吴恩达：如何在人工智能领域建立你的职业生涯

核心观点

AI正在像电力一样重塑我们的日常生活。想要在这个领域站稳脚跟，需要依次走过学习基础技能、参与实际项目和求职这三个关键步骤——它们环环相扣，贯穿始终的是持续学习的决心。与此同时，建立一个互帮互助的社区、克服自我怀疑（也就是冒名顶替综合症），以及充分利用好每一天来精进自己，同样不可或缺。

一、职业发展的三个步骤

（一）学习基础技能

这是职业生涯的起点，也是地基。AI技术日新月异，基础技能的迭代学习因此变得格外重要。

• 基础机器学习技能
  ：需要理解线性回归、逻辑回归、神经网络、决策树、聚类、异常检测等模型，并掌握偏差/方差、成本函数、正则化、优化算法和误差分析等核心概念。

• 深度学习
  ：了解神经网络的基本原理，掌握超参数调整等实践技能，熟悉卷积网络、序列模型和变压器等架构。考虑到深度学习在AI中的核心地位，这部分知识是绕不开的。

• 数学基础
  ：包括线性代数（向量与矩阵操作）、概率与统计（离散/连续概率、贝叶斯规则、假设检验）、探索性数据分析（EDA）以及对微积分的基本直觉。有趣的是，随着自动微分等工具的成熟，部分任务对微积分的依赖正在降低。

• 软件开发技能
  ：掌握编程基础、数据结构（特别是数据框）、算法（尤其是数据操作相关算法）、软件设计，以及Python和TensorFlow、PyTorch、scikit-learn等关键库。这些技能不仅能让你更胜任工作，也是构建复杂AI系统的基础。

（二）参与项目

项目是深化技能、积累作品集、创造影响力的实战环节。这其中最典型的挑战，就是与不懂AI的领域专家协作。

• 第一步，确定业务问题
  ：别只盯着AI技术。先和领域专家聊透，搞清楚他们最希望改善什么、为什么。比如在气候变化领域，你可能发现电网运营商最大的痛点，是无法准确预测风能和太阳能的发电量。

• 第二步，头脑风暴AI解决方案
  ：问题明确后，再高效构思可能的方案。比如针对上述预测难题，可以尝试用卫星图像分析风力涡轮机的位置和高度，或者利用天气数据优化云量和辐照度的预测。

• 第三步，评估可行性
  ：从技术角度看，可以通过研究文献、分析竞品或快速搭建概念验证来判断；从实际价值角度看，直接咨询电网运营商这类专家，往往能获得最直接的反馈。

• 第四步，确定里程碑
  ：目标指标应包括技术指标（如模型准确率）和业务指标（如收入）。团队需要敢于走出舒适区，定义出与用户参与度或营收挂钩的里程碑。如果这一步卡住了，通常意味着你对问题的理解还不够深入。

• 第五步，资源预算规划
  ：列清项目所需的所有资源——数据、人力、时间，以及跨团队支持。比如购买卫星图像的费用，就需要提前纳入预算。记住，项目是迭代的过程，如果发现当前方向走不通，及时返回上一步重新规划。

（三）求职

求职过程包括选择目标公司、准备面试、匹配岗位和薪资谈判等环节。与大多行业类似，但AI领域有个特殊之处：很多公司自己也不太清楚需要什么样的人，求职者有时还得向雇主解释清楚自己的工作内容。

• 角色转换
  ：比如从软件工程师转型为机器学习工程师，从产品经理转型为数据科学家。重点在于评估新角色要求与自身能力的匹配度。

• 行业转换
  ：比如从医疗行业跳到金融或科技行业。不同行业的业务逻辑差异，会对工作产生不小的影响。

• 同时转换角色和行业
  ：这是难度最大的选择。建议先在熟悉的领域积累AI经验，再逐步过渡。比如，一位金融分析师可以先在金融行业内部寻找AI相关工作，用既有领域知识做跳板，等积累起AI实战经验后，再考虑进入科技公司。

（四）建立支持性社区的重要性

无论处在哪个阶段，身边有一群能提供帮助的朋友和盟友都至关重要。他们可以在你学习、做项目和求职时给予支持。与此同时，你也应该在别人需要时伸出援手——这种互助关系是职业发展的翻跟斗。

二、学习与发展相关要点

（一）数学学习

理解算法背后的数学原理有助于调试，但技术成熟度不同，对数学深度的要求也会变化。比如，早期的线性回归需要深入理解线性代数库，而现在这些库已经高度成熟，对数学深度的要求就降低了。反观深度学习，仍处于快速发展阶段，训练神经网络时理解梯度下降、动量和Adam优化算法等数学知识，能帮你做出更优的决策。

当然，也鼓励纯粹出于好奇心去探索数学知识。即便一时看不出实际用途，它也可能在未来激发技术创新。

（二）习惯养成

借鉴BJ Fogg的《微小习惯》理念，培养学习习惯可以从极小的行动开始。比如每天只看10秒钟的教育视频，渐渐地，你就能养成每日学习的习惯。短期内可能感觉不到太大变化，但习惯一旦养成，学习时长会自然增加。

机器学习领域变化太快，靠短期突击根本不够。优秀的从业者无一例外都是终身学习者，持续精进技术知识。

三、项目相关要点

（一）项目选择与执行

• 助力技术成长
  ：选择有挑战性、但又在能力范围内的项目。太容易没有成长，太难容易失败。通过项目逐步提升掌控技术复杂性的能力。

• 良好的团队协作
  ：优先选择与优秀队友合作，或至少能有机会与他人交流讨论的项目。从周围人身上学习，良好的合作关系对个人成长的影响可能超乎你的想象。

• 成为职业发展的垫脚石
  ：一个成功的项目，应该在技术复杂性和业务影响两个方面，为后续更大的项目奠定基础。比如，项目规模超过你以往的经历，就可能成为职业生涯的重要转折点。

• “准备、瞄准、射击”
  ：适用于执行成本高、但研究能明确项目价值的情况。比如，通过评估多个用例确定最有前景的方向后，值得在投入前多花时间规划和验证。

• “准备、射击、瞄准”
  ：适用于执行成本低、能通过实践快速试错并调整方向的情况。比如快速搭建一个原型测试用户需求。在成本允许的情况下，可以多次尝试不同方向，快速迭代优化。构建机器学习模型时，由于训练和误差分析的成本通常不高，且很难预先确定最佳模型、数据和超参数，这种迭代式开发往往更有效。当然，如果涉及重大投资或决策不可逆，还是应该事先充分研究，确保方向正确。

（二）项目组合构建

• 课程项目
  ：早期多为范围较窄、有标准答案的练习，比如训练一个模拟sin(x)函数的神经网络。看似实用性有限，但能有效积累经验和基础技能。

• 个人项目
  ：可以自己或和朋友一起做小项目——重新实现某个已知算法、用机器学习分析自己爱好的运动队胜负、或者写个脚本帮同事自动处理一些工作。Kaggle竞赛也是不错的选择。

• 创造价值阶段
  ：技能提升后，就可以开展能给他人带来实际价值的项目。这往往标志着你的机器学习工作从个人兴趣正式转变为职业工作的一部分，随之而来的是更多资源——设备、计算时间、标注预算或人力支持。

• 范围和复杂性提升阶段
  ：成功的项目之间有相互促进的效应。一个项目带来了技术成长和资源，又为下一个更大的项目创造了机会，形成良性循环。

项目过程中，沟通能力至关重要。启动项目时，要说服别人支持你；项目结束后，要向别人展示成果，为争取更大的项目机会铺路。AI大项目中，即使没有正式的领导职位，具备领导能力（比如用深度技术见解指导项目方向，决定何时投入新技术架构或收集特定数据）也能显著提升你的个人影响力和项目效果。

四、求职技巧与职业发展关键要素

（一）求职技巧

准备转换角色或行业时，信息面试是极高的策略。通过和目标公司或岗位的人进行非正式沟通，了解工作的真实内容、所需技能等关键信息，能帮你做出更明智的职业决策。具体做法是：提前研究受访者和公司，准备有针对性的问题（如日常工作内容、重要任务、所需技能、团队协作方式、招聘流程等）；通过拓展人脉——联系已转型的朋友、校友，参加Pie & AI等聚会——寻找访谈对象；保持礼貌和专业，访谈后表达感谢，并约定将来有机会也去帮助其他人。

• 注重基础
  ：精心准备有吸引力的简历、展示技术项目的作品集，并打磨面试表现。根据目标岗位定制简历和沟通内容，面试前向招聘人员了解期望，复习常见问题、核心技能和技术材料，面试后做好记录。

• 尊重负责地行事
  ：以双赢心态对待面试和薪资谈判，避免被个别不良案例影响而采取对抗态度。离职时也应优雅得体，提前通知、工作到最后、尽力交接——这是职业素养的体现。

• 选择合适的工作伙伴
  ：同事对你的职业发展影响巨大。优先选择与积极、勤奋、致力于用AI造福人类的人共事。如果公司在发offer前不透露队友信息，一定要尽力争取了解潜在队友的情况，降低团队不匹配带来的风险。

• 借助社区力量
  ：求职经验有限时，积极向社区——朋友、同事、导师——寻求建议、内部消息和推荐。社区的集体经验能提供强大的支持。

（二）职业发展关键要素

• 团队合作
  ：大型项目中团队协作是核心。良好的人际交往和沟通能力，有助于你与他人有效合作、相互影响，共同推动项目成功。

• 人脉网络与社区建设
  ：虽然很多人不喜欢传统社交活动，但在AI领域拥有强大人脉网络的价值毋庸置疑。建议将重点放在“建设社区”上——通过社区结识更多人、交到朋友。这样一来，当你需要帮助或建议时，就有一个可靠的支持网络。

• 个人自律
  ：养成良好的生活和工作习惯——饮食、锻炼、睡眠、人际关系、工作、学习和自我护理。这些看起来不起眼的日常行为，长期积累下来的差异会非常显著。

• 利他主义
  ：在职业发展过程中主动帮助他人，往往会为自己带来更好的结果。鼓励和提携后来者，不仅对他人有益，也能帮助他人认可你的专业能力，进而促进你自身的发展，并在AI社区中建立更强的归属感。

（三）克服冒名顶替综合症

这其实是很普遍的现象。大约70%的人在某个阶段都会经历这种感觉——包括很多杰出人士，比如Sheryl Sandberg、Michelle Obama、Tom Hanks和Mike Cannon-Brookes。在AI社区中也不例外。

• 寻求支持性社区
  ：如果你感到导师或经理不支持你的成长，不妨主动寻找支持性的社区——比如参加Pie & AI等活动，通过讨论板获取支持，和大家一起成长。

• 认识自身优势并帮助他人
  ：每个人都有自己的擅长领域。即使在学习AI的过程中遇到挑战，也要认可自己的进步——比如从只能理解少量专业文章，到逐渐理解更多内容。同时，积极鼓励和帮助他人，这能显著增强自信，有效消除自我怀疑，确认自己确实属于AI社区。

（四）珍惜时间，充分利用每一天

人们常常高估自己的寿命。实际上，生命的天数是有限的。假如预期寿命约为27,649天，你会意识到每一天都非常珍贵。值得思考的是：你正在做的事情，是否值得用生命中的一天去交换？

既然生命有限，就应当把时间用在有意义的事情上——和家人朋友相处、学习新知、为未来建设、或帮助他人。充分利用每一天来提升自己，积极面对职业生涯和生活。