原文首发于我的微信公众号：GeekArtT。
从明天起，做一个幸福的人，喂马、劈柴，周游世界，然后做一名合格的调包侠。不再基础设施上纠结不已，而是在前人的基础上，进行地春暖花开。如果你是一名摄影师，你不用再考究各个光学元件的组成，不用再为光线的昏暗而烦恼，而是迎接PS的新世界，将所有的精力放于更富创造性的构图上。
绘画的艺术，是最早的优秀工程实践。以草图为基础的技术方法论，是一切工程的基础。素描老师教授的第一课，便是先着眼于整体性框架的勾勒，而不要在细节上精雕细琢。等到大物件的位置、构图都相对确定的时候，再一步步深入细节，让画面丰满起来。这种经典的从宏观到微观的工程技术，是控制复杂度的基石。
那么，对于AI，machine learning这样的新技术，极为容易被复杂的数学原理和漫长的公式推导所迷惑。这样的复杂度，既令人生畏，也让人着迷。因为一旦形成成熟的解决方案，似乎便没有了任何门槛与屏障，一切显得来平淡无奇。于是，为了保住自己的光环，便会更加沉迷于基础设施的复杂性，而忘记了更为重要的宏观运用。这就好比是做素描时，沉醉于各种纹路的勾勒，而对于草图的直线、切面显得不屑一顾。因为这些切面和直线是那样的简单，甚至让人羞于一提。
然而，这里就不知不觉进入了另一个陷阱之中。像那流传的故事，“剪去一根导线只会耗费1美元，知道在哪里剪需要99美元。”所谓的没有技术含量的直线与切面，会因为其恰到好处的落笔点，而价值千金。同样的，学习AI、machine learning的目的并不是为了复杂而复杂，其根本性的使命在于解放生产力、发展生产力。如果我们只顾沉醉于这些新技术的基础建设，而对应用层面的组合不屑一顾，就无异于本末倒置。
事实上，从人的客观认识规律来讲，你应该先成为一名调包侠。它有助于你抛开细节的枷锁，清晰地为一个现实目标搭建框架。你可以腾出更多的精力集中于解决方案的设计，而不是在基建设施上停滞不前。这些现成的程序包，能够为你快速地搭建起可以提供反馈的实验模型，让你通过实践来启发更多的思路。
从明天起，让我们做一名出色的调包侠。请更加细心地观察工作生活中的痛点，然后开阔思路，运用现成的程序包来做一些尝试与改进。以此来发挥出machine learning真正的威力。你应该因为成功地解决了现实问题而欣喜，而不是因为将细枝末节搞得来更加晦涩而兴奋不已。
每个阶段有每个阶段的使命。如果是一门新生学科，你不得不做非常多的基础性工作来为未来的几十年做准备。这个时候对细枝末节的高度关注并不是毫无意义，因为这是这一阶段无法逃避的必做性工作。而如果过渡到下一个阶段，在开源社区的精心呵护下，已有的基础设施已经基本齐备。这个时候再重复去构筑基建设施，将会付出高昂的机会成本。这一阶段的使命与任务，已经变成了如何巧妙地运用现有平台来真正解决自己的问题。
不要过度关注伪问题，把元问题当做护身符而拒绝接触现实，拒绝了解生活。而是要反过来，认清楚、辨别出生活中真正需要解决的痛点，然后考虑应该运用哪些工具去解决。不要拿着锤子去找钉子，而是要先认清楚了这是不是钉子，再决定是否要用锤子。
如果你喜欢我的文章或分享，请长按下面的二维码关注我的微信公众号，谢谢！
