摘要：導(dǎo)語本期訪談對象小猴機器人，清華人工智能專業(yè)博士在讀。或許因為成長于廣袤的內(nèi)蒙，小猴身上帶著大山和草原一般的灑脫與樂觀，在他鐘愛的無人車上，印上了一個美好的我們的征途是星辰大海。技術(shù)人攻略除了規(guī)則挖掘，人工智能遇到的難題還

文：Gracia,攝影：周振邦
(本文為原創(chuàng)內(nèi)容，部分或全文轉(zhuǎn)載均需經(jīng)作者授權(quán)，并保留完整的作者信息和技術(shù)人攻略介紹。)

導(dǎo)語：本期訪談對象@小猴機器人，清華人工智能專業(yè)博士在讀。2009年開始，他參與實驗室的無人車項目，和軍事交通學(xué)院共同研發(fā)“軍交猛獅III號”無人車。這輛由黑色現(xiàn)代ix35改裝的大家伙，配備雷達、攝像頭和GPS傳感器，可精確識別路況、判斷障礙物，并自主進行剎車、油門、制動、換擋等操作。身為概率論、AI、Python的狂熱愛好者，小猴正致力于用概率圖模型方法，讓機器變得更聰明。

攻略君的書柜頂層，放著侯世達的《哥德爾、埃舍爾、巴赫：集異璧之大成》，這本被譽為人工智能“圣經(jīng)”的厚重大部頭，出版于70年代中期，曾獲得普利策文學(xué)獎，轟動一時。其后，人工智能領(lǐng)域研究進入拐點，關(guān)注“人類思維如何運作”的傳統(tǒng)研究方式進入死胡同，逐漸淡出公眾視野。直到80年代末期，人工神經(jīng)網(wǎng)絡(luò)發(fā)明，基于大量訓(xùn)練樣本的機器學(xué)習(xí)模型，取代傳統(tǒng)人工規(guī)則，這一領(lǐng)域才重新取得突破性進展。

隨著大數(shù)據(jù)與人工智能結(jié)合，我們逐漸進入一個算法主導(dǎo)的世界，無所不在的機器智能，精確記錄著你的點滴，計算著你的喜好，推薦你需要的物品，物理世界和虛擬世界的分界變得模糊。在歡天喜地迎接萬億級別新市場同時，也不乏對科技和人類未來的反思，對技術(shù)“奇點”的擔憂是其中之一。大約一萬年前，人類在改造自然的能力上逐漸占據(jù)主導(dǎo)，迎來了自身的大繁榮。當機器智能超越人類智能，意味著第二個臨界點到來，這種智能會在多大程度上操縱人類的認知方式？一個有人性的世界是否會由此終結(jié)？人工智能這把通往未來的鑰匙，究竟能打開一扇什么樣的門？需要每位參與者謹慎思考。

“三清團”（清華本科、碩士、博士）的經(jīng)歷，讓小猴養(yǎng)成了嚴謹、務(wù)實的科學(xué)態(tài)度。他喜歡用“科技工作者”稱呼自己，并且善于用通俗易懂，帶點戲謔的方式，把那些看起來高深的理論，解釋得通俗易懂。他曾做過一份《機器學(xué)習(xí)周刊》，用自己鮮明的個性，把嚴肅、枯燥的技術(shù)新聞，解讀得無比鮮活。即使整整一下午，我耳邊回蕩著“卷積神經(jīng)網(wǎng)絡(luò)”、“約束玻爾茲曼機”、“馬爾科夫隨機場”這樣的專業(yè)名詞，聽起來仍是津津有味?；蛟S因為成長于廣袤的內(nèi)蒙，小猴身上帶著大山和草原一般的灑脫與樂觀，在他鐘愛的無人車上，印上了一個美好的Slogan：我們的征途是星辰大海。

技術(shù)人攻略：你們的無人車項目始于何時？做到了什么程度？有哪些難點？

  
我現(xiàn)在清華“不確定性人工智能實驗室”讀博士，主要做和不確定性相關(guān)的東西，例如：知識挖掘、知識圖譜、讀心機器人、視覺識別、四旋翼、自平衡車、足球機器人等項目。
  
  
實驗室的無人車項目從2005年開始啟動，目前已和若干高校，以及上汽、北汽等公司聯(lián)合，共有100多人參與。我2009年加入該項目，從做模型車開始，逐漸做到大車。目前為止，該車已通過約5萬公里測試，在全程無人工干預(yù)情況下，高速路跑下來沒問題。2012年12月，央視曾跟拍過我們從北京收費站入口，跑到天津收費站出口的全過程。
  
  
接下來的挑戰(zhàn)是錯綜復(fù)雜的城區(qū)道路，解決復(fù)雜問題的方式是剝洋蔥，剝到我們能解決的那一層。城市道路抽象地看，可分成機場高速、環(huán)路、普通城市道路、小區(qū)道路，難度依次提升。以“機場接人”這個任務(wù)為例，無人車需要從機場一號航站樓，跑到天安門旁的工信部大院。這段路涉及機場高速、東二環(huán)、前門大十字路口等許多交通元素，逐步搞定預(yù)計要用兩年時間。
  
  
無人車行走依靠三大工具，一是GPS衛(wèi)星定位，二是激光雷達，三是相機。雷達和相機實現(xiàn)局部定位，GPS實現(xiàn)全局定位。這里面有很多技術(shù)難點，其中之一就是如何實現(xiàn)高精度定位。
  
  
普通車道線的寬度是3.3米，手機上的GPS號稱誤差2.5米，一旦出現(xiàn)5米左右的誤差，會導(dǎo)致從左拐車道偏移到直行車道。針對高精度定位需求，已出現(xiàn)了一些高層次GPS定位方法，例如RTK-GPS、差分GPS，通過靜態(tài)GPS基站和衛(wèi)星同時定位，精度可達到50厘米。一輛無人車的總成本高達200萬人民幣，激光雷達國外賣6萬刀，國內(nèi)加上稅得到80萬人民幣，用精度更高的航天級傳感器，成本會高達上百萬。差分GPS市價30萬，基站覆蓋范圍10公里。從機場到天安門這段路約29.1公里，想實現(xiàn)全程信號覆蓋，至少得建3個基站。如果用3G，不用搭建基站，但信號覆蓋效果會是個問題。所以最后的定位方式會結(jié)合多種傳感器做融合推理。
  
  
Google無人車依賴GPS，及傳感器做特征抽取，并把這些信息連到一塊分析。分析過程用到了SLAM（協(xié)同定位與繪圖）技術(shù)，它是一個機器學(xué)習(xí)算法，在機器人領(lǐng)域應(yīng)用得很廣。根據(jù)車的移動，不斷調(diào)整地理位置估計，當搜集的信息足夠多時，就能實現(xiàn)精準定位。如果有足夠完善的地圖，就不需要用到SLAM，直接把場景和地圖特征做Mapping就可以。

技術(shù)人攻略：你現(xiàn)在主要的研究方向是什么？

  
我個人的興趣是用概率模型（例如概率圖模型）方法解決人工智能問題。在無人車這塊，正嘗試通過深度學(xué)習(xí)模型，對人的駕駛及周圍環(huán)境建模，訓(xùn)練出一些模型，和車的控制算法結(jié)合，讓機器變得更聰明。
  
  
傳統(tǒng)控制方式會寫一些if、then條件，例如：如果視野里出現(xiàn)紅色，則前方有紅燈。但僅憑這一條規(guī)則判斷，結(jié)果會存在一定不確定性。圖模型則會連接更多前件和后件，根據(jù)已有知識，去推論圖里面某一個節(jié)點或者某一條邊，是否會存在或發(fā)生。仍然拿紅燈舉例，根據(jù)先驗知識，紅燈一般在高處。除了判斷顏色之外，還需要判斷紅燈和地面之間的關(guān)系。如果在地面上檢測出來一個紅色物體，那么它是紅燈的可信度不會很高，如果在天空上，那么很可能是一個紅燈。
  
  
除無人車外，我還對自然語言處理感興趣，例如做Email的Intention Direction分析，怎么知道某封郵件是找你要資料的Email，還是老板通知你去開會的Email。再進一步，通過智能助理提醒你，回復(fù)前兩天別人找你要資料的Email，或只對老板讓你開會的Email做出響應(yīng)。如何理解你老板，和開會這兩件事，涉及到對人和事件的識別與抽取，這中間可以做大量的嘗試，會讓你對人工智能的能力感到很振奮。
  
  
我參與過最有趣的人工智能項目是MSRA的“讀心機器人”：你在心中設(shè)想一個公眾人物，它能通過一系列問題，猜出你心里想的那個TA是誰。這實際上是一個排序算法，根據(jù)用戶的每一次回答調(diào)整 Ranking。其中的技術(shù)涉及到知識庫構(gòu)建，所有人物的背景知識都從互聯(lián)網(wǎng)上抓取。還涉及到群體智能，通過用戶的回答調(diào)整算法。

技術(shù)人攻略：剛提到用圖模型方法解決人工智能問題，圖模型有哪些好處？如何實現(xiàn)？

  
用圖模型解決問題的方法，在人工智能里被稱為“連接主義”。過去我們常把數(shù)據(jù)看成一個個孤立的點，針對點做假設(shè)。但實際上，可能很遠的地方一個毫不相干的信息，會觸發(fā)你這里致命，或決策性的響應(yīng)。所以用圖來研究人工智能是很自然的方式。
  
  
Google知識圖譜（Knowledge Graph）就是根據(jù)圖模型構(gòu)建起來的，我們一般叫它知識庫（Knowledge Base）。例如你想搜索關(guān)于奧巴馬總統(tǒng)的知識，傳統(tǒng)搜索引擎做關(guān)鍵字匹配，難免會搜出一些不需要的東西。用知識圖譜方式，全世界有1000個人叫奧巴馬，但可能只有一個人和“米歇爾（奧巴馬的妻子）”有關(guān)系，通過這類聯(lián)系，迅速定位出目標。
  
  
但如何能知道米歇爾和奧巴馬之間的聯(lián)系呢？這就涉及到知識庫的構(gòu)建。構(gòu)建分為兩步，第一步是Entity Linking，找出材料中提到了知識庫里的誰？第二步是Slot Filling，找出在說他的什么事？
  
  
人類的思考過程并不僅依靠輸入的材料，而是會結(jié)合已有常識分析。例如大部分人大學(xué)畢業(yè)都在22歲左右，大部分人會在30歲之前結(jié)婚、生子，大部分人壽命不會超過100歲……這一系列概率分布構(gòu)成了人的背景知識，利用這些知識可以輔助和改進人工智能效果。
  
  
常識一般分三類，第一類叫事實，例如：布萊爾是英國總理。這個層面的知識可以從大英百科全書或Wikipedia上拿到；第二類常識，例如：布萊爾是個人，他是個男人。涉及上下層級關(guān)系，要更難一些；第三層更困難，例如：布萊爾是個男人，男人通常會和女人結(jié)婚，通常會在結(jié)婚后兩年生小孩。第三層涉及的規(guī)則，是真正的人類智力和人工智能之間的壁壘所在，如何能夠有效挖掘出這些規(guī)則，是目前人工智能遇到的最大挑戰(zhàn)。

技術(shù)人攻略：除了規(guī)則挖掘，人工智能遇到的難題還有哪些？

  
所有做人工智能和機器學(xué)習(xí)的人，遇到最普遍的難題是：缺乏被標記好的數(shù)據(jù)。舉個例子，我們面前這一瓶可樂，網(wǎng)絡(luò)上能找到成千上萬張圖片，但就是沒有標記出來它是一瓶“可樂”。即使在電商網(wǎng)站上，這張圖很可能也并不會標記為“可樂”，而是叫“解暑佳品”。在這樣的情況下，機器又如何能知道對應(yīng)的圖就是“可樂”呢？
  
  
再舉個極端的例子，你在朋友圈貼了幾張美食的圖片，發(fā)了一句感慨：今天真開心。這句話和美食沒有任何關(guān)系，根本沒法處理。而有的人會說：我在大眾點評上找了一家烤肉店，味道非常不錯。那“烤肉”這個詞就能抓出來了。所以這不是技術(shù)上的問題，而是要看你能拿到多少數(shù)據(jù)。
  
  
怎樣從這些沒有標記過的數(shù)據(jù)中，搞出一點苗頭出來，這就是當下最火的深度學(xué)習(xí)要做的事。有別于深度學(xué)習(xí)直接用原始數(shù)據(jù)的生猛做法，傳統(tǒng)解決辦法是用遠程監(jiān)督（Distant Supervision）技術(shù)獲取數(shù)據(jù)，例如從網(wǎng)上抽出一些可能的標簽，在“減肥佳品，消暑必備可樂”這句話里，會抽出“減肥”，“消暑”、“可樂”這些名詞。統(tǒng)計相似的圖片里面，有哪些關(guān)鍵詞經(jīng)常出現(xiàn)，用不確定性解決這個問題。算完之后給出一個概率：這個東西在談可樂的概率80%，在談減肥的概率20%。只要數(shù)據(jù)量夠大，這些都不是問題。
  
  
機器學(xué)習(xí)上手很容易，關(guān)鍵是能挖出什么東西來。真實數(shù)據(jù)里噪聲非常多，缺失的信息也很多，實踐者要學(xué)會繞出這些坑，從紛亂的數(shù)據(jù)中找出規(guī)律。在深度學(xué)習(xí)還沒到大家腦海里之前，大部分機器學(xué)習(xí)學(xué)者都在觀察數(shù)據(jù)有什么特征，這叫做特征工程。例如你發(fā)現(xiàn)數(shù)據(jù)里所有單詞的第一個字母都大寫，就把它當成一個特征，別人如果沒用到這個特征，你的算法就超前了。搞人工智能的人，必須對數(shù)據(jù)敏感，能從數(shù)據(jù)里發(fā)現(xiàn)一些別人看不到的端倪。機器學(xué)習(xí)是一個優(yōu)化過程，但能從數(shù)據(jù)里挑什么來做優(yōu)化，需要專業(yè)技術(shù)。而且數(shù)據(jù)特征和領(lǐng)域有緊密關(guān)系，廣告、網(wǎng)頁的、圖片識別的特征各不一樣，用到的模型也可能不一樣。

技術(shù)人攻略：前陣子媒體報道已有機器通過圖靈測試，你怎么看？

  
前陣子宣稱通過圖靈測試的那臺計算機，模擬了一位13歲的匈牙利外國男孩，并且還是得了病的那樣一個人的智能。做了許多限制條件，把AI設(shè)計成有缺陷的人，試圖蒙混過關(guān)。
  
  
實際上，真正的人工智能學(xué)家根本不會致力于去通過圖靈測試。我們不去爭論什么是真正的人工智能，而做以下設(shè)想：如果有一臺無人車，可以讓駕駛過程中90%的場景全都和人一樣。逐漸把這種算法應(yīng)用到地鐵、飛機駕駛，并且都做到效果無限和人逼近。最后這些綜合起來，形成一個整體，你覺得它算不算人工智能？
  
  
人工智能分為兩派，以Google為首的一派搞統(tǒng)計，以侯世達為首的一派搞規(guī)則。兩派人總在爭論，究竟誰才是真正的人工智能。討論參與到最后，就變成了人和機器最后到底誰會控制誰的暢想。暢想完了之后總還要干活，作為科技工作者，不如埋頭把活干好。在局部范圍內(nèi)讓機器人去逼近人，如果能做到一個比較良好的狀態(tài)，就稱其為在這個領(lǐng)域內(nèi)，達到一定程度的人工智能。比起通過圖靈測試，這應(yīng)該是更為實際的目標。
  
  
對于圖靈測試智能與否，也有學(xué)者吐槽。去年人工智能大會（IJCAI）上，Hector Levesque就指出：人與機器的區(qū)別應(yīng)該在于認知和理解，比如“指代消歧”能力，普通人可以輕松結(jié)合上下文，分辨出文中的“它”指的是誰，但目前機器要做到這點挺難。

技術(shù)人攻略：Yann LeCun（燕樂存）預(yù)測這兩年會大量出現(xiàn)人工智能、機器學(xué)習(xí)的初創(chuàng)公司，你關(guān)注到有哪些這個領(lǐng)域的公司？

  
國外機器學(xué)習(xí)的初創(chuàng)公司很多，方向也相對比較雜，應(yīng)用領(lǐng)域包括廣告、機器人、智能家居等。例如今年初Google以4億美金收購了DeepMind，這家公司的創(chuàng)始人之一是Yann LeCun的學(xué)生，他們把深度學(xué)習(xí)模型應(yīng)用到游戲領(lǐng)域，做了個自動玩超級瑪麗的算法，發(fā)了篇很厲害的Paper。
  
  
深度學(xué)習(xí)最牛的地方，在于完全不需要定義規(guī)則，所有規(guī)則都由機器自己學(xué)習(xí)得出。在超級瑪麗游戲里，你根本不用定義馬里奧和烏龜?shù)木嚯x，只需定義活下去這個目標，把整幅截圖給機器，它自然就能找出在什么場景或什么動作序列下，游戲角色能存活最長時間。
  
  
這家公司價值如此大，關(guān)鍵還在于，超級瑪麗通關(guān)的算法，實際上跟其它高精尖領(lǐng)域的控制算法原理一樣。例如航天飛行器的控制算法，是在模擬器里，用模型驅(qū)動參數(shù)變化，給出結(jié)果并反復(fù)訓(xùn)練的過程。廣告系統(tǒng)也類似，Google以前通過人，或者簡單算法調(diào)整廣告系統(tǒng)的參數(shù)，一方面效果達不到，另一方面浪費人力物力，深度學(xué)習(xí)或者超參優(yōu)化能自動化地解決這個問題。
  
  
國內(nèi)的創(chuàng)業(yè)環(huán)境更偏向于短平快，做機器學(xué)習(xí)初創(chuàng)的公司主要集中在廣告、營銷方向，包括輿情監(jiān)控、精準投放等領(lǐng)域。也有像Face++這樣的，用機器學(xué)習(xí)做人臉識別，并做到這個領(lǐng)域的世界冠軍。

技術(shù)人攻略：機器學(xué)習(xí)、深度學(xué)習(xí)、人工智能、模式識別之間的區(qū)別與聯(lián)系是什么？想進入這個領(lǐng)域的人應(yīng)該如何提升？

  
人工智能是目標；機器學(xué)習(xí)是一種技術(shù)手段；模式識別與機器學(xué)習(xí)有交集，但不一定非要經(jīng)歷機器學(xué)習(xí)的訓(xùn)練過程，可通過給匹配給定模式的方式實現(xiàn)；和深度學(xué)習(xí)對應(yīng)的是淺層學(xué)習(xí)，都屬于機器學(xué)習(xí)的方式之一。
  
  
想進入人工智能領(lǐng)域，首先得了解它的發(fā)展歷史。從技術(shù)上看，人工智能應(yīng)用領(lǐng)域基本可以落在圖像識別、聲音識別，自然語言處理這三類。從中找到你的載體，再從載體上尋找和明確要解決的科學(xué)問題。接下來看別人的解決方案是如何實現(xiàn)的，世界冠軍的標準是什么，朝著把世界冠軍打敗的方式去努力。這是所有做科研的人應(yīng)該遵循的成長方式。
  
  
現(xiàn)在最火的深度學(xué)習(xí)領(lǐng)域的頂級牛人有4位，包括神經(jīng)網(wǎng)絡(luò)的發(fā)明人、就職于Google的Geoff Hinton；Facebook人工智能研究院主任Yann LeCun；加拿大Montreal大學(xué)教授Yoshua Bengio；百度首席科學(xué)家Andrew Ng。他們當年都曾在NEC Lab里共事。2006年之前，支持向量機模型（Support Vector Machine）占據(jù)了機器學(xué)習(xí)領(lǐng)域的江山。神經(jīng)網(wǎng)絡(luò)出來了之后，在性能上壓倒式地超越了SVM，在語音和圖像識別兩個領(lǐng)域，把原有的世界機器學(xué)習(xí)紀錄全干掉了，所以一下子火了。不過目前深度學(xué)習(xí)在自然語言上還沒有特別好的解決方案。
  
  
大家普遍認為，人工智能這一行對數(shù)學(xué)有很高的要求，尤其是線性代數(shù)和概率論。以下幾本機器學(xué)習(xí)的書，也可以看看：《Pattern Recognition and Machine Learning》、《Machine Learning——An Algorithmic Perspective》、《Programming Collective Intelligence》、《Machine Learning in Action》、《Machine Learning for Hackers》。想做得好，還得多看Paper。不管是Paper還是新聞，推薦都盡量看英文原文。

技術(shù)人攻略：你在清華從本科一直讀到博士，談?wù)勗谇迦A成長的感受吧？

  
外界對清華同學(xué)的吐槽比較多，比如情商低，自視甚高等。有些看法很片面，但至少我們做事情很認真。個體行為在一定程度上代表著學(xué)校，如果自己做事不靠譜，別人會說那個清華的誰不靠譜，有負于前面成百上千的師兄師姐營造出來的形象。
  
  
別人眼中的清華學(xué)子可能很乖巧好學(xué)。但真的乖嗎？不一定。好學(xué)嗎？有時候也會犯懶。這跟是不是清華其實沒關(guān)系。我從小也算是“別人家的孩子”，除了學(xué)習(xí)和品行不錯，內(nèi)心其實很叛逆。許多同學(xué)來自于格式化的城市，我卻成長于廣袤的內(nèi)蒙古，大興安嶺給了我灑脫的性格。我可能并不算典型的清華同學(xué)，所以這里談的都是些個人看法。
  
  
我從小非常喜歡看書，語文和英語很好，差點去學(xué)文科。但后來發(fā)現(xiàn)應(yīng)試教育里那些文科的東西，不像理科那么有確定性。比如歷史，讓你談一下對鴉片戰(zhàn)爭的看法。我想這還不如解方程，于是學(xué)了理科。結(jié)果因為數(shù)學(xué)不行，各種被虐。
  
  
大一期中考試，我微積分考了52。從2004級開始，國內(nèi)一些省份已經(jīng)把微積分放進了高中數(shù)學(xué)，而我高中沒學(xué)，對微積分一竅不通。當時心里有巨大壓力，想著這回完了，我要被清華退回去了。后來一轉(zhuǎn)念，數(shù)學(xué)天賦我沒有，但刻苦這件事是可以做到的。為了向老師請教學(xué)習(xí)方法，我每天幫老師擦黑板（微積分上了三學(xué)期，我擦了整整三學(xué)期黑板），并把能找到的數(shù)學(xué)習(xí)題集都做了一遍。期末考試前，我做過的草稿紙，壘起來已足足有10公分高，但心里仍然是沒底。老師說：你如果再不及格，我就放過你（這句話更多是為安慰我，后來才聽說這位老師是名捕之首?。?。結(jié)果是我考了98分，在半個小時之內(nèi)做完了所有的題，許多題目熟悉得甚至不用算就知道答案。從那時候我就覺得，在清華混，努力是個很重要的因素。

技術(shù)人攻略：你未來一到兩年的計劃是什么？

  
我明年博士畢業(yè)，導(dǎo)師是國內(nèi)人工智能領(lǐng)域的專家李德毅老師。他教導(dǎo)我做事要有載體、要思路清晰、要堅持，對我影響很大，完全能跟我長輩相提并論。
  
  
我現(xiàn)在大部分時間都在忙無人車。希望能在未來幾年，把無人車做到世界頂尖，讓中國自己的無人車在國際上占有一席之地。
  
  
畢業(yè)之后打算繼續(xù)搞科研，通過一個載體，把自己的模型放上去不斷優(yōu)化。我不想完全去做產(chǎn)品，產(chǎn)品導(dǎo)向會有KPI要求，被虐成渣會影響家庭辛福。而且做科研可以經(jīng)常換一些話題，新的事物一旦出現(xiàn)，就可以轉(zhuǎn)過去。但做產(chǎn)品可能三、五年都得耗在一條產(chǎn)品線上，世界在變化，好多好玩的事情不斷在發(fā)生，就沒辦法去做了。我是一個比較膽小的人，不適合一個人創(chuàng)業(yè)，讓我拋下身家冒險，我做不來。如果有一個好朋友，他又對項目很有信心，我在里面幫他做一部分力所能及的事倒是可以。
  
  
我也搞不了偏商業(yè)化的東西。曾有人找我做高頻交易機器人，但那不是我的興趣所在。一旦你進入一個高頻交易所，每天給他們寫腳本，但那件事情并不是你想做的。只是你有的那塊技術(shù)正好變成了他們比較重要的一塊積木，上面和下面的積木都會擠壓著你，帶著你走向一個你不知道是什么樣的地方。我想做一塊獨立、自由的積木，最好是變形金剛那種，最好周圍的積木也不太規(guī)則，這樣大家就不會完全拼在一塊兒，求同存異，會更有趣。

作者介紹：技術(shù)人攻略訪談是關(guān)于技術(shù)人生活和成長的系列訪問,由獨立媒體人Gracia創(chuàng)立和維護。報道內(nèi)容以“人”為核心，通過技術(shù)人的故事傳遞技術(shù)夢想；同時以小見大，見證技術(shù)的發(fā)展和行業(yè)的變遷。在這個前所未有的變革時代下，我們的眼光將投向有關(guān)：創(chuàng)造力、好奇心、冒險精神，這樣一些長期被忽略的美好品質(zhì)上。相信通過這樣一群心懷夢想，并且正腳踏實地在改變世界的技術(shù)人，這些美好的東西將重新獲得珍視。

聯(lián)系方式 [email protected]
微博: @技術(shù)人攻略
訂閱：微信搜“技術(shù)人攻略”或“dev-levelup”

感謝SegmentFault提供博客專欄及推廣支持。
感謝迅達云成提供云主機及技術(shù)支持。
感謝七牛云存儲對“技術(shù)人攻略影像拍攝計劃”提供支持。