聊天感想 2022/03
上两周写了个文章希望大家有空能一起在网上聊聊天，本以为无人问津，有点出乎我的意料第一周就有几位来约。有国内的本科生，有国内工作的大佬，也有在美国的工作大佬。聊的话题也天南地北，有喜欢问问题让我多说话的，也有我说一句对方能说十分钟我就静静听着的。总体还是非常有意思的过程。
当然也有被放鸽子的，等了30分钟也没有人来，善意揣测一下可能是时区没看对，我出国之后也才意识到时区这玩意有多麻烦。
过程中聊了一些问题我觉得挺有意思的，也写下来分享一下。
本科毕业了要不要出国
一个人是很难想象自己没有见过没有经历的人的生活是什么样子的。所以对于这个问题，我一直以来的观点都是要出去看看。可以出去读书，可以出去交流，可以出去长时间的旅游。去去欧洲，美国，或者日本韩国。
网上的信息一般都很极端。也只有极端的信息才能得到传播。这个很无奈，没有什么办法。国外既不是天堂也不是地狱，都是普通人的生活而已。有的人会特别喜欢，有的人不喜欢。只有亲自体会才会知道。
所以一定要多去体验，多问问自己。
再加上本科没毕业真的还没有受到什么社会的磨练，有时候社会真实得可怕。有些人经历过一些事情后觉得只有移民才能正常活下来，要么这一代移民要么只能鸡娃娃让下一代移民，那不如自己辛苦一些，这样情况反而选择简单很多。当然我想绝大多数人觉得这个社会挺好的，那也很好。
总之，一定要出去看看。
机器学习进入瓶颈期了吗
一直以来我都是机器学习吹，我不认为机器学习应用进入了瓶颈期。相反，我看到的是越来越多特别难特别传统的领域开始慢慢尝试机器学习，这个过程肯定很漫长，特别需要既懂机器学习也懂领域知识的复合型人才带队钻研。
机器学习的出现是以追求预测的准确性为第一要务的，因此可解释性或者因果性都不是最关注的方向。这也当然意味着它有很多局限性，并不完美灵丹妙药解决一切问题。换个角度说，机器学习的出现是我们关注以机器为中心的智能（machine-centric intelligence），而不是传统意义上的以人类为中心的智能（human-centric intelligence），机器和人类本来就有完全不同的物理特性，不管是记忆存储，计算速度，感知能力，还是知识的传承与复制，发展出不同的智能体系是必然的。
我相信随着这种视角的转换，我们能解锁更大的生产力。
如何为数据团队做基础建设支持
数据团队是很娇贵的，我们期待这个团队能够从数据中找到知识，帮助决策。但在实际的操作中是非常痛苦的，原因太多了。数据往往很垃圾，数据丢失、格式错误非常常见。大量的基础设施不完全，数据工作者们写完了一个 notebook 根本不知道如何进入生产环境，更别说还有大量和线上系统相关的监控、报警等等系统了。
硅谷这几年的发展非常块，出现点大量帮助数据科学家和机器学习工程师的 SaaS 和各种云服务，努力去做到只需要关注需求和模型，而不需要再关心各种基础设施建设的状态。我一直相信技术的进步会解锁更大的生产力，一个小小的团队靠着工具的力量就可以撬动巨大的杠杆。这才是工程师的快乐。
ML tooling 依然是今年 YC 的热点，看看会不会有更多的工具出来帮助机器学习从业者们迭代得更快。
链接依然开放，感兴趣的同学欢迎一起喝一杯虚拟的咖啡！