计算机行业还能火几年?

这篇是转发的文章,作者是:Summer_Clover

一点个人评价:计算机技术有强大的“渗透能力”。这种渗透性体现在,计算机技术(芯片+软件)可以通过编程注入到其它设备里面,常常可以化腐朽为神奇,使得原本粗笨的、无任何自主能力的设施,突然变得智能起来,而且能力还能不断提升。这是不可思议的革命性,发展结果会超出人们的想象。看看波士顿动力的机器人是多么让人吃惊吧。此外,计算机技术不断改造人类生活,先是个人计算机、计算机联网,然后移动设备大爆发,后面还会有各种智能设备。计算机芯片可以做的越来越小,功耗很低。每一次的信息技术进步,都给世界提供了新的可能性。原本的不可能、不经济,也许突然就变得有可能,很合算了。各种机械的、重复的、缺乏创造力的劳动,都面临着被技术侵袭甚至彻底替代的危机,行业成长的机会也经常在这里。


大概就想表达三个意思。三者重要性依次递增。

一是,“计算机行业”严格来讲应当是指制造、销售计算机的行业。

以电为例是最极好的。电力化是人类技术水平的巨大进步。你想到的,想不到的,几乎各行各业的效率都被电气化带来了巨大的提高。当电力变成一种基础设施后,这个世界越发离不开电,但是,电力行业却不再是当年那个最火热的行业,也不再能给这个行业的雇员数倍于平均值的高薪水。是的,微软、谷歌真的用了很多电,但我们不会再觉得微软、谷歌是电力行业的巨头。

题主指的计算机行业的热潮其实也渐渐以计算机为起点迁移开来了。热潮最初是肖克利半导体实验室,然后是仙童半导体,因特尔,然后惠普,IBM,然后微软,然后谷歌,然后脸谱。“计算机行业”最酷的公司从物理学家变成了哈佛的辍学生,从关注领域晶体管、半导体变成了社交网络。从微软开始,这条产业线上的王者就不算名副其实的“计算机行业”了

二是,说这个行业能一直火下去的人虽然不一定年轻但还是太年轻了。

一个行业火不火的关键是什么?是重要性吗?从来不是。
三十年前的中国,在油粮站有个饭碗是让人艳羡的工作。
三百年前的中国,贩盐是无本万利的关系国家“核心利益”的行业。
但现在都不是了。

尽管盐、油和粮依然有无可替代的重要性,但都不再是什么珍贵的资源了。它们的作用变成一种廉价普及的基础服务。它们不再是被少部分人因为垄断资源或技术壁垒控制的珍稀资源了。

最开始,电力作为一种新兴技术是被少部分人掌握的技术资源。这些人开的公司都叫电气公司。
后来电本身不再重要,重要的变成了以电为基础的衍生技术。电气公司变成了,发电站(真正的电力公司)、照明公司、电话电报公司等等。

“计算机行业”也一样。依赖计算机、软件、互联网的行业会越来越多,我们能想到的每一样物品都可以通电,我们能想到的每一样物品也能连接计算和网络。

但是它们会在计算和网络构成基础设施后演化成新的行业。以计算和网络为基础的衍生技术的新行业。

技术产业的兴亡衰替是亘古不变的规律。
妄图坐在浪头就不下的人都在做春秋大梦。

三是,这个行业虽然不会一直火下去,但计算机科学会在相当长(超过我们有生之年的长度里)都是一个极好的专业。

因为计算机科学正在变成一个非常有生命力的核心学科

人类历史上其实有很多学科都名噪一时,但是能像数学、物理学一样保持长久的生命力、能吸引一代又一代最杰出的头脑的学科实在凤毛麟角。尽管历史还很短,但我相信计算机科学会加入数学物理的俱乐部,吸引一代又一代杰出的年轻人。

数学家和物理学家大约自牛顿时代开始起分道扬镳。近代科学体系逐渐建立,物理学成为基础科学的内核和新技术的理论基础。在这个时间点上,有非常多的物理背景学生在进入化学、生物领域后有出色贡献;反之则不然,化学、生物背景的学生进入物理领域很困难。从历史来看,物理学的边界在不断拓展,在吞噬化学、生物学的知识边界。在技术更新的时候,也是物理学家在研究热功当量、内燃机原理(后来交给了新学科Mechanical Engineering的人),物理学家在研究晶体管(后来交给了新学科Electrical Engineering的人),物理学作为基础科学的核心学科也一直站在技术创新的最前沿。

我观测到计算机科学已经开始发挥着类似的作用了。计算机科学背景的学生可以进入很多领域,在无论是化学、生物、医药等基层科学还是软件、机械、航空航天等工程科学都有特别的竞争力。计算机科学的知识体系都是有价值可移植的。我见过很多计算机科学背景的科学家在进入其他领域也有突出的表现。我简单罗列一下,计算神经学、计算生物学、化学模拟、材料模拟、药物模拟等等等等。

甚至在物理领域,计算机科学背景的科学家也显示出特别的竞争力。(当然,从物理进入计算机科学的人也不遑多让,比如姚期智,物理学本科博士,再进入计算机科学领域拿到博士学位,最后获得图灵奖。)如果有一天,一位计算机科学背景出身的科学家获得诺贝尔物理学奖,我不会觉得很奇怪。而且,计算机科学也会像物理学一样,站在技术的最前沿,贡献基础理论(比如计算方法、机器学习),也贡献技术发明(比如计算机视觉、自然语言处理。自动驾驶)。我相信在计算机视觉、人机交互等领域成熟之后,部分比较独立的领域也会脱出计算机科学冠以某种Engineering的名字,比如Intelligence Engineering. 就像曾经脱出物理的那些Engineering.

物理学/计算机科学与数学的关系也很类似,它们原本都与数学是一体的,它们都在依靠数学模型解决各种基础的问题。这两个学科极具竞争力的知识体系都很方便进入基础科学和工程科学。当然,也都容易进入金融领域。你可以想一想金融领域有多少数学、物理学、计算机科学背景的人。

所有把计算机科学读成怎么写软件的人,只把计算机科学当成普通的热门专业的人,那你们就错了。计算机科学和曾经热过的生物或通讯都很不一样。

我都想说,你们误解了计算机科学真正的优雅和力量

是的,大多数读CS的同学都进入软件工程行业了,但这是历史进程的问题。这不是说计算机科学就是教会学生写软件码代码。现在还是Software Engineering的浪潮罢了。而浪潮必将落下。

计算机科学是可以造起新浪潮的学科,这不AI-Driven的时代正在来临。后面?当然还会有机会的。;)

所以说,真正能历久弥新、坚如磐石的是计算机科学,而不是“计算机行业”(更不是写APP写网站的码农)。

今时今日,你问我支不支持年轻人学计算机科学,我是支持的。
它能完成时代浪潮赋予的使命,也有经得起时间检验的生命力。

职场人的学习方法

 

随着年龄增大,学校生涯渐行渐远。原本的学生时代的一些办法也不再适合职场。原来可以靠着年轻,能“博闻强记”,翻一遍书就知道个差不多,现在可做不到了。但是因为经验的积累,理解分析能力却又比以前好的多。我们只能适应这一变化。

学生时代,研究东西以兴趣爱好为主,但等你工作了,目标立刻就变了,变成以尽快达成目的为主,而且还要有足够好的质量。因为学校衡量你的指标是分数,而社会只关心你做出了什么有价值的东西

另外,就本人所在的IT行业而言,技术更替无比迅猛,不断的有更好的新技术涌现,淘汰掉一批旧技术,花样翻新。你不更替自己的知识库?那只能落后于别人,也就少了不少选择的机会。这样一来,过去“细嚼慢咽”式的学习,就凸显出不足了 - 没人给你这么多时间啊!所以要转换学习的办法。

我总结出的办法归成几点,逐一说明。

1、先磨刀。

尤其关注学习方法的学习。这点很容易理解。方法是工具,是一把刀的刀锋。我平时很注意收集/学习别人总结出的优秀办法,想办法试试自己应用一番,学到手里。一些方法有比较强的私人习惯,你未必觉得用起来多舒服,那就要分析一下里面是不是有不够合理的地方。研究点认知心理学,对判断总结好办法有不错的帮助。人类有自己与生俱来的特性,这些特性影响你我,是共通的。比如我以前看到几本书都谈到“与既有知识建立连接”这个概念,就得到了启发。还有一篇文章在这里:学得快,记得牢,花的少 - 请尽快开发你的大脑

2、独观大略。

《三国演义》里面提到,诸葛亮学习与他人不同。据《魏略》记载:“诸葛亮在荆州,与石广元、徐元直、孟公威俱游学,三人务于精熟,而亮独观其大略。。。”

其实我在这里借用这个,主要是因为:时间不够而要懂的东西却又那么多。 细嚼慢咽只适用于经典著作,需要打基础,扎根的时候。一般的技术类资料,看个大概就好,不需要每个细节都知道,都记住,你也做不到 - 也许个别天才能吧,不在讨论之列。学的太多太细,可能前面学,后面忘,意义不大。

比如说,你需要用一套新的技术框架来完成工作,又一点不懂它,咋办?

可以这么做。看它的官方文档/入门教程。官方文档一般是技术开发者/维护者编写,是最真实/可靠的资料。先大概过一遍,不用记住细节,只要知道它的特点是什么,能做到什么,能干啥。缺点有没有?注意事项是什么?如果需要查找细节,就标记个位置记录。此外,对涉及到的重要概念,设计思路,则要认真对待,因为这是精华。不懂概念你就没法理解和使用了。对于提到的入门教程,方便的话就实际真机跑一遍,会有不少感性认识。

搜寻一下别人总结的“最佳实践”。真正使用过的人有经验,有发言权,我们可以看看里面有没有常见的“坑” - 容易出问题的地方,你就会避免再犯错。另外,通过技术比较,会发现所选技术的优劣所在。在产品技术选型的时候,就会更有针对性了。不过,也要注意分辨,各人有好恶,别人说的可未必都对。因为随着时间的变化,原本的东西可能已经改进的很多了。所以还要看下发言的时间。

3、主题阅读+查询

搜集下相关的电子书籍。这些技术类的电子书,好些都是英文版本,莫怕。一些优秀作品已经引入国内,可以买下电子版本。在我看来,电子书的优点不仅是在阅读方便上,而更在于可以迅速的查询相关知识点。当你需要比较深入的了解一个概念/知识点的时候,你可以打开所有的相关资料,找到这块内容,对照查阅,理解。因为不同的作者,往往有不同的理解、论述角度,这些区别会加强你的认知能力。资料的反复印证,也是学习、复习的过程。

英文要学好,因为太多的资料没法翻译 - 来不及翻译的。别的不说,最起码阅读要过关,能不受阻碍的理解作者的意思。其实习惯了跟母语阅读差别不大。

4、实际练习,融会贯通

了解个大概,就可以开工了。这个时候,遇到不懂的东西要去查明白。要回头翻看翻看书、教程,看看概念的理解是否准确到位,是否恰当。而对于接口类的,去查手册即可。

对于不同的技术,要给予不同的学习程度。比如工作中最常用的工具,一定要多学多练,尽力做到精通。因为它会解决你的问题,提高工作效能。

很多技术,是有共通之处的,你能发现并总结出来嘛?比如大量的WEB开发框架,都选择了MVC架构。你理解了一套,用新框架的时候,跟过去的对比连接,就可以总结出规律性,有助于更好的提高技术水平。

学得快,记得牢,花的少 - 请尽快开发你的大脑

《程序员的思维修炼:开发认知潜能的九堂课》是几年前的书了。为什么我现在又找出来重看?当然是因为工作需要。在新的一年,我需要重新整理一下思维,为开展新的任务打个更好的基础。除非被证明,里面的理论是错的,否则这种书是不会过时的。

为了重温本书的知识,我同时阅读参考了如下书籍资料:

《我们要自学》 - 图灵出品的另外一本学习书

《深度学习的艺术》 - 知乎采铜

《暗时间》 - 刘未鹏

《如何高效学习:1年完成MIT4年33门课程的整体性学习法》 - 斯科特·扬(Scott Young)

《认知心理学及其启示》 - 约翰·安德森

为什么读本书这么辛苦?我有主题阅读的习惯。不同的书讲同一个话题,相同的内容可以促进记忆,相互验证;不同的部分可以相互补充,切换看问题的角度。

关于本书,有些遗憾的是书名。我猜测可能是出于“时髦”,起了“程序员的思维修炼”这个名字。其实完全可以去掉,副标题就已经涵盖了一切:开发认知潜能的九堂课。我怀疑是书名迷惑了一批读者,让人以为它是程序开发类的图书,限制了读者群的范围。如果直译,书名其实可能是:《思维与学习的实用指南 - 重构你的湿件》

本书半行代码也没有,是切切实实的思维和学习指南,书籍内容和翻译,都可以打高分。

作为程序员,可能是这个社会里面学习压力最大的一个职业了。其它好多职业,上完大学就等于职业训练完成。工作个N年,积累了各种经验,处理业务会更圆滑老练,除非你要追踪世界前沿,否则一般不需要在职业知识更替上费多少心力。没见那么多穿越、玄幻小说大行其道、流行的一塌糊涂么?闲的。

程序员就惨了。作为知识更新代谢最快的行业,新技术、新思维、新框架层出不穷。你不学习更新,只能等着知识老化,个体价值也会逐渐消解。而如何让自己学的更快、效果更好、成本更低,则大有门道。

本书从多个部分,论述了这些内容。为了验证其有效性,一方面我自己尝试实践,另一方面在充满严肃学术味道的《认知心理学》里面寻找参照和来源。我认为它的知识还是可靠的。

对这样一本实用价值很高的图书进行评论,有些困难。因为我不想总是重复里面的内容。所以我尝试从自身对学习的理解角度来解读它。

在学习方法的研究上,我认为国内的认知还是比较落后的。传统文化上,推崇苦读 - “头悬梁锥刺股、十年寒窗”云云。快乐、轻松学习方法往往会被认为“不用功”,轻松又学的好的呢?则当成天才看待。学校教育上,充斥着死记硬背和填鸭式教学,对方法类的内容关注的不够。讲求方法,不代表你可以轻松、不费吹灰之力的完成学习任务,难的东西还是很难,它也不能抹平智商的差异。只是它通过对规律的总结和遵守,消除了你的各种无用功。同样的内容,你可以学得更快,记得更牢,花的时间更少,何乐而不为?

对于脑力劳动者来说,你的头脑是最重要的武器和财富,不断的打磨它,让它锋利、有威力,是必须的任务。

首先,你要客观看待学习成长的历程:本书开头的德雷福斯技能获取模型是个很有效的描述。达到专家级水准,是需要很长时间的训练的,所以才有了10000小时(10年成就专家)的说法。而且,练习、实践还必须有质量。这解释了真正的专家为什么这么少。这里还有一个有意思的概念:二阶不胜任 - 不知道自己不知道。这也提醒了读者:广泛阅读,保持好奇心,在头脑中多索引一些线索以便查找。

要学得好,首先了解你的大脑。书中有个词汇:wetware - 湿件,专指人脑。但是人类对自身大脑、意识的认识,是一项很困难的任务。认知心理学的历史,已经说明了这个困难:人类在认知心理学上的耗费,大半用于摆脱错误的观念。不过值得庆幸的是,由于各种设备的发明、改进,以及各种实验的开展,一些理论已经被证实或证伪。对学习过程中大脑的活动特征,人们认识的越来越多。我们不必再“摸着石头过河”了。

作者用了一个很出色的概念,来形容人类大脑的一个特性:内存和总线竞争。有点麻烦的是,这个双CPU模式、总线的概念似乎只有程序员最理解。不过看到里面的图也就秒懂了。认知心理学的内容如果照搬,读者多半读不下去了。

他一边阐述大脑的奥秘,一边顺势提出各种训练方法。比如用绘画训练刺激右脑、建立幽默感等等。这些方法可以提高思维能力和创造力,让你的大脑不会感到枯燥乏味,提高效能。还记得图灵的另外一本畅销书么?《黑客与画家》,实际上有异曲同工之妙。两本书都看过的人,会切实的体会到这一点。

了解了你的头脑的生理特性,剩下的就是扬长避短的使用针对性的方法了。里面可能会引起争议的一点是:作者认为短期培训没什么用。他称这种培训为“羊浸式”。因为缺乏明确的目标和有效的反馈,往往导致随机的结果。对于这个结论,不知道多少培训公司要反对他。

大部分人学习是从阅读开始的。我从各种材料上对照过,方法大同小异,都有共同强调的地方。比如,阅读应该是“问题导向”的。什么意思?你看书的时候,要发掘出问题来,让头脑有好奇心,去追着问题的答案。深度学习里面,称之为“建构主义”的模式。

enter image description here

  1. 针对当前的学习材料,我已具备了哪些相关的知识?
  2. 针对当前的学习材料,我又学到了哪些新的知识?这些知识对原有知识构成了何种补充或者挑战?
  3. 针对当前的学习材料,还有哪些未知的东西,且这些东西我通过简单的探索就可以了解?
  4. 针对当前的学习材料,还有哪些未知的东西,无法轻易地获得解答,同时又有价值成为我长期去探索的问题?

而高效学习的核心,我认为其实就一个:Connect。想方设法,千方百计的把知识串成线,织成网。利用有序重组无序,让旧知识和新内容建立联系。 只有这样,你的大脑才能有效的建立“索引结构”,迅速的提取需要的内容。

深度学习里面谈到:

...就像一根根富有韧性的细线,帮我们把各种知识、经验、观念和方法串在了一起,使散落的砂砾变成一串串富有光泽的珍珠项链。可以说,一个学习者越是成熟,他就越擅长做这类长时程的知识结构化的工作。

本书作者在穿插于书中的各种方法,大都是围绕着大脑生理进行的。里面有几条很有趣,效果立竿见影。比如他提到:压力扼杀认知 - 看看IT业那么多疯狂加班的公司吧,加班是不会带来创造性的突破的,它只会抑制创新;避免多任务处理;多用一台显示器就可以让你的生产力提升20%-30%。对于这一点,我是实践过的,双显示器甚至3显示器,真是方便多了。你可以一边看着资料,一般敲代码。

书中有非常多的“金句”式的闪光点和各种诀窍,你可以单独拿出来总结成文,用于指导实践。不过,事情从来都是说来容易做到难,战胜自己的习惯和惰性是相当不容易的。

好书不单给你指导,还会给你提供深入研究的各种索引。从这点上说,此书虽薄,意义却重。

Top