摆脱思而不学的最新尝试

听说 Udacity 推出自动驾驶汽车工程师纳米学位以后我就去报了名。反正只有 250 个名额，谁知道报不报得上呢。可现在真报上了，又纠结有没有时间和精力去见证历史了。之前在网上看过一些课程，也没有达到预期效果的先例。

我这几年来的一大遗憾就是没有机会学习和使用深度学习，甚至一般的机器学习。肤浅地讲，将来去企业、研究所，肯定需要这方面的经验。而深度地讲，没有这些工具在手，我总是没有办法很好地实现自己的想法。很多想探索的地方，不知道怎样去实现，只能去问别人。说得不好的时候，不会用术语，别人不当回事；说得好了，别人自己就能实现了。总之思考很多，却没法行动。

其实在这方面可以说我是起了大早又赶了晚集的。早在 2010 年我就在美国某大学选修了人工神经网络（ANN）的课，还和别人合作做了个教授认为值得发表的项目。然而，那个教授给我写了推荐信以后，我申请美国学校的博士项目连续覆灭了两年（第二年全部撤换了推荐人），我也再没联系过他。我一直觉得这神经网络很有前景，尤其是 hidden layer，能从细节里抽象出来。但我接触到机器学习乃是大学毕业以后的事情了，碰到的尽是些陌生的理论（实为机器学习的基础）。两三年前，深度学习在我领域火了起来。我一直好奇这和我之前摆弄的 ANN 有何区别。我在一个课上提了这个问题，得到的答案是，没有区别。但毕竟现在工具全换了一套，从细致模拟神经元变成了更简单的非线性算法，要解决的问题也是和原来相差甚远，不得不重新学过。

所以我想着借此机会系统地学下深度学习。即使自动驾驶作为计算机视觉和机器人学相关的领域，跟自然语言处理实无关系，但我领域的好些东西都是从这种工程专业引进的。总不能老是坐看工程系的人抢我们饭碗，信息论说得头头是道。Udacity 对这个项目的广告推广不遗余力。作为一个就业导向的课程，它的合作伙伴包括奔驰、英伟达、OTTO 和滴滴出行。这倒是我担心的地方，如果课程太偏重职业培训，transferrable 的东西就少了。当然，计算机视觉和语言领域中的机器翻译等问题一样，都属于机器学习取得重大成功的地方。在我目前的课题上搞机器学习，理论服不了人，实验结果也没有提升——就现在的水平，谈论这些的影响还过于玄幻了。如果不满足于能发文章，而要避免课题成为理论的空谈，非郑重其事地简化问题不可。

我们学校对这种赶时髦或是特别专科的浑水是从来不趟的，强调的是 insight。或许几十年后看来，什么机器学习工程师就和现在工厂的熟练技工没什么两样吧？或者，可能还是要取决于人究竟是制服了这个工具，去实现自己的想法；还是为工具所制服，重复别人的想法？

以前在某大新生入学的活动里，有一个著名校友的讲座叫《君子不器，文理一生》。看标题很是宏大，以为有人生的奥义，但听完了也没觉出讲的内容跟标题有何关系。所以，我在文理之间摇摆了十年，恐怕还会继续摇摆下去。总觉空虚的时候，就去学技术，学了以后再用来琢磨语言和它背后的心。