转载请标明出处：
http://dujinyang.blog.csdn.net/article/details/74979436
本文出自:【奥特曼超人的博客】

---

AI（Artificial Intelligence），即人工智能。人工智能领域的研究包括机器人、语音识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。

可观看上篇文章：CSDN观点：人工智能会不会取代开发它的人？

所谓的人工智能，是可以对人的意识、思维的信息过程的模拟。

---

Q：你会为 AI 转型？学习代价有多大？

我想大部分不会All-In ， 毕竟每个人都有家庭、有消费，当然，也有自己的职业生涯顾虑。职业发展稍有不慎，将掉进坑里，不说其它的，光是入行所学习的代价就是巨大的，如果你不是在校研究生、硕士生，我想学习上的优势并不是很大，而且不同的行业所涉及的学科都是不同的，如认知科学，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，仿生学，社会结构学与科学发展观，也就是说，如果真的从事这行业，一个人也只能单方面的针对某个行业的某个领域。

---

Q：AI 人工智能领域的状况？

微软小冰、人机围棋大战、亦或是昨天的百度 AI 开发者大会，无一不代表着人工智能的火热，光是百度养的那几支团队，耗费都是“惊人”的，两个字，太贵。

---

Q：AI 人工智能的实现方法？用什么工具或语言？

我们大部分都是用传统的编程语言，如JAVA\C#\C\C++\ANDROID\IOS 等，那很多人不是太理解人工智能要怎么操作？用什么语言？
先来看看实现方法，百度上已给出很好的解释，这里精简一下，AI 在计算机上实现时有2种不同的方式：

• 一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法（ENGINEERING APPROACH），它已在一些领域内作出了成果，如文字识别、电脑下棋等。
• 另一种是模拟法（MODELING APPROACH），它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。

遗传算法（GENERIC ALGORITHM，简称GA）和人工神经网络（ARTIFICIAL NEURAL NETWORK，简称ANN） 均属后一类型。

为了得到相同智能效果，两种方式通常都可使用。

• 采用前一种方法，需要人工详细规定程序逻辑，如果游戏简单，还是方便的。如果游戏复杂，角色数量和活动空间增加，相应的逻辑就会很复杂（按指数式增长），人工编程就非常繁琐，容易出错。而一旦出错，就必须修改原程序，重新编译、调试，最后为用户提供一个新的版本或提供一个新补丁，非常麻烦。
• 采用后一种方法时，编程者要为每一角色设计一个智能系统（一个模块）来进行控制，这个智能系统（模块）开始什么也不懂，就像初生婴儿那样，但它能够学习，能渐渐地适应环境，应付各种复杂情况。这种系统开始也常犯错误，但它能吸取教训，下一次运行时就可能改正，至少不会永远错下去，用不到发布新版本或打补丁。利用这种方法来实现人工智能，要求编程者具有生物学的思考方法，入门难度大一点。但一旦入了门，就可得到广泛应用。由于这种方法编程时无须对角色的活动规律做详细规定，应用于复杂问题，通常会比前一种方法更省力。

至于用什么工具和语言，就看个人了，学习的前期是，你数学 Very good ，反正博主我是不行了。

---

Q：个人对AI远景的看法？

人工智能是一门边沿学科，也是一门交叉学科，虽然说冲击着某些行业，如无人驾驶汽车等，但大部分大多数的实现方式都是基于大数据和模拟预测的方式，至目前而言，研究院内还无法模拟出机器的专属情感与自我意识，当然，这就是为何未来还是需要编程人员，因为无法自主实现，还有一点就是基因遗传学，这里所谓的基因遗传学并不是类似人类的DNA，而是RB的自主创造性思维能力，到目前为止，计算机或者人工智能的智能水平在不断提高，但是人工智能的意识还是零。

换句话说，我们现在没有任何指标证明或者任何迹象表明计算机和人工智能 在未来 能获得这种意识。其实在这一块的技术发展上，我们还是属于慢动作的，期待未来的科技能更智能化。

---

Q：建议大家去学习这一块？

要看个人兴趣了，上面也提及了这块的学习成本，如果有兴趣的去了解下也无妨，如果基础不是太扎实的，想要深入的建议先去补下数学方面，还有相关的算法知识，如果基础不是太好又想往这方面的职业生涯走，恐怕要吃不少苦头，还不如在自己的专属下深入，如果基础底子不错的，也不建议All-In，可以抽80%的精力去学习，保留20%作为后路。

|| 版权声明：本文为博主杜锦阳原创文章，转载请注明出处。