总结过去，迈向未来
参考国家的 5 年计划，我也做一个 5 年总结。从 21 年算起，25 年应是收官之年，但我更愿意把它看作新一个 5 年计划的起始之年。
21 ～ 23 年
头 3 年是很充实的，一直有很多事情可以做。
个人在技术的综合能力维度上，具备了从零到一搭建完整的技术团队（前/后端、测试、数据、运维），从一到十……的能力。带领了百人团队。
24 年
今年有了很多学习的时间，主要的时间都花在了 Rust、AI 方面。
AI
终于开始认真的学习 AI 相关技术（深度学习，后面简称 DL）。看了很多书籍和教程，但到现在还处于入门阶段。学习 DL 的确很难，发现需要补的知识太多：高数、线性代数、概率、信息论、等等。但现在也不是一无所获，可以给大家分享些学习资料，也许可以让学习更有趣和快速些。
入门
《Deep Learning: A Visual Approach》
一本丰富插图、全彩色的深度学习入门书籍，提供视觉和概念解释，而非方程式。您将学习如何使用关键的深度学习算法，而无需复杂的数学。
- 英文版： https://www.amazon.com/Deep-Learning-Approach-Andrew-Glassner/dp/1718500726/
- 随书代码和勘误： https://github.com/blueberrymusic/Deep-Learning-A-Visual-Approach
数学
可以在 B 站上看宋浩的高数、现代、概率 3 门课的 2.0 版本。
- 《高等数学 2.0》 https://www.bilibili.com/video/BV1CAxaeHEeH/
- 《线性代数 2.0》 https://www.bilibili.com/video/BV1h7pteyEww/
- 《概率论与数理统计 2.0》 https://www.bilibili.com/video/BV1JXppejE8q/
喜欢阅读的朋友也可以看这些书籍：
- 《普林斯顿微积分读本（修订版）》
- 《线性代数应该这样学（第 4 版）》 https://linear.he-yang.top/
编程实践
- 《动手学深度学习》 https://d2l.ai/
- 《Build a Large Language Model (From Scratch)》 https://www.amazon.com/Build-Large-Language-Model-Scratch/dp/1633437167/
上面有些是英文资料。对于网页，推荐 沉浸式翻译 进行在现双语对照翻译，也可以将英文 PDF 翻译成中文。对于 epub 格式的电子书，也可以导入 微信读书 中，效果类似这样：
继续
TODO 再后面就是要投入实战了，这一点我当前也没有很多更好的建议。也许明年我可以再好好写写这方面的文章。
Rust + Python
对于未来的技术栈，我觉得 Rust + Python 是一个很不错的选择，综合考虑了正确性、健壮性、高性能、开发效率、易学习、人才等各种维度。在我的公从号文章《我的未来技术选型》中有阐述，这里就不在赘述了： https://mp.weixin.qq.com/s/krD9XkWuE3fVYNb1NNP7fQ 。
过去与未来
4 年小结
回头看这 4 年的各种决策，有很多值得改进的地方。总的来说最应该的就是：在投入产出比上考虑得太少。
一开始做出了一个很大的规划：多租户、SAAS 化的多维产业互联网平台，技术上也按中大型互联网的技术架构进行设计，……。但最后发现现实往往不按我们的预期行进，有很多天时/地利的原因会让你制定的规划不能执行。
这就造成我们的产业互联网的发展没有达到预期，从某种程度上来说最终还是只满足了企业自身的信息化需求。但就算这样，也给行业带来了不小的震撼，大家都没想到我们这个行业还能这样玩，信息化能够做到这种程度。这也算是个很值得的收获。
未来的方向，应该从技术、产品、运营三个维度进行思考和提升。 从数据着手，更好的连结运营和产品。
- 数字化管理和经营，加强数字化建设
- 在产品设计上需要参与业务设计，而非传统的等待需求
- 避免开发只为 1 个人使用的系统，应先收集数据并进行数据处理，再进行数据应用和产品开发
- 控制自研业务系统规模，综合评比市面上已有类似系统，分析采购和自研的 ROI
- 数据中台（数据仓库、BI/报表系统、数据分析、等）的建设应该提为集团公司最高优化级的战略之一
- 数字化管理、数字化运营，需要全面、准确、及时的统一、汇总数据实现
- 在业务模式未清晰前，谨慎上马自研系统开发。可以考虑数据收集和数据应用优先。数据先入仓，并尝试进行应用、分析
- 业务系统多种多样、有自研、采购、遗留系统；业务模式多种多样，随着业务的发展会快速变化。业务系统的生命周期大部分时间会短于数据的生命周期
25 年展望
25 年计划围绕 数据 工作展开。从数字化管理、数据中台建设着手，加强这方面的系统建设和与业务的打通，真正做到为业务赋能。
AI 方面，也会结合数据进行实践，对数据进行挖掘、分析、可视化，从而对数据进行价值化处理。
25 年可能有新的项目，能够实践 AI；在技术上也不再只是做“管理类”的系统，对性能和安全有着更高的要求，《我的未来技术选型》中的技术可落地并继续迭代。