Writing Sessions是知识共享网站Quora推出的一个与专家交流互动的新板块，在这里你可以看到各个行业领域的专家、学者、名人等对引人注目的问题的独特见解。最近推出的系列围绕如今最热门的技术之一——机器学习所展开，本次机器之心推送是百度首席科学家、Coursera主席、创始人之一、斯坦福大学教师Andrew Ng在Quora上的第二次回答，共有四个问题。回顾Andrew Ng的第一次回答请点击《业界 | Andrew Ng 在「Quora 机器学习 Sessions」上回答了这五个问题》。
你对学生们有何建议？
当面临该如何支配时间这个问题时，我建议你考虑以下两个方面：
你正在做的事情是否能够改变世界
你能够从中学到多少
即便是今天，这两个标准也是决定我如何分配时间的标准。
我们现今的社会能够给你非常多的机会让你你去改变这个世界。在数字技术和先进通信技术的帮助下，灵感和产品以前所未有的速度进行传播。拥有一个不错的想法以及强大的执行力，任何人都可以很快的帮助到地球上的很多人。
所以，问问自己：如果你正在做的事情是为了极力追求那些能够超越你狂热梦想的成功，那么你也没有zai很大程度上帮助到其他人？如果不能，那么应该保持探索的心去寻找一些其他的事情来做。而如果恰恰答案是肯定的，那么你就要全力以赴发挥自己最大的潜能去追求。
第二点，特别是当你还年轻的时候，不要去试图预估投资在你自己未来教育中的价值。
我定义的「年轻」是任何在100岁以下的人。
任何你所学习的东西都能够在数十年后给予你回报。但这并不容易。一旦你离开了学校，投资于学习的时间在短时间内几乎很难看到明显回报。没有老师会站在你身后给你一个分数评语或者督促你继续用功。但是如果你肯自我激励或者保持阅读的习惯，继续跟自己的想法较劲，和能够让你获益的人保持沟通，那么在数年之后你可能会成为在特定个人领域学习之中的佼佼者。
拿我自己来说，我喜欢阅读。我的kindle上有超过1000本的书籍，并且我每天晚上、每个周末都会花费很多时间进行阅读。我的阅读范围包括了学术研究论文、商业策略、创新过程、产品、我欣赏的人物的自传，等等。有时我还会参加MOOC课程学习，同时我也非常喜欢与那些能够教会我新知识的人交谈，无论新知还是故交。
学习的过程也会帮助你决定真正该从事什么，当你看到了足够多的关于别人如何改变世界的实例，你也会得到更多灵感来启发自己如何去改变世界。
做一个简单总结：即使并不容易，但还是应该坚持在学习中探索，同时积极寻找一种能帮助整个人类的事业，并投身其中。
是什么促使你追求人工智能？
我希望我们可以使用人工智能建设一个更好的社会。
就如工业革命将人类从大量的体力苦工中解放出来（想想你的生活得是个什么样子，如果你的衣服都需要你自己缝？）在未来，人工智能将会将人类从脑力苦工中解放出来。比如说，有了自动驾驶汽车，就意味着我们不再需要浪费一生中的三年时间在开车上。这将带给我们更多的时间，用以陪伴所爱之人，以及追求更有价值的目标。
我从16岁时就开始做神经网络（现在被称作「深度学习」）。当时我在新加坡国立大学实习。拿今天的标准来看，我们当时做的非常微不足道，但是当时我想几行代码就可以让一个电脑来学习，这件事实在太神奇了！
学霸小爆料：由于当年我们的电脑用emacs太慢，我学会了用vi，并且一直对其有所偏爱使用至今。（译者注：emacs是一种很古老的文本编辑器。在Unix文化里，Emacs是黑客们关于编辑器之战的两大主角之一，它的对手是vi、Vim。）
那段时间，我还做了另外一个实习——办公室助理，并且做了一大堆复印工作。（技术上来说，我是办公室助理的助理。）正是在那时，我意识到更聪明的机器可以帮人类做很多事情，这样人类就可以去做更多在智力上有挑战的事情。
在接下来的十年里，人工智能将改变社会。它将把我们所做的事情转变为我们让电脑为我们做的事情。也许在接下来的数十年里，将有人在Quora提出这样的问题：「如果你不得不自己驾驶汽车，你的生活会是什么样子？」
你更希望在产业中工作还是在斯坦福从事学术研究？
当人们向我咨询自己该去产业界还是学术界时，我通常建议他们应该先认清自己想做什么。 比如，自己身上的使命是什么？你想为改变世界做些什么？当你对以上问题有了答案时，就自然而然明白自己的心之所向了。
在产业界工作有这些东西是吸引我的：
为大型项目提供核心资源。人工智能研究是一个对于数据密度、计算资源要求极高的领域。这些资源在企业里相对容易得到。
团队意识很强。在团队工作中，如果不必担心诸如作者排名或者博士论文发表数的问题，你会更容易拥有一种团队意识，也更愿意看到一个集体的成功。
快速决断力（依公司而定) 。我喜欢在一个高强度的工作环境中工作，迅速根据需要提供解决方案，无论是搭建一个计算集群还是大量数据的采购。
通过新产品的发布和产业服务更直观地去帮助大量的人。
当然，学术环境也有它自身的优势：
可以探讨任何类型的问题。比如，我之前在斯坦福做过一些教育视频的工作。一开始并没有人认为这是「正经」的斯坦福的工作，但后来它发展成了Coursera （让Stanford也有受益）。在这里，当我和我的学生想要搭建一个开源的机器人平台时，我们就会按照自己想的直接去实行。这一切促使了ROS(Robot Operating System）的产生，一个非常成功的开源平台。
你可以完全自由得支配自己的学习时间，好几年都没有任何科研产出也没有关系。像类似百度这样的公司就非常支持员工们的自我学习，鼓励他们花好几个月去学习充电，但也不可能让他们持续好几年的时间。
拥有一个学位。在当今的社会拥有一个高等教育的学位是很有帮助的。学校和企业都善于培养人才，社会只负责甄别人才，无论你的才能是怎么习得的。
对于我而言，让我振奋的一个使命是构建一个获取最佳教育资源的普世方法，我认为Coursera就是一条捷径。我越来越喜欢通过人工智能技术的发展去帮助成千上万的人，并且我认为百度是实现这个梦想的平台。但是也有很多同样重要的使命，比如传道授业、特定领域的投资研发等，这些我觉得更适合在高校中完成。
你对深度学习怎么看？
深度学习是一个已经在帮助数不清的小组制造了令人兴奋的人工智能应用的极棒的工具。它正在帮我们建造自动驾驶汽车，准确的语音识别，能够理解图像的电脑，以及很多很多其他的。
在最近的一些进步之外，我还是看到前方有大量的尚未被挖掘出来的机会。在精准农作、消费金融、医药等领域已经出现了很多项目，在这些方面，我看到非常清晰的看到了深度学习大有作为的机会，但是至今却尚未有人有时间专注其中。所以我对深度学习在近期绝对不会进入「平台期」很有信心，它会持续快速增长。
同时深度学习被过度炒作了。因为神经网络非常专业而且很难解释，我们中的很多人过去习惯通过绘制人类大脑的类比图来解释它。但是我们其实基本上对生物脑到底是怎么工作的一无所知。加州伯克利大学的Michael Jordan将深度学习称作生物脑的「卡通版」，即一个对于我们并不了解的东西的大量过度简化的版本，我同意这个看法。除了在媒体的炒作中，我们离真正造出人类级别的智能还沾不到边呢。因为我们从根本上就不知道到底人脑是如何工作的，我们试图盲目地在计算机上复刻我们根本不了解的东西并没有造出有用的人工智能系统。相反的，当今最有效的深度学习工作是基于计算机科学和工程原则逐渐发展起来的，最多也就从生物领域获得了一点点灵感，而不是试图盲目的抄袭生物。
具体来说，如果你听到有人说「大脑可以做X。我的系统也做X。因此，我们在建造大脑的路上」，我的建议是立刻掉头别理他。
很多深度学习使用的思路已经存在了好几十年了。为什么它现在才开始起飞呢？ 两个主要的推动因素是1）数据规模；2）计算规模。鉴于我们的社会在网络和移动设备上花费了更多时间，在过去的20年里我们一直在快速地积攒数据。也是到了最近我们才搞清楚如何通过大量增加计算来建造可以利用这些海量数据的深度学习算法。
以上已经将我们带入了两个加速深度学习进程的正循环：
首先，我们现在有可以吸收海量数据的机器了，数据的价值逐渐清晰。这给获取更多数据带来了更大的激励，与此同时，更多的数据又激励我们建造更大更快的神经网络。
其次，我们现在有高速的深度学习装备，这可以加速创新，并且加速深度学习研究的进度。很多人低估了在计算机系统上的投资对于深度学习的影响。当进行深度学习研究时，我们一开始对哪些算法有效、哪些没效一无所知，并且我们的工作就是进行一大堆实验，并且搞清楚到底哪些有效哪些无效。如果我们有一个高效的计算基础设施，可以让你可以用一天完成本来需要一周的实验，那么你的研究进度将要有7倍那么快。
这就是为什么2008年左右，我在斯坦福的团队开始支持将深度学习转移到图形处理单元（GPU）上（当时这相当的具有争议；但是现在每个人都这么做）；现在我支持转移到高性能超级计算策略（HPC）来增量深度学习。机器学习应该拥抱高性能计算。这些手段将使得研究者更高效，并且加速我们整个领域的进程。
总结一下：深度学习已经帮助人工智能取得了巨大的进展。但最好的还在未来！
