从 Caffe 到 PyTorch
: 最早的时候听说 Caffe 是你的一个 side project，不是你论文的主要内容。当时开发 Caffe 的初衷是什么？中间经历过什么过程，可以给大家讲一下吗？
: 后来到了 Facebook 之后继续做 Caffe 你有遇到什么新的问题吗？
: 前段时间你们宣布了 PyTorch1.0 的发布，我记得 Caffe 主要是做 production 的，而 PyTorch 主要是 research 这个阶段，当你把它们合并在一起的时候，是希望解决什么问题呢？
软硬件协同设计
: 上次我跟你聊，你说到你比较关注硬件方面的发展。我想知道你的角度是什么，是 software hardware co-design 吗？
: 也就是说它搭建了一个 eco-system，给 developer 们有更方便的方法去用，对吧？
计算机领域的文化
: Facebook 也是少有的做比较顶尖的 AI research 的一个公司，你在里边带领 AI infrastructure 这块的一些研究。我知道 Facebook，Google 这样的公司有个特点，就是它有很多大牛都在一起工作。而很多别的公司经常有这种一山不能容二虎这种现象。我不知道你在这方面有什么体会，有什么心得可以分享？是什么样的文化使得 Facebook 在 research 这方面有个 cutting-edge research 的结果？
: 谢谢你提到了我们！你提到了 Reddit，我看到了你 Reddit 上有篇评论，里边提了一个词叫 unframework，因为当时是 Caffe 2.0 的时候你提的，能给我们解释一下是什么意思吗？
管理团队的软技能
: 你当初也是典型的 engineering research 出来的，现在去 lead 的组织，有很多工程师。你觉得在这个过程中 soft skills 你有些什么收获，给大家有什么建议？
从数据到决策的新趋势
Q1: 这两年我们看到了一个趋势，从 classification regression 要做 reasoning，然后要去做 reinforcement learning，要去做 decision making，在这个趋势你有什么看法呢？因为从我们的直觉上来说这个是跟过去相反的趋势，但是实际上我们看到如果不这么做的话，直接用 probabilistic 的方法遇到了很多问题，所以想问您对这个趋势怎么看，这是个大趋势吗？他将来怎么样发展会对现在 Deep Learning 社区有什么样的帮助？
计算机语言的选择
Q2: 前段时间有一个语言叫 Julia 横空出世，号称集百家之长，所以我想问问你对这个语言有什么看法，有没有打算基于 Julia 这个语言建立一个 framework。
数据收集与处理
Q3: 我们知道 deep learning 是非常>
Q4: 你觉得在设计 AI infrastructure 的时候如果想把>
Q5: 你刚才说到数据的问题，其实很大的问题是像你说的，数据其实一直在变，这个 tracking 其实跟 big>
工具的使用
Q6: 前面介绍提到说从 research 到 production，一个方面是工具上的不同，另外一方面其实是 research 过程中，比如你用 Jupyter Notebook，你会做很多的小的 code 的片段，但真的上 production 你需要一整块的、经过 unit test 的软件工程整个进入系统。这个之间其实还是有一个工具上的不同，想听听看 Facebook 有什么样的解决方案。
PyTorch 与 TensorFlow
Q7：PyTorch 是一个用户很多的一个系统，还有一些用户比较多的系统就是 TensorFlow，背后都有一个很大的 community，有很大的公司在支持，但是其实你刚才也提到了就是 TensorFlow 也出了这个 eager mode 大家需求也都一样，都有这个 research developability 或者 interactivity 这方面的需求，deployment 都有 scalability 或者 performance 这方面的需求。那最后有没有这两个系统或者说市面上所有系统合并到一起的可能，从 business 的角度来说什么样的条件会造成这种合并。
软硬件结合的挑战
Q9: 你提到软硬件一定要结合，才能发展。那你现在觉得从 production eco-system 上看，有哪些地方软硬件结合做的还不是很好？
10 年后博士研究的玩法
Q8: 现在这些 framework，这些工具非常的成熟完善，这必然是件好事。但从另一个角度来讲他对 computer vision researcher 和 graduate student 的 impact 是非常不同的。比如说五年前/八年前你可以 design 自己的 feature，做一个 minimization variation whatever graphical model 你可以发 paper，这个玩法和现在必然不同，现在你要 train model，你要自己想办法做一些新的 architecture 或者其它一些比较有窍门的东西才能发 paper。那比如说十年之后你再去 Berkeley 读一个 computer vision PhD 从头开始的话，这个玩法是什么？
作者介绍：Alex Ren ，硅谷面向华人工程师视频内容平台 Robin.ly 创始人，AI 人才服务公司 TalentSeer 创始人，硅谷风险投资 BoomingStar Ventures 管理合伙人。Robin.ly 是硅谷具有影响力的视频分享平台，服务全球上千万华人工程师，通过与 AI 科学家、知名创业者、投资人和领导者的系列深度对话，传播行业和技能知识，打造人才全方位竞争力，为培养下一代领导者、创业者而努力！
原文链接 ：
