時代之變和未來決策
縱看時代風云變云，按照雷軍的話說：站在風口上豬都飛得起來，就如同世界增加的兩次工業革命一樣，每一次都過國家從中興起，有國家隨之滅亡，我們中國目前也經歷過造富浪潮，締造了無數的財富傳奇，
第一次是體制改革，很多人下海經商成就了許多傳奇
第二次是房地產和全球化，至今我們也在為房子的問題發愁
第三次是互聯網時代，看現在互聯網大廠就知道
而我在大一的時候就有深刻的感覺就是：
互聯網的時代已經將要過去
這句話的意思不是說互聯網要衰退了，倒閉關門了，而是渡過了最瘋狂的成長期隨后將要進入平穩期，競爭加劇，就業飽和，最后增長放緩甚至下降這都是我們現在可以看到的，
我們都知道想要發展好不只看眼前，就好像很多人看到90到05年上下的時候化工行業暴利時代，現在再讓你選你還覺得石油化工賺錢嗎，過了十五年后再讓你選，互聯網也不一定是收入較高的，因為時代會變的，我們必須抓住的是時代的變化做決策，
另外一點很重要的事情是，上面這些事情都是白字黑字寫在政府的工業計劃大綱上的，都是國家鼓勵放出激勵政策如何這些行業也隨之興起，沒有例外，
這一次我感覺這次的浪潮是和中國大國崛起的息息相關的高端制造業和高新科技業（高端制造業上到航天航空、衛星科技；下到重工船舶、機車電氣；再到智能數控、智能裝備等等，高新科技業像人工智能、大資料、5G技術、新能源等等），這個判斷主要來自于十四五規劃，前面的三次造富浪潮都出現在其中，
所以我想要告訴你的是：高端制造業和高新科技業這些行業絕對有著超乎你想象的未來，是那種能夠改變你將來身份階層的未來，
而其中最有前景的是智能化，
自身專業之困
作為電科專業的學生，這個專業是非常不錯的，但是在未來職業上，它更偏向于培養科學家而非工程師，而我的方向是傾向走工程師的道路，因為物理非常博大精深，
所以對我來說最有作業和專案意義的課程的是C語言、單片機原理及其介面技術、Matlab和數電模電最后還有數學類的高數線代概率論，我們沒有機會學習資料結構、程式設計、演算法類的課程，可以說比起CS類的學生，我們想要完全從軟的道路優勢是不大的，因為在這些年里我也嘗試過用業余時間去學習這些技術，雖然可以補償一些，但是我還是得承認，人的時間精力都是有限的，我無法同時掌握SQL、JS這些和EDA、multisim這些，
所以我必須基于自己現在的情況走出一條適合自己情況的成長路線，
純粹的嵌入式學習路線
大一階段我主要接觸了嵌入式設計這條路子，對于硬體設計這塊反而接觸較少，不僅在校園，集成電路設計在恐怕在世界來說門檻都是極高的，純嵌入式路線起步都大同小異，都是51或者arduino起步，然后后面轉STM32、ARM、樹莓派這些，然后到嵌入式LINUX這條路線，這個階段我學習了語言之母C語言
在嵌入式基礎上開始學習IOT技術
隨著對單片機編程和網路配網逐步的深入了解，我想更加深入地使用這些板子的能力，這就是AIOT技術，由2018年小米IOT開發者大會提出來的，把AI和IOT結合在一起運用的技術，那個時候我就開始接觸到了諸多傳感器并且利用單片機設備和各種網路模塊進行資料收集并且傳輸到像華為云騰訊云、手機、blinker等等這些平臺，并且通過互聯網遙控澆水、電燈什么的，
初步接觸到AI技術，逐步走AIOT技術
那還是大二的寒假，我參加了新加坡國立大學的機器學習的課程，可以說是帶我進入了AI的殿堂，學習了python和很多基礎的演算法，包括很熱門的神經網路、隨機森領、SVM等等，期間還有的就是補齊了資料結構的漏洞，隨著后來的深入，我開始學習接觸ML的三大分支-- CV、NLP、BI，后來我逐步像CV方向去學習，期間我一直有一個很大困惑：
非計算機的學生真的可以學習AI并且在以后從事以后的作業嗎？這種課程的差距真的可以彌補嗎？傳統的單片機和AI技術又是如何勾連的？可以勾連C和python嗎？
現在基本上的單片機的硬體仍然無法在本體上進行演算法的運算，所謂的AIOT很多都是在PC端進行的，也就是設備端收集資料讓通過網路傳輸到云平臺進行處理，同時自主大規模運算能力也是不具備，
參加英偉達夏令營CUDA的啟發
英偉達的主要是憑借其超性能的異構計算而出名，主要產品是顯卡（GPU），所謂的單片機，其實就是最小的計算機，你可以理解為一個次一點的CPU（STM32），那時候通過英偉達公司的階段，我發現他們的一款產品 jetson nano–是可以搭載顯卡的，而且計算性能足夠簡單的ML專案，比如說自動駕駛、影像識別這些，也就是一塊可以做AI的板子，更要的是其Linux系統和來自CUDA的異構計算更是人工智能的利器，
自身專業的啟發
那個時候我在認知實習中聽了幾位中科院學者的分享，他們做的專案的是設計AI芯片，那個路線的思路根據AI演算法的結構特點重新設計芯片框架，當然我們本科生是無法達到這么高的水準的，但是我發現另一個機會，就是PCB設計，我們平時的使用大多數板子和設備直接都是用杜邦線連接的，如果能狗自己畫PCB板子可以極大地取代杜邦線，并且通過3D列印機和激光切割機制作的外殼可以出很好的產品，
下位機+上位機+AIOT的思想
下位機+上位機+AIOT這就是我自己探索出來的技術成長路線，首先解釋下什么叫上下位機
上位機: 上位機是指可以直接發出操控命令的計算機,一般是PC螢屏上顯示各種信號變化，
下位機: 下位機是直接控制設備獲取設備狀況的計算機,單片機
我自己探索的路線是下位機Arduino（51）-網路通訊（ESP8266、Lo Ra、zigbee等）-AI （CV）-- Linux–上位機Jetson nano（CV、ML）
首先上位機就相當于一個大腦，主要執行AI的功能，然而這種的功能可能就外介面來說是不足夠，所以我們下位機的功能是收集和執行資料，
這里說下我為什么上位機不選擇樹莓派或STM32，因為性能和硬體設備和AI需求，英偉達的nano有個無可比擬的優勢，可以實作異構計算，有GPU，這是AI一定會接觸到的加速計算，可以打牢基礎，不選STM32的原因是我對python這門語言有需求，AI使用的語言一般都是python，所以我不傾向于STM32，
下位機我為什么會選擇Arduino作為下位機呢，首先他的弊端也絲毫明顯的，他比起STM32和51來說介面較少，用上擴展版后雖然改善了很多但是還是少，但是他有一個優勢無與倫比就是學習社區，Arduino是一個全球的使用的板子，很多平時遇到的問題都可以在社區內找到，并且找到很多有趣的專案分享，
拿我比較剛興趣的專案舉一個例子，電磁炮+CV+ML+PCB自主自動瞄準方案
在這里首先使用到就是電路的一些知識，首先作為一個槍我們的選擇有很多，但是為什么會選擇電磁炮而不是選擇橡皮或者鋼珠類軟彈槍，因為后坐力，后坐力會讓演算法變得非常復雜，電磁炮后坐力是非常小的，第二點你需要做什么呢？是CV用攝像頭確定目標的位置，也可以用雷達和超聲波進行補充，但是這還不夠，給出了你空間上明確的位置關系后是不是就是數學上的計算的角度就可以集中目標，不是，現實有很多干擾因素，這時候我們需要要用ML去訓練我們最佳的發射角度方位，這里怎么操作呢，用Arduino操縱電機帶動槍口和發射電磁炮，利用jetson nano 的CV和雷達確定方位，用ML確定設計彈道，
對AI和嵌入式的朋友感興趣的朋友可以試一下我這條學習路線
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/298732.html
標籤：其他
上一篇：華為認證最全介紹
下一篇：03線性表之鏈表