成为一名机器学习实践者¶
2016年，当 【Netflix】阿尔法狗 AlphaGo (2017) 向世界展示了深度学习战胜人类最强棋手李世石的时候，我也曾想过是否要学习机器学习知识，但是自己以往的计算机知识局限于Linux系统以及运维为主，对于机器学习涉及的理论知识非常匮乏。虽然看了一些资料，但始终摸不到门槛。
2022年底，ChatGPT的横空问世(实际上要早很多，但是出圈确实是在2022年底)，特别是随后GPT-4惊人的AGC能力，让人再次被机器学习/深度学习的能力所震撼。但是，处于这场狂潮之中，又该如何开始学习和真正掌握这项能力呢？
Greg Brockman: 如何成为一名机器学习实践者¶
今天，我读到一篇 OpenAI 联合创始人 Greg Brockman 在2019年撰写的blog 译文「 创立OpenAI前，Greg Brockman都不懂机器学习 」(原文见 How I became a machine learning practitioner )，对我有所启发和激励( 见贤思齐 ):
Greg Brockman 说他的软件技能在OpenAI中非常受欢迎(技术领袖)，但是这也是阻碍他学习机器学习技能的绊脚石
确实，我们非常容易陷入 “技术舒适圈” ，在自己熟悉的技术领域不断(些微)进步，但是我们会畏惧进入自己不能控制的技术领域，例如机器学习(虽然我们知道这是一个先进和面向未来的技术)
2017年 Greg Brockman 在首次尝试Dota游戏的机器学习，虽然他构建了软件基础设施，以及贡献了训练代码，但是(我感觉)他承认当时他并 没有掌握结合软件和机器学习的关键技能
2018年11月 Greg Brockman 在输掉了国际邀请赛之后(应该是AI竞赛，当年OpenAI和DeepMind的AlphaGo一争长短)，他下决心用三个月来尝试:
最有效的方式是要有一个具体的构建目标 : 构建一个聊天机器人(Greg Brockman自学训练基于LSTM的语言模型和基于Transformer的模型)
研究信息论、阅读大量论文(直到完全理解每一行内容)
虽然进展缓慢，但这次我有所准备。
我并没有体验到那种心流状态。这让我想起我刚开始学习编程时的感觉，我一直在想花了多长时间才达到精通的感觉。
说实话，我不确定自己是否能在机器学习领域变得优秀。
但我继续前进，因为…… 坦白说，我不想仅仅局限于理解项目的一部分。
我想清楚地看到整个画面。
...一个重要的概念性突破，我克服了之前在 Dota 项目中因过于胆怯而未曾尝试的障碍：
对别人的机器学习代码做出实质性的更改。...
...但当我尝试生成更长的消息时，过程变得非常缓慢，这种挫败感甚至超过了我的恐惧...
...当我最终让它工作时，我意识到我学到了一些之前认为不可能的东西：我现在了解整个模型是如何构建的...
2019年初，在经过三个月自学之后 Greg Brockman 开始参与项目(他提到自己75%时间写代码，其余时间专注于机器学习)，并且在六个月时间内转型为机器学习实践者(我理解他深度参与并构建了机器学习工程化):
作为OpenAI的核心技术领袖，他坦承 我之所以(以前)无法转型，是因为我不愿意再次成为初学者。
他以自身的经历来鼓励机器学习的后来者:
如果你想成为深度学习实践者，你完全可以做到。
你需要给自己留出失败的空间和时间。
如果你 "从足够多的失败中学习" ，你最终会成功 -- 而且可能比你预想的要快得多。
备注
Greg Brockman 并不是没有基础的小白(虽然他很谦虚):
2008年 Greg Brockman 进入哈佛攻读 数学和计算机专业 ，2010年转学到MIT就读计算机科学: 也就是说他本人 数学 和计算机能力已经非常强
2010年 Greg Brockman 辍学加入Stripe(支付巨头)成为”第四人”，并成为CTO，构建了Stripe的基础架构(可见他的计算机工程能力极强，为后续OpenAI的机器学习工程化提供了基础)
2015年 Greg Brockman 加入OpenAI，虽然此时他不懂深度学习，但是他作为技术负责人，为组建初期技术团队提供了主要推动(人脉)：OpenAI训练ChatGPT的软硬件架构是由Gre Brockman主导的
2019年7月，他撰写 How I became a machine learning practitioner 阐述他作为软件后端基础设施和架构的传统软件开发者(十年的编程经验)，如何以初学者的心态花费了九个月时间转型为一名机器学习实践者
我的思考¶
虽然我们绝大多数人都无法达到Greg Brockman高度，但是以他的传统软件开发者转型机器学习架构师，这个技术道路是我们借鉴的方向。哪怕我们能够学习和做到他1/10的程度，也是极大的成就和进步。
我看到了自己类似的情况，多年的基础设施运维使得我自己技能还算过得去，但是却始终没有跨出软件开发以及结合机器学习的爆发一步。想到连 Greg Brockmon 这样优秀的技术高手都承认自己的不足，我有什么理由不 以初学者的心态 来开始自己的机器学习之路呢？
Greg Brockmon 的后端开发和软硬件基础架构能力也是他最终转型 机器学习实践者 的技术基石，我想我也可以以 Kubernetes Atlas 以及 Kubeflow - Kubernetes机器学习工作流平台 的工程实践来实现和理解机器学习，从部署到训练，从工程化到开发，也是类似的机器学习之路…