微軟投資的OpenAI如何組織員工學習？這裏有一份課程與書籍清單

在人工智能領域，知識的更新速度超乎想象，去年BERT還製霸各大排行榜，轉眼XLNet又來了。

對於AI公司的員工來說，若不追逐技術的浪潮，就很有可能在人工智能時代的激烈競爭中越來越力不從心。

及時迭代技術，正與公司的期待不謀而合。AI公司本身當然也不希望看到員工被技術瓶頸卡住。

那麼，那些走在人工智能浪尖的大公司，都是怎麼組織員工緊跟AI技術風向的呢？

OpenAI主動把星期四設成了學習日，讓員工可以自由學習日常工作中學不到的東西。

每周四，不用管手頭的項目，想看啥論文就看啥論文，哪怕是複習複習線性代數，那也是極好的。

媽媽再也不用擔心我把線代知識全還給了老師。

難怪有網友說：好想加入OpenAI啊。

自由學習的工作日

這個學習日，到底是怎麼一回事呢？

OpenAI的說法是，在這一天裏，員工們可以自由地學習想學的知識，隻要他們覺得這些新技能能幫助自己提升工作水平，並且在日常的工作中並沒有機會學到。

拿OpenAI的機器人團隊舉個例子，在這一天裏，他們通常會做這些事情：

閱讀AI論文重現AI論文學習AI教程開展自己的AI項目學習數學基礎：線性代數，統計學等等學習機器學習基礎：信息論，貝葉斯推理等等學習工程方麵的知識：了解最新的編程語言，框架等等學習管理方麵的知識：自我管理，優先排序，知名實驗室都怎麼運作blabla學習機械工程或開展機械工程研究項目學習任何可以幫助提高工作水平的技能，比如寫作

以上也隻是建議，深度學習一下《權重不可知的神經網絡》當然很好，《黑暗領域：網絡戰爭秘史》這種曆史讀物也一樣沒什麼問題，甚至，公司還給你報！銷！

量子位曾解讀《權重不可知的神經網絡》：https://mp.weixin.qq.com/s/mQ01MkRCWL0gZVtVWZmbJw

想鞏固一下數學知識？買書！請老師！別猶豫，OpenAI投資你！

簡直令人感動。

來自機器人團隊的妙想

OpenAI周四學習日現在已經普惠到全公司，成為公司文化的重要組成部分。

不過在一開始，是機器人團隊做了第一個吃螃蟹的人。

機器人團隊的負責人Woj（Wojciech Zaremba）是這樣想的：

在實行了學習日計劃之後，僅僅過去了一個月，團隊中研究員和工程師之間的交流就明顯順暢了起來，每個人都開始正確地使用術語。

半年之內，研究人員會討論用什麼樣的設計重組代碼庫了，而工程師也更多地參與到了研究項目當中。

鵝妹子嚶。

Woj提到，OpenAI一向鼓勵自學，但光說鼓勵，emmm，並沒有什麼效果。

你招了一名工程師，你希望TA更懂機器學習，一個月過去了，TA很可能還是對ML不明覺厲。

自從有了學習日之後，情況就不一樣了。

在機器人團隊中，有成員本來對機器學習一無所知，三個月後，能給CV（計算機視覺）項目貢獻代碼了。

還有一位工程師大佬，學了RL（強化學習）才半年，做出來的東西快趕上RL博士水平了。

跨領域人才在哪裏都受歡迎，OpenAI也不例外。他們決心把學習日活動推廣到全公司，在公司內部發展多麵手們。

畢竟，不懂數學的軟件工程師不是好機器學習科學家嘛。

實現細節

所以學習日等於多放一天假？

非也非也。

這不是休閑日，隻是換一種努力工作的方式。

學習日，可是有很多細節的。

Q1：學習日被用來工作怎麼辦？

首先，要保證體育課不變成作業課，啊呸，要保證學習日不變成普通工作日。

即使領導不著急，團隊成員們還是可能想要更快地完成手頭的項目。

OpenAI的解決方式是，所有團隊都在同一天舉辦學習日活動。全公司的人都沒在工作，你還會選擇項目而不是那篇早就想好好拜讀一下的大神論文嗎？

Q2：學習日變成休閑日怎麼辦？

又想重複周末葛優躺一整天的操作？快別想了，每個團隊成員都要在Geekbot的Slack上分享自己的學習進展。

別人都五殺了你還蹲在家裏喝泉水，還怎麼跟小夥伴愉快地玩耍？

反正在OpenAI，程序員們都興奮地push了起來。

真是別人家的公司啊。

One More Thing

最後，來看看OpenAI員工們都學了什麼吧。

深度學習論文：

Population Based Augmentation: Efficient Learning of Augmentation Policy Schedules：

https://arxiv.org/abs/1905.05393

Learning Domain Randomization Distributions for Transfer of Locomotion Policies：

https://arxiv.org/abs/1906.00410

Neural Graph Evolution: Towards Efficient Automatic Robot Design Learning to Learn with Probabilistic Task Embeddings：

https://bair.berkeley.edu/blog/2019/06/10/pearl/

Mid-Level Visual Representations Improve Generalization and Sample Efficiency for Learning Visuomotor Policies：

http://perceptual.actor/assets/main_paper.pdf

Efficient Off-Policy Meta-Reinforcement Learning via Probabilistic Context Variables：

https://arxiv.org/abs/1903.08254

Does computer vision matter for action?

https://arxiv.org/pdf/1905.12887.pdf

WAIC, but Why? Generative Ensembles for Robust Anomaly Detection：

https://arxiv.org/abs/1810.01392

Weight Agnostic Neural Networks：

https://arxiv.org/abs/1906.04358

Challenging Common Assumptions in the Unsupervised Learning of Disentangled Representations：

https://arxiv.org/abs/1811.12359

Deep unsupervised learning：

https://arxiv.org/abs/1811.12359

Deep RL Bootcamp：

https://sites.google.com/view/deep-rl-bootcamp/lectures

深度學習代碼：

Reptile and MAML

Play with code in JAX

Apply Sparse Transformers to vision tasks

Implement LSTM and transformer from scratch; train them on Penn treebank

Train a neural net to reproduce the behavior of a physical motor

數學：

Time Series Analysis

The Book of Why: The New Science of Cause and Effect

曆史：

Dark Territory: The Secret History of Cyber War

The Hacked World Order: How Nations Fight, Trade, Maneuver, and Manipulate in the Digital Age

Technology Transfer to the USSR. 1928-1937 and 1966-1975: The Role of Western Technology in Soviet Economic Development

The Turing Test: Verbal Behavior as the Hallmark of Intelligence

The Information: A History, A Theory, A Flood

Radical Markets: Uprooting Capitalism and Democracy for a Just Society

參考資料：

https://openai.com/blog/learning-day/

— 完 —

誠摯招聘

量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界麵，回複“招聘”兩個字。

量子位 QbitAI · 頭條號簽約作者

վ'ᴗ' ի 追蹤AI技術和產品新動態