Python好像天生是為AI而生的，隨著AI的火熱，特別是用Python寫的TensorFlow越來越火，Python的熱度越來越高，就像當年Java就是隨著互聯(lián)網火起來的感覺。

在我的工作中，Python用來寫腳本用，有些功能用Java或者shell也能實現(xiàn)，只是用Python來寫更加方便一些，小伙伴們如果平時做Java開發(fā)的話，建議學習一下Python，換個思路，換種感覺，保證給你不一樣的程序體驗。

開發(fā)語言其實就是一個工具包，Python與Java的底層實現(xiàn)都離不開C/C++，只是工具包的設計思路不一樣，方法不一樣，所以應用的方式不一樣，同樣都是解決問題，使用不通過的工具解決問題的途徑不同而已。

AI的各種算法已經算法的演進，誕生了無數(shù)的牛人，無數(shù)中算法就像是在解決微觀世界里面的各種問題，各種困難，而Java工程師面臨高并發(fā)，分布式等各種問題的洗禮與解決，也誕生了無數(shù)的牛人，充分彰顯了人類的智慧，像是解決宏觀世界的問題。

多年來，機器學習已經成為一種趨勢，值得關注。但是有充分的理由在2020年背景下談論它。這要歸功于 TensorFlow.js這樣的開發(fā)：TensorFlow.js：一個端到端的開源機器學習庫，它能夠（除其他功能外）直接運行經過預先訓練的AI在網絡瀏覽器中。

為什么興奮？這意味著AI正在成為網絡中更完整的一部分。一個看似微小而令人討厭的細節(jié)，可能會產生深遠的影響。

當然，我們已經有很多使用AI的網絡工具的示例：語音識別，情感分析，圖像識別和自然語言處理不再是天壤之別。但是這些工具通常將機器學習任務卸載到服務器，等待它計算，然后將結果發(fā)送回去。

對于可以原諒小小的延遲的任務來說，這很好，很花哨（您知道這種情況：您用英語鍵入文本，然后耐心等待一兩秒鐘，將其翻譯成另一種語言）。但是，這種瀏覽器到服務器到瀏覽器的延遲對于更復雜，更具創(chuàng)造力的應用程序來說是垂死的吻。

例如，基于面部的AR鏡頭需要即時并連續(xù)跟蹤用戶的面部，因此任何延遲都絕對不能進行。但是，延遲也是簡化應用程序中的主要難題。

痛點

不久前，我試圖開發(fā)一個網絡應用程序，該應用程序通過手機的后置攝像頭一直在尋找徽標。這樣的想法是，當AI識別出徽標時，網站便會解鎖。簡單吧？你會這樣想的。但是，即使這項看似簡單的任務也意味著不斷拍攝攝像機快照并將其發(fā)布到服務器，以便AI可以識別徽標。

必須以極快的速度完成任務，以使用戶的手機移動時徽標不會丟失。這導致每兩秒鐘從用戶的手機上載數(shù)十KB。完全浪費帶寬和整體性能殺手。

但是由于TensorFlow.js將TensorFlow的服務器端AI解決方案直接帶入了網絡，因此，如果我今天要構建此項目，我可以運行一個經過預先訓練的模型，使AI在用戶的手機瀏覽器中識別給定徽標。無需上傳數(shù)據，檢測每秒可以運行幾次，而不是每兩秒鐘一次。

更少的延遲，更多的創(chuàng)造力

機器學習應用程序越復雜和有趣，我們就需要接近零延遲。因此，通過消除延遲的TensorFlow.js，AI的創(chuàng)意畫布突然變寬了。 Google的實驗計劃 很好地證明了這一點。它的人體骨骼跟蹤和 表情符號尋寶項目表明，當機器學習成為Web的適當集成部分時，開發(fā)人員將如何發(fā)揮更大的創(chuàng)造力。

骨骼跟蹤特別有趣。它不僅提供了Microsoft Kinect的廉價替代方案，還直接將其引入了Web。我們甚至可以開發(fā)使用網絡技術和標準網絡攝像頭對移動做出反應的物理裝置。

另一方面，表情符號尋寶游戲顯示了運行TensorFlow.js的移動網站如何突然意識到手機的用戶上下文：它們在哪里，在他們面前看到什么。因此，它可以將結果顯示的信息關聯(lián)起來。

這也可能具有深遠的文化含義。為什么？因為人們很快就會開始將移動網站更多地理解為“助手”，而不僅僅是“數(shù)據提供者”。這是從Google Assistant和支持Siri的移動設備開始的趨勢。

但是現(xiàn)在，由于有了真正的Web AI，一旦網站（尤其是移動網站）開始執(zhí)行即時機器學習，這種將移動設備當作助手的傾向將變得根深蒂固。這可能會引發(fā)觀念上的社會變化，人們將期望網站在任何給定的時刻都能夠提供完全的相關性，而干預和指導卻最少。

未來是現(xiàn)在

假設地說，我們還可以使用真正的Web AI來開發(fā)適合人們使用方式的網站。通過將TensorFlow.js與Web Storage API結合使用，網站可以逐漸個性化其調色板，以更加吸引每個用戶的喜好。該站點的布局可以調整為更有用。甚至可以對其內容進行調整，以更好地滿足每個人的需求。和所有的飛。

還是想象一個移動零售網站通過攝像頭觀察用戶的環(huán)境，然后根據其情況調整其產品？還是 Google的房地美（Freddie Meter）這樣能分析您的聲音的創(chuàng)意網絡廣告系列呢？

由于所有這些誘人的可能性都即將成為現(xiàn)實，很遺憾我們不得不等待很長時間才能找到合適的Web端機器學習解決方案。再一次，正是由于移動設備上AI性能不足，促使TensorFlow的產品開發(fā)（如服務器端TensorFlow – .js版本的前身）成為了Web的真正集成部分?，F(xiàn)在我們終于有了真正的Web機器學習的天賦，2020年很可能是開發(fā)人員釋放其AI創(chuàng)造力的一年。