非計算機專業理工科學生在 AI 的研究和應用中如何發揮自身優勢？

01-20

轉型時期，誰也不能例外！

數學系畢業的學生來回答一下。

就個人的理解而言，AI領域基本上包括機器學習（ML），圖像視覺（Computer Vision），自然語言處理（NLP），語音識別等方向。這幾類方向在學校裡面都有著相應的老師，只要找到相應的導師就可以儘快的進入相應的領域。

如果是數學系出身的學生，經歷過嚴肅的數學科研的話，基本上讀AI的論文都不會覺得十分困難，平均花幾天時間就可以搞定一篇AI論文的大概情況甚至所有細節，這與當年讀數學的時候一個學期就看一篇數學論文形成了鮮明的對比。因此，如果閱讀論文的能力強的理工科學生（尤其是基礎數學和理論物理這種），建議可以多發揮這種優勢。

如果是工科學生，個人不太了解工科的本科教學內容，不過如果是偏向於寫代碼的，可以多發揮寫代碼的優勢。這一塊不太了解，就不在這裡多說了。

在工業界，除了推薦系統，CV，NLP，語音這幾個經典的應用場景之外，如何使用機器學習來改變傳統領域也是一個巨大的應用場景。例如如何在金融領域使用機器學習，如何使用機器學習來進行業務安全的對抗（智能安全），怎樣使用機器學習來解決傳統運維領域的棘手問題（智能運維），而這一些工業界的應用場景是在學校裡面所無法遇到的。如果是轉行的理工科學生，可以想辦法在這些傳統領域找到自己的陣地。如果是願意做一些創新性工作的人，可以想辦法在一些傳統領域裡面找到一些機器學習的應用場景。如果是想儘快了解較為成熟的領域的人，可以想辦法加入一些成熟的團隊，這樣學習的速度會更快。

如果是轉行的理工科學生的話，其實無論是做推薦系統，CV，NLP，語音識別還是AI的其他領域，本質上都是一樣的，因為都是轉行，都是之前沒有學過的領域，需要花費巨大的時間和精力來學習。個人在工作之前也沒學過機器學習，不過工作兩年半之後也寫了不少的相關文章，匯總了一下發在這裡，希望對別人有所幫助。

「數學人生」公眾號2016-2017年的文章目錄

我自己是理論背景，做過理論物理、計算物理相關研究，目前在從事人工智慧在藥物發現和開發中的應用研究。希望以下我的一些個人想法可以帶來更多的討論。

如果時間有限，可以直接看並拍我總結的結論：

-------- 脫水版 --------

AI本身是一個可能應用在多個領域中的技術，所以我們可以以各種姿勢參與到AI的研究和應用中。

一句話概括：AI無常形，萬物皆有戲。

理工科學生所具備的優秀邏輯推理能力，抗打擊能力，耐寂寞能力是在各個領域都不可多得的優勢。
研究方向而言：從演算法發展，硬體發展來看，數學、統計學、材料學、電子學、生物學等等多個領域均有機會對AI研究產生意義深遠的貢獻。風險是如一切研究項目，可能長期看不到產出，也可能會失敗。
應用方向而言：追求快速入行發展的話，利用自己的編程經驗/數據分析經驗，進入AI應用的一線，比如開發，部署。長期看來，AI的落地離不開專業的產業理解。所以如果看好自己的專業方向，在加強自身專業技能的同時，加強管理、協作能力培養，同時像投資人一樣去了解AI的技術特點和發展方向，作為AI和產業的連接者，在AI落地的關鍵步驟發揮巨大優勢。

------- 以下是絮絮叨叨加水版---------

如問題所言，這個優勢的發揮可以大致劃分為在AI的研究和應用兩個方面。

研究方向：

很多計算機方面的進展都不僅僅局限在計算機專業本身。原因有兩個：

現在很多理工科學生在平時的研究中對於演算法和編程語言的了解就已經有很高的造詣；
相當數量的計算機技術的發展依賴於數學、統計學，甚至在人工智慧時代生物學等學科的進步。

對於第一點，我們自己的演算法團隊實際上就是一個計算機、化學、藥學、數學、物理學、運籌學等多方面人才的一個綜合體。我也認識一些朋友，在Github上維護一些開源的，在專業領域進行使用的AI演算法。能這樣做，同時也是需要這樣做的原因是在一些專業領域中，比如結構生物學，化學等，AI演算法研究需要研究者對於系統有充足的了解。有時候，我們要輸入的數據可能不像一張圖片，直接用像素表達就可以。舉個例子，我們想要預測小分子毒性或者與蛋白質結合的能力（或者DNA/RNA的相關性質），我們可以以分子的二維拓撲結構作為輸入，也可以以三維結構作為輸入，再細緻一點，可以以電子云的排布作為輸入，究竟哪一個才是合適的，要看研究者對於問題的理解。這也是因為對於複雜的、微觀的系統，人類的觀察（數據採集）本身就是有偏差的，選擇什麼樣的數據本身就成為了問題。而這些問題需要專業的知識來解決。

一段DNA的數據表示可以有多種方式

對於第二點，我們看幾個例子。一個是Geoffrey Hinton，本科是實驗心理學[1]，現在頭銜上也是兼有計算科學家和認知心理學家兩個方面。Hinton近年又提出Capsule[2]（這篇文章有很詳盡的介紹：https://zhuanlan.zhihu.com/p/29435406），雖然結果如何尚且不知，大師尋求改變和堅持的精神還是非常值得學習的。

另一個是顧險峰老師等進行的關於GAN的研究[3]，為神經網路的理解和演算法優化，從數學的角度提供了思路。另外，前不久和一位神經科學的老師聊，他們也是觀察到一些神經元的動力學性質，有可能可以應用到網路設計中，雖然還很早期，但是也是提供了不同的視角。所以，大家在各自的領域，也是可能直接參与到AI的研究中的。

應用方向:

AI的應用依賴於數據、硬體、演算法實現、行業落地。那麼我相信大多數理工科學生在編程上有不錯的基礎，數據處理上應該是有獨特的優勢。而硬體和材料學，電子學等也是密切相關。同時行業落地需要的是行業內既懂本專業知識，又懂AI的複合人才。

當然要補充的是，從物理的角度，任何問題的討論都應該有它自己的時間尺度。那麼對於這個發揮自身優勢的問題也可以分為在短期來看和長期來看。如果追求短期內快速在AI這個具體的技術領域發揮優勢，那就只能依靠自己多年嚴格理工科訓練培養的一不怕苦二不怕累的精神，研究一下市面上現在哪些一線開發崗位缺人，需要什麼樣的技能，通過自學的方式（相信很多理工科學生從大學本科期間就開始自學能力的培養了），快速補充專業技術。然後在一線的開發中積累經驗。如果能等得更長一些，就可以繼續發揮自己的專業能力。因為AI在落地過程中一定會與相應專業發生關聯。所以不斷加深自己在專業領域的造詣，同時對AI技術和發展保持持續的關注，能做到AI到來時自己是專業領域中最了解自身技術和AI特點的人，也不失為一個好的選擇。就我們自己在實踐過程中，也是發現最高效的AI應用方式就是讓演算法開發團隊與藥學、化學團隊緊密配合，才能做到集中有限資源，解決藥物研發中的具體問題。

總的說來，在眼下AI發展的大潮中，我們除了關注技術本身以外，應該更多地思考這股大潮背後的原動力。在未來的幾年中，幾個驅動AI發展的因素將包括數據，演算法，硬體，框架等。涉及到的領域會包括管理（實驗室管理，數據管理等），數學，統計學，生物學，材料，電子工程，計算機等多個理工科領域。AI本身作為一個技術，只有在各個領域與現有積累進行融合才能發揮價值。

以上個人觀點

May the force be with you.

（節日小禮物，給大家推薦一個適合phd閱讀的漫畫網站：http://phdcomics.com/，笑一笑，生活就很好了）

----------------------------------

參考資料：

[1]. https://en.wikipedia.org/wiki/Geoffrey_Hinton

[2]. Dynamic Routing Between Capsules, S. Sabour, N. Frosst, G. E. Hinton

[3]. 虛構的對抗，GAN with the wind

相關背景：本科金融工程，數學類碩士，上學時零星學過一些編程語言和machine learning，但跟計算機專業肯定不能比。現在做技術類早期VC投資，包括AI。

下面的經驗僅限於我在AI投資範圍內的思考。

剛開始AI領域的投資時，我也在疑慮，作為一個普通的理工科學生，我在投資人工智慧領域有什麼樣的優勢。誠然我也在通過自學補充技術上的知識，但我的專業水平永遠比不上人工智慧或計算機專業從業人員。隨著投資時間的增長，我的這種焦慮反而越來越少。

人工智慧和其他新興技術一樣，都在經歷著技術的誕生、膨脹、失望、化入凡塵。誕生時期，大家更多地在探討技術本身，這時候受市場追捧的團隊一般由頂級科學家引領。而一項新技術發展到後期，創業公司也必將回歸商業本質。這時成功的團隊一般有著深厚的行業背景，深諳行業痛點，成功地用人工智慧技術大大提高了一個或幾個環節的效率，甚至創造出新的生產組織形式。

因此，在AI投資的下半場，對於某個行業和商業運作本質的深刻理解，開始比AI技術本身更加重要。我們曾經和一群三甲醫院的院長一起開會討論AI醫療，大家不謀而合提出，目前最稀缺的不是頂尖的叫嚷著要顛覆醫療的AI團隊或者專業的年輕醫生，而是對AI和醫療領域都有著深刻理解而能將兩者真正結合落地的人才。當AI技術從天上的雲彩化作雨水流入每個行業，無論哪個背景的投資人員或行業人士，最大的優勢是找到AI與自己的專業和行業經驗最佳結合的交匯點。

曾國藩說，「吾輩讀書，只有兩事：一者進德之事，講求乎誠正修齊之道，以圖無忝所生；一者修業之事，操習乎記誦詞章之術，以圖自衛其身」。我認為其實兩事密不可分。從Charlie Munger到Elon Musk，在解決複雜問題時都會特別參考硬科學規律，展開跨學科的攻擊。Charlie Munger據說有100種思維模型，包括物理學和化學的臨界點、傾覆力矩、自我催化模型，工程學的冗餘備份模型和生物學的現代達爾文綜合模型。理工科的訓練不只是知識，更是一種思維方式。理工科學生在對自然科學規律的理解，對現實真理的執著追求，也是一大優勢。

*作者 : 明勢資本投資經理Clare

沒有任何優勢可言。別說數學好做演算法有優勢，學計算機的真不比學數理的數學差

如果是女生可以考慮當個ai鼓勵師。

本科機械工程（就是傳說中的夕陽產業），現在在一家公司做人工智慧實習生。

部門十幾人左右，除了我都是碩博，沒有CS（即計算機科學）出身的學生，他們來自於機械工程，力學，數學等等專業，但是也不乏大牛。

我很早就有出國的打算，從大一到大三一直在學習機械工程本專業的課程（材料力學，流體力學，傳熱學等等），真正大量接觸代碼工作是在幾乎沒有課的大四。由於現在的機械工程專業也有具體做project的課程，大概就是你按照老師要求製作一個機器人，然後在課堂內舉辦機器人對抗比賽，以比賽結果來作為對學生課堂的評分。其中的機器人自動控制就涉及到編程的知識，因此前期的代碼底子最好是不要丟的。再者，我了解到現在很多的機械工程專業中，C和C++也作為了大一至大二的必修課程之一（對的，在我們東川路男子職業技術學院，學習農業生物的學生是要學C和C++的，學習經濟管理以及醫學的學生是要上車間用車床銑床鑽台的你們信嗎）。在大四，我有意識地選擇了幾門關於編程的課程，並且我和幾個ECE專業的大牛一起選了一個用無人機來做車輛識別的畢業設計，不過這個畢業設計還是偏軟體一些，我也主要是學他們的技術。

對於機械工程來說

1. 如果沒有特別的天賦，不要全盤否定自己的專業而去強行擼演算法想和CS專業的人較真，這一條對任何專業的人都有效。AI行業應該先從全面了解開始，自己的本專業還是要儘力做好。或許有人說，我聽說某某某花了一點時間去看了某幾個大牛關於人工智慧的公開課，然後就去搞人工智慧了。我相信這個事情是有的，因為得益於開源的技術，適用於神經網路的軟體包，代碼等等在網上開始漫天飛。很多人把網上的代碼抄下來，把神經網路的軟體包安裝好，然後拿資料庫去訓練，也就只需要幾個月的時間，你根本就不需要知道什麼是卷積什麼是馬爾科夫鏈等等神經網路最基本的知識，就能聲稱自己會機器學習了。當然，現在確實是有這個行業上的問題，如果有人對這樣的短期利益感到有興趣，你像我說得那樣做，可能在沒有任何知識背景的情況下去獲得一份高薪工作。但是據我所知，美國的互聯網巨頭整體看下來是在縮減CS的員工。不是說這些公司將不再搞互聯網，而是行業開始做好準備泡沫的危機，加強了篩選力度，一些非CS本專業出身而且能力不夠強的人很難混下去。整個互聯網是如此，人工智慧也是如此。別忘了，現在是個百度一下『python』，到處都是『零基礎python培訓班，結業月薪過萬』的時代。魚龍混雜的行業中總是會重新洗牌的。總之，為了短期利益而全盤否定自己的專業，確實是不明智的。

2. 「長木板效應」下的反思。長木板效應，也叫反木桶效應，和宣揚全方面發展的「木桶效應」不同，強調在某一個方面做強。而現在的時代對長木板是有利的。在傳統工業壟斷的時代，一個企業為了掌控其產品質量，往往要把涉及產品的相關產業全部集成到其公司或其子公司下。而信息時代隨著信息傳輸的便捷和成本下降，往往是幾家某個方面做得最好的公司進行「結盟」。舉個例子，單個企業A，同時做自動駕駛演算法和汽車製造，很難在兩個方面都做到最好。而做自動駕駛演算法最好的公司B和做汽車製造最好的公司C一旦結盟，其產品往往可以碾壓A公司的產品。因此，如果你能夠在某個方面做得頂好，你就能維持一個穩定的行業領軍狀態。多問問自己：未來究竟有哪樣東西？是人家非要找你做，而沒法找別人做的事情？

當然，我這裡有幾個可以推薦給機械工程涉及AI的方向，當然更多的潛力行業還等待大家去多多了解和發掘：

無人駕駛和無人機

這裡是AI和機械結合得很緊密的地區。有關車輛工程，流體力學等知識完全能夠用得上的。既了解AI演算法，又能夠熟練做出力學建模和感測器應用的人才往往能夠發揮其優勢。

涉及機械加工過程的信息物流系統

例如：應用人工智慧機器視覺技術，來檢測流水線上製造半導體原件中的缺陷。這個市場很大很大！國內的物流產業本身就是一個很大的蛋糕而且國內的製造業也是迫切需要向智能化轉型的。利用AI演算法來提升製造和物流的效率也是很重要的。

AI 除了核心演算法以外，在商業化應用中需要做很多工程化的工作。比如：封裝成服務，產品和各種軟體工具等，這些仍然需要熟練的軟體開發人員來一起協作。如果你熟悉AI又有某一個方面的專長，比如：分散式開發，服務平台開發，工具腳本開發等。那麼能助力AI在實際應用中的落地。

你需要掌握好一門開發語言，一種工具同時又了解AI，這也是一種優勢。

做機器學習的，計算機背景的學生羨慕學數學的，學數學的羨慕學物理的，學物理的羨慕物理計算機double major的！

如果你是文科學生又不懂數學，那這個領域可能不適合你，當空頭淺薄的人工智慧哲學家可能會時常很尷尬。如果是理工科而只是非計算機，那麼恭喜你，廣天闊地，可大有作為。

看了下你的背景，貌似有當哲學家的衝動，千萬別這樣，先把數學拿出來理解每個細節，演算法的細節，你才知道那些AI哲學家大多數在胡說八道。

卸@念江邊紅芍腰。在下是文科僧對AI也沒有研究不敢妄言

走演算法路線。學好矩陣、隨機過程、凸優化這三門課。如果時間足夠，應用泛函分析也不能少。

如果是理科出身或者某些工科出身的話，學的一些力學原理，工程應用類數學和數值計算會給你不同的視角。

計算機本科學的東西大部分靠的是離散數學，很多學生畢業了都不會算微積分了，邏輯能力倒是很強。