近年来，人工智能迎来了新一轮的热潮。与前几次不同的是，目前人工智能开始可以真正解决许多实用问题了。一方面，得益于新计算架构带来的计算能力的快速提升，另一方面，得益于互联网等领域积累的海量数据。当然，能够用计算来挖掘数据中的价值，是因为深度学习技术的成熟。于是，在今天，从事人工智能工作，做一名算法工程师，成为眼下最热门的职业选择之一。

算法工程师曾经的境遇可没那么好：早年的互联网信奉“糙快猛”主义，各大互联网公司老板们觉得研究算法的人饱食终日、无所用心，找不到工作只好在学校“混”博士，靠数据上的障眼法装神弄鬼。可是，随着2016年AlphaGo战胜世界围棋冠军李世石之后，老板们的态度突然来了个大转弯，纷纷把各种搞劫持、送外卖的生意包装成人工智能，还纷纷请来几位懂算法的专家坐镇。

于是，算法工程师的身价也水涨船高了。各门派工程师不论过去练的是java、php还是excel，都放弃了最好语言的争论，抄起了深度学习，发誓重新修炼成算法工程师。前些天，还有人在“知乎”上问我：年薪20万、50万、100万的算法工程师，到底有什么区别？

这个问题很有意思。根据我的工作经验，用上面的数字做个参照，谈一谈算法工程师的三个层次。这里说的算法，并不是计算机系本科课程“算法与数据结构”里的算法。那门课里讲的是排序、查找这类“确定性算法”，而本文说的是用统计方法对数据进行建模的“概率性算法”。

第一层次“Operating”：会使用工具

这个层次的工程师，对常用的模型比较熟悉，得到数据以后，能选择一个合适的模型运行出结果。

要想达到这个层次，其实门槛并不高。以前，只要掌握了文档主题生成模型(LDA)、支持向量机(SVM)、逻辑回归(LR)这些基本模型，再使用libnear、mahout等开源工具，就可以在拿到数据后运行出一个结果。到了深度学习时代，这件事似乎变得更简单了：管它什么问题，不都是拿神经网络往上堆嘛！最近，经常会遇到一些工程师，成功地跑通了TensorFlow¹的演示程序后，兴高采烈地欢呼：我学会深度学习了！

这里要给大家狠狠浇上一盆冷水：进入这个领域的人，首先要明白一个道理：如果有两个模型进行一次多回合的较量，每个回合用的数据集不同，而且数据集没什么偏向性，那么最后的结果，十有八九是双方打平。

考虑一种极端情况：有一个参赛模型是“随机猜测”，也就是无根据地胡乱给个答案，结果如何呢？双方还是打平！所以，请再也不要问“聚类用什么算法效果好”这样的傻问题了。

这恐怕让入门者觉得沮丧：掌握了一堆模型并且会运行，其实并没有什么用。当然，实际问题的数据分布总是有一定特点的。比方说人脸识别，图中间怎么说都得有个“脸”。因此，问“人脸识别用什么模型好”这样的问题，就有意义了。而算法工程师的真正价值，就是洞察问题的数据先验特点，把它们在模型中表达出来。而这个，就需要下一个层次的能力了。

会使用工具，在算法工程师中仅仅是入门水平。如果不是在薪酬膨胀严重的互联网界，我觉得年薪20万是个比较合理的待遇。

第二层次“Optimization”：能改造模型

这个层次的工程师，能够根据具体问题的数据特点对模型进行改造，并采用合适的最优化算法，以追求最好的效果。

不论前人的模型多么美妙，都是基于当时观察到的数据先验特点设计的。比如说LDA，就是在语料质量不高的情况下，在概率隐语义分析(Probabilistic Latent Semantic Analysis, PLSA)的基础上引入贝叶斯估计，以获得更加稳健的主题。虽说用LDA不会大错，但是要在具体问题上运行出最好的结果，必须要根据数据特点对模型进行精准改造。

这一现象在互联网数据上体现得更加明显，因为没有哪两家公司拥有的数据是相似的。百度的点击率模型，有数十亿的特征，大规模的定制计算集群，独特的深度神经网络结构，你能抄么？抄过来也没用。用教科书上的模型以不变应万变，结果只能是刻舟求剑。

改造模型的能力，不是用几个开源工具那么简单，这需要有两方面的素养：

1.深入了解机器学习的原理和组件。机器学习领域，有很多看似不是直接有用的基础原理和组件。比如，正则化怎么做？什么时候应该选择什么样的基本分布（见表1）？贝叶斯先验该怎么设？两个概率分布的距离怎么算？当看到前辈高人把这些材料烹调在一起，变成LDA、卷积神经网络(CNN)等成品菜肴的时候，你也要想想如果自己下厨，是否了解食材，会不会选择和搭配。如果仅仅会吃几个菜，能说出有什么味道，离好厨师还差很远。

近年来，人工智能迎来了新一轮的热潮。与前几次不同的是，目前人工智能开始可以真正解决许多实用问题了。一方面，得益于新计算架构带来的计算能力的快速提升，另一方面，得益于互联网等领域积累的海量数据。当然，能够用计算来挖掘数据中的价值，是因为深度学习技术的成熟。于是，在今天，从事人工智能工作，做一名算法工程师，成为眼下最热门的职业选择之一。

算法工程师曾经的境遇可没那么好：早年的互联网信奉“糙快猛”主义，各大互联网公司老板们觉得研究算法的人饱食终日、无所用心，找不到工作只好在学校“混”博士，靠数据上的障眼法装神弄鬼。可是，随着2016年AlphaGo战胜世界围棋冠军李世石之后，老板们的态度突然来了个大转弯，纷纷把各种搞劫持、送外卖的生意包装成人工智能，还纷纷请来几位懂算法的专家坐镇。

于是，算法工程师的身价也水涨船高了。各门派工程师不论过去练的是java、php还是excel，都放弃了最好语言的争论，抄起了深度学习，发誓重新修炼成算法工程师。前些天，还有人在“知乎”上问我：年薪20万、50万、100万的算法工程师，到底有什么区别？

这个问题很有意思。根据我的工作经验，用上面的数字做个参照，谈一谈算法工程师的三个层次。这里说的算法，并不是计算机系本科课程“算法与数据结构”里的算法。那门课里讲的是排序、查找这类“确定性算法”，而本文说的是用统计方法对数据进行建模的“概率性算法”。

第一层次“Operating”：会使用工具

这个层次的工程师，对常用的模型比较熟悉，得到数据以后，能选择一个合适的模型运行出结果。

要想达到这个层次，其实门槛并不高。以前，只要掌握了文档主题生成模型(LDA)、支持向量机(SVM)、逻辑回归(LR)这些基本模型，再使用libnear、mahout等开源工具，就可以在拿到数据后运行出一个结果。到了深度学习时代，这件事似乎变得更简单了：管它什么问题，不都是拿神经网络往上堆嘛！最近，经常会遇到一些工程师，成功地跑通了TensorFlow¹的演示程序后，兴高采烈地欢呼：我学会深度学习了！

这里要给大家狠狠浇上一盆冷水：进入这个领域的人，首先要明白一个道理：如果有两个模型进行一次多回合的较量，每个回合用的数据集不同，而且数据集没什么偏向性，那么最后的结果，十有八九是双方打平。

考虑一种极端情况：有一个参赛模型是“随机猜测”，也就是无根据地胡乱给个答案，结果如何呢？双方还是打平！所以，请再也不要问“聚类用什么算法效果好”这样的傻问题了。

这恐怕让入门者觉得沮丧：掌握了一堆模型并且会运行，其实并没有什么用。当然，实际问题的数据分布总是有一定特点的。比方说人脸识别，图中间怎么说都得有个“脸”。因此，问“人脸识别用什么模型好”这样的问题，就有意义了。而算法工程师的真正价值，就是洞察问题的数据先验特点，把它们在模型中表达出来。而这个，就需要下一个层次的能力了。

会使用工具，在算法工程师中仅仅是入门水平。如果不是在薪酬膨胀严重的互联网界，我觉得年薪20万是个比较合理的待遇。

第二层次“Optimization”：能改造模型

这个层次的工程师，能够根据具体问题的数据特点对模型进行改造，并采用合适的最优化算法，以追求最好的效果。

不论前人的模型多么美妙，都是基于当时观察到的数据先验特点设计的。比如说LDA，就是在语料质量不高的情况下，在概率隐语义分析(Probabilistic Latent Semantic Analysis, PLSA)的基础上引入贝叶斯估计，以获得更加稳健的主题。虽说用LDA不会大错，但是要在具体问题上运行出最好的结果，必须要根据数据特点对模型进行精准改造。

这一现象在互联网数据上体现得更加明显，因为没有哪两家公司拥有的数据是相似的。百度的点击率模型，有数十亿的特征，大规模的定制计算集群，独特的深度神经网络结构，你能抄么？抄过来也没用。用教科书上的模型以不变应万变，结果只能是刻舟求剑。

改造模型的能力，不是用几个开源工具那么简单，这需要有两方面的素养：

1.深入了解机器学习的原理和组件。机器学习领域，有很多看似不是直接有用的基础原理和组件。比如，正则化怎么做？什么时候应该选择什么样的基本分布（见表1）？贝叶斯先验该怎么设？两个概率分布的距离怎么算？当看到前辈高人把这些材料烹调在一起，变成LDA、卷积神经网络(CNN)等成品菜肴的时候，你也要想想如果自己下厨，是否了解食材，会不会选择和搭配。如果仅仅会吃几个菜，能说出有什么味道，离好厨师还差很远。 

2.熟练掌握最优化方法。如果机器学习从业者不懂最优化，相当于武术家只会耍套路。不管你设计了一个多好的模型，如果无法在有限的计算资源下找出最优解，那么这个模型不过是个花瓶罢了。

最优化，是机器学习最重要的基础。在目标函数及其导数的各种情形下，你需要熟知如何选择优化方法，各种方法的时间空间复杂度、收敛性如何，还要知道怎样构造目标函数，才便于用凸优化或其他框架来求解。这些方面的训练，要比对机器学习模型的掌握更扎实才行。

拿“以不变应万变”的深度学习举个例子。用神经网络处理语音识别、自然语言处理时间序列数据的建模，循环神经网络(Recurrent Neural Network, RNN)是个自然的选择（见图1）。不过在实践中，大家发现由于存在“梯度消失”现象，RNN很难对长程的上下文依赖建模。而在自然语言中，要决定be动词是用“is”还是“are”，有可能要往前翻好多词才能找到起决定作用的主语。怎么办呢？天才的施米德胡贝(J. Schmidhuber)设计了带有门结构的长短期记忆(Long Short-Term Memory, LSTM)模型（见图2），让数据自行决定哪些信息要保留，哪些要忘掉。如此以来，自然语言的建模效果就大大提高了。初看RNN与LSTM的结构对比，面对凭空多出来的几个门结构可能一头雾水，唯有洞彻其中的方法论，并且有扎实的机器学习和最优化基础，才能逐渐理解和学习这种思路。

图1 循环神经网络模型

图2 长短期记忆模型

当然，LSTM这个模型是神来之笔，我等对此可望不可及。不过，在这个例子里展现出来的关键能力：根据问题特点调整模型，并解决优化上的障碍，是一名合格的算法工程师应该追求的能力。年薪50万能找到这样的人，是物有所值的。

第三层次“Objective”：擅长定义问题

对这个层次的工程师的要求比较高。给他一个新的实际问题，他要能给出量化的目标函数。

当年，福特公司请斯坦门茨检修电机，他在电机外壳画了一条线，让工作人员在此处打开电机并迅速排除了故障。结账时，斯坦门茨开价1万美元，还列了个清单：画一条线，1美元；知道在哪儿画线，9999美元。

同样的道理，在算法领域，最难的也是知道在哪里画线，这就是对一个新问题构建目标函数的过程。有明确的量化目标函数，正是科学方法区别于玄学方法、神学方法的重要标志。

目标函数，有时能用一个解析形式(analytical form)写出来，有时则不能。比如网页搜索问题。它有两种目标函数：一种是归一化折损累积增益(Normalized Discounted Cumulative Gain, NDCG)，这是一个在标注好的数据集上可以明确计算出来的指标；另一种则是人工看坏案例(badcase)的比例，显然它无法用公式计算，但是其结果也是定量的，也可以作为目标函数。

定义目标函数，乍听起来没有那么困难，不就是制定一个关键性能指标(KPI)吗？其实不然，要做好这件事，在意识和技术上都有很高的门槛。

1.要建立“万般皆下品、唯有目标高”的意识。无论是一个团队还是一个项目，只要确立了正确的、可衡量的目标，达到这个目标就只是时间和成本问题。

所谓“本立而道生”：一个项目开始时，总是应该先做两件事：一是定义清楚量化的目标函数；二是搭建一个能够对目标函数做线上A/B测试²的实验框架。而收集什么数据、采用什么模型，都在其次。

2.能够构造准确（信）、可解（达）、优雅（雅）的目标函数。目标函数要尽可能反映实际业务目标，同时又有可行的优化方法。一般来说，优化目标与评测目标是有所不同的。比如在语音识别中，评测目标是“词错误率”，但这个不可导，所以不能直接优化。因此，我们还要找一个“代理目标”，比如似然值或者后验概率，用于求解模型参数。评测目标的定义往往比较直观，但是要把它转化成一个高度相关，又便于求解的优化目标，是需要相当的经验与功力的。在语音建模里，即便是计算似然值，也需要涉及Baum-Welch³等比较复杂的算法，但要定义清楚是不简单的。

优雅，是个更高层次的要求，在遇到重大问题时，优雅往往是不二法门。因为往往只有漂亮的框架才更接近问题的本质。关于这一点，必须要提一下近年来最让人醍醐灌顶的大作——生成对抗网络(Generative Adversarial Network, GAN)。

图3 生成对抗网络模型

GAN要解决的，就是让机器根据数据学会画画、写文章等创作性问题。机器画画的目标函数怎么定义？听起来让人一头雾水。我们早年做类似的语音合成问题时，也没有什么好办法，只能通过人一句一句听来打分。令人拍案叫绝的是，伊恩·古德费洛(Ian Goodfellow)在定义这个问题时，采取了一个巧妙的框架（见图3）。

既然靠人打分费时费力，又不客观，那就干脆让机器打分吧！好在让机器辨认一幅特定语义的图画（比如说人脸），在深度学习中已经基本解决了。假设我们已经有一个能打分的机器D，现在要训练一个能画画的机器G，那就让G不断地画，D不断地打分，什么时候G的作品在D那里得分高了，G就算是学会画画了。同时，D在此过程中也因为大量接触仿品而提升了鉴赏能力，可以把G训练得更好。有了这样定性的思考还不够，这样一个巧妙设计的二人零和博弈⁴过程，还可以表示成下面的数学问题：

这个目标，优雅得像个哲学问题，却又实实在在可以追寻。当我看到上述公式时，顿时觉得教会机器画画是个不太远的时间问题。如果你也能对这样的问题描述感到心旷神怡，就能体会为什么这才是最难的一步。

一个团队的定海神针，就是能把问题转化成目标函数的那个人——哪怕他连开源工具都不会用。花100万找到这样的人，可真是捡了个大便宜。

在机器学习领域，算法工程师脚下的进阶之路是清晰的：当你掌握了工具、会改造模型，进而可以驾驭新问题的建模时，就能成长为最优秀的人才。沿着这条路踏踏实实走下去，100万年薪并不是遥不可及的目标。         ■

脚注：

¹ TensorFlow是一个谷歌研发的开源软件库，采用数据流图，用于数值计算。

²用于评估新功能对用户行为的影响的一种对照实验。为了同一个目标制定两个方案，让一部分用户使用A方案，另一部分用户使用B方案，记录下用户的使用情况，看哪个方案更符合设计目标 。

³一种对隐马尔可夫模型(HMM)做参数估计的方法。

⁴零和博弈(zero-sum game)，又称零和游戏，是博弈论的一个概念，属非合作博弈。指参与博弈的各方，在严格竞争下，一方的收益必然意味着另一方的损失，博弈各方的收益和损失相加总和永远为“零”，双方不存在合作的可能。