马云豪掷三千亿，你又如何能分到100个月季度奖？

“侠之大者，为国为民。”

昨天，一向“独孤求败”的马云baba摇身变成郭大侠，豪掷千亿、广邀人才组建达摩院，要把阿里巴巴的技术、资源贡献成对社会的担当。

他的目标，是服务全球20亿人口、创造1亿就业机会，让你“每天工作3小时，每周工作3天”。

而实现这个目标，则要靠达摩院对于机器智能及相关未知领域的探索，用技术和商业来解决人类还没有解决的问题。

“勇踏前人未至之境”

正如人工智能之父约翰·麦卡锡一直以来所抱怨的——“一旦某项人工智能被实现了，人们便不会再称之为人工智能。”在纠结人类自身的狂妄与自卑的同时，马云baba也反复在用机器智能来指代“人工智能”。

事实上，正是得益于互联网和机器学习所催生的数据智能，阿里巴巴仅用十多年就发展到了过去需要50多年时间才能达到的规模。我们手机上每天都会用的淘宝、微博、支付宝、高德地图、优酷视频，背后都有机器学习算法在自动挖掘我们的数据，都自动在替马云baba赚钱。

比如，在阿里巴巴自己的招聘站点，就有这样的“人工智能”工程师来处理你在双十一期间下单抢购时的海量点击：

而这样做的绝非阿里一家，微信、美团、京东、今日头条、滴滴出行……几乎我们日常所用的每一个手机APP，背后都有这样一个人工智能的大脑和技术团队，来把人工智能变成那些已经“不再被称为人工智能”的东西。

当然，这一波技术潮流的起点还是在硅谷，看一看Google内部的变化趋势就一清二楚了：

2011年，Jeff Dean和吴恩达联手创造了大型深度学习软件平台DistBelief，是为Google Brain的起点；

第二年，吴恩达让运行在16000个GPU上的深度神经网络学会了认“猫”；随后，Google开始用深度学习改造其一线的产品：搜索引擎、Android、Gmail、Google翻译、Google地图、YouTube……到2015年，Google内部这些深度学习项目超过1000个；到2016年，接近3000个；

目前，在Google内部，80%以上的项目都在用深度学习。

这就是为什么李彦宏要大张旗鼓地改造百度，毕竟柯达相机、诺基亚手机的惨败犹在眼前。2014年，李彦宏说服吴恩达加入百度，开始转型AI，并向全球宣布吸引人才的“少帅计划”——百万年薪，上不封顶。

尽管后来的事情我们都知道：陆奇来，吴恩达去，李彦宏重金招来的人才纷纷出走和创业……但百度全部产品线AI化的趋势早已不可逆转。就连“魏则西事件”中被网友批得体无完肤的百度贴吧，都开始被AI改造——图像算法研发、推荐架构研发、推荐算法与策略，招聘网站随便一搜就有一大把相关职位。

即便主流大厂的一线业务全部AI化了，那又能说明什么？

很简单，人工智能和机器学习对于大家找工作的影响，远比我们从媒体上所见的要深。

更何况，昨天马云baba又把三十年后你家小孩找工作的路径锁死了：“未来三十年，我们将看到人们一天只工作三个小时、一个礼拜只工作三天，这样的情况一定会发生。”

可问题在于，如果人们工作得少了，那一定是有更好的机器替人们把这里的活都做了，因为社会整体的生产效率必定是要不断提升的。换句话说，未来你和你的后代一定是更善于让机器替你们干活的。

马云baba对此的信心，一方面是源自阿里当前已经做到的技术，另一方面是达摩院接下来所要探索的未知领域，不只是研究数据智能相关机器学习、基础算法、视觉计算、自然语言处理、芯片技术、量子计算等技术，还要把这些技术结合商业来解决人们的实际问题。

反过来说，如果没有人工智能和机器学习的加持，如果我们将来做不到让机器来替我们个人干活，我们一定会在马云baba的“三十年后”活得非常悲惨。

即便是当下，如果不了解人工智能和机器学习，去一线大厂拿100个月年终奖的机会，很有可能也要擦肩而过。只要有心，你肯定能看到，就连“农药”所属的鹅厂游戏都在用机器学习来挖掘玩家的行为数据。

当人工智能都变成你手里的衣食住行工具，变成你的聊天和游戏后，你肯定能感受到“书呆子之王”麦卡锡的那句抱怨之精辟……当人工智能的功能像你吃喝拉撒睡一样平常的时候，你要不要来学一学它？

要知道，它可没有那么容易上手，仅仅缔造深度学习的成果就用了数十年的时间。

缔造深度学习需要数十年，那学习它呢？

Geoffrey Hinton老爷子研究神经网络数十载，从他和Yann LeCun一起搞反向传播算法，到他跟Russ Salakhutdinov一同提出深度学习算法，再到2012年AlexNet证实GPU是最合适的深度学习硬件……Hinton老爷子的深度学习好用是好用，就是老爷子自己也没有给深度学习找出一套自洽的数学理论，这就是为什么前不久他突然又准备抛弃深度学习最基础的反向传播算法。

但是，这样的困境非但没有影响老爷子继续探索未知之境，反倒让他培养出不少高徒，比如Yann LeCun在统领Facebook AI研究、Russ Salakhutdinov已经执掌苹果的AI部门。

而大家耳熟能详的吴恩达、李飞飞，前者打师从Michael Jordan起研究机器学习将近20年，后者仅专注ImageNet一项就达8年。

李飞飞高徒、主管Tesla AI部门的Andrej Karpathy，他在深度学习领域的学习路线则是这样的：

十年寒窗，这话一点都不假。

不过，对于有一定基础的人，在短时间内掌握深度学习的案例也是存在的，比如Alexey Moiseenkov在看到DeepArt背后“图像的风格迁移”论文后，先学了两个月它的神经网络和数学原理，才开始做Prisma。他原本是俄罗斯网络公司Mail.ru的工程师。

我们报道过的黑人小哥Jason Carter转型AI的经历，他学机器学习三个半月就开始找工作了。他说里面数学就是线性代数，不是什么高深的学问。

当然，他的教育背景是软件工程，工作方面做过开发者和数据分析师。不过，其中必定也存在一些窍门，对吧？

那这窍门到底是啥？

三个多月的学习，Jason Carter上过两门专门的深度学习和机器学习课程，这些课程谁都能学，这不是关键。

他的关键是在学习过程中亲自动手，从零组建一台深度学习电脑并配置好软件环境，参加Kaggle竞赛和MNIST挑战赛，分享学习经验并参与AI讲座和讨论会。

之所以学完就能找工作，是他在学习过程中想到了去数据科学家和Python训练营中提前去做准备，进而能从构建和部署端到端深度学习产品的学习中累积实际经验。

反过来，对一个新手来说，如果你没有踩过深度学习里面的各个大坑，很有可能上手搭建一个TensorFlow的软件环境就能直接把你卡在门外。而且，数学、编程、动手实操之间相互配合的程度，肯定是一个有过实际的深度学习开发经验的人能帮你拿捏得更好。

更何况，即便只是三个多月的时间，大家也不免会出现懒散和懈怠的情况，能让有经验的人全程督促、手把手帮你渡过难关，肯定会是一个更好的选择。

这就说到了CSDN学院最新推出的《人工智能工程师》直通车课程

只需一个100天的学习计划，便能让你从AI小白直接晋级为具备一年经验的人工智能工程师。

• 全程实战案例，从机器学习原理到推荐系统实现，从深度学习入门到图像语义分割及写诗机器人，再到专属GPU云平台上的四大工业级实战项目。

• 有专人来跟踪你的学习进度，并根据你的数学和编程基础来制定专属学习计划，保证不掉队。

• 两位大咖讲师在计算机视觉的产业界和学术界分别都有着深厚的经验，产、学、研结合紧密。学成之日，会有来自AI产业界的专业讲师来做就业指导，甚至还有可能直接推荐就业并全额返还学费。

相比日后的百万年薪，这一百天的付出你还在犹豫吗？

为确保每位学员都能获得全方位指导服务，以优异的成绩毕业，此课程仅余30席位，先报先占位！

欲了解详情，请扫描下方二维码，你也可以点击阅读原文查看详细课程信息。

 ☞ 点击阅读原文，查看详细课程信息