雷鋒網按：本文作者田淵棟，卡耐基梅隆大學機器人系博士學位、上海交通大學碩士學位和學士學位，前谷歌無人車項目組成員，現任Facebook人工智慧組研究員，主要負責Facebook的智慧圍棋項目Dark Forest。文章轉載自
知乎
專欄
，雷鋒網已獲授權。
最近收到一些信問“自己是不是適合搞AI，門檻是不是太高”等等問題，也看到“IT是不是泡沫”等等討論，我就寫篇博客給大家分享下我的觀點，順便也分析一下做AI，ML及CS的前景。
其實AI現在算是野蠻生長階段，英雄不問出身不問門派，只要做的東西效果好，大家立馬拜倒。AI做了六七十年，出了很多理論，但都是嘗試性和局部性的，並沒有一個權威理論去解釋一切問題。翻翻各大會議的文章，經常有令人驚訝的結果出現，大牛們往往都不能自圓其說。這種情況往往對應著門檻低而機會多，其實是最適合新人進入的。而一個成熟的領域則有意無意地設置很多門檻，要進入先需要學習五年十年基礎知識，或者必須科班出身，或者得要熬年頭論資歷才可以一點點走上去。
當然反過來說，進入成熟領域，可以借鑒大量前人經驗，按部就班就行，節奏也相對慢些；而
做AI變數大，對自我學習能力有很強的要求
，老師教的和教科書上的往往過時，甚至是剛在會議上聽到的權威發言，過幾天就被打臉。因此需要不停地總結學習，不僅要有不斷突破的意願和勇氣，還要知道如何架梯子搭橋，一點一點地做出成果。
AI作為通用工具，和眾多傳統領域肯定有交融的一天，並且極大地推動科技進步。現在有很多領域已經用上了ML和AI，比如說今年NIPS上高能物理方向就用上了DL尋找新對撞模式從而找到新粒子。以現在的軟硬體發展速度，將來更多領域也會加入，在我們這一輩退休之前，可能大部分行業都會和AI有關，並且因為這個而提高前進的速度。而
目前CS，ML和AI等快速反覆運算的領域需要的能力，是主動而準確地獲取新資訊及歸納總結，快速學習和利用工具，和不斷自我進步自我完善，即“知道如何學習”的技能
。這些是做我們這行現在需要的，也會是將來其它領域也需要的能力，不管願不願意，總會在將來某時刻與大家產生關聯。所以我個人建議，與其將它放到有家有口的將來，不如現在就去主動學會這些技能，是更積極的方案。
當然，並不是所有學AI，ML和CS方向的同學，將來都會從事同類型的工作的。但就算這樣，在學習CS及AI過程中掌握的大量工具，都是以後提高工作效率的利器。我和其它領域的人對話，經常痛心效率之低，感到CS可以極大地提高效率。比如說本來需要花費大量人力，為時幾年的資料獲取工作，往往寫幾個腳本就可以在幾天內更快更好地完成。
相比傳統的手工操作，CS的思考習慣和工作方式，會讓人下意識地思考更高層次的問題，從而開拓新的思路。這裡舉個Excel的例子，很多非CS專業的同學會經常用Excel畫表作圖，但在我們看來這效率不高，因為Excel把資料和操作，格式和內容結合在一起，所以每次有新的資料，往往就要重新導入修改畫圖，這其中的鍵盤滑鼠操作花費的時間，操作員花費的注意力及可能的人為錯誤造成的代價，都是驚人的。
相比之下，寫腳本是一個更快更好的處理資料的手段，新資料來了只要命令列下重新跑原來的程式，就能做到自動畫圖排版甚至生成報表，不需人工，省時省力。另外，在實際生活中一些簡單的模式識別問題也可以寫規則運算式或者訓練分類器來做判斷，然後人只要負責特殊情況就行了。當然這些都需要好的基礎，能靈活操作各種工具完成自己想要的目標。從這點看來，學這些方向的同學，將來會有比較大的優勢。
順便說一句，
為什麼這個領域的從業人員有高工資呢？
一個原因就是IT人員平日大部分工作是在提高系統盈利的速率，而非維持。一個廣告系統做好了，用較小的代價就可以讓它持續工作，程式師吃飯睡覺看片打遊戲，系統還在不停跑不停地盈利。而程式師改進它則可以提高盈利。相比之下，大部分行業則是不開工則不盈利，開了工只能維持同等的盈利水準。這其中的差別是質上的。
不僅如此，將來的AI系統，比如說使用強化學習的系統，還能自動提高盈利的效率，而研究員們現在想的就是如何讓它提高得更快些。這其中的差別，又是質上的。所以說這個領域的從業人員能拿高工資是名至實歸，並沒有什麼泡沫在，一個人能躺著服務千萬人，肯定得要拿高薪。要是將來有人能做一個吸收陽光，水和土壤，自動生產食物的系統，那他的工資會是多高？我想大家知道答案。這和工作時間多長，幹活多勤勉多累，一點關係也沒有；而能調動自然規律和社會規律為我所用，才是更重要的，這比一個人的力量，要強大太多了。
看最近的趨勢，確實人和人之間的差距在拉大，以後一個牛人以一當百當千絕對是有可能的。而成為那個一還是那個千分之一，就要由自己選擇了。
雷鋒網注：轉載請聯繫授權並保留完整資訊，不得刪減、修改文章。