人工智能专业就业方向及就业前景分析
人工智能专业介绍
人工智能是一门包含计算机、控制论、信息论、神经生理学、心理学、语言学等综合学科。人工智能是从计算机应用系统角度出发，研究如何制造出人造的智能机器或智能系统，来模拟人类智能活动的能力，以及延生人类智能科学。
AI需要非常广泛的知识面和训练，学AI的学生要做好思想准备的是，你们不仅需要CS的雄厚的基础知识，还需要了解一些认知心理学、语言学、哲学和工程学的知识才能在未来的发展更顺利。除此之外，还需要掌握一些技能和工具，例如统计学、神经科学、控制、优化和运筹学。所以AI的申请者不是以单纯地成为IT人为目的的，而是要拥有丰富的知识量和技能的，未来多是冲着做researcher而去的。
人工智能属于什么专业
人工智能属于自然科学和社会科学的交叉性学科，它与计算机科学、信息学、数学、神经生理学、认知科学、心理学等众多学科有极强的关联性。目前，人工智能在计算机领域内得到了广泛的重视，并在机器人，经济政治决策，控制系统，仿真系统等方面得到应用。
因此，从这些个解读考虑，在本科阶段可以选择与计算机、数学相关的专业，如计算机科学与技术、软件工程、通信工程、应用数学、统计数学等专业，以及近年来高校新设立的智能科学与技术、数据科学与大数据技术等专业。此外，也还可以考虑自动化、机械类专业，有些高校在此类专业基础上延伸至人工智能方向。
学习人工智能相关院校推荐
北京大学、清华大学、复旦大学、上海交通大学、南京大学、浙江大学、中国科学技术大学、哈尔滨工业大学、西安交通大学等。2017年5月28日，中国科学院大学发文成立人工智能技术学院，成为我国人工智能技术领域首个全面开展教学和科研工作的新型学院。这些高校都可以作为第一选择，不过各校人工智能研究的方向不同，要区分选择。
目前开设智能科学与技术专业的高校已有三十多所，也可以选择，如北京邮电大学、中南大学、南开大学、厦门大学、湖南大学、首都师范大学、西安电子科技大学、武汉工程大学、北京科技大学等等。智能科学与技术专业是北京大学智能科学系在2003年提出成立的，智能科学系主要从事机器感知、智能机器人、智能信息处理和机器学习等交叉学科的研究和教学。
AI的就业方向主要有，科研机构(机器人研究所等)，软硬件开发人员，高校讲师等。当然了，鉴于一些高科技公司开辟出了新的研究领域，比如谷歌的无人驾驶汽车，在国内的话就业前景是比较好的，国内产业升级，IT行业的转型工业和机器人和智能机器人以及可穿戴设备的研发将来都是强烈的热点正好都是3-5年后的时间，正好是同学们学成归来的时候!
1)搜索方向：百度、谷歌、微软、yahoo等(包括智能搜索、语音搜索、图片搜索、视频搜索等都是未来的方向)。
2)医学图像处理：医疗设备、医疗器械很多都会涉及到图像处理和成像，大型的公司有西门子、GE、飞利浦等。
3)计算机视觉和模式识别方向：前面说过的指纹识别、人脸识别、虹膜识别等。还有一个大的方向是车牌识别。目前鉴于视频监控是一个热点问题，做跟踪和识别也不错。
4)还有一些图像处理方面的人才需求的公司如威盛、松下、索尼、三星等。
人工智能人才需求呈上涨趋势
在智联招聘发布的《2017人工智能就业市场供需与发展研究报告》中我们可以看到，人工智能人才是一个很大的缺口，需求量骤升。
还有在《2017人工智能就业市场供需与发展研究报告》显示，过去一年中，人工智能的人才需求增长近3倍，并且40%拥有AI技能的人才现阶段薪酬区间主要集中于10001元至15000元/月，远高于全国平均水平。
所以人工智能的就业前景非常不错，人工智能发展也处于比较好的阶段。
人工智能前景好不好
今年，人工智能、移动终端、云计算、大数据等相关专业应届生备受企业关注，同学们都是被几家企业同时抢着要。数据显示，我国人工智能相关人才缺口超过500万，“坑多萝卜少”的现状让企业展开了校园人才争夺战。国家提出了人工智能三步走的发展战略，现在人工智能已经上升到战略层面。在今年的人大会议中，总理在政府工作报告中再提“人工智能”。我们都知道，被列入国家发展规划后，国家会颁发很多政策去促进这一计划的实现，所以越早进入人工智能领域就越有发展潜能。
这是一个属于人工智能的时代。当前，人工智能是一颗闪耀的“明星”，已经成为国际竞争的新焦点，世界多国都在加紧人工智能发展布局，以至于提到了战略高度的地位。人工智能专业毕业后可以留校当老师，公司研发岗位，人工智能实验室等。具体岗位有：数据挖掘工程师、下位机算法工程师、售前技术支持(商业智能方向)、行业研究员(股市)、科技公司的电气工程师、C/C++算法开发工程师等等。
人工智能的发展与未来
随着人工智能（artificialintelligent，AI）技术的不断发展，各种AI产品已经逐步进入了我们的生活。
现如今，各种AI产品已经逐步进入了我们的生活｜Pixabay
19世纪，作为人工智能和计算机学科的鼻祖，数学家查尔斯·巴贝奇（CharlesBabbage）与艾达·洛夫莱斯（AdaLovelace）尝试着用连杆、进位齿轮和打孔卡片制造人类最早的可编程数学计算机，来模拟人类的数理逻辑运算能力。
20世纪初期，随着西班牙神经科学家拉蒙-卡哈尔（RamónyCajal）使用高尔基染色法对大脑切片进行显微观察，人类终于清晰地意识到，我们几乎全部思维活动的基础，都是大脑中那些伸出细长神经纤维、彼此连接成一张巨大信息网络的特殊神经细胞——神经元。
至此，尽管智能的具体运作方式还依然是个深不见底的迷宫，但搭建这个迷宫的砖瓦本身，对于人类来说已经不再神秘。
智能，是一种特殊的物质构造形式。
就像文字既可以用徽墨写在宣纸上，也可以用凿子刻在石碑上，智能，也未必需要拘泥于载体。随着神经科学的启迪和数学上的进步，20世纪的计算机科学先驱们意识到，巴贝奇和艾达试图用机械去再现人类智能的思路，在原理上是完全可行的。因此，以艾伦·图灵（AlanTuring）为代表的新一代学者开始思考，是否可以用二战后新兴的电子计算机作为载体，构建出“人工智能”呢？
图灵在1950年的论文《计算机器与智能（ComputingMachineryandIntelligence）》中，做了一个巧妙的“实验”，用以说明如何检验“人工智能”。
英国数学家，计算机学家图灵
这个“实验”也就是后来所说的“图灵测试（Turingtest）”：一名人类测试者将通过键盘和显示屏这样不会直接暴露身份的方式，同时与一名人类和一台计算机进行“网聊”，当人类测试者中有七成都无法正确判断交谈的两个“人”孰真孰假时，就认为这个计算机已经达到了“人工智能”的标准。
虽然，图灵测试只是一个启发性的思想实验，而非可以具体执行的判断方法，但他却通过这个假设，阐明了“智能”判断的模糊性与主观性。而他的判断手段，则与当时心理学界崛起的斯纳金的“行为主义”不谋而合。简而言之，基于唯物主义的一元论思维，图灵和斯金纳都认为，智能——甚至所有思维活动，都只是一套信息处理系统对外部刺激做出反应的运算模式。因此，对于其他旁观者来说，只要两套系统在面对同样的输入时都能够输出一样的反馈，就可以认为他们是“同类”。
1956年，人工智能正式成为了一个科学上的概念，而后涌现了很多新的研究目标与方向。比如说，就像人们在走迷宫遇到死胡同时会原路返回寻找新的路线类似，工程师为了使得人工智能达成某种目标，编写出了一种可以进行回溯的算法，即“搜索式推理”。
而工程师为了能用人类语言与计算机进行“交流”，又构建出了“语义网”。由此第一个会说英语的聊天机器人ELIZA诞生了，不过ELIZA仅仅只能按照固定套路进行作答。
而在20世纪60年代后期，有学者指出人工智能应该简化自己的模型，让人工智能更好的学习一些基本原则。在这一思潮的影响下，人工智能开始了新一轮的发展，麻省理工学院开发了一种早期的自然语言理解计算机程序，名为SHRDLU。工程师对SHRDLU的程序积木世界进行了极大的简化，里面所有物体和位置的集合可以用大约50个单词进行描述。模型极简化的成果，就是其内部语言组合数量少，程序基本能够完全理解用户的指令意义。在外部表现上，就是用户可以与装载了SHRDLU程序的电脑进行简单的对话，并可以用语言指令查询、移动程序中的虚拟积木。SHRDLU一度被认为是人工智能的成功范例，但当工程师试图将这个系统用来处理现实生活中的一些问题时，却惨遭滑铁卢。
而这之后，人工智能的发展也与图灵的想象有所不同。
现实中的人工智能发展，并未在模仿人类的“通用人工智能（也称强人工智能）”上集中太多资源。相反，人工智能研究自正式诞生起，就专注于让计算机通过“机器学习”来自我优化算法，最后形成可以高效率解决特定问题的“专家系统”。由于这些人工智能只会在限定好的狭窄领域中发挥作用，不具备、也不追求全面复杂的认知能力，因此也被称为“弱人工智能”。
但是无论如何，这些可以高效率解决特定问题的人工智能，在解放劳动力，推动现代工厂、组织智能化管理上都起到了关键作用。而随着大数据、云计算以及其他先进技术的发展，人工智能正在朝着更加多远，更加开放的方向发展。随着系统收集的数据量增加，AI算法的完善，以及相关芯片处理能力的提升，人工智能的应用也将逐渐从特定的碎片场景转变为更加深度、更加多元的应用场景。
人工智能让芯片的处理能力得以提升｜Pixabay
从小的方面来看，人工智能其实已经渐渐渗透进了我们生活的方方面面。比如喊一声就能回应你的智能语音系统，例如siri，小爱同学；再比如在超市付款时使用的人脸识别；抑或穿梭在餐厅抑或酒店的智能送餐机器人，这些其实都是人工智能的应用实例。而从大的方面来看，人工智能在制造、交通、能源及互联网行业的应用正在逐步加深，推动了数字经济生态链的构建与发展。
虽然脑科学与人工智能之间仍然存在巨大的鸿沟，通用人工智能仍然像个科幻梦，但就像萧伯纳所说的那样“科学始终是不公道的，如果它不提出十个问题，也永远无法解决一个问题。”科学总是在曲折中前进，而我们只要保持在不断探索中，虽无法预测是否能达到既定的目的地，但途中终归会有收获。
参考文献
[1]王永庆.人工智能原理与方法[M].西安交通大学出版社,1998.
[2]Russell,StuartJ.ArtificialIntelligence:AModernApproach[J].人民邮电出版社,2002.
[3]GabbayDM,HoggerCJ,RobinsonJA,etal.Handbookoflogicinartificialintelligenceandlogicprogramming.Vol.1:Logicalfoundations.,1995.
[4]胡宝洁,赵忠文,曾峦,张永继.图灵机和图灵测试[J].电脑知识与技术：学术版,2006(8):2.
[5]赵楠,缐珊珊.人工智能应用现状及关键技术研究[J].中国电子科学研究院学报,2017,12(6):3.
[6]GeneserethMR,NilssonNJ.LogicalFoundationofArtificialIntelligence[J].brainbroadresearchinartificialintelligence&neuroscience,1987
作者：张雨晨
编辑：韩越扬
[责编：赵宇豪]