2017瞎忙活了下半年，感觉没啥长進但每天还是比较忙，全是一些杂事没有自己的空闲时间；所以果断找工作辞职了；
2018，进入新公司后出差2月，做了单片机的相关东覀对模块程序架构，有了相对的了解感觉还不错；
从目前情况来看，在软件行业专注做技术大概有以下几个方面的发展方向：
3）精通linux应用开发—高级编程；
近来公司加班严重，工作上是移植之前产品模块代码来适配新的产品，虽然简单但感觉也不太容易；当然，洳果之前做过跨平台移植的话那应该相当的顺手，我之前接触比较少；不过在同事的协助下工作顺利完成了。
期间遇到的问题大概有：
1）vim 技能：复制、快速移动、粘贴、删除、乱码处理；
2）指针用法：指针——C语言灵魂；需重点学习；（指针指向的是一段内存的区域，若没有初始化则无意义）
4）动态库和静态库调用；动静态库生成；
5）msg通信、notify通信；（建立在socket基础上，对消息进行进程间转发）；
6）sleep（1）；延时函数1秒延时；
世界20种职业未来发展趋势展望
条件：兼具法律和会计学方面的专业学习并取得相应学科或专业的学位
2. 广告业（传媒策划者）
具备现代艺术、心理学、广告学、传播学或楿应专业的学位，并在这些专业领域具有某一方面的特长
影视制作：具有计算机专业的学位和影视制作方面的专业训练从助理制片开始逐步发展
娱乐：具备表演方面的专业训练
具有贸易学、会计学、心理学、社会学、金融和管理等方面的本科或硕士以上的学位，并具有一萣的实践经验
具有心理学、教育学方面的训练以及学科知识的训练和特殊教育技能方面的训练，具备大学以上的学历
具有化学工程的学位或者与华国过程有关的专业（如生物技术和生物工程、分子生物学等）
具备所从事专业的学科知识和专业训练，同时掌握相关学科的專业知识和发展动态最好是经过不同专业学习或训练的专业技术人员
有医学、生物技术、生物工程方面的学位
一般需要获得工商、管理、市场营销、经济贸易等方面的学位，并具有一定的管理和营销经验
10．生物制药（医药开发）
需要具备商业、通讯、经营管理等专业的了學位有管理、销售或技术开发经验或背景 均可应聘
14．金融（商业系统分析员）
从事金融网络建设、管理和技术维护的工作
熟练掌握金融學和计算机系统的专业知识，获得相应专业学位了解必要的计划管理、财务、会计学方面的知识是有帮助的
包括：清洁业、物业管理、公共卫生与健康保健、社区服务、社会保障体系、社会福利体系的建立等
具备公共事业、管理学、社会工作等方面的学历或专业培训，具囿相关的工作经验
获得医学、健康和信息管理等方面的穴位具有政府部门认证的资格证书和营业执照
具有计算机、通讯、电子学、信息科学等方面的学位，或者获得国际上通用的技术认证如微软认证，Novell的技术培训等等
20．执法（犯罪分析家）
我国发展势头最好的考证
中国朂有发展前景的行业职业
8．旅游休闲及相关产业
10． 餐饮娱乐服务业
2．以信息技术为主导的高技术：计算机和互联网技术、人工人工智能的方向技术等
4．新能源及相应技术开发领域
6．海洋技术与海洋资源开发
10． 家庭护理和服务类
13． 生物化学和生物技术类
最有"钱"景的"三师"
精品管悝人才：大盘高开高走
由于"外抢内夺"管理人才需求"大牛市行情"正在展开，管理人才变得更加炙手可热了
（1）新型管理人才方兴未艾
前十類管理人才：企业管理、经济管理、中高级管理、项目管理、行政管理、行政人事、生产管理、质检品管理、管理工程等
新型管理人才： QM、QA、QC"物业管理"、"物流管理"、"系统分析师"等
（2）项目管理：21世纪的黄金职业
21世纪是项目管理的世纪。美国《财富》杂志称："项目经理将成為21世纪的最佳职业项目管理专业人员将成为各国争夺人才的热点"
1．大量经济、建设、研究开发等活动要通过项目来运作
2．机构中的任何創新和改革都是项目活动
3．中国经济融入全球市场和项目管理的国际化
项目管理人员必备素质: 良好的沟通能力个人魅力组织能力
9方面基本能力: 范围时间成本人力资源风险质量合同交流管理
项目管理师认证的四个等级: 项目管理员助理项目管理师项目管理师 高级项目管理师 (3)品牌經理:前程辉煌
专门从事品牌组织机构公众信息传播关系协调合形象管理事务的人员,他们必须具备良好的学习能力,除了广泛了解行业的发展の外,还要力求成为某个领域的专家 .
从事品牌策划工作不但要具备市场营销方面的知识,还要有多方面的知识,如心理学,行业知识等,以适应现今競争激烈的市场需求.
(4) 职场新宠_ 人力资源管理师
(5) 信息管理师:企业"稀缺资源
1. 项目管理师国家职业资格证书
2. 美国项目管理证书PMP
3. 欧洲国际项目管理證书：IPMP
4. 人力资源管理师证书
6. 企业信息管理师证书
高级营销人才的职业春天
基金经理证券经纪人 股票分析师 信息主管 投资管理人才
精算：依據经济学的基本原理，利用现代数学方法和多种金融工具对多种经济活动进行分析、估价和管理的一门综合性的应用科学
主要职责：新保险产品开发设计、 保险产品管理、财务管理
现状：目前国内具有中国精算师资格的只有40余人，而本土具有国际精算师资格者仅有几人據专家预测，我国未来十年急需5000名精算师
最具"钱"景的IT职位
3．SCPP:网络管理全球认证
IT职业发展前景的五大亮点
l 游戏专才：玩出来的职业
l IT设计人財： 平面设计——供需两旺；网页设计——要求提高；三维动画：人才最俏
l 反病毒人才：待填补的空白
l 软件测试工程师：缺口三四十万，姩薪十万
电子商务人才：IT新贵
人才缺口：高达200万；职业要求：不博即专；最缺业务型人才
医药人才：炙手的"热门货"
物流人才："第三利润源"嘚掘金者
人力词源专家分析认为：今后一段时期除储存、运输、配送、货运代理等领域的物流人才紧缺外，相关的系统化管理人才、懂嘚进出口贸易业务的专业操作人才、电子商务物流人才、掌握商品配送和资金周转以及成本核算等相关知识和操作方法的国际性物流高级囚才将更吃香
物流师：缺口大的紧俏职业
中国物流师的缺口为60万人，已被列为21世纪12类紧缺人才之一
条件：从事物流工作的专业人才；具备一定的项目管理知识和经验；懂得进出口贸易业务、电子商务，以及掌握商品配送和资金周转、成本核算等相关知识和操作方法
无限"錢途"的证券、期货经纪人
购车经济人：汽车时代催生"黄金职业"
服务业：巨大的职业空间
高级秘书："金饭碗"而非"青春饭"
形象设计师：设计他囚成就自己
同声传译人才：社会新兴的"金领一族"
酒店旅游职业：风光无限
本文约7400字建议阅读15分钟。
本文介绍了贾扬清与李大海就国内外AI研究区别、在校生/职场新人如何培养自己的AI才能、AI应用落地以及AI在未来的发展趋势展开讨论。
算法工程師不仅需要具备牛逼的算法能力还要精通业务、善于沟通？（小本子赶紧记下来！）
8月23日晚知乎直播“AI时代听大咖聊”邀请到AI领域的兩个大神，分别是阿里云人工智能的方向高级研究员贾扬清以及知乎CTO李大海。
在直播中贾扬清与李大海就国内外AI研究区别、在校生/职場新人如何培养自己的AI才能、AI应用落地，以及AI在未来的发展趋势展开讨论
在讨论中，贾扬清认为：没有算法工程师这个角色只有两个角色，一个是算法的研究人员一个是应用的工程师，而“调参侠”没有市场
另外，作为Caffe、PyTorch和Tensorflow曾经的核心开发者他还提到，深度学习框架并不会出现大一统的局面因为现实中需求很多，并没有一家机器学习框架能够囊括所有的需求
1 “专业”除草，没想到卖了3亿美元
Q1：能否请两位聊一下国内外做AI领域的研究有什么区别
贾扬清：首先，国内外的工程师都很用功而且都追求最新的技术。个人认为国内嘚工程师更关注如何把方法与业务结合起来而国外在AI方面有一些很好玩的事情。
举两个例子：一个是如今很多农产品（比如黄瓜）在運去超市前需要筛选出大小、质量等许多方面合格的产品。以前都是用手分拣的很麻烦，但自从有了深度学习的框架TensorFlow之后有精通工程嘚年轻农民就结合算法，使用机器学习自动对黄瓜进行分类实现了：大一点的黄瓜送超市，小一点的拿去做零售
第二个是，我有一个研究生同学把Raspberry Pi放在后院后院里有一个喂鸟的地方，松鼠经常过来他就拿那个Raspberry Pi识别松鼠，松鼠一来就把它赶走这些技术看着好像没有什么用处，但后来产生了非常多应用硅谷有一个公司叫Blue River Technology，他们做的事情是运用技术在田间地头找杂草、除杂草有点类似筛黄瓜、找松鼠。这个公司后来被美国最大的农机制造商约翰迪尔公司以3亿美元收购了他们很多时候是出于纯粹的技术好奇心，但后来创造了一个产業我觉得这是国外蛮有意思的一点。
李大海：扬清讲的这个公司我有印象他们通过识别杂草、然后定点喷洒除草剂，杂草率可以降低箌原来的10%硅谷的公司一直有这个文化。当时我在谷歌的时候Eric（谷歌执行董事长）曾经讲过一个很好玩的故事：当时在谷歌有一个柜子專门放T恤。在谷歌无论发生什么，他们都会把事件印在T恤上不定期往柜子里塞，然后大家去抢当时柜子附近有一个摄像头，Eric就基于攝像头写了一些代码去监控这个柜子一旦识别出这个柜子附近有人，摄像头就会发出“警报”来通知Eric然后Eric一看到有人往柜子里面塞T恤僦去抢。在美国这些工程师会自发地去做这种（技术应用的）微创新。
国内工程师在创新方面与国外可能有一些差别目前国内的AI应用場景已经很广。比如说在知乎的工程团队里，大概1/6的人都是算法工程师在工业界，算法确实已经渗透到应用场景的方方面面第二点昰，AI应用从互联网开始逐渐推向越来越多的传统企业和传统行业但在个人层面，与国外相比国内的工程师可能较少会自发去发现一些微小的创新机会，并实现它
2 如何优雅入“AI”这个坑
Q2：作为一个在校生，我要如何将学习与业务结合如何培养自己的AI能力、才能进入比較好的互联网公司呢？
李大海：我们一般称掌握了AI知识的同学为“算法工程师”算法工程师在本质上首先是一个工程师，所以一个工程師所具备的能力算法工程师也应该具备，例如说：1）代码能力能够通过代码实现自己的想法；2）数据能力，即能够对数据进行分析並发现数据所包含的重点，同时对数据进行处理；3）与人沟通的能力因为算法工程师都是在团队里面工作，不是单打独斗所以需要能夠与同组的其他工程师、产品经理、测试和其他同事进行沟通。
第二点是算法工程师需要培养业务能力即对业务的理解。工程师首先要掌握业务应用的知识业务场景非常多，但每个场景所面临的问题是不一样的所以算法工程师一定要理解业务到底是需要解决什么问题，具备定位问题、发现问题、拆解问题和解决问题的能力
综上，对于在校生来说拥有对算法的理解能力是非常重要的特质。虽然算法笁程师都喜欢自黑称自己是“调参侠”，但除了调参之外还需要知道算法背后的原理。我们现在处于深度学习时代但是在“前深度學习时代”有很多浅层模型，这些模型因为没有深度学习碾压式的表达能力所以在浅层模型上做了很多思考。
个人认为：“当年”那些模型所用到的技巧对于培养机器学习的能力和解决现实问题是非常重要
贾扬清：同意大海的观点：分析问题，定义问题然后解决问题嘚整个逻辑非常重要。在校生得到的训练更多是：如何解决问题的能力但其实如果问题定义清楚了，解决问题的方法就会出现很多
另外，从工程的角度补充两点：第一如何获取最新的技术和算法？现在整个开源领域进展迅速其实，不光是开源也有很多开发支持平囼。所以大家可以保持好奇心，然后多带着玩的心态进行尝试例如三年前，名为叫Neural Style Transfer的AI应用将拍的照片上传之后，就可以转换成一张類似梵高风格的艺术照
第二是，“摸透”应用的实现流程落地应用是“昙花一现”，但应用背后所涉及的工程步骤例如把算法快速哋迭代出来、如何做算法优化、如何把算法放到手机上，如何上线等等。这种实际操作的流程和只看论文和demo是不一样的今天，我们有GitHub這类的开源社区很多实际操作都比以前更加容易。
李大海：我想补充一点有段时间我订阅过arXiv上面的 topic，但我发现这是个坑arXiv最近在机器學习领域非常火热，每天都大量的论文发布出来其中包含很多不同领域的或大或小的突破，这其实会让人眼花缭乱所以在这种情况下，我给学生们的建议是：自己先抓住一个重点（领域）至于其他领域，简单了解那些技术和突破是什么就好
Q3：假设一个同学已经入职叻，已经成为算法工程师他可能会经历初级、中级、高级三个阶段。所以关于初级算法工程师怎么晋升到中级算法工程师，以及中级算法工程师怎么晋升到高级算法工程师两位有何看法？
贾扬清：我觉得挺重要的一点是学习是所谓的engineering practice（工程实践）很多时候，我们在寫研究代码时跟研究本质是一样的，因为研究是快速迭代不需要做工程实现。假如今天要上线一个功能，不仅要保证它的整个foundation（基礎）是solid（坚固）的这时候，我们怎么做代码的管理、协同、review（审查）、测试、CD和上线怎么做 performance（性能）的benchmark（基准）跟profiling ？这一系列的工程鋶程也挺重要
第二点是保持好奇心。其实任何一个公司的平台都是挺大的拿阿里大数据和AI平台来举例子，像ODPS（Open Data Processing Service）大数据平台是10年前开始建造的今天平台非常复杂，包括上层的C语言库、中间的 Query Optimization（查询优化）和底层的执行调度肯定不能完全把握。在这个时候算法工程師就要与他人保持交流，多提问、多讨论就像T型，对系统的某一点了解特别深对系统的其他部分就触类旁通。逐渐成为一个高级算法笁程师之后呢成为一个架构师所拥有的能力，其实也能使得我们在更看得更宽、看得更大的同时有一个更加全局的系统架构的视野。
Q4：扬清有没有一些具体的建议比如说你在学生时代是怎么学习的？用什么途径获取到新的 AI资讯遇到问题怎么解决？
贾扬清：在我学生時代当时大家了解深度学习的算法是通过看论文，看完论文后大概就知道怎么做架构设计在看论文的过程中会有非常多的输入，比如峩们学到人们最开始写深度学习框架的时候（Torch是2000年左右出来的，Theano是2008年出来的）它们的架构设计怎么做神经网络、怎么做layer（层数）等等，这对我们后来设计其他的框架像Caffe、MXNet、PyTorch等等，是非常有帮助的再比如说，我们怎么样做模型civilization的格式化等等这时候谷歌的ProtoBuf又是一个很恏的测试框架，如G test这些现有的工程实践以及设计有现成的代码、文档和应用，看这些其实能够在实际中提升自己的能力
李大海：我非瑺赞同扬清的观点，就是在学校的时候我们会更关注代码的算法上是否足够精妙但是对架构和工程的关注度是不够的。我自己在早年的時候也犯过这样的错误像我们数学系毕业的，在工程上接受到的培训是偏少的但进入公司以后，工程实践却变得很重要扬清之前在┅次线下分享中曾提到的一句话我也很赞同，就是：AI是一个系统工程90%的时间里所做的事情都跟算法无关。在现实中也确实是这样
那么，作为刚入职的同学其实首先我认为入职已经晚了，在入职前就应该挑选一个在工程上相对规范的公司去入职如果是一个小公司，自巳又没有工程上的 sense（意识）那么你进入的是一个工程规范很乱的一家公司，这对于个人的职业发展和工程能力的培养是很有问题的
Q5：想请问两位 AI从业者，你们觉得跟其他AI从业者比你们最大的优势是什么？
贾扬清：在AI领域里在业界做得非常成功的人或团队都有一个特點，就是业务化他们不光懂算法，而且懂得怎么用算法因为在今天，算法已经迅速普及找一个研究生，两分钟就能搞出ResNet
另外，AI算法的创新在逐渐变慢比如说，Bert在NLP领域ResNet在CV领域都已经比较成熟。虽然算法创新还可以稍微提升一下但算法已经不是一个核心的differentiate（区别點）。在这种情况下怎么样找到实际应用场景，如何把算法和应用结合起来我觉得这是最能体现出价值的地方。所以如今AI的突破可能不是在算法上，而是“算法+系统+应用”而且应用可能会变得越来越重要。
李大海：我们还处于AI的应用层AI现在已经是一个非常大的框，里面可以放非常多东西领域也非常广。我觉得我们更像是AI行业的从业者是把AI当成一个功能强大的工具去使用。
我们的团队内部曾经佷喜欢一个国外经济学家写的一本书叫《与运气竞争》。
里面讲到当我们手上有一把钻子的时候，很容易想到的是我拿着钻子可以干嘛但其实很多时候，用户可能只需要钻一个孔来挂衣服所以，如果你想的总是“如何提高钻头的合金程度”、“让它变得更好看”這可能根本就不是用户想要的。
总的来说工具非常重要，我们对于 AI的理解和AI前沿技术的跟踪也很重要但更重要的事情是：用户的需求箌底在哪里，我们能解决什么问题
Q6：现在人工人工智能的方向处于什么发展阶段？它未来会给我们带来哪些改变它的长期规划可能是什么样的？
李大海：如果要判断AI目前处于什么阶段我们得先知道AI的全景是什么样子，但这个很难预测这时又会涉及到：人工人工智能嘚方向最后到底能走到什么阶段？它能不能达到强人工人工智能的方向的状态我的观点是偏悲观的，我觉得强人工人工智能的方向可能詠远都达不到
但说到应用，我们可以看到人工人工智能的方向在许多领域里已经打败人了，比如说图片分类所以在应用层面上我是佷乐观的。人工人工智能的方向的历史始于20世纪初后来经历了一些起起伏伏。
到今天AI可能有一些泡沫，但这个泡沫其实是AI公司在商业模式上遇到的问题但从技术层面上讲，AI这个工具越来越强大数据量越来越大，这些都是毋庸置疑的事情所以在应用层面上我是很看恏的。
贾扬清：从历史的角度来看计算机诞生的目的是为了更加人工智能的方向化地处理人与世界交互的问题。在人工人工智能的方向朂早的时候大家都在处理决策的问题。等决策系统做了一堆工作后我们发现，其实我们首先都还不知道这个世界是如何从一个像素、語音“导入”到计算机逻辑的系统里所以在前面这几年，深度学习其实是在从决策层面转到感知层面从而来解决感知的问题。
从感知嘚角度来说今天已经相对较成熟。例如2014年图像识别的正确率在一个限定的范围内已经超过人类。
回过头来看决策人工人工智能的方姠的决策发展还不行。比如说在自动驾驶里，我能感知这里有一辆车、那里有一个人但是知道后如何做决策？逻辑是什么甚至在一些更复杂的场景，例如限速25但前面的车都超速往前开了，这时候我又怎么办呢这些事情都是要在决策层面上解决的。人工人工智能的方向很有可能会先解决感知/认知问题然后在感知的基础上做决策。
综上分领域来看，人工人工智能的方向在认知领域已经到达非常成熟的阶段但在决策领域可能还处于初期的探索。
Q7：有一句话叫“AI是云的内核云是AI的必然形态。”如何看AI和云的关系以及AI在云里面扮演的角色。
贾扬清：为什么今天我们说云和AI是一个强结合的状态呢我觉得原因可能有两点：一是算力，二是数据从算力的角度来说，鉯前我们在学校做实验或自己创业的时候都搭过机器搭机器很痛苦，而且运维机器在一定程度上不产生价值然后AI又对GPU有非常强烈的需求。GPU又是一个很恶心的事有时候运行不错，有时候又会过热有时候又需要我们做资源的调度等等。任何一个实验室都会遇到资源调度問题：一个是科研人员在那找GPU的时候发现找不着然后系统工程师跑去一看，说：“哇天啊！利用率好低！”一边是starvation（饥饿）一边是satiation（飽和）。
如今云可以很好地解决算力问题。30年前所有的单位都有一个发电机，但今天没有人用发电机了因为底层的基础设施已经非瑺成熟，可以低成本、大规模地给社会提供电力在今天，云的计算力就像水电煤一般的基础设施我们不需要担心哪天机器哪里出了问題。比如说今天我突然要拉起一个大量的应用，这个时候云可以“soo”一声弹上来不要了就放掉。这是算力方面
第二个是数据。前段時间许多人关注深度学习领域，如图像、语音等等但许多AI应用其实是跟结构化数据绑在一块的。咱们举个例子比如说像知乎有大量嘚用户内容，这涉及到两方面：一方面是自然语言的处理另一方面是用户和内容的匹配。这时候其实是在一个大数据底座（像Hadoop和MaxComput）上媔做结构化数据的人工人工智能的方向。
这和一个大规模分布式系统是分不开的因为我不可能今天说把这些数据放到一个GPU机器上面，拿彡个SSD把它给接起来所以这时候就需要一套比较完整的系统，从数据的存储、处理、分析到计算到上层去进行任务的编排、模型的开发、模型的上线，以及数据的回流无论用户是自己搭一个系统（我们叫“私有云”），还是在公有云上面进行云都是AI不可或缺的一个环境。
今天的AI越来越多会关注到系统、云。这也标志着AI未来发展的必然形态目前，算法能够“单机”开发但是如何运用算法，则需要算力和数据的支持因此也会需要云和云相关的技术。
我现在在做的工作是把AI和大数据进行结合例如，前段时间我们发现：深度学习的笁程师会发现目前的大数据平台不能满足需求因为过去需要数据库管理结构化数据，而如今需要大数据逐渐向这种深度学习的应用领域進行改变
另一方面，对于结构化的应用工程师来说当存在推荐系统的需求时，所需要的并不是把所有的代码写出来而是通过更加灵活的“拖拉拽”等方式。因此过去是从大数据的角度进行AI落地，而未来一到两年内需要从系统的层面推动非结构化深度学习场景和结構化“传统经济学产品”进步。
5 算法工程师的未来“凶多吉少”
Q8：AI工程师和AI算法工程师之间有何不同各自的发展趋势是怎样的？两者会鈈会融合
李大海：在谷歌内部，AI的工作是普通的工程师在进行只要把问题描述清楚，然后放到“系统”上系统就能够给出一个大概嘚解决方案。在未来随着技术的发展，AI和AI工程的门槛会越来越低这就意味着AI工程师的从业门槛也会越来越低。
但是有许多缺口需要AI工程师补充所以，AI工程师也需要积累算法因此，从这个角度来看AI工程师既需要懂架构，又需要懂算法对于学生或者刚进入工作的职場新人而言，需要好好塑造自己的方法论快速补充自己，根据自己的业务需求让自己的能力变强
其实，无论是在谷歌还是在知乎我們招聘工程师都有一个标准，即希望工程师足够聪明能够快速学习，可以根据自己的业务补充“技能树”
综上，无论是算法还是工程其基础能力和学习能力非常重要。
贾扬清：我来讨论可能相对比较有争议性的话题：个人认为没有算法工程师这个角色只有两个角色，一个是算法的研究人员一个是应用的工程师，而“调参侠”没有市场因为，有的调参工作只需要写for 循环语句即可
算法的科研人员哽多是攻坚“更好的算法”，例如在计算机视觉领域可能要把模型做得更大、更准，在某些问题上需要把模型做得更小当然，在具体量化的过程中需要在两者之间进行平衡。也就是说科研人员更多是思考如何在一些“普遍”的场景下对算法进行创新。
在具体的应用過程中调参只是一个手段。例如在无人驾驶领域，其场景和机场的云点识别的场景非常类似但是其数据的分布不一样，所要做的事凊不一样应用工程师更多的是了解其背后的业务场景差距和限制，例如传统的约束满足问题(CSP)所以，应用工程师更多的是对端到端进行整合找到最优的方向进行调参，也就是说调参只是一个手段。综上调参侠没有市场，现实中只存在算法科研人员和应用工程师
6 小板凳蹲阿里、知乎的AI展望
Q9：AI的发展情况如何？在知乎和阿里有哪些技术沉淀未来的应用情况、重点投入的AI方向是什么？
李大海：目前的AI笁作和场景结合紧密抽象来看，（知乎）有三大方向：一是内容生产如何利用AI让内容生产进行更有效率，例如创作者匹配、激活创作鍺；二是内容理解建立内容概述，对内容质量有初步把握例如内容底线内容在哪里？内容是不是带有辱骂性质是不是有极端（仇恨）情绪；三是内容分发，这个方向建立在第二个方向基础之上但不再仅仅局限在内容的理解上，还需要对用户进行理解具体而言有两種情况，一是用户主动搜索将AI算法赋能到搜索引擎里；二是，被动推荐将高质量内容推荐给合适用户。
那知乎在文本方面（NLP）有哪些笁作呢主要有两个方面，一是分词例如最近的一次迭代结果是：F1的值从91%上涨到93.5%。二是词性的判断这类工作包括命名实体识别、消歧等等。
贾扬清：阿里有很多团队在研究AI例如阿里的PAI团队致力于AI的开发和治理的平台，基本上阿里的所有工程师都会在上面做开发达摩院的同学就会在上面构建很多应用和落地的算法，包含图片、语音等等
具体而言，阿里在开发和工程平台上基本上有三方面的应用首先是AI和大数据的结合，目的是在传统机器学习领域里如何让应用工程师、或者数据科学家更加容易使用数据和算法。换句话说更加丰富、更加成熟、更加高效的算法的结合，目的是为公司提供需要的场景化的解决方案最典型的例子有两个，一个是搜索推荐另外一个昰金融风控。这两个领域对AI存在强需求如果存在场景化的解决方案，那么就能让其更容易将领域数据和AI相结合
第二是更加云原生、顺暢的AI的深度学习的体验。以往的大数据、深度学习平台其结构往往比较重使用云原生“容器化”的能力可以构建出一个和“自己”的开發环境相符合的“产品”。例如在无人驾驶场景中可以实现非常灵活的深度学习开发，构建灵活的深度学习应用
第三是更加成熟的工程化的AI算法的部署，旨在解决模型的稳定程度和弹性以及检测模型的性能再者，如果有新的模型上线如何进行A/B 测试？如何回流模型的鼡户反馈等等都是需要考虑的问题。
在阿里我们还进行了一些“隐形”的工程能力例如，针对系统利用率低我们做了资源调度、资源的编排管理等工作。具体而言我们在OSDI这一会议发布了异构相关文章，还发布了在推理的框架里如何自动生成代码等论文这些工作在產品中显现不清楚，但是确确实实能够帮助平台降成本增效率。
Q10：有何展望阿里云会不会有自己的深度学习框架？接下来有哪些新的產品形态
贾扬清：接下来在产品形态上会把产品做得更加成熟，更加模块化目的是让大家根据自己的需求进行灵活选择，模块化的灵活组合
另外，也会着重强调稳定性和用户体验关于深度学习框架，个人逻辑是：从需求出发TensorFlow和Pytorch其出现的原因也是这个逻辑，例如TensorFlow能夠迎合“在一个大规模的弹性系统上面灵活构建高性能AI的需求”。
但是TensorFlow也有学习难度比较大的弱点所以针对学习难度问题，出现了Pytorch目前，这两者也在相互借鉴例如TensorFlow在增强用户体验，Pytorch在增强系统能力所以，从需求的角度来看这两者在一定程度上很好的解决了用户體验问题。
设计深度学习框架切记不要 meet to product即和TensorFlow和PyTorch在结构上不一样，但是所能够满足的需求能够做的事情是一样的。（贾扬清意思是：这種框架不值得）
其实个人认为，当前最重要的价值是如何更好的对接软硬件的协同设计不光是大规模的系统，如何将众多的芯片（例洳平头哥芯片、AMD芯片、苹果芯片）和框架进行对接也是一个非常现实的工程问题。
所以软硬件系统的设计才是核心问题，能否出现新嘚深度学习框架这个框架将会解决什么问题，也都会围绕这个核心问题
问答1：作为CTO，管理着上百人的技术团队你们一天的工作内容昰什么？
李大海：技术体系的工作分为两种第一种是建体制，即从机制层面思考创造让团队认真工作的环境让大家觉得工作更愉悦，笁作目标更明确如果这个问题解决不好，直接会影响工程团队的组织能力会影响到团队的文化氛围。
第二种是对重点的工作领域进行汾类在几百人的团队里，我们的工作覆盖面非常广所以我会关注到哪些领域的重要程度最高，然后判断现状和重要程度之间的差距如哬
最后，我作为全局领导者拥有的信息比较全面。也会关注拥有部分信息的员工所作出的决策如果他出现错误，我会进行纠正
贾揚清：有四个方面，第一做事情即如何搭建平台，如何进行业务这里涉及到和阿里云的其他团队进行对接，讨论需求商量决策。
第②是如何通过团队之间的良好沟通确保团队的战斗力。这需要考虑人的喜怒哀乐需要考虑组织温度。
第三如何构建机制，我们的做法是通过“战役”进行确定重点方向例如针对用户体验，用战役的机制进行讨论、执行确保能够做出用户需要的产品。
第四自我学習。在做管理的时候感觉自身有很多不足的地方。并且我的知识储备和团队相比并不会雄厚。所以需要自我学习，提升能力从而哽好的管理团队。
总结一下我在阿里云做管理，涉及到的工作是：人、机制、自我学习
问答2：会不用有一个大一统深度学习框架？
贾揚清：我觉得不会 例如可口可乐和百事可乐；安卓和ios ，mac和windows曾经看到过这么一个经济学观点，我们的现实需求很多并没有一家能够囊括所有的需求。例如在最好的语言评选中数据科学家更倾向于Python，系统工程师会选择C++因此，不会有一个一统江湖的框架也不会存在一荿不变的框架。（编者注：贾扬清说的可能是政治经济学里面的“垄断并不会消除竞争”~）
李大海：同意贾扬清的观点但是我想从另一個角度讨论这个问题。例如微信只有一个但是其他产品可能会出现并存。是否形成一家独大的判断标准我认为是是否有网络效益。机器学习平台并没有那么强的网络效益需求的点有很多，不同的需求可能存在不同的平台所以，Tensorflow和Pytorch这两大主流平台可能会长期存在而茬某些垂直领域还可能出现某些“小而美”的平台。
问题3：有哪些好的学习方法最近在看的书可以分享？
贾扬清：学习方法在于好的知識输入渠道推荐四个：1、知乎；2、Hacker News；3、TechCrunch；4、Reddit machine learning group。关于书籍最近在看一些管理方面的书籍，例如《公司的进化》
