看了一篇文章关于讨论工程能力，深有感触，AI算法已经比较透明，如何做出易用，稳定且能实际解决问题的系统才是重点。
https://www.infoq.cn/article/AI-front-201802/
经常有人问我学好人工智能的秘诀。我会先问下对方对数据结构、代码设计、调试工具、代码版本维护的入门问题。如果这些都不过关，我的回答就是“工程”。
做好 AI 应用，不仅是要懂 AI“算法”，更重要的是软件工程能力和系统能力。在实践中，Linux 命令用得熟不熟，写程序是不是有良好的风格，版本控制是不是成为习惯，是不是掌握基本的网络服务构架，这些基本功比会用 Keras/TensorFlow 重要多了。有想法的人很多，具体工程去做的人就少了，应先从最底层的工程练起。没有具体的工程经验，就是清谈，是浪费时间。先过了系统运维关、数据库关、代码习惯关、基本软件工程关，才能谈得上落地一个 AI 的系统。
现实系统里行之有效的人工智能算法，都是很简单的。能不能发挥好的根本，都在于如何把这些简单的东西因地制宜综合运用。为 1% 的核心算法代码跑好，要 99% 的“工程”代码的支持。
比如对机器学习，无免费午餐定理告诉我们，一个算法如果在一类问题上特别有效，那一定有一些问题它比随机算法还差。一个现实中可用的机器学习系统，几乎一定是多种问题的混合问题。不会存在一种算法是一个现实问题的灵丹妙药。现实的问题的解决，一定是用一个良好的工程架构，让多种算法混合在一起解决问题。能拿捏这个架构设计的“度”，就是人工智能工程师最核心的能力。
又比如逻辑这个分支。概念上其实没有比逻辑更简单的语言了：与、非、存在量词。但是为了工程化这个简单的东西，就衍生出巨大的一门学科：知识工程、语义网、知识图谱。知识工程之所以难不在“知识”，而在“工程”。当关注“知识”的时候，总是可以映射最优秀的人的智能。但工程化的时候，必须适应群体无限的奇葩，和不可避免的各种成本的折衷。
AI 应用落地，核心是工程问题，不是算法问题，更不是“哲学”问题。一定要特别特别“土”，踏踏实实从朴素的运维、数据库、数据清洗做起，从实际的工程中逐步演化。如何按天迭代? 如何构造联调系统? 如何无标注数据启动? 如何分离准确度和召回率要求? 如何统一运用规则和统计? 如何适应无明确衡量标准的开发? 如何设计可演进的数据模式? 如何提升数据可理解性? 如何逐步提升规则系统的表达力? 如何平衡黑箱和白箱模型的优缺点? 如何在优雅架构和工期间取舍? 等等，这些都是教科书上没有的答案。只有扎扎实实从工程出发，才能实事求是地发展出低成本的、有生命力的 AI 系统。
如果仅仅是因为某个东西时髦就去学，比如因为这两年 AI 火就去学 AI，满口 CNN、RNN、LSTM，却没有兴趣去理解这些东西背后的基本原理和应用范围，对工程也是无益的。比如只知道“卷积”这个词，却不理解不同的卷积核对于图像到底起什么作用；只知道深度网络，却连其他的神经网络一概不知；只知道 word2vec 分布式表示，却连 TFIDF 和 LDA 都没用过。这种赶时髦，对工程实践害处大于用处。
掌握分很多层次。会用包是一个层次，会改进是一个层次，发优秀论文再进一个层次。至于懂得方法的边界、工程上和其他方法融汇使用，就只有凤毛麟角的人了。到 AI 架构师的层次，又需要通透理解多种方法的前沿。这样的人，学校、研究院都培养不出来，都是通过工程逼出来、练出来、打出来的。光是懂算法不行，还必须通透理解实践的前沿；光是理解一个分支也不行，还必须通透理解几个分支。
没有银弹，没有奇迹。都是扎扎实实的工程，多年的细节的打磨才能解决一点小事。也从来没有一个所谓的伟大的想法，能跳过工程的考验而就成功的。工程才是做好 AI 的钥匙。