做底层 AI 框架和做上层 AI 应用，哪个对自己的学术水平（或综合能力）促进更大？
谢邀
对能力促进的程度是一个非常主观的判断，这取决你你对自己的定位，以及对于大趋势的理解。我在这里分享一下我思考的过程，希望有所帮助。
**我一直在尝试做机器学习在各个领域的应用，特别是小众领域的应用。**在 CMU 的时候我花了大概一年的时间研究机器学习和法律领域的结合，并发表了论文，积累了不少如何踏入陌生领域的经验。我在之前的答案中也提到过 如何看待人工智能律师的诞生，类似Ross的人工智能律师在中国是否可行？ - 陈然的回答 - 知乎 。从 CMU 毕业之后我没有选择去纯互联网公司，而是选择去了一个互联网和房地产结合的公司 Trulia (Zillow Group)，也是希望能够了解真实的商业世界，找到融合的角度，真正地改变行业。
**我做这样的原因一是觉得做应用更有趣，二是觉得现在是最好的时代。**有趣是一个主观的判断，在此不表。而现在是做算法最好的时代，因为无论从学术模型还是工程积累都没有壁垒，我们正处在一个模型表达能力无限强，计算速度无限快，数据无限多的时代。我在这个答案中有详述：如何评价谷歌的「人工智能先行」（AI First）战略？
然而，我做应用的日常工作与大家心中的想象并不完全一样。**一个 AI 应用项目从最早的探索到上线，从项目负责人的角度看，大概要经历这样一个流程：Realize -> Discuss -> Try MVP -> Optimize。**很多人心中的做算法，是做最后一步优化，也即不断地调整参数，更换模型，收集新的数据等等等，而事实上在我工作的经历中，前三步是最困难的，也是绝大多数时间所在；而一旦进入了优化算法的过程，一切都有章可循，只要投入时间和精力就能有结果。
前三步困难，因为绝大多是业务的负责人并没有意识到算法可以带来巨大的 KPI 提升，甚至业务形式的改变。有些人就算意识到了，也不知道如何开始，如何衡量投入与产出。前三步虽然看似普通，但每一步的前进来来回回都要花费大量的时间。为了解决这个问题，我在公司实践中有一些方法：
- **Change Culture。**人只有理解了新技术，才会尝试新技术。但改变人的意识和公司的氛围是一件细水长流的事情。我们一直在各种场合推销我们的技术，比如我们组一直在组织 Data Science Lunch，通过提供免费午餐的形式，聚集感兴趣的同事在一起，共同观看视频学习机器学习领域的最新进展，分享我们组的工作成果，介绍其他公司的成功案例。谷歌提出了 AI First 的战略，是一种从上到下的改变，但是对于绝大多数公司来说，很难有这种魄力，所以我们一直试图推动从下而上的改变。
- **Demo Driven。**单纯的案例分享并不能很直观地让人理解，但 Demo 的力量是巨大的，一旦负责人看到如此直观的体验，几乎很难拒绝上线测试的想法。因此，我负责的几乎每一项目都有 Demo 网页，负责人不需要靠想象力来理解产品，而是可以直接地交互与思考。这一项的难度很大，一是需求往往并不来自于业务负责人，而是靠我对于业务的理解，因此我需要通过各种场合了解公司数十个业务的进展，学习领域知识，再结合自己的理解开发 Demo。二是要写HTML & JavaScript & CSS。
- **End-To-End Solution。**为了快速响应业务需求，我们组也搭建起了 API 系统，这样我们可以直接对接业务部门，随时发布新的更新。同时受益于工程上的进步，我一个人就可以完成若干项目的从开发到运维一套可以负载整个公司流量的 API 系统的所有工作，我在文章中也有记录 知乎专栏 - Docker for Data Science at Trulia 和一点感悟
能把应用做好，特别是能做出全新的应用，是一件非常困难的事情，需要不断地学习新的领域知识，包括各种公司的业务逻辑。而这需要自己足够主动，想办法接触各个业务负责人，获得详细的业务信息，甚至去了解所有的业务实施，才能找到最好的办法进行整合。也正如我在
2016~20 年硅谷需求量最大的是什么方向的技术人才？ 中说的，可以说任何时代，最需要的人，都一样，就是那些既懂得最新的技术，也懂得现在的商业环境，并且有能力把最新的技术应用到目前的市场上的人。
最后，回到那句老话，做决定的时候，一定要考虑自己的兴趣所在，也要参考时代的环境。毕竟：
一个人的命运啊，当然要靠自我奋斗，但是也要考虑到历史的行程。