Python好像天生是為AI而生的，隨著AI的火熱，特別是用Python寫的TensorFlow越來越火，Python的熱度越來越高，就像當年Java就是隨著互聯網火起來的感覺。

在我的工作中，Python用來寫腳本用，有些功能用Java或者shell也能實現，只是用Python來寫更加方便一些，小伙伴們如果平時做Java開發的話，建議學習一下Python，換個思路，換種感覺，保證給你不一樣的程序體驗。

開發語言其實就是一個工具包，Python與Java的底層實現都離不開C/C++，只是工具包的設計思路不一樣，方法不一樣，所以應用的方式不一樣，同樣都是解決問題，使用不通過的工具解決問題的途徑不同而已。

AI的各種算法已經算法的演進，誕生了無數的牛人，無數中算法就像是在解決微觀世界里面的各種問題，各種困難，而Java工程師面臨高并發，分布式等各種問題的洗禮與解決，也誕生了無數的牛人，充分彰顯了人類的智慧，像是解決宏觀世界的問題。

多年來，機器學習已經成為一種趨勢，值得關注。但是有充分的理由在2020年背景下談論它。這要歸功于 TensorFlow.js這樣的開發：TensorFlow.js：一個端到端的開源機器學習庫，它能夠（除其他功能外）直接運行經過預先訓練的AI在網絡瀏覽器中。

為什么興奮？這意味著AI正在成為網絡中更完整的一部分。一個看似微小而令人討厭的細節，可能會產生深遠的影響。

當然，我們已經有很多使用AI的網絡工具的示例：語音識別，情感分析，圖像識別和自然語言處理不再是天壤之別。但是這些工具通常將機器學習任務卸載到服務器，等待它計算，然后將結果發送回去。

對于可以原諒小小的延遲的任務來說，這很好，很花哨（您知道這種情況：您用英語鍵入文本，然后耐心等待一兩秒鐘，將其翻譯成另一種語言）。但是，這種瀏覽器到服務器到瀏覽器的延遲對于更復雜，更具創造力的應用程序來說是垂死的吻。

例如，基于面部的AR鏡頭需要即時并連續跟蹤用戶的面部，因此任何延遲都絕對不能進行。但是，延遲也是簡化應用程序中的主要難題。

痛點

不久前，我試圖開發一個網絡應用程序，該應用程序通過手機的后置攝像頭一直在尋找徽標。這樣的想法是，當AI識別出徽標時，網站便會解鎖。簡單吧？你會這樣想的。但是，即使這項看似簡單的任務也意味著不斷拍攝攝像機快照并將其發布到服務器，以便AI可以識別徽標。

必須以極快的速度完成任務，以使用戶的手機移動時徽標不會丟失。這導致每兩秒鐘從用戶的手機上載數十KB。完全浪費帶寬和整體性能殺手。

但是由于TensorFlow.js將TensorFlow的服務器端AI解決方案直接帶入了網絡，因此，如果我今天要構建此項目，我可以運行一個經過預先訓練的模型，使AI在用戶的手機瀏覽器中識別給定徽標。無需上傳數據，檢測每秒可以運行幾次，而不是每兩秒鐘一次。

更少的延遲，更多的創造力

機器學習應用程序越復雜和有趣，我們就需要接近零延遲。因此，通過消除延遲的TensorFlow.js，AI的創意畫布突然變寬了。 Google的實驗計劃 很好地證明了這一點。它的人體骨骼跟蹤和 表情符號尋寶項目表明，當機器學習成為Web的適當集成部分時，開發人員將如何發揮更大的創造力。

骨骼跟蹤特別有趣。它不僅提供了Microsoft Kinect的廉價替代方案，還直接將其引入了Web。我們甚至可以開發使用網絡技術和標準網絡攝像頭對移動做出反應的物理裝置。

另一方面，表情符號尋寶游戲顯示了運行TensorFlow.js的移動網站如何突然意識到手機的用戶上下文：它們在哪里，在他們面前看到什么。因此，它可以將結果顯示的信息關聯起來。

這也可能具有深遠的文化含義。為什么？因為人們很快就會開始將移動網站更多地理解為“助手”，而不僅僅是“數據提供者”。這是從Google Assistant和支持Siri的移動設備開始的趨勢。

但是現在，由于有了真正的Web AI，一旦網站（尤其是移動網站）開始執行即時機器學習，這種將移動設備當作助手的傾向將變得根深蒂固。這可能會引發觀念上的社會變化，人們將期望網站在任何給定的時刻都能夠提供完全的相關性，而干預和指導卻最少。

未來是現在

假設地說，我們還可以使用真正的Web AI來開發適合人們使用方式的網站。通過將TensorFlow.js與Web Storage API結合使用，網站可以逐漸個性化其調色板，以更加吸引每個用戶的喜好。該站點的布局可以調整為更有用。甚至可以對其內容進行調整，以更好地滿足每個人的需求。和所有的飛。

還是想象一個移動零售網站通過攝像頭觀察用戶的環境，然后根據其情況調整其產品？還是 Google的房地美（Freddie Meter）這樣能分析您的聲音的創意網絡廣告系列呢？

由于所有這些誘人的可能性都即將成為現實，很遺憾我們不得不等待很長時間才能找到合適的Web端機器學習解決方案。再一次，正是由于移動設備上AI性能不足，促使TensorFlow的產品開發（如服務器端TensorFlow – .js版本的前身）成為了Web的真正集成部分。現在我們終于有了真正的Web機器學習的天賦，2020年很可能是開發人員釋放其AI創造力的一年。