我是16年上半年从软件开发转到算法工程师的,这些年AI,我亲眼见证了从“黑科技”跌入“俗学”的过程。
早些年,在模式识别领域,例如人脸识别、语音识别等,大家都发力在数学算法(基于机器学习)的时候,虽然努力多年,但是因为技术缺陷精度却一直上不去,几乎没有实用价值。
在一次NIST竞赛中,有一个厂家突然爆发,一骑绝尘,直接把竞争对手甩下几个身位,也直接把很多识别技术(例如人脸识别)推到了实用的地步。
这个事情对业界的震惊很大,不久后,大家了解到竞争对方之所以能取得这么大的进步,正是因为引入了以“深度学习”为基础的AI技术后,整个业界的研发重点就迅速切换到了基于深度学习的AI的跑道上。
在随后的时间里,大家都如饥似渴的阅读各种paper,因为公司转型到AI方向所以我也沾光,开始接触与AI相关的各种技术,包括神经网络三大模型、深度学习等等。之后,很多企业和研究所的人工智能平台就搭建了起来,各种模式识别技术(例如人脸、语音)放弃了传统的数学算法研究,直接切换到深度学习平台上。
同时说明了,从技术上来说,“深度学习”并不是一个特别高深,特别新颖的技术,而更多是“旧瓶装新酒”,是对大家观念的扭转。
因为在此之前,计算资源缺失,数据缺失,所以才使得严重依赖于此的深度学习技术难以实用化。
而经过互联网多年的积累,计算和数据都到位的时候,“尘封”多年的深度学习技术则突然“枯木逢春”。
我从不止一个算法科学家嘴里听过,从对脑力的挑战来说,深度学习的精巧度远不如传统的数学算法。
甚至,相对于早前的数学研究,大家都觉得“深度学习好“傻”,好“暴力”,一种常见的套路是:
设置框架,喂数据,调参数,喂数据,调参数…,循环往复。
而且,就这两年来说,好多普通的软件工程师,都慢慢开始对算法研究缺乏敬畏了,因为目前的人工智能就是 有多少“人工”就有多少“智能”
从此,大家也能够感受到,算法的提高,在很大程度上赖于数据,而不仅是算法工程师的脑力。
所以一大批培训机构如雨后春笋冒了出来,开始收割这批想入行的人,因为早期市场比较乱,所以也让这些机构赚了一笔,但是现在行业已经明朗想要再浑水摸鱼是不可能的事情了。
如果说7、8年前的状况是各个专业转CS的话,现在是全民转AI。各个专业的,例如自动化、微电子、机械、通信、电子信息、材料专业,都有大量的学生在学习机器学习(主要是深度学习)。学院方面为了响应官方政策,将这些专业学生的毕业设计中添加了,人脸识别、目标检测等项目。
至于我为啥知道这个消息,是因为前段时间在西瓜视频上分享了一套MTCNN的视频,结果很多大四的学生都在和我吐槽“毕设”的事情,不论是否是CS专业,只要是能挨边的或者人工智能在该行业有项目落地的,都被安排了。
导致这些没有学习过人工智能甚至编程的苦孩子,到处在各大平台网站找资料学习,然后很多还被培训机构给坑了。
如果读者中有需要MTCNN技术讲解的可以关注我,每天会在西瓜视频分享一节MTCNN的视频给大家
直达连接:「链接」
然后如果需要视频中配套的代码和数据集可以私信我。