如何看待吳恩達新成立的公司 landing.ai 並與富士康達成戰略合作？

01-08

吳恩達宣布成立一家立足於解決 AI 轉型問題的公司 Landing.ai，第一站是製造業。相關報道：吳恩達瞄準AI轉型成立Landing.ai，第一站是製造業

蟹妖

作為材料機械狗，本科實習過鑄造車間衝壓車間，博士轉到微電子，對半導體工業也有所了解，現在的AI從業者，我覺得AI在製造業領域還是有一些落地場景。

一、良品率預測

做過工藝的都明白有些時候工藝調參就是玄學冷卻水溫度高一度低一度光刻之後顯影少一秒多一秒最終效果都會變化雖然設備內部都有PID控制但有些時候設備的工況是會變的例如部件老化

一個晶元產品上百道工序每個工序設備幾十個參數總共上萬個參數要是能從這上萬個參數里直接預測最終產品的良品率那就可以及時調整設備和工藝而不是等產品出來了再去檢測

良品率在半導體行業是很重要的指標直接決定了公司的成本和利潤所以製造業企業還是很有動力推動AI在這方面落地的

二、缺陷檢測

製造業的產品檢測還很low。我舉一個例子，半導體砷化鎵的Etch pit density，這是檢測材料位錯密度的一個重要辦法，然後現在你知道這個指標怎麼統計的嗎？

用手數！！！靠員工自己數！！！

砷化鎵腐蝕完之後，表面情況很複雜，etch pit形狀不規則，還會有各種雜誌或者髒東西在表面上，簡單的圖片軟體直接就懵逼了，統計出來的結果是往往很不準。所以現在還是靠有經驗的工程師來判斷然後統計。

三、工位動作檢測

工業工程里有一個方向叫人因工程，研究範圍是優化操作員的動作來提高生產效率。前久我看到了一個AI場景，他們想通過視頻捕捉作業員的手部動作，記錄手部軌跡，判斷動作是有效動作還是無效動作，分別記錄一個操作員的有效動作時間和無效動作時間。這樣公司就可以實時監控操作員是不是在偷懶，做了多少有用動作。扣有效動作時間少的操作員的工資獎金，對其進行培訓和規範。看完之後，我就想說了一句，萬惡的資本家。

我覺得是好事。Andrew 這回終於找准了一個自己擅長，同時公眾高度接受的方向。Andrew 是一位世界一流的教育家和科學家，但他並不擅長領導工業界的產品創新。以 Andrew 的名氣和教學能力，我看好他在人工智慧淘金潮中扮演"賣水者"的角色。

為什麼說 Andrew 其實並不擅長工業界的創新呢？

雖然 Andrew 是 Google Brain 的早期創建者之一，但第一代 Google Brain 在 Andrew 的建議下all in 基於自動編碼器（Autoencoders）的大規模無監督學習，忽視了有監督的卷積神經網路 (CNN)，實際上是走了彎路。當時新聞報道 Google Brain 從海量視頻中無監督發現貓臉就是這次 all in 的結果。而想要無監督學習出貓臉來，根本不需要大規模 autoencoders, 用最簡單的k-means 就可以做到。第一代 Google Brain 用一千台機器訓練出的 Autoencoder 在 ImageNet 任務上被同時期 Hinton 的學生用宿舍里的一台 PC + 兩塊顯卡訓練出的 CNN (AlexNet) 吊打。
Andrew 去了百度後，開啟了一堆speech recognition, image recognition, face recognition, OCR, machine translation，QA 的項目。但說實話這些項目都是「me too" 類的，和市場上基於深度學習的同類產品 (搜狗，訊飛) 並沒有性能或功能上的明顯差別。考慮到競爭對手如搜狗，訊飛並沒有與 Andrew 同等量級的科學家，且資金和資源上只會比百度少，這樣的結果是不能讓百度甚至觀眾滿意的。以 Andrew 的知識和資源，本應做出至少一兩款有爆點的產品的。可惜 Andrew 身為百度首席科學家，在平衡技術，百度資源，和用戶需求，發現"殺手應用"的想像力上有些欠缺。

與此同時，如果Andrew 清醒認識到自己的長處，不去做自己不擅長的產品創新和發現新需求，而是專註深度學習教育，以Andrew 的能力和人氣，我相信全世界目前沒有人可以比他做得更好。

補充: 看了一下 landing-ai的主頁，Andrew 新公司涉足的不僅僅是培訓，還包含企業轉型諮詢和技術授權，感覺有點像深度學習領域的新東方+埃森哲（Accenture）

略懂DQN的硬體PM來拋磚引玉了。

過去一兩年名聲顯赫的各個AI創業公司，本質依然更接近於商業化的研究機構，搶佔跑道，但變現能力極其有限。至少與其估值與技術儲備完全不成比例。

做技術輸出吧，所有科技類行業都意識的到AI的重要性，初級調參狗也絕對是供大於求的。有數據積累能力的平台搭個data pipeline然後做ML優化本身的壁壘並不高。沒有動力交出數據或平台介面換取服務。

歸根到底，是AI tech vendors還不足以對其他技術公司提供顛覆性的，獨有的B2B service，互相之間又在同質化競爭求生存求估值增長，自然議價能力也低。

號稱有技術的比真有技術的多，真有技術的比拿得出產品的多，產品能持續盈利的就更少了。

相比於具有天然數據積累能力的科技公司，傳統的製造業、物流、倉儲等行業具備以下特徵：

毛利潤高但凈利潤極低，人員效率低開銷大；

數據標準化程度高但自動化、優化程度低；

公司部門化程度高，交流成本高，但中心化資料庫和項目管理系統的可用度極低；

數據產生量極高，內在邏輯強，但軟體系統開發能力極低，數據邏輯對非業內工程師不友好；

部門業績對單個的人的依賴程度極高，但又只能通過流程化將公司對單個的人的依賴度壓到最低...

這些擰巴的點共同造成了上述行業對AI產品的強烈購買慾望。這些點其實每突破一個都足以產生一個銷售額billion dollar的公司。

但需要AI技術人才對製造業產業鏈的深度了解，才能開始定義產品邊界，找准自己的位置，逐步打磨產品形態。光根郭台銘握個手是了解不了行業底層邏輯的，光靠軟體也是代替不了流水線上的幾萬工人的。

Andrew授課和做科研是挺牛逼的，但結合他在百度太偏學術的表現，我真不覺得他做得成，感覺大概率奮鬥一兩年後hype周期結束各種被質疑，奮鬥三五年後技術普遍成熟又為他人做了嫁衣。

不過至少合作方向對了。

拭目以待吧。

1.作為一個在機器學習第一線落手落腳幹活的人，我其實只想說一句：人工智慧要功利地看。

2.高大上的數學模型式的改造，除了能發paper以外，幾乎沒有蛋用，這部分的事情應該交給學術界，千萬不要在工業屆亂開腦洞。我們曾經試過花兩周時間推公式加上實現，這已經算非常快了，我以前是做底層系統的，實現速度吊打純搞機器學習的人，換別的組實現，估計要兩個人月，但是實現出來的新奇模型，幾乎沒有work的。

3.聊Andrew，一定要功利地聊，他既然現在在工業屆幹活。我用最大的善意來評價，就是Andrew是謙謙君子，沒有在工業屆搏殺過。典型的他到百度又要出彩，又要什麼都抓，這犯了兵家大忌，一個什麼都抓的老闆，一定是不求幹活出彩，而是想著怎麼組織好手底下的資源，保障產出迭代。如果他要衝到第一線去搞一個出彩的項目，那就要找一個核心業務，然後用機器學習把這個業務推進到江湖上沒有人敢與之搏殺的地步。

4.富士康的業務我不懂，我相信Andrew也不懂，但是他如果focus的話，有機會殺出一條血路，我跟第四範式的戴文淵戴老闆有幾面之交，他幫銀行做推送就是典型的找業務，雖然一開始他也是瞎幾把亂試，但是他一旦做成了一單，他的業務模式是可以沉澱下來的，比如信用卡分期推送，他現在可以在各大銀行都賣一賣，tob的生意發不了大財，但是好在現金流比較穩。

5.希望Andrew也儘快找到自己的業務，技術他今天沒有任何問題了，如果Andrew還要絞盡腦汁去想的技術，那一定不work，丟給數學家去想好了。

傳統製造業近年來萎靡不振，大的諮詢公司每年收到很多這種企業訴求轉型的案例。自從什麼工業4.0概念提出以來，大家更覺得所謂人工智慧大數據是救命稻草，是企業重新佔領至高的關鍵，到底是不是救命稻草不好說，至少我覺得很多老闆雖也不懂人工智慧是什麼，但首先已然信了。我看Ng這個landing.ai基本大概能抓這波機會收割一把吧。

PS：我本科畢設幫軍工廠搞熱處理車間排產調度的，我當時拿機器學習做判斷選擇不同的元啟發式演算法，當時感覺效果還不錯，但很可惜那會還才疏學淺也沒有投入很多精力進去。

製造業需要人工智慧，然而人工智慧演算法在製造業上並不一定馬上展現出較大效益，有大炮打蚊子的感覺。工業數據量大，但相互關係比較緊密，存在確定性比較大的邏輯關係，從本質上屬於小數據。

之前做過一些中石化/中石油的項目，也用一些智能能演算法去做，但做完後的感覺是廠里多放一些溫度、壓力、流量、濃度測量點，讓感測器、控制器穩定一些，採用簡單方法就能提升很大效益。在此基礎上才能能用到時間快、精度高的演算法。

因此在設備基礎完善的前提下，人工智慧體現出錦上添花的作用，而且還需要了解流程，建模時最好有相關領域的知識，並不是雪中送炭，拿個智能演算法就能上的。

有人在回答里說「我們原以為他手執AI金箍棒，會幹一番大事業，結果卻是一個燒火棒，去幹了廚子。」

我不敢保證說吳恩達一定能成。我只是希望同學們不要忘了，科技不僅僅是互聯網，不僅僅是軟體，也包括了製造業。

而歷史上人類生活方式的改變，社會制度的改變，其實很多時候就是工業界，製造業的無心插柳而已。

比如蒸汽機，在瓦特之前也有，瓦特改進了，雖然還是燒水的，但是更自動化了一點點，就引發了工業革命。工業革命的意義是啥呢？紡織變得高效了，衣服變得便宜了，完了么？沒有。

工業革命的比較直接的後果包括（當然我列不全了），羊吃人運動（歐洲的農業社會形態崩潰），現代意義的城市形成，上下班的形態（也就是工人階級的誕生），生產力和工資同時提升的一個年代，勞資矛盾（後來，帶來了馬克思的理論），等等，等等。

如果，AI這一輪真的讓現代製造業，更少人參與，對社會的變革，不可想像。

其實已經不打算觸碰這類問題了，之前時間線上看到，寫了幾句還是「留中不發」，因為我的觀點一向很明確，回答來回答去都是負能量，自己也煩。

現在被邀回答，那就說一句: 我們原以為他手執AI金箍棒，會幹一番大事業，結果卻是一個燒火棒，去幹了廚子。

其實他幹什麼都OK，人總要吃飯嘛。不過可以給瘋狂迷戀深度學習，以為AI奇點到來的新人一點提醒，如果吳老師都只能去干廚子，你還能幹什麼？如果谷歌虎頭蛇尾的弄完alpha go就拍拍屁股說這事兒就這麼完了，你還能憧憬什麼？不是說AI沒前途，而是基於什麼深度學習的AI沒前途，本質上它就是一個特定的應用演算法，如果你沒GET到那個應用點就去花時間，不如先學好一門計算機語言。

人家公司剛成立啥也沒做呢，你們這些媒體又來評價。。。天天評價別人，不煩嗎？

大神的公司招牌是 AI，但吃飯還是靠工業自動化，還是機器視覺。

機器視覺行業這幾年也確實在轉向集中應用深度神經網路演算法。國內的幾大製造業大廠，與國際上的知名企業也在合縱連橫，近期也許就會有幾個聯盟出來了。

製造業AI的玩家越來越多了. 在我看來,製造業的數據分析不僅僅是機器學習演算法的問題, 還包括推動製造業進一步信息化, 提供scalable的軟體來幫助製造業提高效率和優化決策. 在很多情況下, 也不見得應用機器學習就能帶來效率的提高, 畢竟有效的數據量可能不是那麼大的. 最後, 大家也可以關注一下我司Uptake(Industrial Analytics for the Connected World | Uptake). 我們也是立足於製造業, 致力於為製造業提供一個數據分析平台, 並且已經在這個領域前進很久了.

0.題外話（喜歡直接看觀點的朋友請看1.2）

我是一個獵頭，這幾年專註於機器學習和人工智慧方向，一直在琢磨什麼樣的問題算是對的問題，重要的問題。並且根據這些問題逐漸確立了自己做獵頭的三條原則。

第一條原則，只給人才推薦的職位都是自己看好的公司的職位。雖然說在公司規模比較小的時候，就看出來哪個公司未來會很有潛力，是一件非常艱難的事情，但是方向清晰，目標專註，並且在有價值的方向上有實質進展，都可以作為公司競爭力排序的指標！

第二條原則，只為企業推薦我看好的人才！以我目前的理解，優秀的人才和優秀的企業一樣，都具備高度專註的特點！專註是最終的狀態，成功是最後的結果，而在入手點的選擇，堅持還是放棄的抉擇方面，都是面臨極大的挑戰和誘惑的！

第三條原則，只在候選人該換公司的時候，才進行推薦！

這是最近才意識到的一個問題和確立的一個原則！一般來說，候選人剛到一個沒有重大問題的企業工作的時候，我覺得獵頭最好不要碰，這個時候人才和企業需要相互了解和確定是否可以長期合作下去；或者候選人需要堅持的時候，獵頭就不要為了業績的考慮去建議他換工作。

我認為作為獵頭，還是要保持克制，不要去破壞一個好企業的正常的發展，也不要在人才需要堅持和煎熬的時候誘惑他去一個看起來比較容易的新崗位工作！

1.關於Andrew Ng和這次創業

1.1.現在社會的倆種不好的做法

第一種不好的做法，是對於人才和團隊的人云亦云。

一個團隊，一個人才，是不是一個優秀的團隊，是不是一個有戰鬥力的人，很多人總是拿畢業院校，工作過的公司和所處的職位，得多的獎項或者發表過的文章來評價人才。我覺得基於這些信息去評價人才和團隊，不論是正面的評價還是負面的評價都是非常懶惰的做法。

就拿Andrew Ng來說，我覺得如果一個人認真的聽過他的課程，或者看過他的paper，或者上過他的課，或者有機會和他進行過技術上的交流，再對他的能力做評價才是正確的做法。如果自己沒有用心研究過，或者追蹤過，那倒不如採取一種中立的態度，既不是崇拜，也不是否定！

第二種不好的做法，是對於行業，團隊和個人未來的預測過多的依賴於過去的盤面，而沒有耐心和肚量去觀察行動和進展！

比如前段時間關於互聯網自動駕駛公司和傳統車企在自動駕駛領域的競爭討論，以及很多創業公司的未來前景探討，都過多的根據過去的基本面（比如手裡有什麼資源）來做預測，我認為在這樣的預測中，有7分以上的功力應該用在觀望和等待上，而3分的功力用在根據行業，團隊和個人過去的經歷來預測他們的未來目標，策略和表現。

1.2關於Andrew Ng和Landing

這個事件可以從倆個角度看，一個角度是個人的職業和事業的發展評價（屬於一個人才如何高度專註並最終取得成功的問題），另外一個角度是根據一個創始對一個創業項目的未來預測（屬於一個Landing會不會成為一個好公司的問題）。

1.2.1.從Andrew Ng的職業發展來看(是否該繼續去大公司，暫時不討論)

在Andrew Ng離開百度的時候，我當時的預測是Andrew Ng會做專註，現在來看，沒有進入大公司，自己創業算是一種專註，我覺得這個大方向對於Andrew Ng來說是正確的方向！

在斯坦福任教，到Google工作，以及到百度工作，還有coursera的創立，是Andrew Ng職業生涯中最重要的幾個經歷。斯坦福可以說是主要經歷，安身立命的經歷；Coursera是人到中年以後因為興趣愛好做的一個事情，而這一步的工作內容和學校工作之間的差異相對比較小；Google的工作，以及百度的工作，都可以看做是他想對這個世界施加更多的影響力。

就工作內容，興趣，能力以及適應能力來說，Google和百度的工作可以算是Andrew Ng離開象牙塔以後倆次在企業做多任務研究領導（在當前人工智慧的階段，現在來看這種大公司的研究領軍人物崗位對於顏水成，去滴滴的某位教授，以及去螞蟻金服的漆遠，去聯想的芮勇，這些人來說，都是挑戰巨大的一件事情！放到具體業務上容易大材小用，照看全局又容易樣樣稀慫！）的倆次嘗試，也可以說這倆次嘗試都不是成功的嘗試；離開百度以後Andrew Ng有幾種選擇，一種是不玩了，只做教學和愛好（做好Coursera）；另外一種是繼續去大公司做研究領導，還有一種是象王勁這樣做小而精，還有一種就是現在這樣一種中間的狀態。

從個人職業發展來說，放在Andrew Ng自身的職業經歷和類似人員的職業選擇來看，Andrew Ng沒有失望和傷心到遠離工業界而回歸到學校和Coursera，也沒有因為到工業界的歷練興奮或者世俗到創辦一個具體場景下的小而精的人工智慧公司，而是選擇一個「provide AI brain for manufacturing companies」這樣的一個事情，我認為在能力，興趣和空間都是非常適合Andrew Ng的選擇！

1.2.2.Landing會不會是在有潛力的行業里有競爭力的企業

就個人情感來說，不論是作為華人，還是一個簡單看過Andrew Ng機器學習視頻和講義的人，我都對Andrew Ng這次新的嘗試給與祝福；從事情分析的角度來看，我覺得對於這個事情的判斷，有7成的功力需要等待，直到2年以後可能才會有比較清晰的答案，現在更多的只能等待或者深入Landing內部去了解。

2年以後，如果Landing選擇了一個點，並且在一個點上創造了驚艷的客戶體驗，那麼這個事情算是完美開局；如果選擇了一個點，但是做了五六個客戶都沒有辦法提供令人驚艷的客戶體驗，但是Landing自身以及客戶都覺得自己是在有價值的方向上前進，那麼我認為是中等開局；如果2年以後，方向換了3到4個，任何一個方向上都沒有為客戶提供經驗的體驗，那麼基本上是一個走向衰敗的事情！

就目前從網站上提供的信息來看，第一，manufacturing這個定位用於宣傳還可以，但是內部的用戶洞察，產品設計，團隊準備等這個定位還是比較寬；看不到用戶就不知道自己做的事情的價值大小，也預測不了自己的策略距離經驗還有多遠。第二，founder和CEO都是Andrew自己，我個人認為團隊中有一個看起來可能和Wozniak的人，但是還需要一個喬布斯一樣的人！別的暫時看不到！

祝福Andrew!祝福每一個心懷夢想的創業者！

Ng把我想做的事情做完了……

不行了。

從google到百度再到富士康，一次比一次差。

玩砸了，還不如回斯坦福...

這幾年他沒作出什麼有長久價值的東西。

我期待製造業的振興。

製造業好比國家血液，互聯網好比國家神經。氣血不足卻神經亢奮是不好的。

但是，

公司主頁的視頻沒什麼吸引力，檢測一個麵包電路板的缺陷，在工業的結構化照明下，只用圖像處理不用機器學習就可以完成（指焊盤完整性檢測，如果演示PCB焊接質量檢測，那才會高大上，因為焊點合不合格即使是人眼都很難判斷，需要多人投票，這是親自聽一個大型聲學設備生產商的主管說的），體現不出這公司做的會比其它做機器視覺、自動化系統的更高明。
公司主頁的口號是「人工智慧技術助力企業轉型，我們為製造業提供人工智慧大腦。」這些話貌似有些耳熟，好像早些年智能製造2025、工業4.0早都提過了，生產管理、柔性製造、質量控制這些貌似也不是什麼新東西。
製造業的核心還是先進工藝和高端設備。大腦再機靈，手笨，沒工具，還是不行。

只要他不搞自動寫代碼，我還是支持他的。

可以認為吳跌入凡間接地氣了許多。但從書生到做企業有巨大鴻溝，希望好運。

謝邀，雖然文中出現了我最討厭的賦能一詞，但是我還是覺得只要是沒有明確規則又需要決策的地方，機器學習大概率就要比人表現好。

所以這個事情如果能像他描述的藍圖一樣順利發展，那是個好事情。但我深深擔心實際過程中會有各種坑，對結局持偏悲觀態度。

我大學畢業論文課題是「子午線輪胎鋼絲簾線的無損檢測的一種方案」，原理通過旋轉輪胎，輪胎內的鋼絲切割磁場產生微弱電流，用演算法分析電流數據，判斷鋼絲是否有斷線，斷點在哪。很難！

以前是用X光機檢查的，成本高輻射強，但是用電磁感應檢測準確率不高，反正我沒做出來。現在以深度學習的圖像識別能力，重新做這個課題應該是如魚得水了。

我覺得吳恩達的工業化落地切入點挺靠譜的。一晃過去十多年了，科技能以這種方式解決生產力問題，感覺在見證一個時代。

　　最近，工業和信息化部發布了人工智慧產業三年發展計劃《促進新一代人工智慧產業發展三年行動計劃（2018-2020年）》，其中，四項重要任務中的一項——智能製造深化發展，複雜環境識別、新型人機交互等人工智慧技術在關鍵技術裝備中加快集成應用，智能化生產、大規模個性化定製、預測性維護等新模式的應用水平明顯提升，重點工業領域智能化水平顯著提高——看到智能製造這部分，不禁聯想到吳恩達，這位人工智慧領域的網紅級人物，及其備受關注的是其創立Landing.ai及與富士康達成的戰略合作事宜。

依從在承擔02重大專項的上海微電子裝備研發製造我國90nm投影物鏡光刻機，及多年安防行業智能分析設備、演算法開發及團隊管理的工作經歷，及其吳恩達自身因素和我國教育科研文化，簡單說下自己對於吳恩達創業的看法，也是對AI創業的一種思索。

1、智能製造涉及的技術難度的關鍵並非單一的來自人工智慧演算法或是晶元本身

如吳恩達所說，與富士康的合作會取代將來很多工人的存在，要實現這點，工業製造機器人的使用應該是避免不了的，而這部分不單單來自於人工智慧演算法本身，更多的是一個系統集成工程，要求的光、機、電、化、算等多學科多領域的合作，甚至最後的裝配工具及其裝配技術本身都會成為關鍵環節。涉及到的這些部分恰恰是吳恩達所不曾過多涉及到的，至少，其與智能駕駛的安全和精度等級已經不是一個概念與量級，何況其還包括供應鏈考察與維護等，這部分蛋糕屬於匯川科技及新松機器人等多年精細耕耘的公司，其所能為之的工作不多，即便是一些檢測設備，在特定的工作環境下，也不是深度學習就一定具有優勢，以深度學習去取代已有的檢測設備供應商的光機電算優勢，短期顯然不具備優勢。在人員培訓及其企業諮詢方面，由於其無法提供智能製造相關的裝備及財務、供應鏈管理等輔助工具，通化的培訓蜻蜓點水，不痛不癢，難以形成粘性。而智能製造設備供應商則因為需要提升設備或是工具的智能化水平，在面對具體演算法開發與應用中，缺少這方面的智力儲備及人才資源，其所需要的諮詢及培訓卻是有需求的。

2、吳恩達對於產業界與技術合作的結合缺少必要的創新嗅覺

吳恩達從百度卸任首席科學家職務後，便進入其妻作為聯合創始人的智能駕駛公司drive.ai出任董事一職，這應該是其一直從事且擅長的事情，然而其不過多久就又創立deep learning.ai——將人工智慧、機器學習的研究成果，為醫療、建築業等領域的創業公司提供人工智慧的基礎設施技術，然而後續竟是包括14章內容的基礎技術課程。近期其又創立Landing.ai,與富士康達成戰略合作——希望從製造業入手，幫助傳統企業在 AI 時代實現轉型。短短9個月內，吳恩達，拿著人工智慧的榔頭頂著萬眾矚目的光環，看到釘子就掄起來錘下去，滯留卻未見深潛入木，未帶來使用AI變革所從事行業的喜訊。用互聯網用語說是試錯，但對於吳恩達這種AI領域的萬眾矚目的頭部人物，顯得有些缺少深思熟慮，卻更覺得是拿著AI的金鑰匙，缺少創新的嗅覺與資源整合能力。概括來說，拿著金榔頭去敲釘子，不應過多的關注金榔頭是否被利用了，而是要將焦點放在釘子上，能敲下釘子的手段都是金榔頭！科大訊飛在語音識別道路上可謂一路高歌，成為了A股的AI技術的代表，也在凈利潤和股價上得到表現。科大訊飛從一個學生的創業項目開始，一路走過了隱馬爾科夫語音識別、深度學習語音識別、訊飛語音輸入法、訊飛翻譯筆，更在語音蓬勃發展之後，進入人臉識別及圖像AI領域，並取得較大的影響。

——「我決定離開在百度的職位時一切運行地都很好，我想做一些其他的事情......我並不知道自己具體將要做什麼，但是我認為AI不僅為百度這樣的大公司提供了機遇，也同樣為創業公司和基礎研究提供機遇。」

「我打算花一些時間，尋求科技公司轉型之外的事情。」

「有很多垂直領域令我感到興奮，我對醫療領域極其感到興奮；我對教育領域極其感到興奮--這些是AI大有可為的主要領域。」

從上面吳恩達對於自身的認識來說，其自我定位是清晰的，其所要從事的工作應該也是基礎性的工作，然而，吳恩達既沒有持續的推出並更新玻爾茲曼機等新型基礎性AI框架，更沒有持續推出類似caffe，tensorflow等深度學習通用工具，更沒有將代表AI基礎技術結晶，類似寒武紀與華為以IP方式合作，揚長避短互為所用的推出NPU而彼此成全，聞名世界。從另外一個層面說，其對於演算法的應用領域的敏銳性及其落地的工程接軌的能力這方面必須與另一個具備這樣能力的人合作與相互協助，這就需要吳恩達具有較強的團隊組建與管理能力了，這方面吳恩達或許可以從另一個AI網紅——商湯科技的湯曉歐那裡得到借鑒信息。

3、吳恩達對於人才積累缺少相應的策略與人脈資源

如果要評價人工智慧領域的三大AI網紅，除吳老師之外，人們肯定能想到另外兩位，一個是李飛飛，另一個則是創立商湯科技的湯曉歐。同為AI界的三位網紅，且同為老師出身，與其他兩位相比，吳老師在人才培養、積累及吸納方面相比較就遜色了不少。

相比於吳恩達的探索之路，湯曉歐及其商湯科技就成功的很多，C輪的商湯科技已經市值30億美金。作為一家專註於計算機視覺、深度學習技術的科技公司，自其2014年創立之日起，就自帶「光環」——擁有亞洲最大的深度學習研究團隊、18名教授和120餘名來自世界名校的博士生、擁有世界範圍內人工智慧領域最多的華人科學家群體。為何商湯能夠吸引眾多博士加入？

這不得不提商湯科技的創始人——湯曉鷗，現任香港中文大學信息工程系系主任，兼任中國科學院深圳先進技術研究院副院長。商湯科技基本是通過湯曉鷗教授以及實驗室師兄弟的關係，在創立開始完成了最為重要的原始人才積累。其實驗室的眾多博士生加入，成為最早的創始團隊成員。

此外，商湯有自己的人才造血機制，先通過學術上的聯繫把師兄弟吸納進來，形成導師紐帶，配備基礎設施和架構，包括給予硬體資源、數據標註、硬體平台等方面的投入，通過導師的示範作用，把其他人才吸引進來。

商湯科技將大約一半的資金投入到人才招聘。圍繞深度學習領域，在內部建立了一個博士人才名單，名單裡面哪些人即將畢業，商湯就會提早去找他。如今商湯目前已經有了120餘名博士，這些人被認為是商湯「最核心的資產」。

在這方面，無人才扶持與鼎力相助，鮮有爆款落地，吳恩達則成了孤家寡人，離開百度也就不足為奇了。

總結個人愚見：

1、發展AI教育，廣積AI人才，積累影響力，此為吳恩達的長項，有著力點；

2、依據吳恩達的特點，AI變現鏈條不能太長，寒武紀與華為的合作方式值得借鑒；

3、借鑒湯曉歐在人才建設及產品切入點方面的案例，發展針對應用市場的落地產品。

科大訊飛董事長劉慶峰16日在首屆錢塘江論壇上表示，明年將有一大批的人工智慧創業公司倒閉，但整體上人工智慧產業會大規模發展。就像當年看互聯網泡沫一樣，站在2002年看是大泡沫，站在現在看是人類歷史上到目前為止最大的一次產業浪潮。人工智慧下一步將超過互聯網，google董事長最近提到說，互聯網將消失，未來是人工智慧的時代。

作為AI界的大師級人物，吳恩達的發展歷程尚存在曲折顛簸，對於身處AI時代的從業者，特別是創業者，多少都是有些啟發的，希望大家能有所收穫。

訂正更新參見：https://zhuanlan.zhihu.com/p/32089695