不知不覺，來小視已經4年了，當初加入小視，單純是因爲喜歡小視做的這個事情，喜歡計算機視覺。在小視的這4年裏，經歷了很多，學到了很多，做了很多自己想做的事情，基本實現了自己當初的夢想，也爲小視做出了一些自認爲還不錯的貢獻。這4年來覺得很充實很開心。
但是從今年開始有一種危機感，因爲我漸漸發現基於深度學習的計算機視覺發展好像遇到了很大瓶頸，算法性能很難有大的突破，很難有像3,4年前的ResNet,SSD,FasterRCNN等算法帶來的突破,大家似乎都陷入了所謂的“煉丹”，而且更爲重要的是，從我經歷的一些項目來看，目前很多算法的性能離客戶需求還很遠很遠，有的甚至根本就達不到，不能產生實際價值的技術終將被淘汰，那我現在掌握的很多算法是不是就沒用了，我是不是就要失業了呢？但是在我深入參與一些項目，瞭解一些項目之後發現，情況好像並不是這樣的。我以前也認爲，算法就應該能夠很完美的解決問題，比如跟蹤算法，就不應該跟錯，軌跡也不能斷，目標檢測算法的誤檢就應該是0，召回率無限逼近100%，我甚至認爲人工智能的發展方向一定就是強人工智能。但是我現在的觀點發生了很大變化。
首先我想表達的一個觀點是，現階段的人工智能還處於非常初級的階段，適用的領域也非常有限，只能用於具有以下特點的任務：
1. 非關鍵性的任務
2. 簡單重複低級的任務
人臉識別大家應該很熟悉了，人臉識別是CV最成熟的一個領域了，但是現階段的人臉識別還不能應用在關鍵任務中，雖然現在也有刷臉支付，但是基本都是小額支付，大額支付我想應該沒有哪個廠家敢用。還有自動駕駛領域，目前也不能完全依靠深度學習。目前的AI技術只能做一些簡單重複低級的工作，稍微高級一點的的工作目前還做不了，比如教師，程序員等。前段時間我全程參與的一個和公安合作的項目，項目需求其實很簡單，就是判斷圖像中有沒有穿特定製服的行人，並判斷他到崗和離崗的時間，用於事後追查，我們使用的技術也很簡單，其實就是行人檢測+跟蹤+行人屬性識別。最後效果還不錯，也中標了，這個任務就具備了上述特點，該任務不是關鍵性的任務，項目精度並不需要很高，只要能夠大致判斷到崗和離崗時間就可以了，同時該任務簡單重複性高，如果人去做，會非常枯燥。
今年我也參加了一些項目，期間有個最大的體會就是，現階段的人工智能是：
人的經驗+弱人工智能算法。 其中人的經驗就是：
1. 結合算法和場景的特點設計業務邏輯
2. 針對特定場景優化算法。 比如我之前寫的一篇博客 海思AI芯片 HI3516DV300上SSD代碼的優化，就是爲了解決一些場景算法速度慢的問題
我們必須承認 算法是不完美的，人的經驗的優勢在於規避算法的弱點發揮算法的優點，而機器的優勢在於機器強大的算力，機器很擅長做重複性的工作，而且不像人一樣容易受到情緒影響。所以一定要結合兩者的優勢。
以後算法工程師的核心能力：
1. 深入理解算法原理
2. 深入理解業務場景
兩者缺一不可。
最後，人的智能不應該是機器追求的目的，人工智能的目的不是代替人類，而是輔助人類，將人從簡單重複低級的工作中釋放出來，去做更加高級的工作。
零零碎碎說了一些對目前人工智能的思考，歡迎大家一起討論。