又是一个年头，走过2016，开始了17新的征程。在感知到科技带给生活的巨大变化下，曾立志为科技的力量带给人们便捷的生活添砖加瓦。现在看来确实有些惨淡…
大数据行业从10年左右开始兴起，发展至今理论与工业应用上形成了完整的体系，R语言和Python的大火，Hadoop和Spark的普及，以及各种讲座及培训班也在不停地输送出工业需要的人才，网络上的各种教程完完全全在不需要完整体系训练的情况下就能培养出一位数据科学人才。无论从工业界还是学术界来看，数据科学已经和云计算等技术进入完全成熟且透明的发展阶段。
随着国名经济的转型，在原本就脱节的人才培养机制之下，大量的人涌入这个领域，我们知道供求关系决定着物品的价格。
此处多说一点，并不是数据科学没用了，恰恰是数据科学要真正的进入它野蛮生长阶段了，以后的各行各业数据科学必将占有决定性的地位。但对于技术人员来说，数据科学的神秘面纱已经不复存在，这个领域下来该是产品经理们施展拳脚的时候了。
这些年来由于国家首脑们的站台和背书，吸引了大量的人员去研究和学习相关的理论和促生了大量的所谓的大数据产业基地，大多单位成立了相关的所谓数据研发组，显然已是一片欣欣向荣的景象。
但事物发展有其内在规律。数据量的增加是不争的事实，但拥有这些数据的单位是屈指可数的，一线大的研发单位以及政府部门，其他叫得上名号的现在看来大都已经姓马了。其他单位也就是说说而已就不要当真了吧，主要原因要么是设备人才局限或者数据量不足。以后数据科学所要涉猎的其他领域也必然不会逃出以上所述。百家争鸣一番繁荣的景象必将不复存在。在下一个奇点来临之前，还是各回各家的好。
再谈人工智能。16年alfago战胜李世石，一举拿下众多头条，以及近日机器在德州扑克中战胜人类，标识着人工智能的到来。从实现方案看来，可以比喻为一个人的四肢健全，神经反射等已经发展成熟，唯独缺乏一个好的大脑了。从现在的研究进展来看，要想攻破这个难题还遥遥无期。
因此下一个阶段必将是打造人与机械共同体的时代，人负责决策，机械负责执行，而且单个机械负责的范围极其有限。Google的alfago，就是单个机械范围的一个样板。
go的训练数据的规模是空前的，放眼世界能够具有如此数据规模的公司并不多-不谈论政府，因此以后对于想走这条路线的公司已前路渺茫。
但有一个常识，人获取信息的主要渠道是眼睛，人做决策也大多基于视觉信息，也就是计算机视觉，反观这个领域不论是学术界还是工业界现在还处于开始状态，各自为战。而且工具包大都不完善并且极其稀少，学习门槛是公认的最高。凡事涉及到视觉的领域发展相对滞后。
数据的增加一个方面是拓展应用领域；一个方面是增加数据采集的深度，采集视觉信息并对其进行应用必将占据关键地位，而且视觉信息采集方也是五花八门，分布在各个领域且大小厂商都有参与竞争数据源的机会，因此抓住视觉信息是其他技术驱动型公司的一大希望。
计算机视觉发展许多年来难有突破，凭借着deeplearning的驱动再一次被推上浪潮之巅。基于此的众多变种大多属于实验论证研究阶段。
不论以后视觉领域是否会实现像大数据领域一样的大一统，对于现在的技术人员来讲，现在进入必将是一个一生难遇的机会。如果视觉领域数年内不能有所突破，必将是各个厂商各自为战，一片狼藉，对于视觉技术人员的争夺必将空前；如果取得重大突破，此时进入必将随着浪潮占得先发优势。
扫一扫
1005
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
