人工智能正在成為像“電力”一樣的東西，每一個關系未來發展的人都應該對其有所了解。尤其是開發者，不懂人工智能，競爭力將會在將來大幅度下降。在Shival Gupta發表在Hacker Noon上的一篇文章中，他介紹了自己怎樣在2個月入門學習人工智能的歷程。

現在這個時代，每個人都很忙。人們的個人生活和職業生涯都在發生著巨大的變化。最重要的是，隨著像人工智能這樣的技術開始變得越來越流行，你會發現在接下來的兩年里，你所掌握的技能會變得過時。

當我關閉我的創業公司Zeading時，我猛然醒悟過來。感覺自己錯過了一些非常獨特的東西。

在不斷變化的情況下，作為一名傳統意義上的全棧工程師是不夠的。在接下來的兩年里，如果沒有掌握人工智能技術，全棧工程師將不再是全棧工程師了。

是時候采取行動了。我做出了我認為現在唯一能做的行動 —— 更新了我作為一名開發者的技能，并以產品經理一樣的心態和企業家一樣的理念來面對數據，并以數據為導向。

正如著名的風險投資家、人工智能和金融科技行業的思想領袖Spiros Margaris對我說的那樣：

如果創業公司和企業只依靠先進的人工智能和機器學習算法來展開競爭，是遠遠不夠的。人工智能將不再是一項競爭優勢，而是一項基本要求。你聽到有人把“用電”作為競爭優勢嗎？

構建我的第一個神經網絡

一個非常常見的建議是在Coursera上聽Andrew Ng（吳恩達）的課程。這是一個非常好的入門方式，但我發現，我很難長時間保持清醒。我并不是說這門課很糟糕，但我真的很難在課堂上保持專注。我的學習模式一直都是實踐，從實踐中獲取新的知識。所以我想，我為什么不自己來打造一個神經網絡呢？

但我沒有直接去著手構建一個神經網絡，因為它是一個更加高級的學習方法。我剛開始先去試著熟悉這個領域里的所有的術語，這樣我就能對這個領域有所了解。

第一個任務不是學習。而是熟悉。

我是純Java和Node js出身，當時并不想換成其他的編程語言。因此，我搜索了一個名為“nn”的簡單神經網絡模塊，然后通過模擬輸入用它來實現一個“AND”操作。受一個教程的啟發（傳送門），我選擇了這么一個問題：對于任意的輸入 X，Y，Z，輸出結果都是 X AND Y。相應的代碼如下：

當得到的結果是0.9971時，我意識到，這個神經網絡已經學會了如何做一個AND操作，并且忽略了附加的輸入。這樣的結果極大地增強了我的自信心。

這就是機器學習的要點。你給計算機程序一組數據，它能夠自動調整內部參數，使其能夠在新數據上回答問題，而原始數據中的誤差也在減少。

這種方法，正如我后來了解到的，也被稱為梯度下降（gradient descent）。

補充人工智能相關的知識

在我完成了第一個人工智能程序后，我充滿了信心，我想知道作為一名開發人員，我還能做些什么。

我解決了一些監督學習的問題，如回歸和分類。

我通過一個有限的數據集，嘗試用多元線性回歸預測哪支隊伍將取得比賽勝利（雖然當時的預測很不準確，但確實很酷）。

我在Google機器學習云的上做了一些演示，看看現在人工智能能做什么（作為一款SaaS工具，Google已經做得非常好了）。

我偶然發現了AI Playbook，這是一個很棒的資源，由著名的風險投資基金Andreessen-Horowitz收集組織。對于開發者和創業者來說，這的確是最方便的資源之一。

我開始在Youtube上觀看以深度學習和機器學習為核心的Siraj Rawal的精彩頻道。

我讀了一篇發表在Hacker Noon上的精彩文章，內容是關于硅谷的展示者如何打造Not Hotdog的應用程序。這是我們能做的、且最容易理解的深度學習的例子之一。

我開始閱讀特斯拉的人工智能主管Andrej Karpathy的博客。雖然說我很難理解其中的內容，讓我很頭疼。但我發現，在嘗試了更多的時間之后，我開始理解其中的一些概念了。

帶著一些勇氣，我開始逐字地（復制和粘貼）來執行一些深度學習教程，并試圖訓練模型，并在我的本地機器上運行代碼。大多數情況下，結果都不容樂觀，因為大多數模型需要的訓練時間很長，而且我也沒有 GPU。

逐漸地，我從Java切換到了Python，并在我的Windows機器上安裝了Tensorflow。

整個過程，我都是在被動地消化內容，并在腦海里建立了一些相關的認知，當以后遇到真正的問題時，就可以使用這些知識了。

正如Steve Jobs在斯坦福大學演講時所說的，你在向未來展望的時候不可能將這些片斷串連起來，你只能在回顧的時候串起它們。

做一個聊天機器人

作為電影《Her》的忠實粉絲，我也想要打造一個聊天機器人。我接受了這個挑戰，然后用Tensorflow在不到兩小時內完成了這項舉動。并在幾天前的一篇文章中概述了我是怎么完成的以及它的商業需求。

幸運的是，這篇文章廣受好評，在網上瘋傳（傳送門，36氪編譯文章）。這對我個人而言，這是一個非常好的現象，畢竟我才剛開始寫技術博客。我認為這篇文章是我人工智能學習之旅的一個里程碑。

它讓我在Twitter和LinkedIn上結交了很多朋友，我可以和他們深入地討論人工智能開發，發現自己的不足，甚至在我遇到問題時，他們也能夠伸出援手。我也收到了一些咨詢項目的offer。最重要的是，年輕的開發者和人工智能初學者開始問我，我是如何開始學習人工智能的。

這就是我寫這篇文章的原因。幫助更多的人從我的學習過程中獲得靈感，開始他們自己的學習過程。

萬事開頭難，入門是任何過程中最具挑戰性的部分。

結語

這絕對不是一個容易的事情。當我開始被Java卡住的時候，我幾乎在一夜之間就開始用上了Python，并學會了如何用其編寫代碼。當我的模型無法在我的i7機器上進行訓練時，我開始變得煩躁，甚至在經過數小時的訓練后，它們也會返回一個很顯然是錯誤的結果，即球隊贏得板球比賽的概率是50/50。學習人工智能不像學習一個Web框架。

這是一項技能，你需要了解計算的微觀層面上發生了什么，并找出對輸出結果產生極大影響的部分——代碼或數據。

同樣，人工智能也不僅僅是一個學科。它是一個“從簡單的回歸問題到總有一天會殺了我們的致命機器人”的統稱。就像你所從事的其他學科一樣，你可能會想要在人工智能領域挑選出你想要擅長的東西，比如計算機視覺或自然語言處理等等。

在與人工智能、金融科技和加密技術領域的領導者Gaurav Sharma的對話中，他向我表示：

在人工智能時代，“聰明”（being smart）將意味著完全不同的東西。我們需要人們去執行更高層次的、批判性的、創造性的，或其他需要更多情感投入的工作。

想要開始這段學習過程，你必須讓自己沉迷于計算機如何突然學會用它們的方式來做事情。耐心和好奇心是你應該堅持的兩個關鍵原則。

這是一次重大的旅行。非常累人，也非常煩人，而且特別耗費時間。但值得慶幸的是，它和世界上其他的旅行一樣，也需要從一個簡單的步伐開始。