1、新一代人工智能发展规划的颁布，带火了这些专业7 月 20 日,国务院印发新一代人工智能发展规划，其中战略目标是到2020 年人工智能产业成为新的重要经济增长点，人工智能核心产业规模超过1500 亿元，带动相关产业规模超过 1 万亿元。新一代人工智能在智能制造、智能医疗、智慧城市、智能农业、国防建设等领域得到广泛应用，人工智能核心产业规模超过 4000 亿元，带动相关产业规模超过 5 万亿元。一、人工智能的含义人工智能（Artificial Intelligence），英文缩写为 AI。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。人工智能是计算机科学
2、的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。二、如何加快培养聚集人工智能高端人才？新一代人工智能发展规划中提到，把高端人才队伍建设作为人工智能发展的重中之重，坚持培养和引进相结合，完善人工智能教育体系，加强人才储备和梯队建设，特别是加快引进全球顶尖人才和青年人才，形成我国人工智能人才高地。培育高水平人工智能创新人才和团队。支持和培养具有发展潜力的人工智能领军人才，加强人工智能基础研究、应用研究、运行维护等方面专业技术人才培养。重视复合型人才培养，重点培养贯通人工智能理论、方法、
3、技术、产品与应用等的纵向复合型人才，以及掌握“人工智能+”经济、社会、管理、标准、法律等的横向复合型人才。通过重大研发任务和基地平台建设，汇聚人工智能高端人才，在若干人工智能重点领域形成一批高水平创新团队。鼓励和引导国内创新人才、团队加强与全球顶尖人工智能研究机构合作互动。加大高端人工智能人才引进力度。开辟专门渠道，实行特殊政策，实现人工智能高端人才精准引进。重点引进神经认知、机器学习、自动驾驶、智能机器人等国际顶尖科学家和高水平创新团队。鼓励采取项目合作、技术咨询等方式柔性引进人工智能人才。统筹利用“千人计划”等现有人才计划，加强人工智能领域优秀人才特别是优秀青年人才引进工作。完善企业人力资
4、本成本核算相关政策，激励企业、科研机构引进人工智能人才。建设人工智能学科。完善人工智能领域学科布局，设立人工智能专业，推动人工智能领域一级学科建设，尽快在试点院校建立人工智能学院，增加人工智能相关学科方向的博士、硕士招生名额。鼓励高校在原有基础上拓宽人工智能专业教育内容，形成“人工智能+X”复合专业培养新模式，重视人工智能与数学、计算机科学、物理学、生物学、心理学、社会学、法学等学科专业教育的交叉融合。加强产学研合作，鼓励高校、科研院所与企业等机构合作开展人工智能学科建设。三、人工智能与哪些专业相关？人工智能可以说是一门高尖端学科，属于社会科学和自然科学的交叉，它企图了解智能的实质，并生产出一
5、种能和人类智能相媲美的智能机器，该领域的研究包括图像识别、语言识别、专家系统、自然语言处理和机器人科学等。它涉及了数学、心理学、神经生理学、信息论、计算机科学、哲学和认知科学、不定性论以及控制论。研究范畴包括自然语言处理、机器学习、神经网络、模式识别、智能搜索等。应用领域包括机器翻译、语言和图像理解、自动程序设计、专家系统等。从人工智能与九门学科的相关性来看，计算机科学排在首位是毋庸置疑的，而生物学关系最低，并没有想象中那么高。四、从事人工技能相关工作，要掌握哪些技能？无论选择什么专业，只要想要从事 AI 的工作，可以尝试去掌握以下技能：（1）计算机科学基础与编程对机器学习工程师而言，计算机科
6、学基础的重要性包括数据结构(数据堆栈、队列、多位数组、树形以及图像等等)、算法(搜索、分类、优化、动态编程等)、科计算性与复杂性(P 对 NP、NP 完全问题、大 O 符号以及近似算法等)和计算机架构(存储、缓存、带宽、死锁和分布式处理等等)。 （2）概率论与数理统计概率的形式表征(条件概率、贝叶斯法则、可能性、独立性等)和从其中衍生出的技术(贝叶斯网、马尔科夫决策过程、隐藏式马可夫模型等)是机器学习算法的核心，这些理论可以用来处理现实世界中存在的不确定性问题。和这个领域密切相关的还有统计学，这个学科提供了很多种衡量指标(平均值、中间值、方差等)、分布(均匀分布、正态分布、二项式分布、泊松分布
7、等)和分析方法(ANOVA、假设实验等)，这些理论对于观测数据模型的建立和验证非常必要。很多机器学习算法的统计建模程序都是可以扩展的。（3）数据建模及评估数据建模就是对一个给定的数据库的基本结构进行评估的过程，目的就是发现其中所蕴含的有用模式(相互关系，聚合关系、特征矢量等)和/或者预测以前案例(分类，回归、异常检测等)的特征。评估过程的关键就是不断地对所给模型的优良性能进行评价。根据手中的任务，你需要选取一种恰当的精准/误差衡量指标(比如日志分类的损失、线性回归的误差平方和等等)和求值策略(培训测试、连续 Vs.随机交叉验证等)。（4）应用机器学习算法与库尽管通过程式库/软件包/API(比如
8、 scikit-learn,Theano,Spark MLlib, H2O, TensorFlow 等)可以广泛地实现机器学习算法的标准化执行，但是算法的应用还包括选取合适的模型(决策、树形结构、最近邻点、神经网络、支持向量机器、多模型集成等)、适用于数据的学习程序(线性回归、梯度下降法、基因遗传算法、袋翻法、模型特定性方法等)，同时还需要你能够了解超参数对学习产生影响的方式。对于数据科学和机器学习所带来的这些方面的挑战，大家可以去 Kaggle 网站获取很多学习参考，你可发现不同的问题当中存在的细微差别，从而可以让你更好的掌握机器学习的算法。（5）软件工程和统计设计在每天工作结束的时候，机器
9、学习工程师通常产生的成果或者应交付的产品就是一种软件。这种软件其实也是一种小型插件，它可以适用于相对更大型的产品或者服务的生态系统。你需要很好地掌握如何才能让这些彼此不同的小插件协同工作，并与彼此进行流畅的沟通(使用库函数调用、数据接口、数据库查询等)的方法，为了让其他的插件可以依附你的插件进行很好的工作，你也得需要为你的差价建立合适的接口。精心设计的系统可以避免以后可能出现的瓶颈问题，并让你的算法系统满足数据量激增时候的扩展性能。软件工程的最佳的实践经验(需求分析、系统设计、模块化、版本控制、测试以及归档等)对于产能、协作、质量和可维护性而言是不可获取的无价之宝。人工智能是一门极富挑战性的科学，但无论在国内还是出国，想要从事这一行业，读研是必须的。如果想要以后从事人工智能行业，还有很长的路要走。
