人工智能有哪些主要的研究领域

目前仍有很多人还不太了解人工智能到底是什么，而今天笔者就要带着大家一起认识人工智能的关键技术与概念，并了解人工智能可以应用的领域。AI人工智能(artificial intelligence)顾名思义，就是人类试图使用机器打造如同人类智慧的科技技术。自从1956年人工智能正式问世到现在已经60多年过去了，但我们对于人工智能的研究与发展仍在不断进行中。更是在近几年随着大数据，高功能计算机，等等的工具普及下，我们正式进入一个AI新世代。三大重点：机器学习 Machine Learning：一种透过设计与分析使计算机可以做自主学习的算法。此算法可以找寻最适合计算机拿来预测的对应数学模型。专家系统 Expert System：针对特定的某个议题或问题，预备好大量的解决方式。但是由于是采取预设方式介入，于是自身学习能力有限。专家系统多应用在医学中疾病的诊断。人工神经网络 Artificial Neural Network ：顾名思义，就是使用机器打造如同人类脑神经元的串联与网络。换句话说，我们学习人脑神经元彼此相连形成网络的方式建构数学模型，就形成了类神经网络。三大领域自然语言处理：试图让计算机能够“听懂”人类的语言，透过麦克风听到语音后能够转化成文字记录，并加以自动分词，理解语意。甚至把计算机欲表达的内容转化成语音“讲”给人听。最经典的实践就是“互动机器人”，这样的机器人不只能听懂你的话，更能针对内容做出反应，形成对话。影像辨识：最具代表性的就是汽车的自动驾驶了。论到自动驾驶，需要满足三项技术：感知处理，高精度地图，以及驾驶决策。而AI不只帮助能够帮助行驶系统透过地图与环境的侦测，判断出适合驾驶的路径，更可以帮助解决过去无人驾驶最大的困境──过于简单的驾驶决策。使用AI达成“像人一样”的驾驶判断，仍然是众多团队努力的目标。语音识别：语音识别直接就是跨语言的辨认与翻译。如同这几年当红的日本ili快速翻译机，就是透过人工智能的“语音识别”快速将听见的中文转换成日语，帮助使用者即使身处不同语言的国家也能达成有效的传达与沟通。AI科技强势来袭，各类型智能机器不断出现在人类的生活当中。而不论是何种型态的人工智能应用，距离机器要“做人能做，思人所思”都还有一段路要走。不可否认的是，随着AI科技的突破，我们的科技未来只会充满更多可能性！

人工智能，亦称机器智能，指由人制造出来的机器所表现出来的智能。通常人工智能是指通过普通计算机程序的手段实现的人类智能技术。同时，人类的无数职业也会逐渐被其取代。人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总括来说，“人工系统”就是通常意义下的人工系统。人工智能的发展是以软硬件为基础，经历了漫长的发展历程。20世纪三四十年代，以维纳、弗雷治、罗素等为代表发展起来的数理逻辑，和以丘奇、图灵等人为先驱提出的计算思维，促进了智能计算方法的萌生。1956年夏，人类历史上第一次人工智能研讨会在美国的达特茅斯（Dartmouth）大学举行，标志着人工智能学科的诞生。涉及领域：可以应用机器于视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等人工智能可以涉及到哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论研究范畴，自然语言处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法等等这么多学科。实际应用：一、自动驾驶：最大的应用场景自动驾驶是现在逐渐发展成熟的一项智能应用。可以想象，自动驾驶一旦实现，可以带来如下改变：1、完全意义上的共享汽车成为可能。大多数汽车可以用共享经济的模式，随叫随到。因为不需要司机，这些车辆可以保证24小时待命，可以在任何时间、任何地点提供高质量的租用服务。2、汽车本身的形态也会发生根本性的变化。一辆不需要方向盘、不需要司机的汽车，可以被设计成前所未有的样子。3、未来的道路发生变化。它们也会按照自动驾驶汽车的要求来重新设计，专用于自动驾驶的车道可以变得更窄，交通信号可以更容易被自动驾驶汽车识别。二、智慧生活目前的机器翻译水平， 大概相当于一个刚学某种外语两三年的中学生做出的翻译作业。 对于多数非专业类的普通文本内容， 机器翻译的结果已经可以做到基本表达原文语意， 不影响理解与沟通。但假以时日，不断提高翻译准确度的人工智能系统，极有可能像下围棋的Alpha Go那样悄然越过了业余译员和职业译员之间的技术鸿沟， 一跃而成为翻译大师。那时候，不只是手机会和人智能对话，我们每个家庭里的每一件家用电器，都会拥有足够强大的对话功能，为我们提供方便的服务。三、智慧医疗：AI将成为医生的好帮手大数据和基于大数据的人工智能， 为医生辅助诊断疾病提供了最好的支持。事实证明，就在今年2月，经过深度学习的神经网络在诊断某些皮肤病方面的表现比大部分医生还要好。在AI的帮助下， 我们看到的不会是医生失业， 而是同样数量的医生可以服务几倍、 数十倍甚至更多的人群。医疗资源分布不均衡的地区， 会因为AI的引入，让绝大多数病人享受到一流的医疗服务。

作为一名教育领域的工作者，同时大数据和机器学习也是我的主要研究方向，所以我来探讨一下这个问题。随着人工智能领域的发展，整个科技行业对于人工智能专业人才的需求量在持续加大，传统的研究生教育方式已经不能满足巨大的市场需求，所以人工智能人才的教育必然会向本科教育下沉，目前一小部分教育资源比较丰富的高校（以双一流高校为主）陆续开设了人工智能专业。人工智能的本质是获取知识、创造知识并合理运用知识达到某种目的的能力，而且是一种通用的能力。从体现结构上来说，人工智能系统有三个大的组成部分，分别是感知系统、智力系统和行动系统，当然还离不开环境的支持。感知系统和行动系统需要物联网的支持、智力系统需要大数据和云计算的支持，所以人工智能是一个典型的交叉学科。从知识体系结构上来说，人工智能目前的研究内容集中在六大方面，包括计算机视觉、自然语言处理、机器学习、机器人学、自动推理和知识表示，目前计算机视觉领域和自然语言处理领域已经成长了一批具有较强竞争力的科技企业。从人工智能专业的课程设置来看，重点包括三个部分，其一是基础学科，重点是数学和物理；其二是计算机基础知识，重点是操作系统、计算机网络、算法设计和数据结构等内容；其三是人工智能基础知识，涉及到人工智能基础概念、推理和求解、知识表示、感知、通讯和行动等几个大的部分。虽然目前人工智能领域的热度比较高，一部分智能体也开始走进生产环境，但是人工智能行业依然处在初期阶段，还有大量的课题有待攻克，所以选择人工智能专业最好读一下研究生。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言！

人工智能为什么这么火？当今时代，人工智能已经深入到我们生活的方方面面语音助手、人脸识别、无人驾驶等等那人工智能到底是什么？图片来源网络就是通常听到的AI，是计算机学科的一个分支，它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。是不是听起来有点复杂….其主要研究的是要理解智能的含义从而生产出智能机器，这种机器想让它像人一样思考，像人的智慧一样做复杂的工作。人工智能是一个很复杂的学科，要研究计算机视觉、自然语言处理、机器人等等很多领域的知识和技能。

人工智能学科有着十分广泛和极其丰富的研究内容。不同的人工智能研究者从不同的角度对人工智能的研究内容进行分类。例如,基于脑功能模拟、基于不同认知观、基于应用领域和应用系统、基于系统结构和支撑环境等。因此,要对人工智能研究内容进行全面和系统的介绍也是比较困难的,而且可能也是没有必要的。下面综合介绍一些得到诸多学者认同并具有普遍意义的人工智能研究的基本内容。人工智能1.认知建模人类的认知过程是非常复杂的。作为研究人类感知和思维信息处理过程的一门学科,认知科学(或称思维科学)就是要说明人类在认知过程中是如何进行信息加工的。认知科学是人工智能的重要理论基础,涉及非常广泛的研究课题。除了浩斯顿（Houston）提出的知觉、记忆、思考、学习、语言、想象、创造、注意和问题求解等关联活动外,还会受到环境、社会和文化背景等方面的影响。人工智能不仅要研究逻辑思维,而且还要深入研究形象思维和灵感思维,使人工智能具有更坚实的理论基础,为智能系统的开发提供新思想和新途径。2.知识表示知识表示、知识推理和知识应用是传统人工智能的三大核心研究内容。其中,知识表示是基础，知识推理实现问题求解，而知识应用是目的。知识表示是把人类知识概念化、形式化或模型化。一般就是运用符号知识、算法和状态图等来描述待解决的问题。已提出的知识表示方法主要包括符号表示法和神经网络表示法两种。3.知识推理推理是人脑的基本功能。几乎所有的人工智能领域都离不开推理。要让机器实现人工智能,就必须赋予机器推理能力,进行机器推理。所谓推理就是从一些已知判断或前提推导出一个新的判断或结论的思维过程。形式逻辑中的推理分为演绎推理、归纳推理和类比推理等。知识推理,包括不确定性推理和非经典推理等,似乎已是人工智能的一个永恒研究课题,仍有很多尚未发现和解决的问题值得研究。4.知识应用人工智能能否获得广泛应用是衡量其生命力和检验其生存力的重要标志。20世纪70年代,正是专家系统的广泛应用,使人工智能走出低谷,获得快速发展。后来的机器学习和近年来的自然语言理解应用研究取得重大进展,又促进了人工智能的进一步发展。当然,应用领域的发展是离不开知识表示和知识推理等基础理论以及基本技术的进步的。5.机器感知机器感知就是使机器具有类似于人的感觉,包括视觉、听觉、力觉、触觉、嗅觉、痛觉、接近感和速度感等。其中,最重要的和应用最广的要算机器视觉(计算机视觉)和机器听觉。机器视觉要能够识别与理解文字、图像、场景以至人的身份等;机器听觉要能够识别与理解声音和语言等。机器感知是机器获取外部信息的基本途径。要使机器具有感知能力,就要为它安上各种传感器。机器视觉和机器听觉已催生了人工智能的两个研究领域——模式识别和自然语言理解或自然语言处理。实际上,随着这两个研究领域的进展,它们已逐步发展成为相对独立的学科。6.机器思维机器思维是对传感信息和机器内部的工作信息进行有目的的处理。要使机器实现思维,需要综合应用知识表示、知识推理、认知建模和机器感知等方面的研究成果,开展如下各方面的研究工作:(1)知识表示,特别是各种不确定性知识和不完全知识的表示。(2)知识组织、积累和管理技术。(3)知识推理,特别是各种不确定性推理、归纳推理、非经典推理等。(4)各种启发式搜索和控制策略。(5)人脑结构和神经网络的工作机制。智能学习7.机器学习机器学习是继专家系统之后人工智能应用的又一重要研究领域,也是人工智能和神经计算的核心研究课题之一。现有的计算机系统和人工智能系统大多数没有什么学习能力,至多也只有非常有限的学习能力,因而不能满足科技和生产提出的新要求。学习是人类具有的一种重要智能行为。机器学习就是使机器(计算机)具有学习新知识和新技术,并在实践中不断改进和完善的能力。机器学习能够使机器自动获取知识,向书本等文献资料和与人交谈或观察环境进行学习8.机器行为机器行为系指智能系统(计算机,机器人)具有的表达能力和行动能力,如对话、描写、刻画以及移动、行走、操作和抓取物体等。研究机器的拟人行为是人工智能的高难度任务。机器行为与机器思维密切相关,机器思维是机器行为的基础。9.智能系统构建上述直接的实现智能研究,离不开智能计算机系统或智能系统,离不开对新理论、新技术和新方法以及系统的硬件和软件支持。需要开展对模型、系统构造与分析技术、系统开发环境和构造工具以及人工智能程序设计语言的研究。一些能够简化演绎、机器人操作和认知模型的专用程序设计以及计算机的分布式系统、并行处理系统、多机协作系统和各种计算机网络等的发展,将直接有益于人工智能的开发。

当前人工智能是科技领域的热点，大量计算机专业的研究生也愿意选择人工智能作为自己的主攻方向。从近些年来的人才需求情况来看，人工智能领域的相关人才，尤其是研发型人才一直是科技企业（互联网企业）重点争取的对象。目前人工智能领域的研究主要集中在六大方向，其中自然语言处理、计算机视觉、机器学习和机器人学这几个方向的热度要更高一些，目前自然语言处理和计算机视觉方向已经涌现出了一批非常有潜力的企业，这也在很大程度上带动了人工智能行业的发展。相信在工业互联网的推动下，未来人工智能领域的发展会迎来更多的机会，人才需求量也会越来越大。当前人工智能领域的研发说到底就是算法设计，整个过程涉及到算法设计、算法实现、算法训练、算法验证和算法应用等多个环节，所以从事人工智能领域的研发需要具有扎实的数学基础。算法实现主要指的就是通过编程语言来实现算法的落地，另外算法训练、算法验证和算法应用也都离不开编程语言，目前算法工程师不仅需要设计算法，同时也要完成算法的实现过程。目前在机器学习、自然语言处理和计算机视觉这三个领域中，Python语言的应用还是比较普遍的，一方面Python语言有丰富的库可以使用，这能够在很大程度上提升算法实现的效率，另一方面目前基于Python的研发案例也比较多，而且Python还可以完成落地应用，这使得采用Python语言能够省去编程语言之间切换的麻烦，这在研发阶段还是非常有意义的。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言，或者私信我！

AI技术已经成为我们生活中非常重要的一部分：AI决定了我们的搜索结果，将我们的声音转化为计算机指令，甚至可以帮助我们对黄瓜进行分类（这件事后文中会提到）。在接下来的几年里，我们将用AI驾驶汽车，回应顾客的询问，以及处理其他无数事情。但是我们怎么走到这个阶段的？这种强大的新技术是怎么来的？下面就来看看AI技术发展的十大里程碑。1.笛卡尔的理念人工智能的概念并不是突然出现的 ——直到今天，人工智能仍然是哲学辩论的一个主题：机器真的能像人类一样思考吗？机器能成为人类吗？最早想到这个问题的人之一是1637年的笛卡儿。在一本名为《方法论》（Discourse on the Method）的书中，笛卡儿竟然总结出了如今的科技人员必须克服的关键问题和挑战：“如果为了各种实用性的目的，机器在外形上向人类靠拢，并模仿人类的行为，那么我们仍然应该有两种非常确定的方法来辨识出它们不是真人。”笛卡尔表示，在他看来，机器永远无法使用言语，或者“把标识放在一起”来“向别人表达想法”，即使我们能够设想出这样的机器，但是“让一台机器对文字进行组合，对别人的话做出有意义的，即便水平和最愚笨的人差不多的回答，那也是不可想象的。”他还提到了我们现在面临的一个挑战：创建一个广义的AI，而不是狭义的AI——以及当前AI的局限性会如何暴露它并非人类：“即使有些机器可以在有些事情上可以做得和我们一样好，或者甚至更好，但是其他机器也不可避免地会失败，这就表明它们的行为并非来自于对事物理解，只是一种简单的回应。”2.AlphaGo和AlphaGoZero征服世人2016年3月，人工智能又达到了一座里程碑——谷歌的AlphaGo击败了围棋九段李世石。从数学上说，围棋比国际象棋更加复杂，但这次胜利的重要之处在于，AlphaGo是用人类和AI对手组合进行训练的。据报道，谷歌使用了1920个CPU和280个GPU，在和李世石的五局比赛中赢得了四局。而更新之后的版本AlphaGo Zero更加厉害，它不像AlphaGo和深蓝那样使用任何以前的数据来学习下棋，而是直接打了数以千场的比赛，经过三天这样的训练，它就能击败AlphaGo了。也就是说，这台机器拥有自学能力。3.GPU让AI变得更便宜AI现在如此引人瞩目，一个重要原因就是在过去的几年里，处理大量数据的成本已经变得没有那么高昂了。据《财富》报道，研究人员直到21世纪末才意识到，为3D图形和游戏而开发的图形处理单元（GPU）在深度学习计算方面比传统的CPU强20到50倍。在那之后，人们可以利用的计算能力就大大增加了，如今的AI云平台可以为无数AI应用提供动力。所以，要感激玩家。你的父母和配偶可能不会喜欢你花这么多时间来玩游戏 —— 但人工智能研究人员确实很感激你。4.图像识别就像在语音识别上一样，AI也可以在图像识别领域大有作为。在2015年，研究人员首次得出结论：在1000多个类别中，谷歌和微软研发的两个深度学习系统识别图像的效果比人类更好。图像识别可以应用在数不清的方面，谷歌在推广其TensorFlow机器学习平台时举一个有趣的例子，就是对黄瓜进行分类：通过使用计算机视觉，农民不需要雇用人员来决定黄瓜是否合适采摘了，而是让机器来自动做出决定，只要这些机器接受过早期数据的培训即可。5.Siri 和自然语言处理自然语言处理是AI领域的一大课题，要想像《星际迷航》（Star Trek）那样通过语音对设备发布命令，就需要有很强的自然语言处理能力。所以，用统计方法创建的Siri令人眼前一亮。它由SRI International研发，甚至曾经在iOS应用程序商店中作为独立的app推出，很快，这家公司就被苹果公司收购，并深度整合在了iOS中。现在它和谷歌助手、微软小娜，以及亚马逊Alexa这些软件已经成为机器学习最引人瞩目的成果之一，改变了我们与设备互动的方式。当然，我们如今似乎认为这种互动方式是理所当然的，但是任何曾经在2010年之前尝试过使用语音命令的人都知道，这个进步有多大。6.“深蓝”击败国际象棋冠军尽管AI的侧重点已经转移到统计模型上，但基于规则的模型也仍然在使用—— 在1997年举办了一场国际象棋比赛中，IBM的计算机深蓝战胜了世界国际象棋冠军加里·卡斯帕罗夫，向人们展示了机器可以有多么强大。这不是双方的第一场比赛，在1996年，卡斯帕罗夫曾以4-2击败深蓝。而到了1997年，机器就占了上风。从一定程度上说，深蓝的智能有点虚假——IBM本身认为深蓝没有使用人工智能，因为它使用的是蛮力之法，每秒处理数千种走棋的可能性。 IBM为这个系统注入了数以千计之前比赛的数据，每次对手走棋之后，深蓝就会照搬以前象棋大师们在相同情况下的反应。正如IBM所说，深蓝只是在扮演之前象棋大师们的幽灵。不管这算不算真正的AI，它都是一个重要的里程碑，让人们不仅开始关心计算机的计算能力，也对整个AI领域产生了兴趣。自从与卡斯帕罗夫对决以来，在游戏中打败人类玩家已经成为机器智能基准测试的主要方式 —— 2011年时，我们再次看到，IBM的“沃森”系统轻松地击败了两个人类对手，成为美国智力竞赛节目《危险边缘》的优胜者。7.转向“基于统计”的方法虽然神经网络作为一个概念出现已经有一段时间了，但是直到20世纪80年代后期，AI研究人员开始从“基于规则”的方法转向“基于统计”的方法 ，也就是机器学习。这意味着不要试图去根据人类行为的规则来让系统进行模仿，而是采取试错法，根据反馈来调整概率，这是教会机器思考的好方法。这一点非常重要，因为正是这个概念让如今的AI办到了一些令人惊讶的事情。《福布斯》的吉尔·普利斯（Gil Press）认为，这一转变是从1988年开始的，当时IBM的TJ Watson研究中心发表了一篇名为《语言翻译的统计学方法》的论文，特别提到了如何使用机器学习来做语言翻译。IBM用220万对法文和英文句子来训练这个系统 ——这些句子全部来自加拿大议会的双语记录。220万这个数字听起来很多，但是谷歌有整个互联网上可以利用——所以现在谷歌翻译的效果可以说相当不错了。8.第一辆自动驾驶汽车的出现现在我们提到自动驾驶汽车的时候，可能会想到谷歌Waymo等等，但是令人吃惊的是，在1995年，梅赛德斯-奔驰就改装了一辆汽车，从慕尼黑开到哥本哈根，路上大部分时候都是自动驾驶的。这段路程共1043英里，改装车上搭载了60个晶体电脑芯片，那是当时并行计算领域最先进的技术，让它可以快速处理大量驾驶数据，为自动驾驶汽车的响应度提供保证。这辆车的时速达到了115英里，与当今的自动驾驶汽车相差无几，因为它可以超车并读取路标。9.第一个神经网络的出现神经网络其实是一种试错法，它是现代AI的关键概念。从本质上讲，当你训练一个AI系统时，最好的办法就是让系统猜测，接收反馈，然后在继续猜测——不断调整概率，以便让AI系统得出正确答案。令人惊奇的是，第一个神经网络实际上是在1951年由马尔文·明斯基（Marvin Minsky）和迪恩·艾德蒙兹（Dean Edmonds）创建的，称为“SNARC” ，意思是随机神经模拟增强计算机。它不是由微芯片和晶体管，而是由真空管、电机和离合器制成的。这台机器可以帮助一只虚拟老鼠解决迷宫难题。系统发送指令，让虚拟老鼠在迷宫里游走，每一次都将其行为的效果反馈到系统里——用真空管来存储结果。这意味着机器能够学习并调整概率，提高虚拟老鼠通过迷宫的机会。本质上，谷歌当前用于识别照片中的对象的相同过程的非常非常简单的版本。谷歌目前用来识别照片中的对象也使用了同样的过程，只不过远比它复杂。10.模仿游戏AI的第二个主要的哲学基准来自计算机科学先驱图灵（Alan Turing）。在1950年时，他提出了“图灵测试”，他称之为“模仿游戏”。这个测试衡量的是，我们什么时候可以宣布智能机器出现了。这个测试很简单：如果评判者不知道哪一方是人类，哪一方是机器（比如阅读两者之间的文本对话时），那么机器能否骗过评判者，让他以为自己是人类？有趣的是，图灵对未来的计算做出了一个大胆的预测——他估计到20世纪末，机器就可以通过图灵测试。他说：“我相信，在大约50年的时间内，人们就有可能用上1GB的存储容量的计算机，通过编程让它们玩模仿游戏，玩得足够逼真，以至于一般的评判者在经过5分钟的对话之后，做出正确的判定的可能性低于70％…… 我相信，到本世纪末，文字的使用和通识教育理念将会发生很大的变化，那时你谈论机器思维，通常不会引发抵触情绪。”可惜的是，他的预测不太准确。我们现在确实开始看到一些真正让人眼前一亮的AI系统出现，但是在2000年代，AI技术还处在比较原始的阶段。不过硬盘容量在世纪之交时平均为10GB左右，这倒是远远超过了图灵的预测。

大部分人对于人工智能的认识，可能是在电影《A.I》里，也可能是alpha狗，又或者是无人驾驶、机器人等等。它是计算机科学的一个分支，囊括研究领域非常广，包括机器人、语言识别、图像识别、自然语言处理和专家系统等等。我们都知道，人工智能包含三个重要的核心要素：算法、计算力和数据。当2012年深度学习技术相关算法突破后，人工智能的算法的精确性、鲁棒性也越来越好。在2017年，对于人工智能来说，智能机器人与无人机等相关技术应用非常火爆，位居前列。包括微软、谷歌、腾讯、阿里巴巴等在内的国内外各大巨头，对于人工智能的布局也越趋完善。2016年，谷歌CEO Sundar Pichai第一次明确提出了AI将优先作为公司的大战略，同时以深度学习技术为依托，涉足语言理解、机器人、人机交互等人工智能核心技术应用领域来进行全面布局。而微软则早在2015年5月初发布了人工智能领域的牛津计划，由一系列基于云端的机器学习相关的API/SDK和相关服务等组成。看向国内，互联网巨头之一的百度也已经从互联网过渡到人工智能公司，阿里巴巴则是致力于底层搭建，昨日更是召开了2018春季发布会，亮相了多款智能产品。腾讯是自研+投资，从2010年就开始人工智能相关领域的投资。百度阿里巴巴腾讯

【智能观】机器人可能会挤占人类的工作，但它们也会创造出一些新的工作岗位。这些岗位只能是人类才能完成的，那么，这些工作是什么？怎样才能得到？人们经常开玩笑说，机器人将如何取代我们的工作。牛津大学的研究人员曾估计，在未来10年左右的时间里，美国会有47%的就业人口处于高风险状态，有被高度自动化替代的可能。但眼下也有一个好消息: Gartner最近一份报告称，到2020年，将会有180万个就业岗位消失，但新兴领域可以创造230万个就业机会。而Capgemini最近的一份报告发现，83%使用人工智能的公司表示，技术已经在增加就业机会。很多就业岗位的增加都来自于技术本身。Forrester的分析师布兰登·珀塞尔（Brandon Purcell）说:“我们将在未来5到10年里继续关注任何与AI相关的工作增长，这将减轻由于人工智能自动化导致的不可避免的工作岗位的损失。”6大热门工作（附薪资） 想在这个领域闯出一番事业吗？我们根据求职网站的数据，整理了这6个最受欢迎的人工智能领域的工作及其平均工资。1 .机器学习工程师- $142,904示例: Pinterest公司的机器学习、推荐系统工程师2.数据科学家——$141,807示例: Indeed公司的数据科学家3 .项目研究科学家——$137,713示例: Clarifai公司深度学习高级研究科学家4.研发工程师示例: Pearson公司语音处理/识别方面的研究的科学家、研发工程师5.商业智能开发商- $136,486示例:EVERFI公司的商业智能工程师6.电脑视觉工程师- $136,152示例:Gracenote公司的计算机视觉研究工程师随着这一领域的大力发展，大多数专家都认为，目前人工智能领域的工作很少会过时，不再招人。“我总是半开玩笑地说，地球上最安全的工作是人工智能研究人员，”新南威尔士大学(University of New South Wales)的人工智能教授托比·沃尔什(Toby Walsh)说，“到了人工智能研究人员的工作可以自动化的时候，机器就能按照定义来做其他任何事情了。我们将是最后失业的那批人。”人工智能领域的工作大部分都需要类似的技能，比如数学能力和机器学习技能。“有一些技术要求逐渐标准化，比如CS学位或编程技能，” Indeed的高级产品副总裁拉吉穆克吉(Raj Mukherjee)说，“通过Indeed的数据，我们也可以看到，一些编程语言背景，如Python、Java、C / C++，以及在人工智能、机器学习或自然语言处理领域的工作经验，都是雇主希望求职者具备的技能。”如何在人工智能领域找工作？除了拥有标准的技能和教育之外，还有其他方法可以让你狩猎这些利润丰厚的工作。以下是5点专家的建议，无论你是否已经在这个领域工作，希望都能给你以借鉴。 1 .学习在线课程。和许多基础技术领域一样，AI主题的在线课程也有很多，帮助人们了解更多关于这个领域的知识，或者获得更多的专业知识。珀塞尔说，其中一些课程还能提供证书，丰富你的简历。2.参与行业之外的组织。向行业之外的其他人学习可以帮助你提高技能，希望你能多去参加当地的黑客节或类似的聚会。珀塞尔表示，与DataKind这样的组织合作，可以让数据科学家在学习新数据的同时，练习和提高自己的技能。3 .增加标准业务知识。珀塞尔表示，许多有需求的人工智能工作本质上偏技术性，但是如何将这些开发技术转化为企业或消费者需求的产品，对于任何一个公司来讲都是至关重要的。珀塞尔说:“由于这些人通常都是技术人员，他们不一定有商业头脑，将这些模型的结果转化为可操作化的人工智能系统，以带来良好的客户体验。因此，眼下对不同类别技能的需求也在增加，包括熟悉人工智能技术，以及深度的商业领域的专业知识。”4.大量的阅读。在人工智能领域工作的人应该一直在学习，阅读是一种方法。路易斯维尔大学(University of Louisville)的网络安全实验室主任罗马·扬波尔斯基（Roman Yampolskiy）建议订阅科学出版物。“真正的诀窍是阅读。阅读包括很多。不仅仅包括你专业领域的内容，所有相关领域或一些其他领域的内容都可以阅读。” 沃尔什说，他在多个平台都推荐过科学和自然类的内容。5.像一块海绵一样吸取营养。人工智能是一个快速发展的领域，因此穆克吉建议你要在人工智能领域探索尽可能多的经验和机会。穆克吉说:“ 人工智能领域的研究每天都有很多新进展，一定要跟上最新的研究。这些研究可能在你目前的工作领域之内或之外，争取不让每个机会在面前溜掉。”—完—来源：TechRepublic作者：Olivia Krauth智能观 编译