懒人曾在面向互联网的人工智能领域混过。
虽然不是什么大牛，但也落地了几个项目。
在AI依然大热的今天，我谈几个问题和看法。
（一）人工智能背后是什么原理？
AI的本质就是对结果的拟合过程。
普通编程工作是这样，给定条件A，编写过程B，然后输出结果C。
AI是这样，给定条件A和结果C，在此基础上，训练算法去实现过程B。
这里，条件A叫特征，结果C叫标签，B就是指模型或算法。
AI训练过程就是让算法不断迭代，最大可能的拟合结果。
评估模型是否合格，就是看算法的拟合程度。
训练出来的模型，其实是一种统计方法，在输入新的条件A时，预测新的结果C。
上述描述指的是监督学习，这也是在工业界基本落地的机器学习方式。
（二）人工智能有用吗？
有用没用是相对的，取决于特定业务场景。
如果一件事物，有迹可循，并且做好它需要大量重复的人力劳动，那么AI产出有价值。
比如医院的X光看片，安防行业的人脸识别，客服领域的自动语音服务。
但如果一件事本身没有规律可循，或者不可控的条件太多，那么AI没什么作用。
比如股市预测，没见谁用AI发了财的。
比如2018世界杯，算法工程师可以借力AI来赌球吗？天台为你准备。
（三）怎么看All in AI?
这个提法有点悬。AI最大的问题在于落地。
AI能否落地，一是对业务的了解与融合程度，二是上下游生态成熟度，包括软硬件环境。
我看到很多AI项目设想起来很美好，其实是落不了地。
比如，目前手机芯片的算力问题、手机屏幕的大小问题、手机摄像头成像结构问题。
这些因素限制了很多高端AI算法在移动端的实现。
（四）人工智能真的那么智能吗？
用户使用了某款AI驱动的产品，比如一键变大长腿，还是很震撼，会感叹AI的智能。
但对AI算法工程师来说，有一句经典的话：
有多少人工，就有多少智能。
此话一点不假。
所谓的智能，也就是那套拟合算法，是付出大量的人力得来的。
人力付出在于数据组织上，在于神经网络设计上，在于模型调参上，在于反复的训练和评估上。
光是数据采集、预处理、打标签，就是一项异常庞大的工程，而且还容易出错。
人工智能的产生过程并不智能。
相比普通程序员，AI工程师不仅输出密集的脑力，还付出大量体力。
所以AI工程师很贵。
（五）如何进入人工智能行业？
请看一万小时定律：
一万小时的锤炼是任何人从平凡变成世界级大师的必要条件。
这一行同样没有捷径。
看数学书，微积分、线性代数、概率与统计。
看神经网络、深度学习方面的书，目前的AI都集中在深度学习领域。
看编程相关的书，Python、C++。
看机器学习视频，比如吴恩达的。
学习领域方向的知识，比如CV（视觉）、NLP（自然语言）、语音。
学习使用框架，比如Keras、Tensorflow、PyTorch。
深入了解业务和数据，这是做任何项目的前提。
知乎同样有一些不错的帖子，比如这篇。