公司内。
萧天看着手下的技术人员将一段代码难题提交上来，陷入了沉思之中。
一开始只是说了个大概的人工智能大方向，所以觉得很难，但是真的进入了之后，发现难度也是相对的。
起码不是想象中的那么艰苦了，因为有一些是别人已经攻克了的难关。
早些年，在模式识别领域（例如人脸识别、语音识别等），大家都发力在数学算法的时候，算法工程师虽然努力多年，精度却一直上不去，几乎没有实用价值。
但是，突然有一天，在nist竞赛中，有一个厂家突然爆发，一骑绝尘，直接把竞争对手甩下几个身位，也直接把很多识别技术（例如人脸识别）推到了实用的地步。
这个事情对业界的震惊很大，不久后，大家了解到竞争对方之所以能取得这么大的进步，正是因为引入了以“深度学习”为基础的ai技术后，整个业界的研发重点就迅速切换到了ai的跑道上。
在随后的时间里，大家都如饥似渴的阅读各种paper，接触与ai相关的各种技术，包括神经网络、深度学习等等。
之后，各家厂商的人工智能平台就搭建了起来，各种模式识别技术（例如人脸、语音）放弃了传统的数学算法研究，直接切换到深度学习平台上。
而经过深度学习的训练，在两年后的nist竞赛中，各家公司的算法精度上虽然没有赶上原来的第一名，但已经开始接近了。
这也说明了，两年的时间，模式识别领域，在算法上，大家都统一切换到了以深度学习为基础的人工智能上。
同时说明了，从技术上来说，“深度学习”并不是一个特别高深，特别新颖的技术，而更多是“旧瓶装新酒”，是对大家观念的扭转。
因为在此之前，计算资源缺失，数据缺失，所以才使得严重依赖于此的深度学习技术难以实用化。
而经过互联网多年的积累，计算和数据都到位的时候，“尘封”多年的深度学习技术则突然“枯木逢春”。
因为不止一个算法科学家嘴里说过，从对脑力的挑战来说，深度学习的精巧度远不如传统的数学算法。
甚至，相对于早前的数学研究，大家都觉得“深度学习好“傻”，好“暴力”，一种常见的套路是：设置框架，喂数据，调参数，喂数据，调参数…，循环往复。
而且，就这两年来说，好多普通的软件工程师，都慢慢开始对算法研究缺乏敬畏了，因为许多人最多的对话就如下面——
“你们算法实验室，能不能尽快把质量检测精度再提高下。”
“当然能，不是正在准备数据，正在训练嘛！”
所以，算法的提高，在很大程度上赖于数据，而不仅是算法工程师的脑力。
这直接导致了一个后果：以深度学习为基础的人工智能技术，在使计算机变得“聪明”的同时，却使算法工程师变得更“傻”。
这种傻有两个纬度，一个是从人的角度看，算法工程师的工作难度在降低，从阳春白雪变为了“朝市之学”。