物理学家Oscar ，现在转型做了软件工程师
雷锋网按：人工智能已经越来越火热，对于有着突出数学能力和抽象思维能力的物理学家，进军AI是很有优势的。近日，《连线》杂志的资深撰稿人Cade Metz撰文表达了对物理学家进军AI及机器学习领域的看法。Cade Metz一直关注人工智能，比特币，数据科学以及、等公司的科技动态。原文标题《Move Over, — Will Soon Rule 》，雷锋网(公众号：雷锋网)编译。
对物理学家来说，这是个“最坏”的时代。
至少， Oscar 是这么认为的。他曾在乔治亚理工学院学习物理学，并且在2002年获得了加州大学洛杉矶分校（UCLA）的PhD。虽然是学物理出身，但Oscar 坦承物理学家的日子并不好过。就像四年前， LHC物理学家探测到了希格斯玻色子（Higgs boson），这是20世纪60年代以来人们首次探测到亚原子粒子。虽然物理学家们对结果很激动，但是这项发现并没有对宇宙的理论模型有实质性的影响，也并没有带给物理学家带来预期的努力方向。“以前，在物理领域出现了什么事，大家都会很兴奋。现在这种情况很少发生了。这让人感到难过。”补充道，“而且，物理学家的薪水待遇也不高。”
现在已经成功转型成为了硅谷的一名软件工程师。他在一家估值超过90亿美元的初创公司工作，公司的主要业务是帮助企业进行在线支付服务。凭借自己杰出的数学知识和抽象思维能力为公司构建了软件系统，并预测这些服务可能出现的状况，比如什么时候以何种方式产生欺诈交易等等。
或许对软件工程师来说，这是一个“最好”的时代。
人工智能和数据科学最适合物理学家
如果将物理学和软件比作是亚原子粒子，那么硅谷就是它们产生化学反应的地方。去年12月，通用电气收购了机器学习公司Wise.io ，其CEO Jeff 表示自己拥有了一家物理学家构成的公司，其中包括著名的加州大学天体物理学家 Bloom。雷锋网读者或许听过开源机器学习平台H20的名字，该公司也是在瑞士物理学家Arno 的帮助下建立的。微软的数据科学总监Vijay 是一名天体物理学家，参与设计了最早的计算机之一的John 是物理学家，发明C语言的 也是物理学家。
这一切都是水到渠成的。近年来，随着机器学习的兴起，人们需要用大量数据来训练机器执行及学习任务，而这种新兴的领域正是物理学家最擅长的方向。
除此之外，神经网络技术也在业界逐渐流行起来，由于这项技术需要一定的数学背景才能较好地理解及应用（主要是线性代数和概率），而这些都是物理学家所擅长的。“对于物理学家而言，困难的只是学习如何优化以及训练这些神经网络，但这相对而言是比较简单的。”说。
早在30年前，微软剑桥实验室的主管Chris 就感受到了这种风气，当时神经网络才刚开始在学术界流行，这也是他从物理学转到研究机器学习的原因之一。 Chris 表示：“物理学家进军机器学习领域是自然而然发生的事情，甚至比计算机专家还理所应当。”
有挑战的领域
不过，在指出数学对预测市场价值的重要性的同时，也提到了其中隐藏的未知挑战。举个例子，一种叫做Black-的数字化解决模型可以用来判断金融衍生物的价值，但Black-同时也是促成2008年全球金融危机的罪臣之一。
从十几年前开始，就有许多物理学家纷纷进入顶尖的科技公司工作，帮助企业建立起能够在数千台机器上处理大量数据的软件系统。比如帮设计了 ，再比如几个MIT 物理系毕业的爱好者在 建立的类似软件。想要建立这些复杂系统需要有很强的抽象思维，而这些都是物理学家驾轻就熟的。在 公司里， 的团队还包括 Roban （物理学博士，哥伦比亚大学）， （物理学硕士，哈佛大学）、 （物理学学士，MIT）等等。
值得一提的是， 在获得 PhD 之前就离开了哈佛大学，因为他和 一样，认为物理学研究是一项回报率递减的事。但AI领域的机遇更多，也具有更多的挑战空间。
未来大门已打开
不论如何，我们已经可以看到有不少物理学家正在占领硅谷公司的一席之地。雷锋网估计这样的势头还会继续保持下去。
机器学习和人工智能不只是会改变全世界数据分析的方式，而且还将改变工程师们组建软件的方式。要知道，神经网络技术现在已经颠覆了图像识别、语音识别、机器翻译等等人们之前不敢想象的领域。就像微软 Chris 所言，软件正在从基于逻辑的人工编码转换成基于概率和未知性的机器学习模型。譬如 谷歌、 这种科技巨头已经开始用新的思维方式来训练自己的工程师。最后，计算行业的其他公司也必将跟上时代的脚步。
Via wired
相关文章
