田渊栋 发布于 2014-06-14 06:56:14 | 587 次阅读 | 评论: 1 | 来源: 36氪

这里有新鲜出炉的精品教程，程序狗速度看过来！

谷歌(Google)搜索引擎

Google公司（中文译名：谷歌），是一家美国的跨国科技企业，致力于互联网搜索、云计算、广告技术等领域，开发并提供大量基于互联网的产品与服务，其主要利润来自于AdWords等广告服务。

---

编者按：本文作者田渊栋，2005 年及 2008 年获上海交通大学电子信息及电气工程计算机系学士学位及硕士学位，2013 年获卡耐基. 梅隆大学机器人系博士学位，主要研究方向为计算机视觉，机器学习及最优化方法，在顶级会议上发表过多篇会议及杂志论文，曾获 2011 年微软博士研究奖学金，获 2013 年国际计算机视觉会议（ICCV）最佳论文提名奖。现供职于 Google X 实验室 (Google X Lab) 无人驾驶汽车 (Google driverless car) 研究组，任研究员 / 软件工程师职位。本文写于 2014 年 1 月。

希望更多在硅谷工作的小伙伴，创业中的小伙伴，能通过36氪来与国内读者分享硅谷的工作与见闻。tips[at]36kr.com

 

到 Google 无人车组全职工作已经有四个月了。写一下感想。

鉴于项目的高度机密性，很多话不能说，我唯一能透露的，就是两条：同事们都很牛，然后都非常努力。老板不怎么主动管，但大家都明白如果事情做不完就 得加班，因为一个一个小发布（release）的最后期限（deadline）摆在那里。节奏很快，不像是在大公司里工作，反倒更像是在一个初创团队里忙 碌。

这四个月感觉下来，Google[x] 实验室有几个很有趣的特点。其一是软硬件结合极其紧密，这一点从已有的报道里可以看出，不论是无人车 (Self-driving car)，眼镜 (Google Glass) 还是最近公布的气球无线网络 (Loon) 及能测血糖的隐形眼镜 (Iris)，都是软硬结合的产品。这直接导致的结果，就是我们每天面对的问题和之前在学术圈时思考的完全不同。

在学术圈，问题的已知条件和数据集都是给定的，我们要做的就是像解数学题一样，钻进去找到更好的解法，并在已知的数据集上和前人对比证明其有效性。 但在 Google[x] 则完全不同，大项目（比如说开发无人车）摆在这里，但已知条件，解决方案，使用何种硬件，如何分配资源，都是不确定的；唯一确定的，是要以最快的方式和最 小的成本把它实现出来——让一辆车能安全地自行其道，同时生产成本又最少。在这样的特定背景下，碰到一个难题，首先想的不是如何把它不计成本地解出来，而 是问自己有没有必要解它，能不能绕开它而实现目标？事实证明，在这样高自由度的空间里寻找一个特定的解决方案，几乎总是能绕过学术界的难题，找到简单易行的实用方法。这就像要发明能在道路上移动的机器人，不是绞尽脑汁去研究人类两足的机理，而是用容易控制又廉价的轮子代替；要设计飞机，不去模仿鸟类形态优美却机理复杂的扑翼，而是使用固定机翼加喷气动力。

其二是几乎没有专职的研究职位。所有人既是研究员 (Researcher)，又是软件工程师 (Software Engineer)。基本上每个人负责一个具体的方向，对这个方向自主地分析现存的问题，并不断通过和同事讨论提出新方案，最后评估方案的效果。就算是组 里的老板（Manager)，甚至是老板的老板，也要写代码查错误完成具体工作，唯一的不同点，是他们对系统有更整体的理解，遇到问题能帮忙找到下属找不 到的角度。碰到许多任务同时需要完成的时候，能分清主次，丢卒保车，确保整个组的大方向正确。

对于从来没有碰到过的新问题，思考新思路和写代码开发是同时进行的，C++ 代码写完就直接上产品去测试看效果如何，不行就分析研究再换一种，如此快速迭代直到找到好方案为止，如果一两周里找不到好方案，那就认为这个问题是困难的，于是就要退一步思考，想办法绕开它。

因为这个原因，诸如“写代码和做研究的时间比例是多少”之类的问题就没有什么意义，因为完全看需要解决的是什么问题，写很多格式漂亮架构清晰的代码却不能解决问题没有意义，天马行空地思考不在实际数据上跑也没有意义，最重要的只是“解决问题”这四个字。

这种思路决定了研究风格是“具体问题具体分析”式的，有额外条件和额外信息就尽量用上，不会花时间思考一般情况；是“崇尚简单方案快速出结果”式 的，而不会使用精巧复杂却不太直观的数学理论，也不会花几个月赌一个万能算法。这种研究方式的缺点显而易见，就是没有办法产生深远及本质的成果，但是既然 目标是利用人类现有的技术，去完成一个举世瞩目的新系统和新产品，我想不出来有其它更好的推动方式了。

其三是组内信息交流的极端重要性。学术界强调钻研问题，独立工作和原创性成果；业界强调合作，共同解决问题。一 个人，特别是刚进来的新人，对整个系统的组成没有深刻理解，也不去询问同事，老板给一个问题就按自己的想法单干，结果发现三分之一工作和无人车目前急需解 决的难点无关，三分之一工作已有人做出过类似工具，还有三分之一工作听起来很有道理，自成一说，但是在实际数据上一跑效果很差。这些情况是完全可能的。按 学术界的思路，这些工作都可以成为不同风格的学术文章，但在我们这里，全都是没有用的。

而充分交流讨论就能避免这类情况。有越多来自别人的信息，就越能明确目标直入主题；越知道系统的优劣和目前的可用工具，就越能借风使力，提高效率。 有时候跨组间不经意的一两句对话，少则抵得上几小时或者几天的辛勤劳作，多则改变整个组的行进方向。无人车组里中国人非常非常少，因此英语的地位相应提 高，实在是需要在业余时间多加训练才好。

对于这样一个开创性项目，虽然已经取得了重要的进展，但还是有很多棘手的具体问题需要解决，每一个细节都决定成败。并且，越接近最终目标就越为艰 难，有时候为了有百分之一的效果提升，是不惜从头再来，将原来的工作全部推翻的。所以说这个项目最后是否成功，还要看全体同事的聪明才智和勤奋努力，及一 点点捉摸不定的运气。

希望运气在我们这边。

田渊栋 2014 年 1 月 23 日