我是16年上半年從軟體開發轉到算法工程師的，這些年AI，我親眼見證了從「黑科技」跌入「俗學」的過程。

早些年，在模式識別領域，例如人臉識別、語音識別等，大家都發力在數學算法（基於機器學習）的時候，雖然努力多年，但是因為技術缺陷精度卻一直上不去，幾乎沒有實用價值。

深度學習的引入

在一次NIST競賽中，有一個廠家突然爆發，一騎絕塵，直接把競爭對手甩下幾個身位，也直接把很多識別技術（例如人臉識別）推到了實用的地步。

這個事情對業界的震驚很大，不久後，大家了解到競爭對方之所以能取得這麼大的進步，正是因為引入了以「深度學習」為基礎的AI技術後，整個業界的研發重點就迅速切換到了基於深度學習的AI的跑道上。

在隨後的時間裡，大家都如饑似渴的閱讀各種paper，因為公司轉型到AI方向所以我也沾光，開始接觸與AI相關的各種技術，包括神經網絡三大模型、深度學習等等。之後，很多企業和研究所的人工智慧平台就搭建了起來，各種模式識別技術（例如人臉、語音）放棄了傳統的數學算法研究，直接切換到深度學習平台上。

多少「人工」多少「智能」

同時說明了，從技術上來說，「深度學習」並不是一個特別高深，特別新穎的技術，而更多是「舊瓶裝新酒」，是對大家觀念的扭轉。

因為在此之前，計算資源缺失，數據缺失，所以才使得嚴重依賴於此的深度學習技術難以實用化。

而經過網際網路多年的積累，計算和數據都到位的時候，「塵封」多年的深度學習技術則突然「枯木逢春」。

我從不止一個算法科學家嘴裡聽過，從對腦力的挑戰來說，深度學習的精巧度遠不如傳統的數學算法。

甚至，相對於早前的數學研究，大家都覺得「深度學習好「傻」，好「暴力」，一種常見的套路是：

設置框架，餵數據，調參數，餵數據，調參數…，循環往復。

而且，就這兩年來說，好多普通的軟體工程師，都慢慢開始對算法研究缺乏敬畏了，因為目前的人工智慧就是 有多少「人工」就有多少「智能」

從此，大家也能夠感受到，算法的提高，在很大程度上賴於數據，而不僅是算法工程師的腦力。

所以一大批培訓機構如雨後春筍冒了出來，開始收割這批想入行的人，因為早期市場比較亂，所以也讓這些機構賺了一筆，但是現在行業已經明朗想要再渾水摸魚是不可能的事情了。

各大院校學生吐槽畢業設計

如果說7、8年前的狀況是各個專業轉CS的話，現在是全民轉AI。各個專業的，例如自動化、微電子、機械、通信、電子信息、材料專業，都有大量的學生在學習機器學習(主要是深度學習)。學院方面為了響應官方政策，將這些專業學生的畢業設計中添加了，人臉識別、目標檢測等項目。

至於我為啥知道這個消息，是因為前段時間在西瓜視頻上分享了一套MTCNN的視頻，結果很多大四的學生都在和我吐槽「畢設」的事情，不論是否是CS專業，只要是能挨邊的或者人工智慧在該行業有項目落地的，都被安排了。

導致這些沒有學習過人工智慧甚至編程的苦孩子，到處在各大平台網站找資料學習，然後很多還被培訓機構給坑了。

如果讀者中有需要MTCNN技術講解的可以關注我，每天會在西瓜視頻分享一節MTCNN的視頻給大家

直達連接：「連結」

然後如果需要視頻中配套的代碼和數據集可以私信我。