这个问题受启发于最近遇到的一个事件，让我觉得这个问题也蛮重要的，如何用通俗易懂的语言，阐述深沉的思考。
Transformer是近年比较火热的算法模型，我也相信其会逐步推广产生更多价值。我觉得这个问题依然可以从我经常提到的业务侧，竞赛侧，研究侧三个维度去考虑，会有一个比较踏实的思考。
我觉得这是电商互联网公司都会问的问题，也是一个非常有价值的问题。电商业务作为现金流业务，是需要AI去赋能提效的，AI与电商业务的结合，也会让算法侧更踏实的去沉淀。
传统工业的数字化，智能化，降本增效是大势所趋。需要我们不断深入挖掘传统工业面临的提效痛点，再反推出使用合适的AI算法进行赋能，我觉得这是非常值得去关注思考的点。
毫无疑问，现在的AI技术建立在黑盒系统上，而黑盒系统难免会引入随机性与不确定性。这种情况下如何让算法模型安全可控，并不断提升性能是一个非常值得思考的问题。
CV算法在实际应用中的非标场景非常多样，可能不同场景很多东西要推倒重来，要从头顶到尾重新搭建整个解决方案，这无疑会增加整个解决方案的成本，如何从非标场景中沉淀共性，优化解决方案的实施，打造更好的产品，这是一个非常值得去探索的问题。
我觉得这个优化是多方面的，我们可以优化已有业务的整个开发流程，也可以优化我们在这个业务逻辑里的效率，也可以基于这个业务进行新的拓展与探索。
算法工程师在工作中主要面对业务侧/竞赛侧/研究侧三方面的事务，如何进行合理的项目配比，时间分配，投入产出评估等，都是非常值得去思考的问题。
AI赋能各行各业的探索还在持续推进，并且有很多实际可行的解决方案产出，我觉得保持对AI产品形式的创新思考是非常有价值的，这是一个增量方向。
这是工业界中一个非常现实的问题，那就是如何优化整个AI业务开发的流程，降本增效。有时候往往最花时间的不是算法侧的开发，而是不同部门之间的信息差，沟通不畅，合作不愉快等情况导致的低效。
我觉得这是一个非常有价值的问题，不管是现在大的经济环境还是AI发展的现状，AI业务深耕与扩展来获取利润是重中之重。只做研究和竞赛是远远不够的。
在已有业务中跟随是很安全的事，但是如何开拓新的增长点是非常有价值的事。除了技术角度，还要从产品角度，成本角度，客户角度去把握。
这是一个非常有价值的问题，随着AI技术进入全面的落地阶段，如何将AI技术与公司定位相适配，利用好AI技术并产生更多现金流闭环，成为未来各个公司重点考虑的问题。
深度学习发展至今，工业界，学术界，投资界都对其优势和局限有所判断了，基于此，各个公司的AI Lab也进入了全新的阶段，如何调整架构，如何改变定位，如何转变认知，是一件需要思考的事情。
这是一个非常有价值的问题，随着宏观环境的变化，各个公司更加注重现金流，纯研究院等部门会被持续优化，这时如何高效的转化竞赛侧与研究侧的实用性成果，以及如何将业务侧经验向竞赛侧与研究侧延伸，成为各个公司重点考虑的问题。
深度学习发展至今，工业界，学术界，投资界都对其优势和局限有所判断了。作为面试者，也需要对深度学习的趋势有所把握，不仅仅能在面试中进行交流，也能作为职业发展规划的一个先验知识。
在“CV兵器”基本上都是开源的情况下，数据成为了支持业务迭代最重要的一部分，如何建立数据护城河，形成业务与数据双向正反馈，是AI行业从业者必须要面对的课题。
这个问题不仅可以考察面试者，面试者也可以用来反向判断面试官及其背后公司的运行逻辑。陷入demo业务，一次性业务以及外包业务的循环中是无法成长的，也不利于建立业务/产品的护城河。知道了这一点，那么如何去选择部门，如何去选择公司，如何去看需求，就变成了非常值得研究的事情。
AI除了落地，还有持续的愿景。这个问题启发我们，除了日常的技术深耕，也需要思考未来AI的发展趋势。如何扩大公司的AI影响力，是AI从业人员有必要去思考的一个维度。
这是一个非常有价值的问题，随着的AI更加务实的落地，业务场景和算法解决方案的适配是非常关键的。如何获得针对性设计的能力，需要对现有现金流业务的深耕，以及提升产品侧视野的广度。
这是一个非常值得去思考的问题，在AI算法大范围落地之后，随之而来的就是安全风险，我相信AI安全将会是一个很大的课题。
GAN的思想无疑让人眼前一亮，在目标检测，图像分割，图像分类等领域都有其辅助的身影，并在数据增强领域站在了舞台中央。
这是一个非常好的问题，既可以反映出面试者自身的CV学习入场逻辑，也能反映出面试者对于自己的学习过程是否有总结与提炼。
我觉得这个问题可以从我经常提到的业务侧，竞赛侧，研究侧三个维度去思考和表达。在不同维度下，CV算法技术的发展前景会更加真实的体现，我们也能更从容地去表述我们的观点。