前幾天面試了一個C9應屆碩士生，模式識別專業，連續問好幾個專業問題都沒能答上來。

尷尬之余，我問他：「你沒有什么理想嗎？你現在最渴望的事情是什么？」

他轉悠著大眼睛，不假思索道：「將kaiming大大的Resnet擴展到10萬層，把kitti，COCO數據庫檢測識別任務提升20個點以上」

真沒想到在面試中居然還有這種操作。

我問為什么這能成為現階段最渴望的事情，他反問「你難道不為LeCun、Bengio和Hinton的執著精神所感動么？你難道不羨慕ILSVRC2012 AlexNet大放異彩么？你難道不被googlenet，Resnet的深邃思想所折服么？」

好有道理我竟無法反駁。

這么了解市場的工程師，一定是個不可多得的人才！

于是，我決定：不錄取他。

這幾年，深度學習在CV領域大行其道，不論是detection，segmentation，classification，還是stereo matching，pose estimation，深度學習把之前傳統各種state of the art方法爆出翔。現今，算法工程師不知道經典網絡，流行框架都不好意思和別人打招呼。

此現象僅僅局限于剛入坑的小白。但是對于浸淫5年以上的無論bat算法經理還是資深人肉特征設計工程師，這種事情對于他們不過是一種笑談。久而久之，我發現一個殘酷的共同點——

他們只用傳統方法。

工資不高嗎？最低的月薪都有20K+，還有公司期權和股票。

技術不行嗎？Paper 發到手軟，代碼編譯一次就好。

我問過其中一個：我看你整天針對不同任務，手動設計特征，分類器不累么，不想試試cnn方法么？

他說：廢話，肯定想啊。

我問：那為什么不試一下LeNet，AlexNet呢，caffe框架下不是都有例子么？

他嘆氣：不，太忙。

他意味深長道：優秀的算法工程師都是不用深度學習方法的。

跟我聊天的這個人，本身就是個大神，BS CMU，MS Stanford，doctor在MIT，三年完成五年課程，讀博期間發了100多篇sci，h index 40好幾，回國任創業公司首席科學家，閑著沒事發 Paper 玩，引用也很可觀。

追隨興趣投入cv研究10幾年，早在01年Paul Viola提出Haar與級聯adaboost時，小修了特征與分類器，識別率提升了0.1%，達到當年人臉檢測領域的state of the art。后來受不了國外大學對華裔學術上的歧視，毅然回國，目前早已實現財務自由。

這樣的算法佬，我想出來，從來不買好的顯卡跑深度學習，買來顯卡應該也是吃雞用的吧。

我還是認識另一個算法工程師。

最喜歡傳統特征與分類器，像gabor濾波器，LBP特征，adaboost算法，SVM分類，random forest等自然是如數家珍，每每驚嘆于harr特征在人臉檢測，hog在人體檢測，LBP在人臉識別取得的成功而熱淚盈眶。但也由于過于癡迷，每天神神道道： 秀，天秀，陳獨秀，蒂花之秀。對于深度學習方法不屑一顧，可以搭出比cnn更work傳統特征+分類器方法。

這個人才是是圈子里的一股清流。

他最大的愛好是在視頻監控rgb通過高斯背景建模生成的前景圖像上，用米尺丈量顯示器來確定物體的寬高比，剔除樹葉抖動，水波蕩漾，磕頭機等帶來的誤報。此等神級操作在剛入坑的小白看來，是那樣的格格不入。有時也有人勸他，目前cnn通過剪枝，壓縮模型等技術，在1080ti上已經達到實時，你也可以試一下，減少一下工作量。

他卻不會受到任何影響。

我問他：你到底怎么保持一顆平常心的，別人都用深度學習取得較好的泛化效果，你卻針對一個個場景手工設計特征和分類器，不累么？

他笑，說：累又怎么了，不服讓深度學習跑在低端arm平臺上試試？

我立刻懂了。

同樣是這個人，利用傳統方法，在特定場景實現比深度學習更好的效果，而且通過5輪算法優化，硬是把算法移植到低端平臺，每路為公司剩下2K的成本，這是一種工匠精神。

上周跟一個 CEO 朋友出去吃飯，他說他招來的一些菜雞算法工程師，總想買多個1080ti顯卡，用深度學習方法提升研發效率。

他跟我說，「可你不一樣，你會一直提醒我，要我遠離舒適區，要我不能安于現狀，要我有危機意識，你好像特別看重用傳統方法解決問題。」

人都是需要獨立的。

仍是要永遠年輕，永遠熱淚盈眶。

仍是要時時刻刻對美好滿懷期待，對未來充滿渴望，對經典心懷敬畏。

要記住啊，知世故而不世故，處江湖而遠江湖，才是最善良的成熟。