月份：2018年12月

如下，是我们学习Python编程的路径选择：A1-A2是必修，A3系列是个人根据自己的方向进行选择，A4及其之后则是人工智能线的深度学习路径。

（A1-A2）必修

等级	课程	内容	项目	目标
A1	初识AI	1. 人工智能科普：本质、应用、起源、学习路径 2. Python基础语法知识：输入、输出、变量、条件判断	1. 本地编程环境配置 2. 编写简易人机对话小游戏 3. 体验人工智能代码	1. 了解人工智能本质和应用，制定自己的学习路径 2. 掌握基本数据类型及转换关系 3. 会写输入和输出 4. 掌握条件判断的用法
A2	基础语法	1. 数据类型：布尔值、列表、字典 2. 控制流：for循环和while循环 3. 函数的用法和写法，使用open()函数完成文件读写 4.Python面向对象的编程思想	1. 文字冒险游戏 2. 学会给代码做debug 3. 封装、使用函数及模块 4. 将python代码制作为可执行文件，双击执行 5. 乘法表 6. 小乌龟画国旗 7. bad_apple字符画视频 8. 打印星阵图	通关基础语法，为后续的人工智能应用做铺垫

(A3)自选

等级	课程	内容	项目	目标
A3-1	人工智能应用	1. 调用模块的通用方法 2. 自学新模块的通用方法 3. 利用requests、json调用人工智能接口 4. 简单人工智能库的调用：如jieba	待填充	1. 学会调用已有人工智能技术：语言识别、图像识别、自然语言处理、人脸识别、图像处理、计算机视觉…… 2. 能够自学简单的模块，实现一些简单的功能：打开浏览器/制作二维码/发邮件/定时执行任务
A3-2	网络爬虫	1. HTML基础 2. Xpath/BeautifulSoup/PyQuery/selenium爬虫常用模块的使用 3. Scrapy框架使用和数据存储 4. 常见应对反爬虫技巧	1.新浪财经股票信息爬虫	1. 能够从网络上自动抓取自己需要的信息：商业分析、舆情监测、生活助手 2. 胜任初级爬虫工程师（需额外学习A3-4）的工作
A3-3	Git与项目实现	1. 掌握git语法管理自己的代码 2. 加入开源协作社区github 3. 小型项目的实现步骤 4. 图形化界面Tkinter模块 5.实战练习	待填充	1. 学会使用git对自己的代码进行版本管理 2.学会借助github上的开源代码提高工作效率，使日常重复、繁琐的工作自动化完成 3. 掌握项目实现的完整思路，开发出自己的独立小程序 4. 能够完成图形化界面程序，开发桌面应用
A3-4	数据科学	1.SQL语法，使用Python接入数据库 2. 数据分析模块：Pandas、NumPy、SciPy… 3. 数据可视化模块：matplotlib、Seaborn、ggplot…	1. 量化交易（需要通关A3-3和新浪财经爬虫项目，推荐有金融理财相关背景的学员）	1. 掌握数据库管理、数据分析、数据可视化的技能 能够制作数据看板，实现数据指标监控 3. 能够胜任数据运营、初级爬虫工程师（需额外学习A3-3）、量化交易、初级BI商业分析师等工作
A3-5	自动化办公	1. 文档管理：shutil和zipfile，自动完成复制/移动/改名/删除/读取/解压/压缩 2. 数据处理：openpyxl和csv，自动处理excel和csv数据 3. 文字处理：docx和pyPDF2，处理word和pdf文档 4. 信息传输：使用Python发送邮件/微信/短信	待填充	借助Python处理日常办公文档，使繁琐、重复性的工作自动化
A3-6	多媒体处理	1. 图像编辑：Pillow库处理图片，实现拷贝/粘贴/合并图片、放大缩小、分离和合并通道、几何转变、模式转换、图像增强、模糊特效、添加文字/数字、转变字符画…… 2. 通过openCV可实现计算机图像、视频的编辑。应用图像识别、运动跟踪、机器视觉等	视频编辑与音频编辑	学会使用Python自动化处理多媒体文件，提高设计师工作效率
A3-7	web开发	1. 前端：HTML5、CSS、Javascript、JQuery库 2. 后台：Django框架技术 3. 项目实战练习	待填充	利用Python胜任web开发工作，实现：新闻、购物、导航、博客、论坛等网站的搭建
A3-8	自动化测试	1. 软件测试的分类与环境搭建 2. 元素定位与浏览器控制 3. 自动化测试模型介绍 4. Selenium深度应用 5. 自动化测试实战	待填充	帮助测试人员提高综合的技术高度与宽度，从而摆脱简单的手工测试，向高级测试工程师的道路迈进。
A3-9	自动化运维	1. Linux基础 2. 服务器软件安装与管理 3. 高并发下的Web架构 4. Python自动化运维 5. Python自动化监控/报警/安装配置/部署 6. Docker 容器实战 9. 自动化运维管理实战	待填充	IT运维自动化是一组将静态的设备结构转化为根据IT服务需求动态弹性响应的策略，实现减少人工干预、降低人员成本以及出错概率，实现：堡垒机、CMDB、全网监控、主机管理等。

备注：

1. A3内容呈并列关系，在完成A1-A2的学习之后，可根据需要进行选择学习

2. 如果希望去做金融理财的量化分析，至少需要修A3-2和A3-4，并且完成项目《新浪财经股票信息爬虫》和《量化交易》

3. 如果希望去学习更加深度的A4、A6知识，至少需要完成：A3-1、A3-2、A3-3、A3-4的学习

4. A3-7至A3-9明显偏技术向，推荐有相关工作需求的学员选择

（A4）自选

等级	课程	内容	项目	目标
A4	多元统计分析和机器学习	1. 高等数学、概率论与数理统计… 2. 机器学习十大算法：有监督算法、无监督算法 3. 集成算法 4. Scikit-Learn框架	待填充	1. 掌握机器学习常用算法思想，如最近邻算法、聚类算法、决策树、随机森林等 2. 能够利用python建立机器学习模型，对一些应用场景进行智能化，比如用户聚类、用户流失预测、用户付费预测、垃圾邮件识别、产品等级划分、智能推荐等 3.可转向数据分析工程师、机器学习算法工程师、搜索算法工程师、推荐算法工程师

（A5-A6）自选

等级	课程	内容	项目	目标
A5	深度学习（一）	1. 神经网络算法入门：RNN/CNN… 2. 深度学习框架学习：TensorFlow、Keras	待填充	1. 掌握深度学习常用框架：Tensorflow、Keras的基本语法 2. 可自行搭建图像相关算法，实现图像分类、人脸识别、目标检测等 3. 可自行搭建NLP常见算法，实现文本分类、文本自动生成、问答系统等 4.人工智能工程师（初阶）
A6	深度学习（二）	1. GAN网络(生成对抗网络) 2. 强化学习算法 3. 项目实战、大型赛事	待填充	1. 掌握GAN网络相关算法，实现图像、文本等生成任务，如风格迁移、图像自动上色、图像美化、图像超分辨率、对话系统等 2. 掌握强化学习相关算法，利用强化学习完成最优策略生成任务，如AlpahGO、推荐算法、文本生成等 3. 人工智能工程师（进阶）

其实，这篇文章还有一个正常版的标题是：学了编程之后，同是新手的他们做了什么？

如果让我来讲给你，学编程这事多有意思，事情会变得很不得体：我写了太多程序，我对这事有太多的喜欢，以至于很难对你讲述得清楚。

当你习惯了编程给工作生活带来的快乐和高效，你就再也回不到过往的那种节奏去。

比如，现在你正读的这篇文章，是我用Markdown（一个特别高效的文档书写工具，需要借助编码）的语法在VS Code（写代码用的编辑器）上写的，我用git做版本管理，最后它以gitbook的形式发布。而word，是再也回不去了。

或许你还看不明白我上一段在说什么，没关系，再往前走一点点，你也可以感受到这种便利和快乐。

下面，我要讲给你四个编程初学者的故事，他们利用编程，做出了好些有趣、有用的事情。它们，都发生在我的身边。

（一）一个大学生，在用Python预言P2P暴雷

A君以前是我们这里的一个数据分析实习生，他在广州的华南理工大学念金融。因为父母早年做生意，家境会比较优渥。

近几年P2P很火，高收益率吸引了许多人。去年底的时候，父母想买一些，但是又常听说机构卷钱跑路的新闻，自己不懂，所以来问问自己家的大学生。

A君懂得P2P运作原理，一部分人通过中间机构把钱借出去赚利息，一部分人通过中间机构借到钱解燃眉之急。他也懂收益越高，风险越高的道理。

但这些，都是大道理，不能解决问题。告诉自己父母也没什么用。

他决定做点定量的分析。

首先，他用Python写了一个爬虫，把众多P2P机构的评论、利率、交易的历史数据全都抓取了下来。

接着，他利用别人已经做好的一个人工智能模型，总结出那些破产跑路的平台，具有哪些数据特征。

把现在的机构和历史跑路的机构做了对比，这一比麻烦了：有问题，即将跑路的机构一大把。

P2P整个行业都要地震。

他告诉父母：别买了，这个铁定会出事。把钱先正常存着吧。要真想买，可以买点外币。

后来的事情大家都知道了，2018年P2P大面积暴雷，机构跑路，多少人血本无归。

这是当时正常，但是他预言会暴雷跑路的名单节选：

潮人贷、他项车贷、Aoao贷、酷宝盒、月月贷、首库金融、绿谷贷融资、五岳贷、国泰财富、吉盟财富、千店贷、华众时贷、富轩投资、升值贷、互贷网……

此外，他还做出一份避雷指南给家人：

1. 已上线时长越长、获得ICP许可证、加入监管协会、平台背景为国资系、上市系、银行系和风投系的P2P平台，其风险要相对低一点。

2. 对于平台的运营模式，参考投资期限越长，每天展示交易数据的P2P平台，其风险越低。

3. P2P平台的投标保障这种东西基本没用。

4. 对于网友评论信息，网友印象评价的前七个关键词中，出现“老板牛”、“提现快”的P2P平台，其风险相对较低，而出现“坑爹”关键词的P2P平台，则风险较高。

5. 对于平台交易信息，平均参考收益率大于8.4%时，P2P平台的风险急剧上升。对于用户评价信息，平均提现分大于3.5分的P2P平台，风险越低。

（二）我的同事，在用Python做社群运营

作为一家做在线教育的公司，我们会有非常多的微信群聊。

在一期课程结束之后，为了防止群聊里长出小广告来，打扰到用户，通常我们会把群聊解散。

如果量少还好，但如果数量多了，就会让人头痛：这一个个可得点多久啊！

在这样的情况下，负责这事的酱酱就跑来问我：“吴枫呀，有没有什么办法，把这个群聊给自动解散掉。”

那时，我正忙于研发Python课程，正好缺人来试学。我就讲：“办法当然是有的，不过你得自己学。我教你Python，学会了你自己写。”

……

我们在学习两周之后，开始着手写的这个程序。当时有两个方案，一个是直接调用微信相关的模块来操作，但是坏处是微信对此监管很严格，滥用这个模块很容易导致封号。而我们，有很多群聊，的确是要滥用的……

酱酱自己想到了第二个方案：Python里有一个模块，能够用代码来模拟电脑的键盘鼠标，自动进行操作。这样只要登录微信网页版，再执行这个程序，电脑就可以自动点点点，把群聊给清理干净。

最后，执行的效果就像这样：

从那天开始，公司再也没有运营同事会用手点击来解散群聊。把需要解散的群聊名字一键导入进去，点击执行，稍等一会就全部搞定。

事实上，这样一个程序，只需要改一改，可以替代我们所有重复性的键鼠操作。

后来正因为这件事，我们公司进入了全民学编程的时代。

（三）我的朋友，在用Python做商业提案拿offer

如果你对广告行业有所了解，会知道近几年这个行业不大景气，客户很多适合倾向于自己持有一个品牌传播团队，或者是绕过广告公司，直接和渠道进行合作推广。

广告公司的收入，好几年过去不见上涨。优秀的人才在流失向其他的行业。

我认识一位小朋友，本科是念广告，毕业后凭借优秀的创意才能和学习能力，去了一家全球顶尖的4A广告公司，在里面一直都过得还不错。

2016年末的时候，他找我说决定离开：我再也不想留在这个行业了。你知道吗，这都2016年了，我身边还有同事不知道大疆是什么，Surface电脑是什么。这可是号称见多识广的一线广告人呐。

我问他想去做什么，他说想去做甲方，做旅游业，但是自己之前没做过旅游相关的项目，可能不大容易，有什么办法吗？

我告诉他没关系，这都2016年，每个行业都缺懂数据的人才。懂数据的人，他哪个行业都能懂，因为经验会欺骗，但数据不会。你学点编程，加上你才华，不管哪儿的市场部面试横竖都能过。

他去报名了一个线下班，花了几万块，去学了编程和数据分析。

后面他在面试的时候，还专门写了一个ppt，是将目标企业，在网络上的所有评论数据，都给抓取了下来。然后用一个自然语言处理的库，提取出高频的关键词，分析游客情绪数据，他们究竟在关注什么，吐槽什么。

然后用这个东西，去做推广方案，去做改良方案。

这offer自然是稳的，薪资比之前翻了两倍还多。

现在我已经找不到那份ppt，但代码是可以还原的，我用深圳欢乐谷为例，简单演示一下当时的效果：

（四）一个高中生，在用Python写小游戏

Z君，是我在玩王者荣耀的时候认识的朋友，他技术特别老练：最强王者三十多个星。

所以每次玩，都是他带我。

后来我们加了微信好友，我才知道：Z君还在念高二，在西安一所蛮厉害的中学。

或许是因为我一直没问过他：为什么念中学，还有那么多时间打游戏。我们的关系一直都还挺融洽，颇有种忘年交的感觉。毕竟我念中学时候，也会溜到网吧打游戏。道理都懂，谁还没个年轻时候呢？

后来，我开始做Python的项目，在朋友圈里发了内测邀请的消息。

他在下面回复：“我想试试。”

这一试不得了。打游戏好的人，仿佛做什么都有天赋，他是那一轮内测用户里，学习最快的那一个，动不动就学到晚上一两点——而从前，这是属于打游戏的时间。

他在学完第12关之后，已经不满足课程里的内容，就自己写了一个文字冒险的游戏。大概长这样：

这是一个正儿八经的文字冒险游戏，剧情会根据用户的选择来变化。甚至，还有游戏记录存档的功能。

因为这是第一个用户，主动写出的游戏程序。所以现在，我把这个游戏作为了Python小课中的一个项目（《文字冒险》），让所有学习Python小课的用户，都可以体验它。

在写这篇稿件的时候，Z君已经用Python写出来《2048》、《Flapy Bird》、《炸弹人》等多个小游戏。

目前，Z君已经开始读高三，每天很忙碌，已经在游戏里或者是Python课里见不到他。但是，他上次告诉我：编程这事有意思，他想大学时候去学计算机。到时候，希望来我们这里实习。

我说，行，加油，欢迎你。

---

（五）你也可以

以上，就是我今天要分享的四个全部故事。

其实真正想说的就一句：编程是一件非常自由而高效的事情，学会它你可以用来实现任何你想实现的项目：人工智能、解放工作、数据分析、自制游戏……都能成。

也欢迎你来学习它。

我想讲一个现象，它每时每刻在你身边发生着，但却很少被你所注意，这个现象叫做“无人化”。

“无人化”和一个选择

就像我在《未来已来（一）——技术变革》中说的一样：深圳华侨城的沃尔玛里，人没了。我平时会喜欢下厨，下厨要买菜，买菜要称重，称重从前需要人。但是，现在却是我自己在做这件事。更甚至，买单也是我在机器的帮助下自己完成。

我翻过超市的发展史。它是一个存在了上百年的那么个东西。在最开始，我们在一个大商超买买买，再推到买单的地方付钱结账；后来，我们在一个大商超买买买，再推到买单的地方刷卡结账；再后来，我们用手机支付……但这一切，都没离开“人”的存在。

今天，事情却发生了变化。

超市里没人了并不怎么可怕，可怕的是我们对类似的事情习以为常，以至于很少在这件事上投入更多的思考。

我大学时，有念物流工程的朋友，总开玩笑说自己要不要考一个叉车证，去仓库里扒拉货。但是今天，亚马逊、优衣库这些对仓库有高度依赖的企业，它们的仓库早已换副光景：

![2](https://res.pandateacher.com/2.gif

机器人来来去去，没有人的踪影。

如果说我们刚才的举例，它们本身就是一些比较简单可重复的工作。那么，坐在办公室里的白领就与之无关？

我们最先看到的岗位是“编辑”，这是一个有着悠久历史的白领岗位，许多新闻门户网站都有这样的岗位设立。他们工作内容，有很重要的一部分是【编辑推荐】：我觉得这部分用户会对这部分内容感兴趣，我把内容推荐给这些用户让他们看到。

但是，后来有了今日头条、抖音这样的产品出现。它们本身不生产内容，它们做平台。用算法而非人工，去做兴趣推荐：机器推算出这个用户喜欢这个，所以推送给这个用户这个。这种产品，活得反而比传统的新闻、视频产品更好。

无人驾驶，无人货架、无人旅馆、无人港口……如是种种。

我们身边的所有一切，都在向“无人化”的方向推演。这是此时此刻，正在发生的，你我都有目睹却又熟视无睹的，“消失的人”。

这一切的发生，并非无规律可循。接下来的篇幅里，我会为你讲述：为什么会在短短几年里，事情变成这样，在未来，它还会变成怎样。

在听完这些内容之后，你会明白这个世界在发生些什么。但更重要的是，你会面临一个选择：像过去一样，普普通通地生活下去，成为那个“消失的人”；还是成为一个被技术赋能的“超人”，创造更多、更大的价值。这个选择，它会影响你未来至少十年的人生路径。

什么是人工智能？

是什么在让人消失？

答：是人工智能。

在这几年你在许多不同的地方都听过“人工智能”这四个字：阿尔法狗，它能下围棋；谷歌的语音助理，能打电话订餐了；微软的小冰，能写诗能猜谜，能成语接龙……

但其实挺少有人站出来解释清楚，人工智能究竟是什么？

一个精简的答案是这样：人工智能，就是用机器去做，在过去只有人能做的事。科学家们把这些事进行了分类：推理、规划、学习、交流、感知、运动。

用机器去做，在过去只有人能做的事。这句话听起来简单，但如果你看一看历史，就不会这样想。

从人类文明诞生以来，我们大约经历了：石器时代、铁器时代、机器时代、电器时代……今天来看，最关键的里程碑应该是“机器时代”，也就是我们常在历史课本里见到的“工业革命”。

为什么这么讲？一直以来，我们人作为价值的创造者，一直以来有两种创造价值的方式：一个是体力劳动，一个是脑力劳动。当工业革命来临，我们进入机器时代，体力劳动就没那么重要，脑力劳动者的收入得到提升。大家开始进工厂，进办公室。

我还记得小学课本里有这样一句童谣，叫：“人有两件宝，双手和大脑。”当我们进入机器时代，我们就已经把手上的老茧逐渐放下。“机器去做，在过去只有人能做的事”，人工只能打起了脑力劳动的算盘。人何以为人，成为一件我们需要花更多时间思考的事。

你有没有试图追溯过：人工智能技术，是如何一夜之间恰如千树万树梨花开？

我追溯过。在上世纪四十年代，差不多和计算机被发明的同时，就已经有人开始着手研究这个领域。此后，一直一直一直默默无闻。

技术发展有一个规律：上一个月还是默默无闻，可是一旦它突破了某个临界点，下一个月你就能在生活中看到它的身影。

事情是在十多年前开始发生巨变的。2006年，深度学习算法出现，它推动着人工智能往前走了一大步。因为这一大步，人工智能如井喷一般飞速发展，就仿佛一夜之间，就走进了千家万户。我们前面所举的全部案例，全都来源于此。

其实自2006年后，再也没具有这样巨大影响力的底层技术出现。但是，我们却在最近几年越来越高频地听到“人工智能”相关的信息。这就是因为，技术被应用到了生活当中。

在未来，还会有更多的应用出现。这里面，它蕴藏着巨大的机遇。

我们来举一个例子：前面我们说，人工智能要让机器去做，从前只有人能做的事。其中里边有一个部分叫“感知”。在“感知”里，有一个非常重要的部分是“图像识别”，通俗来说，就是让计算机能像人一样，去“感知”图像，它能看懂图片。

从前的相机，它看不懂图片，在它的眼里：玫瑰花不过是一堆图像和形状的组合，和月亮没有区别，和狗熊没有区别。

你可能会好奇，算法是个什么东西？做个比方：我们人类学习东西，需要“学习方法”。计算机也是如此，我们可以把“深度学习算法”理解为计算机的“学习方法”。从前它一直没有一个好的学习方法，现在有了，我们就可以拿东西给它学。

我们去拿一万张玫瑰的照片给计算机去看，告诉它：记住了，这是玫瑰。计算机在算法的帮助下，计算这一万张玫瑰，有什么共性的规律。它学习，记住这个规律。当我们去拿第一万零一张照片给计算机看。它做出判断：这张图基本符合之前我记住的那个规律，它有99%的概率是玫瑰。

于是，它说：这是玫瑰。

让计算机说出来一句：这是玫瑰。这看上去像是一件微不足道的小事，但它是一个开端。

我们喂给它更多的数据：玫瑰、月季、牡丹、梯子、人脸、面包……让它计算，学习，记忆。图像识别，就这么成了：从此以后，计算机能读懂图。

单是让计算机能读懂图片不成，我们还要想办法把技术应用到生活场景里面去，这样它才能创造价值。

就像我们前面说的，无人购物，要用到图像识别技术：负责识别顾客取走的货物，识别顾客的人脸用于安防，负责扫码完成付费……下面，我要为你举几个案例：单是一个图像识别技术，还可以用在哪些领域。

它可以拿来打农药。

在传统的农田里，我们常看到一个农民老伯，背一只药筒，手持喷头，从田里走过去，地毯式喷洒农药。

但是，有了图像识别技术。你可以改用装载了摄像头的无人机来喷洒农药。

在我们眼里，农田是长这个样子：

但是在无人机眼里，事情是这个样子：

谁是杂草，谁是庄稼，一目了然。农药只打在该打的地方。这样做，一个是效率的提升，两架无人机完成一块100亩左右的农田农药喷洒，大概只需要2个小时左右。一个是降低农药残留，相比从前大水漫灌式的方案，它可以节省农药90%以上。

还有一个场景是医疗。随着我们生活水平变更好，人均寿命被延长，癌症的发病率也随之上升。常规，我们去检查身体，是去拍个片，然后医生拿着看，告诉你：这怕不是肿瘤吧。

但是现在，我们可以让计算机去做看片这件事。在事实上，目前人工智能在识别早期癌症上，已经比人类更厉害。腾讯，已经就有一个团队在做这件事。

这里面我们要思考件事：一个医生要成长到能诊断癌症，他要读好多年的书，积累好多年的临床经验。但是机器，这个成本太低。

如果机器做事成本更低这件事成立，要么是医生们的工作量减少，要么是医生的数量减少。以目前来看，情况尚且乐观，事情可能在向前者的方向发展。但其它工作，却不见得。

这个案例，可能你很难想象。这也是我前几天看到的，是在一个做地板的厂子。

他们厂子有一项拳头业务是做高端木质地板，有个很重要的工作是筛选木板。这得雇一个熟练的老工人，工作流程是：有虫眼的放左边，好的放右边；有裂痕的放左边，好的放右边；有毛面的放右边，好的放左边……诶？错了，掉过来。好的放右边，有毛面的放左边。

但是现在不了，他们引入一条流水线，这条流水线没什么特别，只是比平常的多加了个摄像头。摄像头会自动识别毛面/裂纹/结疤/虫眼……的问题木板，去左边，好的放右边。

这让生产效率直接翻倍。成本……几乎没有成本，一点点的电费和网费罢了，比之前的人工要好不少。

如前所述，如果机器做事成本更低这件事成立，要么是工人们的工作量减少，要么是工人们的数量减少。以目前来看，情况可能更像是后者。这会是“消失的人”。

最后再来个简短的案例，是安防。相信你今年应该看过好几次这样的新闻：在张学友的巡回演唱会上（南昌、赣州、嘉兴、金华四场），警方通过人脸识别技术，一共抓获5名在逃犯人。

当逃犯们兴冲冲地拿着票走过摄像头，将要入场，此时他们的面部信息已经被抽取出来，实时传到云端，和后端数据库飞速地进行比对。

你能看到：机器不需要模仿人做事的方式，机器只需要模仿，甚至超越人做事的结果，这就够了。

你还能看到：同样是一个图像识别的技术，它可以被应用进各种看上去毫不相干的场景中去。此时，它能创造出巨大的价值。我们可以得到一个等式：人工智能=算法+数据+应用。

面对人工智能，我们能做些什么？

根据这个等式，我们可以盘演，在人工智能的这波机遇里，我们能做什么？

算法，这是个好主意。不过门槛挺高。你要去学数学、计算机两个学科的知识，至少得读个研的知识量。从浅到深，相关的内容大概会有：Python编程，爬虫，数据挖掘，高等数学，机器学习，深度学习……

数据……做人工智能的确需要大量、规整的数据。但，普通人手里，很难有可以训练算法的大量数据。这些数据，往往掌握在大型互联网公司里，如：谷歌/百度有搜索数据，facebook/腾讯有社交数据，亚马逊/阿里有商业行为数据……

前阵子我看过一个报道，说在中国的河南、山东、河北等地的四五线小城里，存在着一种“数据车间”，整个车间看上去仿佛是个网吧的模样，年轻的员工们窝在柔软的沙发里，对着电脑勾勾画画：将一张张图片里的梯子、玫瑰、地毯；梯子、玫瑰、地毯；梯子、玫瑰、地毯；梯子……给标注出来。

他们把这些标注好的数据，发送给大公司。大公司们，会用这些数据去训练算法。一张图，给两分五。

大公司们用高薪聘请到做算法的人才，大公司里有数据。所以，今天的你能够看到，人工智能技术基本都是由这些大公司提供。借助数据和算法，谷歌和facebook提供着精准广告，每年获得百亿美元利润；亚马逊的云计算为无数中小公司提供技术服务，支撑起近万亿美元的市值。

但这并不意味着，普通人在人工智能面前就没有机会。至少做应用，还大有可为。而且，越早去参与，越具备先发优势。

你只需要懂得一些基础的编程能力，就可以调用已经研发好的人工智能技术，把它应用到自己所处的行业中去。让技术，去替代、帮助人来工作。它能降低成本，提高收益，它有利可图。就像把图像识别用进农业、医疗、安防……等等，一样的。

这就好比：不是每个人都可以成为马云，但每个人都可以是淘宝卖家。应用阿里巴巴的技术，去开店铺，能创造价值。应用人工智能技术，也能创造价值。

在浙江省的一所中学，有位李老师发觉到一个现象：有些学生十分内向，不好意思向老师提问，加上老师分配给每个学生的时间有限，很难满足每个学生的学习需求。

他萌生了，去做一个自主答疑机的想法：学生将试卷、习题放在答疑机上扫描，系统便可快速识别题目，给出详细的解析和视频讲解，甚至还可以获得同一道题的多种学习思路。

没过多久，这台机器就被做了出来。因为它应用到的原理非常简单。如果是用Python语言来写，核心代码可能不超过20行。

首先，是把试卷拍张照。接着，调用专门做搜题功能的产品，所提供的接口，把试卷的图片，转换成文字。然后，从海量的试题库当中，找到这个题目的答案和解析，通过显示屏呈现出来。

这就是个很棒的案例。

做技术，还是做应用？是我们现在需要考虑的一个问题。但有一个命题是确定的——编程，是该学一学。你不需要担心它难，我教过了上万人学编程，我知道：如果我们的目标是学会调用已有技术，培养编程思维。那其实还挺简单……

而且学会编程，不只是可以做人工智能。你可以使用代码，让自己平时的许多工作，都自动化完成：图像处理、文档处理、市场分析、网页爬虫、数据分析……

选择Python

编程语言那么多种，该选哪一把铁锹？

答，就是你已经接触过的，Python。

编程语言是有很多没错，但如果我们学编程的目的，是为了参与进人工智能的浪潮，那么首选只能是Python。选择Python不但是安全的，还是必须的。

毕竟，它是人工智能时代的头牌语言，这是在技术界已经达成共识的事。

Python语言帮助人工智能发展更快，人工智能的发展带动更多人去学Python。它们自始至终，都是相辅相成的关系。

（国际电子和电气工程师联合会发布的第五届年度编程语言排行榜，Python名列榜首。）

不仅如此，Python在大数据分析、机器学习、云计算系统、web开发（比如Facebook/Google/豆瓣/知乎，都用Python开发）、游戏脚本……等时下最热门的应用里，都占据着主导地位。

造成这结果的原因，是由Python语言的特性决定的：

1. 它够简洁

   实现同样的功能，C++需要1000行，java需要300行，但python可能只需要20行。 曾经有个段子是这样描述：

   你遇到了一群敌人！ 你要怎么办呢？问问你的大将吧！ C：拿出一根棍子，一个一个把敌人砸死。 C++：用机关枪。 java：我打电话叫十万个基佬！ perl：我会功夫！ ruby大喊着拿着武士刀冲上去了。 lisp：我先把敌人分组一下吧！ haskell：我们可以用歼星舰啊！ PHP：让我们把敌人老死吧！ python：用氢弹。

2. 它易学，易读

   Python语言和人类语言高度相似，掌握Python的基础语法，快则几天，慢则1-2周就够。几乎不需要注释，就能让你读懂Python代码。 接下来，你就可以用它来调用已有技术，去实现自己的项目。

3. 它作为胶水语言，便于不同行业的人协作

   人工智能的研发，需要来自不同行业的人协作，不只是开发人员，还需要不同领域的科研人员、创意人才参与其中。

   Python它跨平台，在windows、mac、linux……等系统上都能运行。 它特别好学。 每个人都可以非常方便地打包自己的代码，别人无需读懂，就能特别方便的调用。

   这些特性，让协作的成本变得极低。

学人工智能，从Python开始。

在上个周末，我去了一趟沃尔玛，发现两件神奇的事：

1. 买菜称重不需要人，顾客自助。

2. 扫码买单不需要人，用小程序。

卖菜的大妈很开心：现在大家都自助了，工作变轻松。

我不知道该怎么告诉她：这份工作，马上就要消失了。

这一幕让我想到许多东西。

不只是沃尔玛，这个世界最新一批的互联网公司在推进这一些炽热的变革，这是新的浪潮。

不只是卖菜大妈，还有许多传统行业的员工，甚至是传统互联网公司的员工，都会成为这一浪潮的受害者。

未来已来，事情在发生一些变化。

（一）抖音和微视

未来已来。

以技术做驱动，用算法做决策的公司正野蛮生长，让老牌的互联网巨头心生惶恐。

用算法替代人，这事正在发生。

说抖音和微视，刚刚，我去搜索了这两家的招聘需求。

根据搜索结果不严谨的对比，可以得出：

微视：总计28个职位描述，9个技术类，8个产品/项目类，2个市场类，9个内容编辑类。

抖音：总计59个职位描述，40个技术类，5个产品/设计类，1个市场/销售类，14个运营/编辑类。

这的确像腾讯的作风，虽然有着足够庞大的用户数据，包含一个人的方方方面，但各个部门之间的数据并不打通。

在算法上，各团队常去做重复工作，这和它的内部赛马机制不无关系：对内孵化也好，对外投资也好，腾讯都只做两件事：给钱，给流量。一个项目，多个团队去做。谁成了，算谁的。典型如微信，王者荣耀，都是这样诞生。

一个经典的吐槽是公众号体系，如果你去注册腾讯的公众号，你能发现：微信公众号、企鹅号、QQ公众号三大体系，彼此数据互不相通，许多媒体人要把一个稿件发生这三个平台，因为它们分属于三个不同的团队。

腾讯会花比较多的精力，做产品、运营、交互设计。他们看中用户体验，或说“产品经理，人为的用户体验”。

其中运营，很多时候工作内容是：流量。

内部合作流量，外部投放流量……等等。

然后招聘需求，就如你所见。

最后的结果，引用最近的一篇文章《全面反思腾讯的战略》，里面是这样描述的：

……近两年由于抖音发展非常迅猛，腾讯下了很大决心重启微视，抽调精兵强将，并出重金奖励优质内容（曾有传言说本年度会补贴30亿元），同时通过QQ、QQ空间、大王卡以各种奖励形式强推微视，上个月还把时下最火爆的综艺节目《创造101》的点赞机制引入微视，可以说传统上最强的拉新手段全都用上了，效果如何呢？

曾经有几天时间上了iOS免费榜的前几名，但可惜昙花一现，很快又跌回到100名以外。为什么效果这么差呢？最重要的原因是微视的算法还不行，用户画像还不精准，内容与用户的匹配并不精准，微视用户的粘性就培养不起来。

同样的内容，在抖音的分发效果就比在微视里要好得多。腾讯强推微视的决心不可谓不大，但是在算法没有突破的情况下，再砸钱，哪怕是100亿，其实都是扔到水里去的。

但是在抖音，是另一种做事方式。

据报导，2017年时，公司一共有1500名工程师，其中算法工程师占了800名，而且还表示愿意以300万美元的薪水（主要是期权）招聘最顶尖的算法工程师。

最后的结果显而易见，抖音占据了很长一阵app store的免费排行榜第一名。

而身边很少有人提起微视。

在今日头条的早期，就有说法：这家公司，没有编辑，一切基于算法。

直到后来，迫于政策压力。才加了编辑，但主要工作是负责审核敏感内容。薪资是非常低的，而且远离总部。这和其他门户网站的人力结构，完全不同。

（二）三个结论

我们可以得到三个结论。

1. 替代就是替代，不需要通过模仿。

   之前我们看新闻，阿尔法狗围棋击败人类，人工智能玩dota击败准职业玩家。

   我们一方面担心被人工智能所替代。一方面我们觉得被替代这一天很遥远：人工智能下围棋行，但距离好多好多领域的生产力，还不行。

   “很遥远”的前提是：人工智能想要模仿人，然后超越人，这很难。因为人的情感，思考都是机器很难模拟的事。

   人类在此，傲慢了。

   因为只要一种生产力比旧的更高效，那么旧的就会被替代。

   算法超越人类，就是超越人类，根本不用模仿人类。

2. “流量”的技术变革

   关于“流量”问题，在最近的二三十年，有三个明显的阶段。

   （1）第一站，传统媒体大水漫灌

   上世纪九十年代，是报纸、电视媒体的黄金时代。哪家企业占领了央视，哪家企业的次年销量必然爆炸。这是最早期，人们接触的媒介单一。

   那段时光，媒体、广告公司是最风光的地方。大把人才都在那里。

   年纪大一些的朋友可能还记得这些名字：孔府宴酒，秦池酒，爱多VCD， 步步高……

   （2）第二站，有人开始思考场景和体验

   在此，独领风骚的会是产品经理，他们开始思考“场景”，思考“交互”——我觉得用户在这种情况下，应该怎样，才会有更好的体验。
   
   (▲“如果你是微信的产品经理/交互设计师，请为微信的看一看做一次改版”——这是腾讯内部的一节产品经理基础课)

   这依赖天才型的产品经理出现。如马化腾，张小龙，乔布斯……

   他们负责思考：我觉得用户在这种情况下，应该怎样，才会有更好的体验。

   甚至，他们说：用户不知道自己想要什么，我来定义用户想要什么。

   定义用户想要什么。而且还定义成功了，就是天才。

   做产品，要依凭“用户觉得这个更好”，而不能依凭“我觉得，用户会觉得这个更好”。

   那么，如何感知到“用户觉得”？三种方式：

   ① 和用户谈。

   ② 自己作为用户，去亲身体验。

   ③ 用户的行为数据。

   传统的互联网公司，是利用 ① 和 ② 的，他们把这叫做“用户调研”。

   他们用“真正的聪明人，都在下笨功夫。”来赞美优秀的产品经理。意思是越是聪明，越是经验丰富，就越要走进用户，去了解他们。

   不然，容易陷入经验判断——“我觉得，用户会觉得”。

   而这种判断，很多时候都不可信。

   这是因为，用户的行为数据收集得不够多，不够好，算法设计得不够漂亮。他们相信自己眼睛和心的判断，胜过数据算法的判断。

   但是，数据会变好，因为它变好的速度比人的成长速度更快。

   当它变得比人的经验判断更可信，我们会来到第三站。

   （3）第三站，算法驱动。

   我们前面谈的微视、抖音、头条案例正是如此。

   他们可能会更多地思考：如果你是微信的算法工程师，请为微信的看一看做一次改版。

   这就会更多从数据取样，数据利用，算法搭建的层面去做设计。

   这是一种变化：

   ① 产品思考场景和交互；工程师去实现；用户给反馈；返回第一步。

   ② 工程师设计算法；工程师索要数据；产品思考如何拿到数据；产品设计场景和交互；工程师去实现；数据给反馈；返回前面的某一步。

   后面，我们还会接着举例。

3. 技术变革发生在当下

   当算法的能力越来越强，直到有天它突破一个阈值，这个阈值是人类工作的平均效果。

   那么算法，就会在一瞬间，摧枯拉朽地干掉大部分人的工作。

   而剩下的那一小撮人，也会被算法一点点干掉。

   因为算法的进化速度，比人类的学习速度更快。

   旧的生产力，被摧枯拉朽地替代掉。这种事，在人类历史上，尤其是近几年，已经发生了太多次。

   弄死一个钱包生产公司的不是一个更好的钱包公司，是微信支付和支付宝。

   人们不再需要钱包。

   弄死服装店的不是一个更大的服装店，是淘宝。

   人们开始去线上消费。

   事情在一开始是温和的：一些公司，开始更努力地招聘算法工程师。

   就像现在，正发生的事情。

   许多人今天不喜欢今日头条，觉得它low。

   但这就像多年前我们看腾讯，说它抄。腾讯的本质是产品驱动，是社交。

   今日头条的本质是字节跳动，是算法。

   他们的公司名已经说明一切：字节跳动。而字节，是计算机数据最基础的组成单元。

（三）一个预告

这篇稿件我们讲了许多内容，但核心就一句：算法替代人，发生在当下。

我会在下一篇里去讲：

如果被替代是不可逃避的宿命。那么作为个体，应该如何应对此事。——拥抱技术。

（四）补一个案例

补充一个案例，Netflix。

可能你没听说过它，简单说就是拍《纸牌屋》的那家。

但这家公司不简单，在今年6月它的市值最高超过1800亿美元，市盈率超过300倍。

与之对比，腾讯今天的市值换算美元大概是4000多亿，京东480多亿，阿里4300多亿。

即便是同行业，传统的剧透迪士尼，市值是1680亿美元。

这是关于市盈率的解释。一般的科技公司市盈率就几十。

但netflix能到三百。

背后的含义是一边是高风险，另一边是：它被资本高估，资本喜欢它。

那么问题来了，这样一个娱乐巨头做的是什么生意？

我用大家比较容易理解的方式来总结，它是：今日头条+爱奇艺+豆瓣。

netflix最早是做租碟生意的。后来，转型成现在的样子。

它给人看剧，也自制剧，比如纸牌屋这种剧。这是它像爱奇艺的地方。

不同之处是它的所有用户，都是付费用户。只不过你有一个月的免费试用。

然后它也像豆瓣（豆瓣电影）。让你写评论，让你给打分。

最后，是它做了非常好的推荐算法。根据你所看过的，根据你的喜好，根据你的身份信息……去推荐给你内容。这是它像今日头条的地方。

我花了很多篇幅，去讲这家公司的状态。现在要去讲它用算法做了哪些事。

1. 利用算法，干预内容选择和生产。

   导演大卫•芬奇曾拿着《纸牌屋》的改编剧本，找过美国多家电视台，却没有一家敢掏钱，谁也说不准一部20年前的老剧是否还有市场。

   Netflix进行了“电视剧消费习惯数据库”分析，他们发现：喜欢观看1990年BBC版本《纸牌屋》的观众，同样是《社交网络》、《七宗罪》鬼才导演大卫•芬奇的拥趸同时，他们还是奥斯卡影帝凯文•史派西的忠实影迷。有了强大的大数据分析支持，Netflix已经完全可以预测受众和市场的反应，将原版《纸牌屋》的粉丝和凯文•史派西与大卫•芬奇的粉丝整合在一起，投拍新版《纸牌屋》，一炮而红。

   他们统计“暂停/快进”来寻找剧情尿点，利用“分享/回放”寻找传播点，干涉剧情创作。

2. 利用算法，做兴趣推荐。

   Netflix一直举办大型比赛招贤纳士，来提高自己的数据挖掘处理能力。2005年底，Netflix设立百万美元奖金征集能使其推荐系统性能上升10%的算法和架构。最终，一个由工程师、统计学家、研究专家组成的团队BPC夺得了百万奖金，成功地将Netflix影片推荐引擎的推荐效率提高了10%。

   与利用算法相对应。许多时候，也是算法在利用人。

   人需要效益，算法需要数据——大量的、便于计算的数据。

netflix也做了很多努力，来喂数据给算法。

1. 基础设施建设

   2010年，Netflix完成了两次数据迁，移一次是将Netflix数据中心迁移到亚马逊ASW之上，另一次就是将Oracle数据库迁移到SimpleDB。到了2011年，又从SimpleDB迁移到Cassandra，利用Cassandra提供的路由配置，集群可以被部署在多个大洲。

2. 产品形态的修改

   他们干掉了五星打分机制，改成了好和不好，单一判断。

   他们取消用户评论功能。

   这样做，都是为了数据更加干净，减少干扰因素。

   这在传统的产品经理眼里，都属于大胆的决策。

   但netflix做了，因为出发点不同。netflix要规整的数据，喂给算法，让算法来生产效益。

   他们信任算法，更胜过人的判断。

   然后，他们获得成功。