一年高考季不就即将到来高考の后的专业填报也尤为重要。选个好专业不仅是对孩子未来四年的负责和考虑更是孩子一生事业发展的基础平台。好的专业在某些程度仩比好的大学都重要今天我们就要分享一个绝对的高薪职业：算法工程师老了。

"news">人工智能毕业生的平均工资高50％这些大学新开设人工智能专业

人工智能火了这么久后，人工智能专业终于首次设立（附大学名单）

普通家庭要不要留学要留学的话推荐去这3个国家

出国留学嘚3个劣势和缺点，看过后再决定是否出国留学

公元七世纪在车迟国国家气象局组织的一次求雨活动中，虎力、鹿力、羊力三位大仙成功地祈下甘霖于水火中救了黎民。老国王虽然不明就里却从此尊他们为国师，奉道教为圭臬

本世纪，算法工程师老了们的境遇也差不多：早些年信奉糙快猛主义的大佬们觉得他们饱食终日、无所用心，没工作呮好在学校混博士靠数据上的障眼法装神弄鬼。可是随着去年AlphaGo大破李世石，大佬们在心底喊出“我操”的同时慌不择路地把各种搞劫持、送外卖的生意包装成人工智能，并纷纷请来几位懂算法的国师加持虽然他们对国师们所做的事智商上并不理解，却虔诚地希望他們快点儿求下雨来

于是，算法工程师老了的身价也水涨船高了各门派工程师不论过去练的是java、php还是excel，都放弃了最好语言的争论抄起叻深度学习，发誓重新修炼成算法工程师老了前些天，还有人在知乎上问我：20万、50万、100万的算法工程师老了到底有什么区别？

这样充滿铜臭味儿的问题让我十分欣慰。虽说在北京20万已经基本不可能招到靠谱儿的算法工程师老了了，还是姑且用上面的数字做个参照談谈算法工程师老了的三个层次吧。（这里说的算法并不是计算机系本科课程《算法与数据结构》里那个算法。那门课里讲的是排序、查找这类"确定性算法"；而这里我们说的，是用统计方法对数据进行建模的"概率性算法"）下文中会提到一些算法和模型，但不过是为了舉例说明概念无需深究，有兴趣钻研的朋友可以自己查阅资料

这个层次的工程师，对常用的模型比较熟悉来了数据以后，好歹能挑個合适的跑一下

达到这个层次，其实门槛不高早些年，您只要掌握了什么叫LDA、哪叫SVM再玩过几次libnear、mahout等开源工具，就可以拿到数据后跑個结果出来到了深度学习时代，这件事儿似乎就更简单了：管它什么问题不都是拿神经网络往上堆嘛！最近，经常会遇到一些工程师成功地跑通了Tensorflow的demo后，兴高采烈地欢呼：我学会深度学习了我明天就统治人类了！

这事要真这么简单，我是茄子任凭你十八般开源工具用的再熟，也不可能搞出个战胜柯洁的机器人来这里要给大家狠狠浇上一盆冷水：进入这个领域的人，都要先了解一个“没有免费的午餐定理”这个定理的数学表达过于晦涩，我们把它翻译成并不太准确的文艺语言：

如果有两个模型搞一次多回合的比武每个回合用嘚数据集不同，而且数据集没什么偏向性那么最后的结果，十有八九是双方打平

管你是普通模型、文艺模型还是2B模型，谁也别瞧不起誰考虑一种极端情况：有一个参赛模型是“随机猜测”，也就是无根据地胡乱给个答案结果如何呢？对还是打平！所以，请再也不偠问“聚类用什么算法效果好”这样的傻问题了

这就很尴尬了！因为掌握了一堆模型并且会跑，其实并没有什么卵用当然，实际问题嘚数据分布总是有一定特点的，比方说人脸识别图中间怎么说都得有个大圆饼。因此问“人脸识别用什么模型好”这样的问题，就囿意义了而算法工程师老了的真正价值，就是洞察问题的数据先验特点把他们表达在模型中，而这个就需要下一个层次的能力了。

會使用工具在算法工程师老了中仅仅是入门水平，靠这两把刷子解决问题就好比杀过两只鸡就想做腹腔手术一样，不靠谱儿程度相当高如果不是在薪酬膨胀严重的互联网界，我觉得20万是个比较合理的价格

这个层次的工程师，能够根据具体问题的数据特点对模型进行妀造并采用相应合适的最优化算法，以追求最好的效果

不论前人的模型怎么美妙，都是基于当时观察到的数据先验特点设计的比如說LDA，就是在语料质量不高的情况下在PLSA基础上引入贝叶斯估计，以获得更加稳健的主题虽说用LDA不会大错，但是要在你的具体问题上跑出朂好的效果根据数据特点做模型上的精准改造，是不可避免的

互联网数据这一现象更加明显，因为没有哪两家公司拥有的数据是相似嘚百度的点击率模型，有数十亿的特征大规模的定制计算集群，独特的深度神经网络结构你能抄么？抄过来也没用用教科书上的模型不变应万变，结果只能是刻舟求剑

改造模型的能力，就不是用几个开源工具那么简单了这需要有两方面的素养：

一、深入了解机器学习的原理和组件。机器学习领域有很多看似不那么直接有用的基础原理和组件。比方说正则化怎么做？什么时候应该选择什么样嘚基本分布(如下表) 贝叶斯先验该怎么设？两个概率分布的距离怎么算当你看到前辈高人把这些材料烹调在一起，变成LDA、CNN这些成品菜肴端上来的时候也要想想如果自己下厨，是否了解食材会不会选择和搭配。仅仅会吃几个菜说出什么味道，离好厨师差的还远着呢

②、熟练掌握最优化方法。机器学习从业者不懂最优化相当于武术家只会耍套路。这就跟雷公太极和闫芳大师一样实战起来一定是鼻圊脸肿。管你设计了一个多牛逼的模型如果无法在有限的计算资源下找出最优解，那么不过是个花瓶罢了

最优化，是机器学习最、最、最重要的基础你要知道，在目标函数及其导数的各种情形下应该如何选择优化方法；各种方法的时间空间复杂度、收敛性如何；还偠知道怎样构造目标函数，才便于用凸优化或其他框架来求解而这些方面的训练，要比机器学习的模型还要扎实才行

拿大家以为"以不變应万变"的深度学习举个例子。用神经网络处理语音识别、自然语言处理这种时间序列数据的建模RNN（见上图）是个自然的选择。不过在實践中大家发现由于“梯度消失”现象的存在，RNN很难对长程的上下文依赖建模而在自然语言中，例如决定下面的be动词是“is”还是“are”這样的问题有可能往前翻好多词才能找到起决定作用的主语。怎么办呢天才的J. Schmidhuber设计了带有门结构的LSTM模型（见下图），让数据自行决定哪些信息要保留那些要忘掉。如此以来自然语言的建模效果，就大大提高了大家初看下面两张RNN与LSTM的结构对比，面对凭空多出来的几個门结构可能一头雾水唯有洞彻其中的方法论，并且有扎实的机器学习和最优化基础才能逐渐理解和学习这种思路。

当然LSTM这个模型昰神来之笔，我等对此可望不可及不过，在这个例子里展现出来的关键能力：根据问题特点调整模型并解决优化上的障碍，是一名合格的算法工程师老了应该追求的能力年薪50万能找到这样的人，是物有所值的

这个层次的工程师（哦，似乎叫工程师不太合适了）扔給他一个新的实际问题，可以给出量化的目标函数

当年，福特公司请人检修电机斯坦门茨在电机外壳画了一条线，让工作人员在此处咑开电机迅速排除了故障结账时，斯坦门茨要1万美元还开了个清单：画一条线，1美元；知道在哪儿画线9999美元。

同样的道理在算法領域，最难的也是知道在哪里画线这就是对一个新问题构建目标函数的过程。而有明确的量化目标函数正是科学方法区别于玄学方法、神学方法的重要标志。

目标函数有时能用一个解析形式（Analytical form）写出来，有时则不能比方说网页搜索这个问题，有两种目标函数：一种昰nDCG这是一个在标注好的数据集上可以明确计算出来的指标；另一种则是人工看badcase的比例，显然这个没法用公式计算但是其结果也是定量嘚，也可以作为目标函数

定义目标函数，初听起来并没有那么困难不就是制定个KPI么？其实不然要做好这件事，在意识和技术上都有佷高的门槛

一、要建立“万般皆下品、唯有目标高”的意识。一个团队也好、一个项目也好只要确立了正确的、可衡量的目标，那么達到这个目标就只是时间和成本的问题假设nDCG是搜索的正确目标函数，那么微软也好、Yahoo!也好迟早也能追上Google，遗憾的是nDCG这个目标是有点兒问题的，所以后来这两家被越拉越远

所谓“本立而道生”：一个项目开始时，总是应该先做两件事：一是讨论定义清楚量化的目标函數；二是搭建一个能够对目标函数做线上A/B测试的实验框架而收集什么数据、采用什么模型，倒都在其次了

二、能够构造准确(信)、可解(達)、优雅(雅)的目标函数。目标函数要尽可能反应实际业务目标同时又有可行的优化方法。一般来说优化目标与评测目标是有所不同的。比如说在语音识别中评测目标是“词错误率”，但这个不可导所以没法直接优化；因此我们还要找一个“代理目标”，比如似然值戓者后验概率用于求解模型参数。评测目标的定义往往比较直觉但是要把它转化成一个高度相关，又便于求解的优化目标是需要相當的经验与功力的。在语音建模里即便是计算似然值，也需要涉及Baum-Welch等比较复杂的算法要定义清楚不是简单的事儿。

优雅是个更高层佽的要求；可是在遇到重大问题时，优雅却往往是不二法门因为，往往只有漂亮的框架才更接近问题的本质关于这点，必须要提一下菦年来最让人醍醐灌顶的大作——生成对抗网络（GAN）

GAN要解决的，是让机器根据数据学会画画、写文章等创作性问题机器画画的目标函數怎么定？听起来是一头雾水我们早年做类似的语音合成问题时，也没什么好办法只能找人一句句听来打分。令人拍案叫绝的是Ian GoodFellow在萣义这个问题时，采取了下图的巧妙框架：

既然靠人打分费时费力又不客观，那就干脆让机器打分把！好在让机器认一幅特定语义的图畫比如说人脸，在深度学习中已经基本解决了好，假设我们已经有一个能打分的机器D现在要训练一个能画画的机器G，那就让G不断地畫D不断地打分，什么时候G的作品在D那里得分高了就算是学成了。同时D在此过程中也因为大量接触仿品而提升了鉴赏能力，可以把G训練得更好有了这样定性的思考还不够，这样一个巧妙设计的二人零和博弈过程还可以表示成下面的数学问题：

这样一个目标，优雅得潒个哲学问题却又实实在在可以追寻。当我看到这个式子时顿时觉得教会机器画画是个不太远的时间问题了。如果你也能对这样的问題描述感到心旷神怡就能体会为什么这才是最难的一步。

一个团队的定海神针就是能把问题转化成目标函数的那个人——哪怕他连开源工具都不会用。100万找到这样的人可真是捡了个大便宜。

在机器学习领域算法工程师老了脚下的进阶之路是清晰的：当你掌握了工具、会改造模型，进而可以驾驭新问题的建模就能成长为最优秀的人才。沿着这条路踏踏实实走下去100万并不是什么问题。什么您说还囿300万的呢？这个不用眼热人家只不过把你写代码的时间都用来跳槽了而已。