Ask HN：构建 AI/ML 技能的日常实践？

Hacker News 讨论 ↗

有志于 AI 和机器学习的人正在权衡在时间有限的情况下如何最好地培养技能，从每天一小时的练习到更沉浸式的选择，如读研或换工作。许多人主张以项目驱动、自上而下的方式，使用现代工具（fast.ai、PyTorch、Hugging Face、LLM APIs），同时逐步补齐数学和统计基础，而不是纯粹从理论入手。也有人强调，深入理解、实现论文以及掌握更广泛的 ML 方法仍然至关重要——尤其是对研究岗位而言——而有经验的工程师则指出，MLOps 以及高效使用现有大模型方面的机会正在增长。

学习 AI/ML 的总体方法

  • 许多人推荐“边做边学”：挑一个你热爱的项目（例如文档理解、音频、体育分析），然后在其上不断迭代。
  • 强调沉浸式学习：理想情况下，把 AI/ML 变成全职工作或学习的一部分；否则，就做持续的副业项目。
  • 有些人建议，连续 4 小时的周末专注学习可能比每天 1 小时更有效。

个人项目 vs 正式教育

  • 正式学位被看作是你可以通过自学复制的内容，但学校提供了结构、截止日期和社会认可。
  • 即使内容可以独立学会，这张文凭在实际求职中也被认为对获得面试很有用。
  • 也有人认为，如果你有足够的自律，就可以通过教材、在线课程和论文复现来进行自学。

基础 vs “直接用库就行”

  • 一派观点：从统计学、经典 ML（回归、朴素贝叶斯、SVM、boosting）和数学开始；从零理解模型。
  • 另一种看法：自底向上太慢，不适合快速变化的领域；更好的方式是先用高层工具，再按需补基础。
  • 也有多人指出，基础（尤其是统计学）具有广泛价值，不只是对 ML 有用。

实现模型和论文

  • 很支持亲手实现简单模型和研究论文，以获得深层理解。
  • 对于是否要手写神经网络/backprop 存在分歧：
    • 有人说这就像自己写 HashMap，除了基础直觉外并不值得。
    • 也有人坚持，至少亲手做一次简单实现，对于理解梯度和架构至关重要。
  • Papers With Code 和整理好的 “awesome papers” 列表被推荐为起点。

工具、框架和硬件

  • 更偏好 PyTorch（以及新的编译特性）和 JAX；TensorFlow 被描述为遗留/技术债，除少数场景外如此。
  • 免费云工具（例如托管笔记本）可以弥补本地硬件较弱的问题。
  • 基于 JS 的 ML 也可以做，但大多数示例和工具链仍以 Python 为中心。

LLM 与面向应用的技能

  • 区分训练 LLM 和在产品中使用 LLM；许多人建议把重点放在使用上（API、RAG、embeddings、工具链）。
  • Prompt engineering 和大量亲手使用多个 LLM，被视为本身就很重要的技能。
  • 也有人警告，模型开发者与使用者之间的差距正在扩大，类似芯片设计与通用软件的区别。

职业、MLOps 和生态技能

  • 报告显示，对能够将 ML 生产化的工程师需求很强：数据管道、测试、部署、监控和扩展。
  • Kaggle、写博客和开源贡献被建议用于构建作品集。
  • 也有多人强调，实践中的 ML 很大程度上关乎数据质量、基础设施和简单基线，而不只是花哨模型。