Abstract: 中国的人工智能大概率在做什么？一篇哗众取宠，博人关注的软文，数据全部来自网络
Keywords: 人工智能
中美人工智能从业者小调查
我是一个人工智能从业者，之间有过相关创业经历，但是由于接触到的投资机构多为小微型，所以，无法从金融，市场角度分析原因，我今天主要说的是从一个比较可观的角度来看看，我们的人工智能开发人员都在干什么？
写本文的唯一目的就是为了吸引别人关注我的博客或者公众号，这一篇破文章改变不了任何事情，我能做的是保证我的逻辑没问题，数据没问题，至于结论，您爱信就信，不信也无所谓，这对任何人根本没什么任何影响，大概就是这个样子
本文类似于一道证明题，所有环节紧密相扣，如果中间任何一步您觉得不可信，那么后面都不可信，因为前面的基础都是错误的，后面的一系列论证都是错的了。
几个前提
网络是大多数人工智能从业人员获取知识的重要工具，而搜索引擎则起到了至关重要的作用，于是我们提出第一个不证明但是认为是正确的前提(数学中称之为公理，这里我们不这么叫，避免引起歧义)，我们先给这种前提起个名字，叫做 Tony公理 ，以表示这是个非正式的公理:
Tony公理 1：人工智能从业者，开发人员通过搜索引擎来获取相关知识，完成自己的职业技能训练
根据第一个Tony公理继续我们的思考，国内搜索引擎一家独大，也就是百度，我们这里只谈使用量，不考虑任何其他非相关的事。而全球公认使用量最大的搜索引擎我们假定其是Google，所以我们通过这两个网站给出的两个工具来获得我们本文以下的全部数据和依据：
工具 1：Google Trenshttps://trends.google.com/
工具 2：百度指数 https://index.baidu.com
这两个工具都是衡量搜索引擎在某一个事件段内关键词的热度，于是我们接下来用这两个工具来设计我们下面的全部试验。
中美人工智能对比（视觉方向）
这个标题如果作为大标题会吸引很多眼球，事实上我决定可以这么做，因为本文的目的就是哗众取宠。
对比原理
了解或是不了解人工智能的读者都不用害怕，我下面用最通俗解释告诉你这些关键词都代表了什么。
关键词是你要搜索内容的高度概括，就比如你要买鱼丸粗面，不应该去搜索引擎搜索“蓝球”这个关键词，你搜索什么，代表着你要了解什么。于是我们这里提出第二个 Tony公理
Tony公理 2：关键词代表你想要了解的内容
那么作为一个从业者，我来告诉你几个比较有代表性的关键词(主要面向视觉方向，自然语言等不了解，不做解释)，这几个关键词我会对应到我们平时做饭的过程中。这样大家都能理解:
- TensorFlow：是一个开源软件库，用于各种感知和语言理解任务的机器学习。
- TensorFlow 可以理解为一套工具，包括锅碗瓢盆，勺子，铲子，菜刀，等所有工具
- 梯度下降(Gradient Descent): 这个是目前被大范围使用的一种优化方法(一种基础算法)
- 损失函数(loss function):这个和上面的梯度下降类似，也是研究的入门知识，虽然入门但是很关键。
- 选择梯度下降和损失函数作为关键词的原因是，他们是研究使用优化方法的基石，类似于加法中的1+1，而优化方法对于人工智能就像是做饭中调料精确的搭配比例，需要不断的调整这些油盐酱醋的比例才能获得最好的味道，不至于太咸，也不会太酸。
- Mnist: 一个数据集
- 用于入门卷积神经网络的例子，C++中的hello word，做饭中的番茄炒蛋
- AlexNet: 一种相对复杂一些的网络结构
- 用于进一步研究卷积神经网络的例子，难度C++的斐波那契数列，做饭中的炖排骨，而AlexNet相当于给出了你代码和菜谱，你的工作就是运行一下。
Google上的对比 —— 横向对比
中国和美国大家研究上述方向的比例是什么？
我们这里以TensorFlow作为基础指标，其他关键字为其相对的比例，这里的假设是TensorFlow在中美从业者中使用比例近似（比如中国每一百个从业者中有七十个使用tensorflow，美国从业者也应该在七十个左右，如果差的特别离谱，比如美国只有40个，那么本文完全不成立）我们来看中国的关键词热度：
数字代表相对于图表中指定区域和指定时间内最高点的搜索热度。热度最高的字词得 100 分；热度是前者一半的字词得 50 分；没有足够数据的字词得 0 分。
有些看不清，我把最后那几项数据列出来：
| 月份 | 梯度下降: (中国) | 损失函数: (中国) | Mnist: (中国) | TensorFlow: (中国) | AlexNet: (中国) |
|---|---|---|---|---|---|
| 2017-01 | 3 | 0 | 2 | 45 | 2 |
| 2017-02 | 2 | 0 | 4 | 58 | 1 |
| 2017-03 | 2 | 0 | 2 | 73 | 1 |
| 2017-04 | 2 | 0 | 2 | 73 | 2 |
| 2017-05 | 2 | 0 | 3 | 65 | 2 |
| 2017-06 | 1 | 0 | 2 | 73 | 1 |
| 2017-07 | 2 | 0 | 2 | 79 | 2 |
| 2017-08 | 2 | 0 | 3 | 78 | 1 |
| 2017-09 | 1 | 0 | 2 | 77 | 2 |
| 2017-10 | 1 | 0 | 2 | 74 | 1 |
| 2017-11 | 1 | 0 | 3 | 90 | 1 |
| 2017-12 | 3 | 0 | 5 | 88 | 1 |
| 2018-01 | 1 | 0 | 4 | 89 | 2 |
| 2018-02 | 2 | 0 | 2 | 56 | 1 |
| 2018-03 | 3 | 0 | 3 | 83 | 2 |
| 2018-04 | 3 | 0 | 2 | 100 | 2 |
| 2018-05 | 2 | 0 | 3 | 94 | 2 |
| 2018-06 | 3 | 0 | 3 | 86 | 1 |
| 2018-07 | 2 | 0 | 3 | 89 | 1 |
| 2018-08 | 2 | 0 | 3 | 89 | 2 |
| 2018-09 | 2 | 0 | 3 | 86 | 1 |
| 2018-10 | 3 | 0 | 4 | 63 | 1 |
接着我们看看美国从业者搜索相关信息的比例：
同样列出最后的数据：
| 月份 | gradient descent: (美国) | loss function: (美国) | Mnist: (美国) | TensorFlow: (美国) | AlexNet: (美国) |
|---|---|---|---|---|---|
| 2017-01 | 5 | 9 | 3 | 50 | 1 |
| 2017-02 | 8 | 13 | 4 | 66 | 1 |
| 2017-03 | 9 | 13 | 5 | 79 | 2 |
| 2017-04 | 8 | 15 | 5 | 84 | 2 |
| 2017-05 | 7 | 10 | 4 | 84 | 2 |
| 2017-06 | 5 | 9 | 4 | 83 | 2 |
| 2017-07 | 6 | 8 | 3 | 75 | 2 |
| 2017-08 | 5 | 8 | 3 | 77 | 1 |
| 2017-09 | 7 | 12 | 4 | 75 | 1 |
| 2017-10 | 10 | 16 | 5 | 85 | 2 |
| 2017-11 | 9 | 14 | 7 | 92 | 2 |
| 2017-12 | 7 | 11 | 5 | 80 | 2 |
| 2018-01 | 6 | 10 | 4 | 78 | 1 |
| 2018-02 | 9 | 15 | 5 | 89 | 1 |
| 2018-03 | 9 | 14 | 5 | 96 | 2 |
| 2018-04 | 9 | 17 | 6 | 100 | 1 |
| 2018-05 | 8 | 12 | 5 | 95 | 2 |
| 2018-06 | 6 | 9 | 4 | 93 | 1 |
| 2018-07 | 6 | 10 | 4 | 89 | 1 |
| 2018-08 | 7 | 9 | 3 | 86 | 1 |
| 2018-09 | 9 | 13 | 5 | 87 | 1 |
| 2018-10 | 11 | 15 | 5 | 83 | 1 |
根据上面的对比得出一条结论：
美国和中国从业者在使用相同的厨具数量下，美国人比中国人更多人投入研究优化方法，也就是调料的搭配，而在做番茄蛋和炖排骨上，大家的热情差不多。
百度一下，纵向对比中国自己的方向
然后。。对不起各位。。没有然后了，因为
总结
上文逻辑目前来看没有什么问题，只能做横向对比了，纵向对比我们要“立即购买”，这里我就不去深入研究了。如果有不同的看法，可以用任何正确的逻辑来反驳我，这个我是接受的，因为毕竟我不能统计所有关键词，难免会有错误，但是如果从情怀上来说我不爱什么什么的，那我只能跪在地上给大爷认错，我错了。
后面几句牢骚别当真，喜欢的话关注我们的公众号，不过以后不会有这种文章了。