Loading...
在 ai/ml startup 做了一段时间了，随便闲扯几句，肯定是盲人摸象，管中窺豹，不要太当真。
年轻有为的硕士生用 ai/ml 做出个 poc，本来人工做的事情 ai 哗地一下做完了，结果猛一看挺好，客户哇声一片 --- 可以成立 startup 大干一票。但是真正商品化的时候，一路上要解决的问题超多。
要有很多 models - 每个 model 只能解决问题的一小块。google 光是为了不需要你说 “ok google” 就能干活就多加了 5/6 个新 models...
无休止的 training / training / training.... 而且有时候做不到通用，（不同客户）不同数据类型最后会形成各自的 weights...
预测准确度貌似玄学....
因为多数涉及 computer vision，公司得雇一堆懂 computer vision 人 ---- 毕竟，术业有专攻，你基本上甭指望懂 computer vision 的 ai/ml engineer 也懂软件工程。
ai/ml engineer 的 coding 和业界 coding standard 完全是两个维度的东西 ---- 我早说过，刷 leetcode 题能帮你进大厂，但那个不叫 coding...
ai/ml, computer vision, ai pipeline, cloud, backend/frontend, devops... 你得找到合适的人把这些串起来...
如果串得非常好，你才有可能让客户变成 training process 的一部分，否则你得让 domain expert 替所有用户做 model training... 如果你的 flow 不是很完善的话，你的 domain experts 还得学几句 python...
类似感触还有很多，所以觉得 ng 说的所有东西，尤其是 tooling 那块，都非常在点上。
大家今天都看不起 CRUD，但其实很多行业连基本 CRUD 还没做好，更别说 AI 了。AI 类似于 70/80 年代的 CRUD，还有很长的路要走...
一个螺丝从设计到成品，然后大批量生产的过程要十几步，几十步。超市里一个番茄从种子到 poo 出来的 seed，也是如此。
如果整个 process 里一步或者几步掌握了，和掌握系统，还真是个位数的 %。把 process 里的 major component 穿成糖葫芦，然后把 minor component 下放，就容易了。某个 Process 里的 1 个 component 强，其他要配套。大兴要是没有好的社会配套体系，再好的别墅也木人去住。
高建华说：现在 from scratch 已经很少很少了，能从 established product 里做某些改善，能更广或者更深满足客户需求，就很好了。