公元七世紀(jì)，在車遲國國家氣象局組織的一次求雨活動(dòng)中，虎力、鹿力、羊力三位大仙成功地祈下甘霖，于水火中救了黎民。老國王雖然不明就里，卻從此尊他們?yōu)閲鴰煟畹澜虨楣玺?/p>

本世紀(jì)，算法工程師們的境遇也差不多：早些年，信奉糙快猛主義的大佬們覺得他們飽食終日、無所用心，沒工作只好在學(xué)校混博士，靠數(shù)據(jù)上的障眼法裝神弄鬼。可是，隨著去年AlphaGo大破李世石，大佬們在心底喊出“我操”的同時(shí)，慌不擇路地把各種搞劫持、送外賣的生意包裝成人工智能，并紛紛請來幾位懂算法的國師加持。雖然他們對(duì)國師們所做的事智商上并不理解，卻虔誠地希望他們快點(diǎn)兒求下雨來。

于是，算法工程師的身價(jià)也水漲船高了。各門派工程師不論過去練的是java、php還是excel，都放棄了最好語言的爭論，抄起了深度學(xué)習(xí)，發(fā)誓重新修煉成算法工程師。前些天，還有人在知乎上問我：20萬、50萬、100萬的算法工程師，到底有什么區(qū)別？

這樣充滿銅臭味兒的問題，讓我十分欣慰。雖說在北京，20萬已經(jīng)基本不可能招到靠譜兒的算法工程師了，還是姑且用上面的數(shù)字做個(gè)參照，談?wù)勊惴üこ處煹娜齻€(gè)層次吧。（這里說的算法，并不是計(jì)算機(jī)系本科課程《算法與數(shù)據(jù)結(jié)構(gòu)》里那個(gè)算法。那門課里講的，是排序、查找這類"確定性算法"；而這里我們說的，是用統(tǒng)計(jì)方法對(duì)數(shù)據(jù)進(jìn)行建模的"概率性算法"。）下文中會(huì)提到一些算法和模型，但不過是為了舉例說明概念，無需深究，有興趣鉆研的朋友可以自己查閱資料。

第一層次"Operating"：會(huì)使用工具

這個(gè)層次的工程師，對(duì)常用的模型比較熟悉，來了數(shù)據(jù)以后，好歹能挑個(gè)合適的跑一下。

達(dá)到這個(gè)層次，其實(shí)門檻不高。早些年，您只要掌握了什么叫LDA、哪叫SVM，再玩過幾次libnear、mahout等開源工具，就可以拿到數(shù)據(jù)后跑個(gè)結(jié)果出來。到了深度學(xué)習(xí)時(shí)代，這件事兒似乎就更簡單了：管它什么問題，不都是拿神經(jīng)網(wǎng)絡(luò)往上堆嘛！最近，經(jīng)常會(huì)遇到一些工程師，成功地跑通了Tensorflow的demo后，興高采烈地歡呼：我學(xué)會(huì)深度學(xué)習(xí)了，我明天就統(tǒng)治人類了！

這事要真這么簡單，我是茄子。任憑你十八般開源工具用的再熟，也不可能搞出個(gè)戰(zhàn)勝柯潔的機(jī)器人來。這里要給大家狠狠澆上一盆冷水：進(jìn)入這個(gè)領(lǐng)域的人，都要先了解一個(gè)“沒有免費(fèi)的午餐定理”，這個(gè)定理的數(shù)學(xué)表達(dá)過于晦澀，我們把它翻譯成并不太準(zhǔn)確的文藝語言：

如果有兩個(gè)模型搞一次多回合的比武，每個(gè)回合用的數(shù)據(jù)集不同，而且數(shù)據(jù)集沒什么偏向性，那么最后的結(jié)果，十有八九是雙方打平。

管你是普通模型、文藝模型還是2B模型，誰也別瞧不起誰。考慮一種極端情況：有一個(gè)參賽模型是“隨機(jī)猜測”，也就是無根據(jù)地胡亂給個(gè)答案，結(jié)果如何呢？對(duì)，還是打平！所以，請?jiān)僖膊灰獑枴熬垲愑檬裁此惴ㄐЧ谩边@樣的傻問題了。

這就很尷尬了！因?yàn)檎莆樟艘欢涯Ｐ筒⑶視?huì)跑，其實(shí)并沒有什么卵用。當(dāng)然，實(shí)際問題的數(shù)據(jù)分布，總是有一定特點(diǎn)的，比方說人臉識(shí)別，圖中間怎么說都得有個(gè)大圓餅。因此，問“人臉識(shí)別用什么模型好”這樣的問題，就有意義了。而算法工程師的真正價(jià)值，就是洞察問題的數(shù)據(jù)先驗(yàn)特點(diǎn)，把他們表達(dá)在模型中，而這個(gè)，就需要下一個(gè)層次的能力了。

會(huì)使用工具，在算法工程師中僅僅是入門水平，靠這兩把刷子解決問題，就好比殺過兩只雞就想做腹腔手術(shù)一樣，不靠譜兒程度相當(dāng)高。如果不是在薪酬膨脹嚴(yán)重的互聯(lián)網(wǎng)界，我覺得20萬是個(gè)比較合理的價(jià)格。

第二層次"Optimization"：能改造模型

這個(gè)層次的工程師，能夠根據(jù)具體問題的數(shù)據(jù)特點(diǎn)對(duì)模型進(jìn)行改造，并采用相應(yīng)合適的最優(yōu)化算法，以追求最好的效果。

不論前人的模型怎么美妙，都是基于當(dāng)時(shí)觀察到的數(shù)據(jù)先驗(yàn)特點(diǎn)設(shè)計(jì)的。比如說LDA，就是在語料質(zhì)量不高的情況下，在PLSA基礎(chǔ)上引入貝葉斯估計(jì)，以獲得更加穩(wěn)健的主題。雖說用LDA不會(huì)大錯(cuò)，但是要在你的具體問題上跑出最好的效果，根據(jù)數(shù)據(jù)特點(diǎn)做模型上的精準(zhǔn)改造，是不可避免的。

互聯(lián)網(wǎng)數(shù)據(jù)這一現(xiàn)象更加明顯，因?yàn)闆]有哪兩家公司擁有的數(shù)據(jù)是相似的。百度的點(diǎn)擊率模型，有數(shù)十億的特征，大規(guī)模的定制計(jì)算集群，獨(dú)特的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，你能抄么？抄過來也沒用。用教科書上的模型不變應(yīng)萬變，結(jié)果只能是刻舟求劍。

改造模型的能力，就不是用幾個(gè)開源工具那么簡單了，這需要有兩方面的素養(yǎng)：

一、深入了解機(jī)器學(xué)習(xí)的原理和組件。機(jī)器學(xué)習(xí)領(lǐng)域，有很多看似不那么直接有用的基礎(chǔ)原理和組件。比方說，正則化怎么做？什么時(shí)候應(yīng)該選擇什么樣的基本分布？(如下表) 貝葉斯先驗(yàn)該怎么設(shè)？兩個(gè)概率分布的距離怎么算？當(dāng)你看到前輩高人把這些材料烹調(diào)在一起，變成LDA、CNN這些成品菜肴端上來的時(shí)候，也要想想如果自己下廚，是否了解食材，會(huì)不會(huì)選擇和搭配。僅僅會(huì)吃幾個(gè)菜，說出什么味道，離好廚師差的還遠(yuǎn)著呢。

二、熟練掌握最優(yōu)化方法。機(jī)器學(xué)習(xí)從業(yè)者不懂最優(yōu)化，相當(dāng)于武術(shù)家只會(huì)耍套路。這就跟雷公太極和閆芳大師一樣，實(shí)戰(zhàn)起來一定是鼻青臉腫。管你設(shè)計(jì)了一個(gè)多牛逼的模型，如果無法在有限的計(jì)算資源下找出最優(yōu)解，那么不過是個(gè)花瓶罷了。

最優(yōu)化，是機(jī)器學(xué)習(xí)最、最、最重要的基礎(chǔ)。你要知道，在目標(biāo)函數(shù)及其導(dǎo)數(shù)的各種情形下，應(yīng)該如何選擇優(yōu)化方法；各種方法的時(shí)間空間復(fù)雜度、收斂性如何；還要知道怎樣構(gòu)造目標(biāo)函數(shù)，才便于用凸優(yōu)化或其他框架來求解。而這些方面的訓(xùn)練，要比機(jī)器學(xué)習(xí)的模型還要扎實(shí)才行。

拿大家以為"以不變應(yīng)萬變"的深度學(xué)習(xí)舉個(gè)例子。用神經(jīng)網(wǎng)絡(luò)處理語音識(shí)別、自然語言處理這種時(shí)間序列數(shù)據(jù)的建模，RNN（見上圖）是個(gè)自然的選擇。不過在實(shí)踐中，大家發(fā)現(xiàn)由于“梯度消失”現(xiàn)象的存在，RNN很難對(duì)長程的上下文依賴建模。而在自然語言中，例如決定下面的be動(dòng)詞是“is”還是“are”這樣的問題，有可能往前翻好多詞才能找到起決定作用的主語。怎么辦呢？天才的J. Schmidhuber設(shè)計(jì)了帶有門結(jié)構(gòu)的LSTM模型（見下圖），讓數(shù)據(jù)自行決定哪些信息要保留，那些要忘掉。如此以來，自然語言的建模效果，就大大提高了。大家初看下面兩張RNN與LSTM的結(jié)構(gòu)對(duì)比，面對(duì)憑空多出來的幾個(gè)門結(jié)構(gòu)可能一頭霧水，唯有洞徹其中的方法論，并且有扎實(shí)的機(jī)器學(xué)習(xí)和最優(yōu)化基礎(chǔ)，才能逐漸理解和學(xué)習(xí)這種思路。

當(dāng)然，LSTM這個(gè)模型是神來之筆，我等對(duì)此可望不可及。不過，在這個(gè)例子里展現(xiàn)出來的關(guān)鍵能力：根據(jù)問題特點(diǎn)調(diào)整模型，并解決優(yōu)化上的障礙，是一名合格的算法工程師應(yīng)該追求的能力。年薪50萬能找到這樣的人，是物有所值的。

第三層次"Objective"：擅定義問題

這個(gè)層次的工程師（哦，似乎叫工程師不太合適了），扔給他一個(gè)新的實(shí)際問題，可以給出量化的目標(biāo)函數(shù)。

當(dāng)年，福特公司請人檢修電機(jī)，斯坦門茨在電機(jī)外殼畫了一條線，讓工作人員在此處打開電機(jī)迅速排除了故障。結(jié)賬時(shí)，斯坦門茨要1萬美元，還開了個(gè)清單：畫一條線，1美元；知道在哪兒畫線，9999美元。

同樣的道理，在算法領(lǐng)域，最難的也是知道在哪里畫線，這就是對(duì)一個(gè)新問題構(gòu)建目標(biāo)函數(shù)的過程。而有明確的量化目標(biāo)函數(shù)，正是科學(xué)方法區(qū)別于玄學(xué)方法、神學(xué)方法的重要標(biāo)志。

目標(biāo)函數(shù)，有時(shí)能用一個(gè)解析形式（Analytical form）寫出來，有時(shí)則不能。比方說網(wǎng)頁搜索這個(gè)問題，有兩種目標(biāo)函數(shù)：一種是nDCG，這是一個(gè)在標(biāo)注好的數(shù)據(jù)集上可以明確計(jì)算出來的指標(biāo)；另一種則是人工看badcase的比例，顯然這個(gè)沒法用公式計(jì)算，但是其結(jié)果也是定量的，也可以作為目標(biāo)函數(shù)。

定義目標(biāo)函數(shù)，初聽起來并沒有那么困難，不就是制定個(gè)KPI么？其實(shí)不然，要做好這件事，在意識(shí)和技術(shù)上都有很高的門檻。

一、要建立“萬般皆下品、唯有目標(biāo)高”的意識(shí)。一個(gè)團(tuán)隊(duì)也好、一個(gè)項(xiàng)目也好，只要確立了正確的、可衡量的目標(biāo)，那么達(dá)到這個(gè)目標(biāo)就只是時(shí)間和成本的問題。假設(shè)nDCG是搜索的正確目標(biāo)函數(shù)，那么微軟也好、Yahoo!也好，遲早也能追上Google，遺憾的是，nDCG這個(gè)目標(biāo)是有點(diǎn)兒問題的，所以后來這兩家被越拉越遠(yuǎn)。

所謂“本立而道生”：一個(gè)項(xiàng)目開始時(shí)，總是應(yīng)該先做兩件事：一是討論定義清楚量化的目標(biāo)函數(shù)；二是搭建一個(gè)能夠?qū)δ繕?biāo)函數(shù)做線上A/B測試的實(shí)驗(yàn)框架。而收集什么數(shù)據(jù)、采用什么模型，倒都在其次了。

二、能夠構(gòu)造準(zhǔn)確(信)、可解(達(dá))、優(yōu)雅(雅)的目標(biāo)函數(shù)。目標(biāo)函數(shù)要盡可能反應(yīng)實(shí)際業(yè)務(wù)目標(biāo)，同時(shí)又有可行的優(yōu)化方法。一般來說，優(yōu)化目標(biāo)與評(píng)測目標(biāo)是有所不同的。比如說在語音識(shí)別中，評(píng)測目標(biāo)是“詞錯(cuò)誤率”，但這個(gè)不可導(dǎo)所以沒法直接優(yōu)化；因此，我們還要找一個(gè)“代理目標(biāo)”，比如似然值或者后驗(yàn)概率，用于求解模型參數(shù)。評(píng)測目標(biāo)的定義往往比較直覺，但是要把它轉(zhuǎn)化成一個(gè)高度相關(guān)，又便于求解的優(yōu)化目標(biāo)，是需要相當(dāng)?shù)慕?jīng)驗(yàn)與功力的。在語音建模里，即便是計(jì)算似然值，也需要涉及Baum-Welch等比較復(fù)雜的算法，要定義清楚不是簡單的事兒。

優(yōu)雅，是個(gè)更高層次的要求；可是在遇到重大問題時(shí)，優(yōu)雅卻往往是不二法門。因?yàn)椋挥衅恋目蚣懿鸥咏鼏栴}的本質(zhì)。關(guān)于這點(diǎn)，必須要提一下近年來最讓人醍醐灌頂?shù)拇笞鳌蓪?duì)抗網(wǎng)絡(luò)（GAN）。

GAN要解決的，是讓機(jī)器根據(jù)數(shù)據(jù)學(xué)會(huì)畫畫、寫文章等創(chuàng)作性問題。機(jī)器畫畫的目標(biāo)函數(shù)怎么定？聽起來是一頭霧水。我們早年做類似的語音合成問題時(shí)，也沒什么好辦法，只能找人一句句聽來打分。令人拍案叫絕的是，Ian GoodFellow在定義這個(gè)問題時(shí)，采取了下圖的巧妙框架：

這樣一個(gè)目標(biāo)，優(yōu)雅得象個(gè)哲學(xué)問題，卻又實(shí)實(shí)在在可以追尋。當(dāng)我看到這個(gè)式子時(shí)，頓時(shí)覺得教會(huì)機(jī)器畫畫是個(gè)不太遠(yuǎn)的時(shí)間問題了。如果你也能對(duì)這樣的問題描述感到心曠神怡，就能體會(huì)為什么這才是最難的一步。

一個(gè)團(tuán)隊(duì)的定海神針，就是能把問題轉(zhuǎn)化成目標(biāo)函數(shù)的那個(gè)人——哪怕他連開源工具都不會(huì)用。100萬找到這樣的人，可真是撿了個(gè)大便宜。

在機(jī)器學(xué)習(xí)領(lǐng)域，算法工程師腳下的進(jìn)階之路是清晰的：當(dāng)你掌握了工具、會(huì)改造模型，進(jìn)而可以駕馭新問題的建模，就能成長為最優(yōu)秀的人才。沿著這條路踏踏實(shí)實(shí)走下去，100萬并不是什么問題。什么？您說還有300萬的呢？這個(gè)不用眼熱，人家只不過把你寫代碼的時(shí)間都用來跳槽了而已。