演算法和架構

㈠ 搞架構和搞演算法，哪個更牛一些

我以為，這個問題的答案不是「誰更牛」，而是應該（甚至必須）二者得兼。
先說說機器學習演算法的重要性。最近十年的IT行業是互聯網主導的。互聯網服務之所以稱為服務，就是要能了解、理解、服務好用戶。傳統行業如銀行、醫院、商場也是服務行業。互聯網服務和他們的區別在於——利用機器智能，回答長尾問題，服務大眾——用戶不需要是衣冠楚楚的就可以P2P貸款。這是人工智慧技術最近十年在互聯網行業發展起來的核心原因。也是大家能看到所謂」演算法工程師」的收入比其他工種相對高的原因。
人工智慧演算法和大學專業課「演算法」有一個本質區別：後者教大家如何用「人腦」，利用人的知識，想明白解法，然後描述成代碼，讓機器照著執行；而前者是讓機器去從數據里「學習」或者「總結」知識，然後來解決問題。
要想互聯網服務質量過人一等，能回答好的問題要更多，所以知識的量得更大，也就是說要能從更多數據中學習和歸納知識。這就是「大數據」的核心價值，也是「架構」技法的重要性。
用Python+NumPy、R、Matlab、Octave、甚至一台機器里的一兩個GPU、不具備容錯能力從而只能覆蓋幾十台機器的MPI，在很多情況下都不能搞定」大數據學習「問題。讀書的時候，用這些工具只是方便大家對人工智慧演算法盡快有個了解。實際情況是，最好在工作前，至少在工作中，要能掌握large scale system開發的思想和方法。
大數據學習支撐互聯網行業突破已經至少十年了。它悄悄帶來了很多革命性的變化：tenure的知名人工智慧教授們也面臨中年危機了；其中有遠見有執行力的人尋求進入公司發力（入Andrew Ng）；有業界經驗的人開始進入大學執教（如Alexander Smola）；架構高手跨界進入人工智慧演算法領域（如Jeff Dean）；大數據存儲和處理相關的開源項目的興盛（如Hadoop、Spark、Mesos、CoreOS、Kubernetes。
如果在這樣的大潮前還看不到兩者得兼的必要性，還在二者選一，甚至通過迴避技術完備去談」商業模式上的突破「，在沒有做好log信息和第三方數據收集時自稱」我們沒有大數據「，都可能讓我們在不遠的未來會碰到尷尬。