如今有些论断说：“AI行业不热了!泡沫终是泡沫?” 但实际上，只有身处AI产业之中的局内人才深知，在经历了理论研究、数据驱动的阶段后，整个行业日渐成熟，进入了产业落地应用阶段。眼下亟需的是从技术到业务的 ，而不仅是技术本身的迭代。

　　 四次工业革命的驱动力量，这是科技行业对人工智能技术的价值评价。这次技术革命涌现出的新型AI复合型人才，正乘着AI产业化落地应用的风口，在各自的行业披荆斩棘。用AI驱动业务、推动产业升级，就是这些人的时代使命，江湖人称“AI架构师”。

　　从字面拆解“AI架构师”——AI对应算法技术;架构师则涉及对工程架构和业务的把握。把AI技术高效落地应用，找到在当前算法中能够 大化满足约束条件，并 优地实现目标的方法，这是AI架构师的核心使命。

　　但遗憾的是，AI架构师的成长是一个漫长的过程。让做算法的人去了解业务架构，让做传统架构的人去把握AI技术，这需要工程师长时间的深度实践积累和技术抽象能力。

　　四大象限：找准AI架构师转型方向

　　在所有工程师中，研究算法出身的工程师和扎根工程技术出身的架构师，是 有可能转型成为AI架构师的两类人。他们有不同的侧重点，转型后具体又可以细分为四个方向可供大家参考：

　　1、算法出身转型为偏AI业务应用(偏业务策略)的AI架构师。他们有较强的AI技术背景，对业务的理解更深刻、与业务的结合更紧密;

　　2、算法出身转型为偏AI平台工程架构的AI架构师。他们有较强的AI技术背景，工作职责相对前者偏平台或中台，对业务的支持更广泛;

　　3、工程出身为转型偏AI业务应用(偏策略架构)的AI架构师。他们有传统架构师背景，工作职责贴近业务且擅长从架构策略发挥 AI 作用;

　　4、工程出身转型为偏AI业务应用(偏工程架构)的AI架构师。他们依然有传统架构师背景，工作职责却更偏底层的工程架构设计与实现。

　　算法工程师与传统架构师的转型之路存在各自的挑战，相比传统架构转型AI架构师而言，算法出身的工程师转型 大的瓶颈在于与业务的结合能力、对业务的理解能力和落实到工程实践中的经验积累。如果你想少走弯路，从算法工程师高效的转型成为AI架构师，下面的内容对你十分关键。

　　反复“锤炼” 升级AI实战能力

　　一般来说，算法工程师常常针对的任务都是抽象后的、环境变量相对固定，基于这些问题做模型算法层面的研究。对业务的理解能力和落实是需要到工程实践中去不断积累的。

　　算法思维是算法出身人的 大优势，因为基本功扎实，要注意的重点就在对业务理解和抽象层面上进行突破。只要工程能力没有太大的瓶颈，然后在实际项目中反复锤炼架构能力，和工程的架构的同学多配合提升综合素质，工程能力也很容易得到补足强化。

　　虽然这个转型的过程中会遇到很多丘陵和沟壑，但把时间维度拉长，当你从开始解决业务的某一个小问题到解决更大范围的业务问题，这是你为之付出所带来的成长。

　　“握手”业务 找到AI 佳实践

　　很多算法出身的人，往往更关心和聚焦AI技术的原理是什么、某个算法原理是什么，但随着工作的展开，关心和聚焦的方向就一点一点的变成算法的价值在哪里、算法能解决什么问题;到后来，你会发现把算法应用到真实的业务场景里，解决算法的瓶颈以及存在的其他问题才是关键。但这个过程其实是从算法到业务的一个 与渐进的过程。

　　当你走近AI架构师这扇门，你应该思考：如何站在业务系统的角度，找到业务 重要、 核心的问题?如何结合算法和工程经验，实现高效的AI业务系统?这些问题要求你不仅要掌握传统意义上的机器学习或者深度学习算法，还需要对整个行业的业务有充分的理解，只有这样才能设计出符合业务发展的AI系统。

　　有人曾片面地以为AI系统就是算法，但这是错误的认知。AI系统和算法差别非常大，AI系统是算法、工程架构、要解决的问题以及一系列的约束条件的集合体。从工程系统角度，AI平台本身是一个技术型产品，算法是里面很关键的组成部分——但不是全部。AI架构师就是要在具体的业务场景中设计并实现相应算法的 佳实践。

　　“迭代”能力 提升自身AI实力