《风向-何宝宏》读书笔记

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