※ 引述《KILLE (啃)》之铭言
: AI = 拼数据 没数据就是吃毛
: 数据充足 烂模型亦为结果好棒棒
: 数据不足 神佛亦难救
: 在数据够情况下 不要说底层优化到自己开芯片
: 就算是推论inference运行模型之芯片 还买都买得到
: 是的 我当初推论偏颇 以CUDA为深度学习量揣指标
: 我未想到还有AI专用芯片这路
: 以我这四年观察 :
: 人工智能 离不开传统做法为前处理 不论是统计分析还是讯号图像处理
: 这些传统处理 相当多适合一口令一动作无需判断之并行计算
: (SIMD单指令多笔数据)
: 也就做CUDA(或SIMD(x86 SSE/AVX, arm NEON)优化
: 在数据够 在玩到一定程度后 这些前处理必需优化
: 而数据量是核心之核心 以致根本没几间公司数据量达到需聘人优化前处理
: 人们现发现其实AI(在数据不足时)也没这样神
: AI今日退成统计分析之一环 与传统方法互补
: 今日 累计数据之重要性 比 找个AI天才 来得重要
: AI常只是意谓 这公司有在做统计分析 至于是不是神经网络 那不是重点
: 结果能用 正确 就可以了
: 采数据才是AI真议题 所以做单芯片韧体之人 比之前来得抢手
: 不过AI也不能说没用 让公司重视数据分析 看出些端倪 总是好是
认真说，这个立场有点偏颇，先说，我赞成你所谓的拼数据，但机器学习一直都是资料、统
计导向的学门，data driven本来就机器学习的一环，DL只是机器学习的一个子方法，他依
旧脱离不了资料统计建模，而所谓的AI是一个模糊超集，他包含专家系统、统计建模、机器
学习、范畴论、消息理论等等等，只用AI等于DL是一种不太健康的心态。
然后可以看看Stanford HAI REPORT根据2022全球关于AI(ML/DL)的领域产业发展概况其实可
以发现
统计到2021年底全球Hiring Job Position是有往上提升的，其中提升最大的职缺关键字是M
achine Learning，AI这些抽象或是Deep Learning这种狭窄的关键字提升不明显，这边看数
据的学问就出来了，这反而可以看出企业对于领域有比较明确而且理性的认识，也可以说所
谓
的热钱海水正在退潮，真正有能力的人才反而能脱颖而出。另一个有趣的指标可以看到Foun
d AI Companies在2021是有趋缓的事态，但是却发现到2021资金开始集中，这也显示市场需
求跟场景开始明确，有能力做起来的Found Companies不怕没资金，这个现象可以从今年ope
nAI的大成功发现到，现在chatGPT还是免费使用的状况已经有大把资金看准投资这套技术了
。
最后，我也不是说看好未来这块领域的前景，当前很多问题还没解决，但是落地看起来是一
个现在进行式，成功的模型确实改变了整个生态产业，今年很多技术会议可以发现大家探讨
的主题更偏重在AI工业化的流水线，举凡像MLFlow、KubeFlow、AirFlow都是对于标准化的
加速需求，期望完全走向落地。
另一个学术上今年很多研讨会的主题已经不再是从SOTA角度来看整个领域问题了，大家也慢
慢意识到你去训练单一领域做到最好也不见得这个最优模型可以落地成功，还包含了模型的
公正性、伦理问题、是否能真正做到Multi-domain (像有噪声、模糊人声、多种口音的外语
)，而不在是指限定在我要在SOTA上提升一个百分点的MAP这种自嗨的东西。其他还有如何符
合法规进行数据脱敏或是联邦学习的问题，让技术更能够配合人性，而不是人类配合技术，
也是显示大家对于这种冲分自嗨的热潮已经开始退去，大家在学术上更能客观理性评估你的
模型是否真实具备应用能力。
我反而觉得未来2023年会开始呈现高级人才具备有真正落地评估能力的人才能从人才库脱颖
而出，所以大家从事这块领域的就真的要评估自己有产业落地的专业跟热忱，不然如果只是
期待刷个资历过水的可能会失望。
差不多是这样