不知不觉，来小视已经4年了，当初加入小视，单纯是因为喜欢小视做的这个事情，喜欢计算机视觉。在小视的这4年里，经历了很多，学到了很多，做了很多自己想做的事情，也为小视做出了一些自认为还不错的贡献，职业生涯最宝贵的几年都奉献给了小视。这4年来觉得很充实很开心。
但是从今年开始有一种危机感，因为我渐渐发现基于深度学习的计算机视觉发展好像遇到了很大瓶颈，算法性能很难有大的突破，很难有像3,4年前的ResNet,SSD,FasterRCNN等算法带来的突破,大家似乎都陷入了所谓的“炼丹”，而且更为重要的是，以目前的算法水平，很难达到人们的预期，从我经历的一些项目来看，目前很多算法的性能离客户需求还很远很远，有的甚至根本就达不到，不能产生实际价值的技术终将被淘汰(作为学术研究无可厚非)，那我现在掌握的很多算法是不是就没用了，我是不是就要失业了呢？但是在我深入参与一些项目，了解一些项目之后发现，情况好像并不是这样的。我以前也认为，算法就应该能够很完美的解决问题，比如跟踪算法，就不应该跟错，轨迹也不能断，目标检测算法的误检就应该是0，召回率无限逼近100%，我甚至认为人工智能的发展方向一定就是强人工智能。但是我现在的观点发生了很大变化。
首先我想表达的一个观点是，现阶段的人工智能还处于非常初级的阶段，适用的领域也非常有限，只能用于具有以下特点的任务：
1. 非关键性的任务
2. 简单重复低级的任务
人脸识别大家应该很熟悉了，人脸识别是CV最成熟的一个领域了，但是现阶段的人脸识别还不能应用在关键任务中，虽然现在也有刷脸支付，但是基本都是小额支付，大额支付我想应该没有哪个厂家敢用。还有自动驾驶领域，目前也不能完全依靠深度学习。目前的AI技术只能做一些简单重复低级的工作，稍微高级一点的的工作目前还做不了，比如教师，程序员等。前段时间我全程参与的一个和公安合作的项目，项目需求其实很简单，就是判断图像中有没有穿特定制服的行人，并判断他到岗和离岗的时间，用于事后追查，我们使用的技术也很简单，其实就是行人检测+跟踪+行人属性识别。最后效果还不错，也拿下了这个项目，这个任务就具备了上述特点，该任务不是关键性的任务，项目精度并不需要很高，只要能够大致判断到岗和离岗时间就可以了，同时该任务简单重复性高，如果人去做，会非常枯燥。
今年我也参加了一些项目，有些项目也是全程参与的，期间有个最大的体会就是，现阶段的人工智能是：
人的经验+弱人工智能算法。 其中人的经验就是：
1. 结合算法和场景的特点以及边界设计业务逻辑
2. 针对特定场景优化算法。 比如我之前写的一篇博客 海思AI芯片 HI3516DV300上SSD代码的优化，就是为了解决一些场景算法速度慢的问题
我们必须承认 算法是不完美的，人的经验的优势在于规避算法的弱点发挥算法的优点，而机器的优势在于机器强大的算力，机器很擅长做重复性的工作，而且不像人一样容易受到情绪影响。所以一定要结合两者的优势。
所以以后算法工程师的核心能力：
1. 深入理解算法原理
2. 深入理解业务场景
两者缺一不可。
最近其实也在思考，对于一家人工智能公司，核心竞争力到底是什么？大概总结了这几点：
- 数据
- 算法
- 场景
- 规范，标准和流程
数据应该是公认的最重要的东西了，目前的人工智能严重依赖数据，比如上文中提到的公安的项目，这个项目的数据完全是公安的数据，基本上没有公司有这样的数据，只能是定制化开发，而且这个项目我们是驻点开发，数据是不能拿出来的。目前深度学习的极限基本上已经到了，很难有本质的提高了，我想各家算法的差距并不是主要的问题了，主要是对算法的理解上，因为只有充分理解算法了，才能够针对特定场景设计业务逻辑，以及针对特定场景去优化算法。今年我最主要的一个感受就是，场景太重要了，我觉得场景应该也是2020年各大AI公司的重点，需要寻找真正能够落地的场景，同时需要对这些场景具有深刻理解，结合算法，为客户提供真正的价值。最后一点，是我这一两年做管理的一些体会，就是对于一个想要做大做强的团队，规范，标准和流程太重要了！比如数据集的管理规范，模型管理规范以及开发规范(比如git使用规范)，模型迭代流程是否高效，数据标注流程是否高效。这个方面在后面的博客中会详细讲述。
最后，至于强人工智能会不会出现，我无法预测，但是我个人的观点是：人的智能不应该是机器追求的目的，人工智能的目的不是代替人类，而是辅助人类，将人从简单重复低级的工作中释放出来，去做更加高级的工作。比如上文提到的我参加的公安的一个项目，就是将人从简单重复低级的工作中释放了出来，不需要人去看完所有视频，而是机器看完，然后人工去审核结果就可以了。
零零碎碎说了很多我对目前人工智能的一些思考，有些观点也仅仅是自己的想法，欢迎大家一起讨论。
