最近在翻 Designing Machine Learning System 这本书，非常扎实的一本书。比如，作者建议不要盲目在生产项目中追求 SOTA，而要考虑哪个算法最适用这一商业问题，如果有一个算法又简单又便宜，当然应该选择这一算法，而不是为了追求 SOTA 而选择 SOTA。 类似的，在学校里，我们发论文时只需要考虑模型本身的指标，当然是越高越好；但是在工业界就完全不一样了，因为模型指标和商业需求并一定完全一致，而且衡量模型好坏的指标也不仅仅是模型本身的指标，可能还有一些外在的指标，比如处理速度等等。所以在工业界训练一个模型需要考虑的范围更广，选择如何衡量一个模型比选择什么模型更重要。 我们的人生也是如此，在学校里追求难题或许帮助我们脱颖而出，而在生活中则不然。与其在生活中追寻难题去解决，不如追寻重要的问题去解决。