看开头，我以为是要做独立游戏咧。不过我预判你早晚要搞游戏的，哈哈。很欣赏你，可以做个朋友？ UTogNzEwNTkgMTIwOQ== ，有空可以多交流。

可以，看到算法题的时候，我赶紧查了一下。哈哈。习惯性查答案。

至于学历，随便搞搞就能拿个非全日制本科学历吧。大专不够用。

用不到，然后忘了，那就搞个开源项目直接用新技术去做。连项目没有的情况下，当然学了就忘。效率为零。

公司项目如果让你练手，那你就在公司里用新技术。不让练手，搞开源项目呗，有啥的。

另外，做得深入一些了，自然就会涉及到各种原理性质的、算法性质，乃至数学相关的东西。自然就提升了。至于方向，要么做感兴趣的，要么做擅长的。如果没有感兴趣，也没有擅长的，只能说，不适合吃技术这口饭。

看完，个人觉得你不应该找 AI 技术合伙人。除非你很有钱，或者已经有融资了（那样也不会在这里找人了）。

应该找尽可能全栈的工程师。AI 方面可以调用别人的模型或者 API ，以出效果为主，不以调优为主。

行业方向上，先从工程和需求开始做，而不是从算法。主要是算法 ROI 比较低（主要还是投入大，产出小），调算法包则 ROI 比较高（调包当然容易了，同时出效果也快）。

不建议做自己想出来的新需求，除非你是多次创业者；建议从一些已经有的需求上做，然后用 AI 做微创新。

直接考虑用 AI 技术作为卖点下场，会有很多问题。在大部分实际需求中，AI 都是锦上添花，并非雪中送炭。没有基础功能需求支撑，基本做了也是徒然，竞争力弱，效果大概率跟做个好的 ppt 差不多。此外，要搞清楚你的产品是 2c 还是 2b ，2c 重点是怎么搞流量，2b 重点是怎么搞客户。不管是哪个，自己去研发行业模型都不是最重要的事儿。

AI 技术方面：搞 AI 需要数据，需要算力。人的方面主要是需要有经验的，或者足够聪明的。然后基本就是调参，根据结果来测试参数，不断调优，时不时看论文，用点新技术调优。问题是，数据算力其实都不便宜，做完之后的产出也仅仅是模型，离产品还有很大差距，大概是 1 分到 100 分的差距。并且，产出模型所需的时间并不稳定，取决于数据质量，算力多少，问题难度。而且每次调整，都不是那么可控的，玄学。所以你找了个 AI 工程师，大概率就是做了个模型，给你演示一下自己研发是啥效果，然后发现很难往下做了并且钱也没了。

我个人预判还能凑合跑一些图（仅仅做一些推断），但应该比较慢。

4070 ti super 我用着的话还可以，不过那个机器只用来跑图，不做别的。4090 ，我也入手了，4090 可以勉强做一些 LoRA 微调。主要点：机箱弄大点，方便后续添东西。电源功率高点，免得负载上不去。散热看情况弄，差了自然也是有问题的，不过那个主要看 CPU 负载。另外，GPU 卡都这么贵了，主板 CPU 内存也得上来吧，要不然 IO 方面的瓶颈或者 CPU 不够导致性能发挥不足，岂不是浪费。总之，照着 2 万以上来配电脑可能更加好一些，别想着太便宜了。（如果 4090 ，照着 2.5 万以上配吧）

至于全量训练啥的，就别想了，不是个人玩得起的，至少 8 卡吧。

我印象里，没有 main(当然动态库也有自己的 main)，加上编译上带有--shared ，输出是 so ，就会形成动态库。其他主要就是写 makefile, cmake 之类的。好久没写了，我当年一般用 cmake 多一些，这样编译器标签什么的，基本都构建系统给你处理好了。就只需要项目编译组织对了就行，正确的添加好依赖，然后构建；一般项目应该都做好这些依赖的 link 配置了，当然 linking 出问题会比较麻烦，又很多细节，我也不展开说了，你可以先试试。
此外，.so 里面函数签名也有可能是麻烦的点，如果为了更好被别的语言调用，C 的封装接口更加易用一些（ C++的 mangling 可能会导致查找符号上还挺困难的，但是如果项目本身是 C++的你会发现封装一层 C 接口也有不少工作量）。另一个常见做法是，在项目中添加比如 java 语言的头文件，然后对相关调用当前 java 提供的 native 函数进行封装，这样会直接导出 java 可有识别的函数。（我推测大概率可以，其他语言都有类似做法） java 的调用技术，应该叫 jni ？你可以自己多研究研究。我对 java 不太熟，只停留在表面使用。

我反正也是个分布式方面的外行，就随便说点自己想到的复杂性：
需要有除了操作以外的日志记录步骤，这样回退出问题可以检测到，并重新回退。然后加了这个步骤就成了 2pc 。
还有其他复杂的地方，比如每个 api 要保证幂等，api 之间的依赖。。。回滚过程中和其他事件的互斥，以及业务上怎么更好处理互斥，互斥带来的性能问题。然后就复杂了呗。本身锁的实现可能不复杂，怎么用锁才是复杂的根源。

有贷款有家要养 => 选钱多但不喜欢
选钱少但喜欢的 => 没负担

但是，下面不一定成立：

没负担 => 选钱少但喜欢的

因为可能没负担只是必要条件，不是充分条件。证明完毕。

之前 org-mode ，现在感觉就 txt 就可以了。
此外很多时候，会直接做成 ppt ，顺便给别人讲一波，感觉 ppt 记笔记也挺好，至少自己看着也容易懂一些。

所以目前是：ppt+txt 记笔记了。我觉得记个大概，然后附带一些网址链接。后续回顾的时候根据网址索引，这样比较有用。

脑图可能也有点用，但我不喜欢使。我个人觉得脑图更适合准备考试/面试之类的，根据脑图直接回想对应知识点。

如果是看书学习这种，我估计我还是会切换回 org-mode 这种吧。现在看书学习比较少了，大部分是看源码、看论文、看论坛、看技术帖子。如果是系统看书，可能还是记录功能更多更便捷的会好点；比如用 obsidian/org-mode （后者门槛有点高，还得上手 emacs ，不推荐新手。

没做过。看了一下技能要求，我感觉门槛不低呀。
算法要求比较杂：
- 图搜索 A*之类的，这种在游戏里面用的多一些，地图上寻路之类的。A*算法本身不太难，但这个方向还是有很多 heuristic 和 meta-heuristic 的优化，因此深入也可以很难。
- 强化学习 RL ，这个方向挺火，比如 chatGPT 训练的 RLHF 。理论较多，稍微难一些，整体来说我觉得学科还是比较新，很多时候难点还在于能不能优化出来。RL 和 CV 里的 GAN 类似。
- 滤波器，Kalman Filter, Particle Filter 。应该是控制里的一些算法，我记得 CV 里也有用，数学比较多，稍微难一些，tracking 方向。
- 控制方法：我会的也不多，我只用过 PID 。PID 比较简单，更高级的控制方法可能会难一些。
- 规划类算法： 基本即使运筹学上的，线性规划、整数规划等等的 。这块数学较多，较难。但用的时候就调包就完了。
- 曲线拟合: Bezier 之类的，这种比较简单，一般属于图形学几何的入门内容。入门级别比较简单，但深入很难。几何从来就没简单过。
- 轨迹采样 Lattice 。我不会，刚简单看了一下，基于 Frenet 坐标系的轨迹计算和采样，看起来涉及一些简单的微分几何知识，可能还涉及微分方程求解，我觉得应该会较难。
- 路径规划。难道是 TSP 和 VRP 这类么？求解基本就是一些 meta-heuristic 的方法：遗传算法、模拟退火等等的。
- 概率图 /Bayesian Network： 这块个人觉得数学挺多，较难。如果机器学习出身学过 PRML 的应该会比较熟悉了。求解方面 EM ，VI 等等技术。有的还会用 reparameterization trick 。做过 CV 如果深入研究过 VAE 这块可能也会，做过推荐如果用过 GNN 之类的相比概率图也有所涉猎。
- 优化： 入门简单，SGD 和一阶方法都不难，牛顿法也不难。但坑还是挺深的，数学较多，我评价也是较难。
- 机器学习： 这个你应该比较熟，不多说了。对新手学这方面，我觉得也是较难的。
- 状态机： 这个我不太懂，深入也有很多内容，编译器基本就是状态机，写一些分布式算法基本也是状态机。我觉得理解容易，实现挺难。

从上面要求来看，我觉得可能需要对某几个方面比较深入了解可能就够了。全会的人太少了吧。

从你的背景，我觉得机器学习、概率图、优化，这几个方向可能会的多一些。强化学习可能也会点。

会的方向强化一下，不会的其他方向可以入个门我觉得差不多能过面试了。毕竟看起来很多岗位也没给多少钱。

至于职业发展什么的，应该还好吧。看起来如果上面都掌握的人，应该还是哪儿都吃香的。

坐等行业里的大佬来回帖。我也学习学习。

虚拟机方案也用过，性能不太好。一些性能比较敏感的应用，调试可能都跑不起来。
远程服务器的话也是个方案，不过公网的机器都比较贵。但可以买个垃圾的公网云服务器，用 wireguard 做个隧道，穿透到内网。然后远程访问自己的服务器，这样也挺不错的。反正用 linux 主要也是命令行操作，有个终端也够用了。

忘了提一句了。mac 的话，跑 cuda 程序挺费劲的。这也是我不用 mac 的原因。。还有很多特别新的库和软件，mac 支持的都晚一些。另外我用 mac 总是找不到它安装东西到哪里了，很多打包在一起了，app 内部就是个文件夹....当然，linux 下的 snap 也类似。我不是特别喜欢这种。

我用 ubuntu 可能有 5-10 年了吧。基本原则就是：不用腾讯系软件，最多 web 版微信用一用。编程基本 emacs 和 vscode 。听音乐也直接浏览器打开听。输入法 fcitx 的 google 拼音（会在部分软件上有些问题，但我都解决了）。网盘百度云也用一用，但其实使用频率很低。。WPS 会用，另外 WPS 云文档基本保存了云文档。。

日常的话：
vscode 做开发。emacs 做笔记和 latex 文档。WPS 做做 ppt 。telegram 会用一下，部分技术群还是有干货的。翻墙 clash ，外加用了 clash-verge 做前端。

基本上用 linux 效率挺高。另外避免了 QQ 、微信这种时间杀手，效率更高了。

唯一麻烦就是腾讯会议，我基本手机参会。zoom 的话 linux 支持也挺好。

@Allonsy 那个自学指南太棒了，我感觉自己找书也很困难，看这个整理得很全，而且一些我看过确实质量很高！

加强英语不错，不过 TOEFL 和 IELTS 考试费太贵，而且如果不申请出国我估计很多人都学不动。四六级先好好考过吧，然后尝试多听原版电影，听写台词，能听懂个 80%那些英语考试也差不多了，至少听力肯定够。
技术方面，关注原理吧，语言的话 C 应该就够了。要再学，我也不建议 go, rust 。建议 java, python/js 这种，不同类型的每个学一个：纯编译型、JIT 编译型、解释型。语言选流行的，选不流行的竞争不见得少，天花板可能还受限制。go 和 rust 虽然有越来越流行的趋势，但新手就别追趋势了，追错了多麻烦，就找当前最多用的语言就行了。而且这些用的多的语言，社区和依赖库建设也更完善，对新手更好点。

研究生最大的优势就是有证书吧。思维能力，这和是不是研究生没关系。

如果只是提高思维能力，自学达到教授水平都不成问题。

文献这东西，你读不懂就是基础没掌握好。

拿我熟悉的领域举例子，比如你读 ML/AI 方向的论文想做到复现论文，那有几个前置课程必须学明白了（倒不用很精通）：微积分、线性代数、概率统计、多元统计分析、机器学习入门书(统计学习方法-李航、机器学习-周志华、ESL 、PRML 、MLAPP ，以上这些读 1-2 本)、深度学习神经网络相关一些补充资料。理论上这些掌握差不多了，动手上还需要你掌握一定水平的实践能力：c++、python 以及相关库 pytorch, tensorflow, caffe 等。到此，根据细分的研究领域，需要继续看几本书，比如 CV 需要看信号与系统、数字图像处理、一些研究方向的综述、以及深入用用 OpenCV 。上面基础都万事了，开始读入门级别的论文，比如 CV 方向，AlexNet ，BN ，ResNet ，RCNN ，Faster RCNN ，YOLO...，然后，可以跟进最新的论文，尝试复现了。

我其实觉得我上面说的方向难度还算中等吧，如果要搞高性能 AI 计算框架或者其他基础设施，技术路线就完全不一样了。编译原理、操作系统、汇编(类似 SIMD 、缓存等指令层面上的利用)、GPU 编程、分布式一致性算法等等。

总之，如果只是提升能力，你需要足够耐心，投入足够时间。

95%的工作用不上深入理解 GC 。但还有 5%的工作是需要理解的。

有 GC 的语言可能由于 GC 有 bug 、或者使用语言的写法是标准里未定义的，都会导致内存泄漏。

以此判断对某门语言花了多少心思，是有这方面考量。另一种隐含的考量是，是否一个人有机会接触到底层细节。一般来说，机会往往是：项目用得特性比较深入，技术含量高；个人自驱动强，不断加深深度触及到了底层技术。不管是那种，都应该是面试官更青睐的人选，后者尤其青睐。