假期跟久未见面的朋友聊天，我说我在搞深度学习、迁移学习、增强学习…
他有点不理解，问：哥，你是不是又进去了？学习改造呢？
我无语：哥什么时候进去过呢？
好吧，在AI领域，的确是各种学习的概念太多了。
目前的AI主要集中在机器学习上，机器学习的重要分支又是深度学习。
所谓终身学习，对AI人来说更是如此。每年冒出的新技术太多了，不管是理论研究还是实践经验，各种会议上的paper如雪片般飞出，让人应接不暇。在视觉领域，今年的两大顶会（CVPR, ECCV），就有1000多篇论文产出。就算搞CV的人，也只能挑着论文看。
AI人虽然拿着高薪，但却在工作中顶着巨大的精神压力。一方面要跟进新技术、新思想，另一方面，要研究AI的产出，即如何落地。
AI研究的成果，要真正取得落地，并不容易。算法解决一切的时代还未远来临，与之相关的工程、环境、硬件、生态一系列问题，随时影响着算法落地的可行性和效率。
我在企业工作，企业搞前沿性技术研究，有好也有坏。好的地方在于，经费充足，比如能开出高薪吸引人才，能购买昂贵的设备支持科研。坏的地方在于，企业往往是短视的，这是生存的要求。高校可以花费数年乃至数十年研究一项基础技术，但企业是绝无可能的。企业的研究部门，哪怕是腾讯的AI lab这样的部门，也有着巨大的KPI压力。
工业界用到的前沿技术，往往是在高校完成前期的学术积累，比如深度学习、量子通信。这个研究过程可能是漫长的、苦逼的，而研究者对自己的方向，甚至也是不确认的。数年如一日的投入在一个前途不明的研究方向，能支撑下去的，只有信念。
上图是Geoffrey Hinton，被尊称为“神经网络之父”，他将神经网络带入到研究与应用的热潮，将“深度学习”从边缘课题变成了谷歌等互联网巨头仰赖的核心技术。
在牛人的指路下，一大批研究人员、工程人员前仆后继，将深度学习应用在科技与生活的各个领域，比如图像、语音、自然语言。学术界的成果是决定性的，企业界的落地是关键性的，两者相辅相成。没有学术界的研究创新，不会有工业界的技术进步。而工业领域的技术落地，又反过来验证和推动了学术进步。
我们的AI同学人手几台开发设备，眼前不同的显示屏上，是各种模型运行的动态效果，而手头还有一堆的打印论文随时用于翻阅。在模型结果不满意时，他们苦思冥想，头发都抓断几根；在调出满意效果时，他们手舞足蹈，有如着魔。他们沉浸在深度神经网络幽深暗黑的海洋里，在虔诚的信念支持下，日以继夜的努力，试图找到暗黑背后的光明。
哪怕睡觉前，眼前飘过的也是公式；哪怕吃饭时，嘴里吸收的也是符号。AI无处不在，而AI人的思考与奋斗，也无时不在。
感谢一代代投身AI领域的人们，不管是学术界的大牛，还是工业界的小兵。有了你们的努力，才有现在美好的科技生活，未来才有更美好的憧憬。