一 整体理解
二 算法工作类型
三 技术体系
四 发展途径
本文目标：1，对人工智能有个整体概念、主观理解；2，对从事人工智能的算法工作类型和技术体系做整体理解；3，对算法工作的发展途径做一个梳理。
这里的人工智能更侧重软件算法层面，对硬件层面没有提及（对硬件领域不熟悉）。
这里人工智能狭义地理解为“算法策略工程师”，但又不仅仅是“算法策略工程师”。
也希望接触学习更多，理解更全面更深。
一 整体主观理解
什么是人工智能？有其他更全面的定义理解，但我觉得更简单、更直接理解就不错：让机器具有人的智能，然后更好地服务人类。
不管哪个方面，只要让机器功能更强大、能够更好地服务于人类，我理解都是人工智能范畴。所以说，人们对人工智能方面的探索不是什么新奇的事或者最近才出现的，人类历史上都有制作各种好的工具来提高效率、使人更轻松。“人工智能”这个词也只是随着时代发展，总结或者新提的一个词而已。
怎么参与到人工智能领域？以前流传一个场景，找工作要从事“人工智能工程师”，这个求职者不知道“人工智能工程师“是做什么的，面试者也不知道对方要做什么。那么究竟怎么从事到人工智能领域？说了让机器更好地服务人类都属于人工智能，工程软件开发出一套好用的系统也属于人工智能。但那可能不是所想的”人工智能工程师“，更倾向的是：做推荐算法，让手机更智能地提供人需要的东西；做问答对话，让机器很好地跟人类对话；做图像算法，让机器更好地处理视觉信息而全方位服务于人；做语音处理……说白了，就是想做策略算法方面的工作。
所以说，做推荐算法、NLP、视频图片处理等等，本身就是从事人工智能领域。如果任职的公司团队做智能机器人、智能驾驶、智能音箱的，那只是从感觉上更近“人工智能“这个热点了。与其说做”人工智能工程师“，直接想想从事具体哪个领域好了，推荐、NLP、视音频处理等等。
二 算法策略类型
做策略算法，除了领域不同，还有深度或者侧重点不同。在此推荐霍同学的一个表述和夕同学的一篇总结文章《谈谈几种算法岗的区别和体验》https://zhuanlan.zhihu.com/p/112066313。
引用
的一个很好的表述：https://www.zhihu.com/question/366503145/answer/978673635
- 业务导向的算法工程师（Development）：最为典型的算法工程师，市场上招聘的大多是此类算法工程师，主要存在于业务部门。一些拥有独立业务的大厂技术部门（如百度NLP部门的百度翻译业务）也可能会有这种定位的小团队，研究院很少会有，除非公司真的缺钱了。这种岗位以快速解决业务中的算法问题为首要目标，创新成果可能写成专利。
- 研究导向的算法工程师（R&D）：主要聚集在大厂的技术部门，大厂研究院和大型业务部门也可能会有这种定位的小团队。这种岗位以重点攻克业务中的复杂算法问题为首要目标，研究成果一般以专利或论文的形式发表，也可能不发表。
- 狭义的研究员（Research）：主要聚集在大厂的研究院/AI lab，大厂技术部门也会有这种定位的团队或组，而业务团队很少会招聘真正意义上的研究员。这种岗位注重探索学术前沿，也会适当照顾业务线的长线需求，以打造业界影响力（paper为主要表现形式）为首要目标。
显然，这三类岗位，自上到下：市场需求依次递减，不确定性（成果产出的难度）依次递增，研究与创新能力要求依次递增。
三 技术体系
算法策略的技术体系，我的理解是两块：计算机基础和数据处理。计算机基础？会编程吧，分布式处理得了解吧，当然不是绝对，但应该作为基础性的东西。
重点是数据处理。算是分为三层吧，这个是按自己理解来的：底层基本上每个计算机专业的人都会学；中间层，工程研发的同学可能不会关注涉及，但做数据处理、挖掘分析的同学一定会学；应用层，就是面向工作的具体“兵种“。从下到上走，到具体应用领域，又会返回来研究底层东西。
底层，数学、算法、时代。数学，我的理解就是概率论、线性代数等学校课程。很遗憾，其实当时学的时候并不知道数学有什么用。算法，以数据结构为中心的各种coding技术。时代，这个词比较牵强抽象，每个时期热点不一样，数据处理都会有伪新颖的东西（主要还是数学和算法）。这个底层怎么理解，达到什么程度？按部就班跟着走就好，比如上学就本本分分上数学课、数据结构好好实践、刷刷leetcode，后边应用需要了再回头针对性地学。
中间层，机器学习层：逻辑推理、知识专家、统计学习、深度学习。其实这层比较混乱的，它描述的是：从数学、算法中抽象、组合出来的一套方法逻辑，但又不针对具体应用。这套方法逻辑有四块：逻辑推理，主要是一些图论、语言范式的推理技术；知识专家，就是人工总结的知识规则；统计学习，基于属于构建概率模型的一套方法；深度学习，不用说了，因为太热门而单独从统计学习中拉了出来。各种应用，我们处理数据的基本思路就是：人工总结推理出一些特点、方法，或者称之为知识；有样本数据，利用统计学方法进行学习预测；深度学习，不用说了，统计方法中的一种。在各个领域，基本都是前期依靠人工知识，后边依靠统计学习，后来基本上都向深度学习靠拢。但隐约感觉到深度学习会达到瓶颈，最后又回到起始点依靠人工知识，但又绝非原始的人工知识（瞎想了~）。
应用层。应用层可以说是具体的“兵种“了。算法推荐、自然语言处理、视频处理、音频处理、数据挖掘等等，每个领域都会有每个领域特有的知识模型，但底层和中间层是相同的。
四 个人发展
从事任何一个方向的研发，基本发展路径是一样的。参考部分公司要求，梳理了一个基本思路或者要求，共5个层次。
任务级别。任务级别强调执行力，能够独立完成交待的任务。这个级别具体的点可以是：1，任务不需要复杂，一般难度即可；2，可以有他人指导帮助，但不能让他人感到太费力；3，对负责的任务有短期的规划能力，不要求长期。基本上80%以上的可以达到这个级别，只有20%的达不到只能永远处于此级别某个小环境浑水摸鱼，或者向非技术方向走了（所以剩下的20%不见得混得不好~）。
事情级别。从任务级别到事情级别，侧重点当然是在技术方面。技术方面深度或者广度有一个能突出都行：深度，在某个特别难的任务或方向上，技术了解的深，并能够很好地贴近问题进行技术落地；广度，能够完成在一系列（n>3）的任务，形成覆盖一系列任务的全局观点。事情级别重点是技术，当然还要具备中期规划的能力、技术和业务问题转换的沟通表达能力。这个级别的人数在60%，即大部分人可能永远停留在此级别摸索着：深度可能不够深；广度，做的方向多但不能升华到全局观点；技术能力可以，但沟通表达能力是弱点。
团队级别。这个级别有3个方面特点：技术过硬，沟通表达能力强，团队影响力。技术过硬，深度或广度达其一：深度，在某个事情或方向上有绝对话语权，了解最新的理论、技术，并能够了解与此事情相关的问题；广度，负责多个（n>2）事情，具备话语权。沟通能力强：能够与非技术人员很好地沟通、进行长期规划；不仅会做，还能很好地总结、展现技术成果。团队影响力，技术过硬和沟通能力有了，团队影响力是自然而然的事情。有15%的人在这个级别挣扎：技术应用能力强，但理论能力弱些；技术能力强，但沟通能力是短板；有任何短板，都不能形成强大的团队影响力。
公司或行业级别。到达这个级别的不到5%，有这样的特点：技术能力不是最重要的，他的影响力远远超过技术影响力；中小公司里绝对是创始人级别；巨头中的高级总监级别；学术圈里有影响力，出去能以科学家为title。
超出认知级别。这个级别超出认知，不扯了。
