搜一下代码或者找一下让自己改一改就可以了，但是在 AI 时代就不一样了。

这里我贴了一个 BP 的算法，它背后是一个数学的原理，你是没有办法随便改。中间这个图可以看到很多是数学推导，这时候你会有一个错觉，好像做 AI 就是每天很高大上地去推导公式写代码。实际的情况是像最右边的图和中间的下面图，每天看到的就是一堆杂乱无章的数据，所以业界一般也把 AI 工程师叫做“炼丹师”，需要有药材，需要有丹方，需要有炼丹的炉。药材可能就是数据，丹方就是模型，炼丹炉就是我们常见的一些 AI 的框架。

因为经历了前面的两个陷阱，我觉得我还是需要系统化地去把 AI 背后的数学原理学下来，而且本身我对数学也很感兴趣，所以我花了一些时间来看数学。这是我其中一本书的草稿纸，这样的书我大概看了有七八本，草稿纸没有 1 米也有两尺。为了这些题，我大概有 3 年时间除了一部电视剧没有看过其他电视，每天固定时间做题。

学完了数学以后再去看 AI 的书籍就会比较简单，要不了多久你就会对 AI 的整体样貌有所了解。

当然，只看书还不够，我们还需要在业务上有一些真实的效果。所以当时我们也有一个机会在业务上做实验。当你看到自己从最早的做数学题，到把系统的数学知识应用到 AI，再把模型落地到业务中，整个关节打通后，还是很有成就感的。

但是到了这里好像我们发现这条路特别容易走到头。因为我们以前做后台，不太需要去想我们下一步做什么，有产品同学帮助我们去设计。但是在 AI 领域中，我们再要去提升效果再突破该怎么办？模型就这么多，数据翻来覆去处理，不断去挖特征，还是很难突破。

这个时候我建议大家可以看看《佛经》缓解一下心情，心存喜乐，即使做了很久没有什么效果也不要沮丧，有的时候突破就是在你想象不到的，或者你永远想不到的一个新方向。

没多久后我们又找到了新的突破点。我们把特征做大，提升到十亿、百亿级，做成大规模的拓展，为此，我们也专门开发了新的“炼丹炉”——无量系统。另外一个突破是什么？我们再来举个例子，这里大概有一两百行数学推导，落在代码上其实只用改一行，改完这一行以后可以把一个很成熟的优化代码再次往上推进一截。

到了最后反而是我们又回到了最开始。最开始我是做工程的，中间我做过一段时间算法，到后来我们发现其实工程和算法是没有明确的界限的，工程仍然很有价值。我们要想在业务上取得一些效果，需要工程和算法做一个联合的设计，这个很典型的问题就是把很大的模型推到线上去，这个过程中我们从算法的角度去做了优化，从工程上做了优化，最终保证它能够上线。

所以我们认为，当我们工程上碰到了困难，我们可以转向算法。当算法碰到了瓶颈，可以求助佛学。最后又从佛学回到工程。

最后总结一下。

第一，我们常说知行合一，当我们去转型时，到底是知为行之始，还是行为知之成呢？所以在我看来，当我们去做一个跨行的时候，可能是知为行知始，我们首先最难的是完成新行业的知识原始积累。这个过程是比较枯燥和痛苦的事情，当完成这个环节后，才适合去边看边学。

第二，兴趣是最好的导师。只有兴趣才能让你持之以恒。过上三年苦行僧一样的生活很难，如果你没有兴趣的话。

第三，思维全面升级。从工程到 AI 是一种思维的转换，这种转换可能是涉及各个岗位的。