真正的智能系统可以完成一整套任务，帮助人们应对面临的许多难题。基于深度学习算法的应用已经基本上解决了感知任务， 如对象识别、自然语言处理(NLP)以及其他涉及数据广泛关联处理的任务(如推荐系统)，并将在未来几年内推动整个行业的转型。对于想要转型AI架构师的传统工程技术人员来说，相比补齐AI技术的短板，更重要的是要转变学习AI的思维方式。

未来一定是AI的时代

程云比较喜欢创新的事物，他敏锐地发现从2008年开始，AI第一次开始在工业界⸺预估领域有了大规模的应用浪潮。

而在2013、2014年的时候，神经网络技术的复兴在工业界逐步引起关注，云计算的发展使得大算力、大数据等AI所需的硬件条件逐渐成熟，AI技术于是实现了很多新的突破。语义匹配的大幅改善为搜索业务的变革打下来基础，在此之前的对自然语言的处理（语义识别）更像是一个流式系统，此后的系统开始依靠机器学习去自动化地做语言建模。但这个阶段AI的大规模应用依然是在偏C端的业务领域，传统B端业务领域的AI应用要在稍后的几年才开始出现。B端业务具备重资产的特性，因而推进技术变革的成本高企，各行各业数字化的进程先后不一，但在程云看来，未来一定是AI的时代，对此要“长期有耐心、短期有信心。”

工程架构与AI业务应用的关系

传统IT的工程架构其实是确定性比较强的工作，就像盖一座摩天大楼，不但有设计图纸、并且工程技术人员会 自己动手修建、也一定知道该怎么修建。在程云看来，AI的工程系统是结合业务特性去设计的，要根据不同的业务去制定不同的架构。虽然业务类型千差万别，但最终抽象出来的问题具备较多的一致性、解决的思路也有相似性，当底层架构面临的业务问题和业务难度不一样的时候，设计算法要考虑的东西才会有所差异。例如高并发、大规模的搜索业务系统，日常数据量是上千亿的规模，在这样的系统环境下最重要的考量就是响应速度问题；而一个对性能要求没这么高、流量也没这么大的业务系统，通常考虑最多的是效果问题；其他业务可能会在灵活性上有更多的要求。

对于要转型成AI架构师的人而言，首先要理解AI的实质更多地是把一个任务封装成机器学习能够解决的问题。

以大型商超的业务场景为例，机器学习能够快速且高效地完成货架商品的自动识别任务，这是一个典型的AI应用。作为大型商超企业的技术人才，首先要了解的是AI能解决什么问题、而不要纠结AI解决问题的具体过程。企业在采用AI技术的早期，要尽快从“工程思维”过渡到“AI思维”，先把AI当成一个黑盒，既不需要了解飞桨的内部系统如何实现、也不需要着急了解神经网络的算法怎么运行，而要先理解AI的输入和输出分别是什么。当然，这并不意味着了解AI的原理和实现过程不重要，有条件的话最好全部去了解和掌握AI底层的知识。但刚开始接触AI的这种黑盒状态对很多新人来说会是一种心理负担，因为输出的结果难以预判。这需要突破原来旧的思维方式，转变起来并不容易。

其次，对业务有深刻的认知是转型成AI架构师的重要条件，只有这样才能判断AI到底能帮助业务在哪些环节做出改善。传统企业要勇于在业务上多做尝试，了解机器学习的本质是什么，多着眼于机器学习能在多大程度上帮助业务创新，以便对AI形成整体的认知。成为AI架构师意味着要站在业务的大平台上，对哪些AI模型能用在自己的各个业务场景下、哪些AI模型不能用要了如指掌。

懂AI才能发现AI之美

在程云看来，成为AI架构师一定要具备通用抽象能力，既要能抽象业务、也要能抽象AI，前者要求对业务有足够深入的理解并且能总结发现业务根本问题的规律，后者要对以机器学习、深度学习为代表的AI技术有深入的了解和把握。还以大型商超的业务场景为例，从货架陈列到仓储物流再到顾客结算等，哪些业务可以抽象为哪类机器学习的问题——是分类问题、排序问题还是其他问题，考验的正是AI架构师的业务抽象能力；而完成业务抽象后，面对这么多的AI框架和算法，基于已有的基础设施环境，怎样选择并设计贴合自身的AI架构，是对其AI抽象能力的又一番考验。

触达AI能力的边界

对于传统行业的工程师来说，要成为一个懂AI的人，首先要多动手用AI、亲自测试一些AI的用例，从OCR、图像识别、文本分类等最常规的应用入手，感受一下AI是什么以及能做什么，用观测、反馈的学习方式打破对AI认知的思维黑盒。程云认为，对于所谓的“门外汉”来说， 一开始就用“小马过河”的方式能快速发现AI的能力边界、完成AI的快速入门。切忌一上来就陷入AI的算法模型以及效果调优等高难度动作的陷阱。如果一开始先去网上翻BERT的资料，会发现这个技术特别复杂、学习的曲线非常陡峭、再加上可能看到别人说大的框架要消耗非常多的资源、部署的难度也让人望而生畏，即便硬着头皮学完、 将来的收益也是不确定的，这种情况下大多数人就容易打退堂鼓，非常不利于新人的转型过程。

对于企业中的工程师而言，对AI技术的学习通常会是一个显著的挑战，许多人还没有迈出第一步就望算法而却步。要扭转这种情况，就要试着把AI当成一个工具来看待，抛开工程的思维、用黑盒的思维了解AI的能力。比如一个机动车驾驶员，首先要了解不同类型的车辆分别具备哪些能力，货车的载重有多大、SUV的越野性能如何，亲自动手试驾一下便很容易就有了直观的了解。等后面有条件的时候，再详细了解发动机的原理或者机动车的维修等会更顺利。对AI的学习遵循这样的方式显然能更快地上手，这和未参加工作的学生在校园里学习AI的过程正好相反。

对于企业，在AI的浪潮即将席卷各行各业的时代，要充分了解并认识到AI对于自身业务长远发展的重要性。企业的经营管理者对于AI的能力往往缺乏客观的认知，对AI可以给业务中的各个环节所带来的提升没有明确的概念，对AI的建设规划、AI架构师人才的培养不够重视。针对这种现状，百度飞桨首席AI架构师培养计划(AICA)已经举办了六届，AICA以业务、算法、架构能力为核心，真正把AI和产业融合、为AI产业化落地应用源源不断地输送复合型人才。