只有一句话
技术的信仰也是道,道不同不相为谋,融合时一定要取长补短
走向未来:数字时代,我们如何思考与生活
一个二流或三流的工程师,经过他的努力工作,就可以让技术不断变得复杂,在消灭了自己工作岗位的同时,切实也消灭了同行的工作岗位,甚至行业外的工作岗位
技术会逐渐变得复杂,直到一个"大神级"工程师的出现,他们创造新的"简单"技术,为工程师们创造了新的工作岗位,而不是消灭了他们的工作岗位
技术"内心复杂"和"外表单纯"的排列组合模式,与技术的年龄有关:少儿期的技术"内部复杂,使用也复杂";青年时期的技术"内部非常复杂,使用明显简化";中老年的技术"内部极其复杂,使用极其简单"。技术的内心和外貌变化趋势,可能与外貌变化正好相反
新技术的出生地
新技术经常会出现在以下场景
- 军事:一些国家愿意花高价,换取技术领先的趋势
- 奢侈品:一些富人愿意花高价,换取身份或便利
- 娱乐:很多年轻人在不知菜米油盐贵的年龄段,愿意花小钱满足自己的刚需
新技术经常起于娱乐业,是因为娱乐对技术的可靠性、安全性和价格等不敏感,而早期技术在这些方面都差点火候,场景和技术二者完美匹配
深度学习技术的天花板
算法方法
是一个黑盒子,缺乏理论指导,对神经网络内部涌现出的所谓"智能"还不能做出合理的解释
二是事先无法预知学习的效果。为了增强训练的效果,除了不断增加网络深度和节点数量,补充更多数据和增强算力,然后反复调整参数基本就没其他方法了
三是调参还是在碰运气。还没有总结出一套系统经验做知道,完全依赖个人经验,甚至靠运气
四是通用性仍有待提高,没有记忆能力。目前几乎所有的机器学习系统被训练用于执行单一任务,无之前任务的几亿
计算方面
吞噬算力的巨兽:一是在线实时训练几乎不可能,只能离线进行;二是索然GPU等并行式计算硬件取得了巨大进步,但算力仍然是性能的限制性瓶颈
数据方面
一是数据的透明度,虽然深度学习方法是公开透明的,但训练用的数据集往往是不透明的,在利益方的诱导下容易出现"数据改变信仰"的情况
二是数据工具。输入数据时的细微都懂有可能导致算法失效,如果发起对抗性样本攻击,结果就相差巨大了
三是监督学习。深度学习需要海量的大数据,需要打上标签做监督学习,而对实时、海量的大数据打上标签几乎是不可能的
关于创新
复杂性在哪里,创新就在哪里,人才就在哪里,机会就在哪里,投资和创业也应该在哪里
如何做预测
热点
2019年,你要预测的是量子计算、AI、区块链、金融科技等"前言技术",尽量不要再做什么O2O、互联网金融、云计算甚至是大数据等"落后技术",因为后者是正在成为现实的技术
反复
年年做预测,事事做预测,就能针对热点做到"真正的"预测