又到年底了，這不，今年的斯坦福全球AI報告終於發佈了！
斯坦福全球AI報告是從去年開始，由斯坦福大學發起，彙集麻省理工學院、哈佛大學、OpenAI、麥肯錫等機構的多位專家教授，從學術、工業、開源、政府等方面，追蹤和分析人工智能的發展現狀和趨勢。
其中斯坦福大學、麻省理工學院、哈佛大學都是目前AI和機器人等學術領域的最高學府，也是AI人才的“搖籃”，該報告可以說是具備相當的權威性和可信度。
AI“網紅級”科學家吳恩達為報告提煉了以下兩個結論：
1. AI正在快速發展，不管是學術界還是工業界都是如此。
2. AI的發展仍不均衡，在多樣性、包容性方面仍需努力。
吳恩達Twitter發文
其中一個典型的特點就是美國無論在論文發表、創業公司數量及AI綜合實力上都是全球第一。
中國AI追趕的速度也相當驚人，例如論文數量、學習AI及機器學習學生數量以及機器人的部署等方面，正在奮起直追。
而值得關注的是，據報告顯示，2017年全球機器學習（ML）人才需求已經是2015年的35倍！
從近期國內外各大互聯網和科技企業求賢若渴“搶人”的勢頭來看，AI人才短缺早已成為整個行業共同的難題。
此外，最近業界還曝出AI相關專業應屆博士畢業生年薪高達80萬、62%的中國高校相關畢業生選擇去美國工作等消息， 讓人對如此“人才荒”感嘆不已。
與此同時，有人發出疑問，傳統程序員能不能轉行AI？現在轉行算晚嗎？
答案當然是可以的！
但是，對於傳統程序員來說，AI行業的門檻和難度都不低，傳統程序員轉行需要經過系統和深入的相關專業知識的學習，並非易事。
我們今天就從AI最基礎的機器學習（Machine Learning，簡稱ML）為例，與大家探討一下程序員轉行AI領域。
什麼是機器學習？
首先，機器學習是AI的入門，也可以說是一個分支。
其次，從字面上來解釋，機器學習就是讓機器實現自我學習，模仿或學習人的行為，並不斷完善自己。
再者，要掌握機器學習並不簡單，它是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法複雜度理論等多門學科。
簡單來說，機器學習是一門極具基本功的學科或領域，除了程序語言外，還需要掌握數學基礎（數學統計）、經典算法等一系列專業性較高的知識。
因此，從事機器學習的人主要包括兩類人。
第一類，是程序員出身，並具有數據基礎。
第二類，則是擅長統計學，同時熟悉算法和程序語言。
與數據打交道
數學是機器學習的一大門檻。
機器學習不僅需要大量的數據積累，更要輸出特定的算法模型，以便讓機器實現自我學習。
這一過程需要經過複雜的數學計算，其中包括大量的數據挖掘和分析。
基本所有常見機器學習算法都需要的數學基礎，例如微積分、線性代數、概率學、統計學等知識都不可或缺。
所以，機器學習入門的第一步就是與數據打交道，學好數學非常有必要。
從“術”到“道”
算法和程序語言的區別在哪裡？
通俗的來說，算法是處理解決問題的思路及辦法，程序語言是按照一定語法把算法表達出來。
算法，就是一系列清晰的指令和邏輯判斷，以計算出結果。算法的優劣不僅體現在時間、空間，還對執行效率和結果起到決定性作用。
現在機器學習領域有很多的經典算法，例如感知機、KNN、樸素貝葉斯、K-Means、SVM，AdaBoost、EM、決策樹、隨機森林、GDBT，HMM等等。
程序語言，就是用來定義計算機程序的形式語言，例如常見的Python、C++、Java、Lisp、Prolog等。
它是一種標準化的交流形式，用來向計算機發出指令。任何一種程序語言都能夠正確的定義和處理計算機所需要的數據，並在不同情況下執行適當的行為。
如果將程序語言比喻為“術”，就是指數據執行和處理的能力。
而算法則是“道”，也就是解決問題的方法或思維。
傳統程序員主要運用的是程序語言，即“術”，而到了機器學習層面，更多地將利用的是算法，藉助算法建立各類模型，以實現學習，就是所謂“道”。
從“術”到“道”轉變，不僅是對程序員的能力的考驗，更是思維模式和處理方式的飛躍，難度同樣不小。
理論結合實踐
如果說大數據是燃料，算法就是鍋爐。
然而，所有的AI產出必須應用到各行各業中，否則毫無意義。
所以，AI非常強調應用，機器學習亦是如此。
如今，各大企業都在強調應用場景，努力實現AI的商業化落地。
在全球，儘管美國在研究和學術上領先優勢明顯，但在應用場景上，國際上普遍認為中國要強於美國，也就更有利於AI的落地。
因此，在一頭扎到專業知識中去的時候，也要多多結合實際應用場景，理論結合實踐，全方位考慮問題。
針對不同的行業、不同的應用場景，融入不同的程序語言、框架、算法在機器學習領域都是家常便飯。
終身學習
面對快速變化的時代，每個人都需要通過不斷地學習、完善自己，才能趕上時代的步伐。
如今，AI不再是學術機構或研發實驗室的理論研究，它也成為一種顛覆或改變整個社會的基礎性技術，從而帶給我們全新的生活和工作方式。
傳統程序員轉行AI同樣需要以顛覆自己、塑造全新的自己為目的，養成終身學習的習慣，從而獲得更廣闊的發展空間
由於機器學習等AI相關技能不僅依賴專業知識和實踐，還需要系統性的學習過程和深厚的學術氛圍，因此AI人才往往都畢業名校，並有較高的學歷，更有大量中國高校畢業生遠赴美國繼續攻讀博士專業。
所以，如果有條件的話，傳統程序員在自我學習的過程中，前往高校和科研機構再深造或充電，對於轉行也非常有必要。
同時，努力將學習和研究結合到具體的應用場景和實踐中，勢必將獲得事半功倍的效果。
畢竟，AI早已公認為未來10-20年最重要的科技創新“利器”，併成為全球各個國家的共同爭奪的新戰略陣地和目標，其發展前景可期。
斯坦福大學計算機科學系和電氣工程系的副教授、斯坦福人工智能實驗室的主任 吳恩達
最近，業界活躍的吳恩達發佈了AI轉型手冊（Transformation Playbook），為企業用AI改造公司出謀劃策。
其中就提到企業內部建立內部AI團隊的重要性。
設想一下，未來各大公司內部都設有AI部門，將是怎樣的景象？
綜上所述，AI前景廣闊，轉行AI何時都不算晚，最重要的是養成終身學習的習慣和堅持不懈的信念。
程序員，你準備好了嗎？
文中圖片均來自pixabay.com及互聯網
閱讀更多 AI報道 的文章
