关于人工智能这篇文章最易懂：原理、技术和未来

别中也非常有用，在自动驾驶汽车和最新一代医学图像分析系统中也是关键组成部分。

　　什么是可以学习的

　　AI也解决了我们人类所面临的核心问题之一：什么是智能（intelligence）？哲学家和科学家一直在努力解决这个问题，而答案却一直难以捉摸、飘忽不定，哪怕这个中心是我们能称之为人的根本属性。

　　同时，AI也提出了大量的哲学和理论问题：什么是可以学习的？数学定理告诉我们，单个能学习的机器不能有效地学会所有可能的任务，我们也由此得知什么是不可能学到的，不管你投入多少资源。

　　这样，AI机器就像我们人类一样。在很多方面，我们人并不比会学习的机器优秀。人类大脑高度特化，尽管具有明显的适应性。当前的AI系统仍然远不具有人类拥有的看似一般的智能。

　　在AI中，我们通常考虑三种类型的学习：

　　强化学习 这是关于代理应该如何行动以获得最大化奖励的问题，它受行为心理学理论的启发。在特定情况下，机器挑选一个动作或一系列动作并获得奖励。强化学习通常用于教机器玩游戏和赢得比赛，比如国际象棋、西洋双陆棋、围棋或简单的视频游戏。强化学习存在的问题是，单纯地强化学习需要海量的试错才能学会简单的任务。

　　监督学习 基本上，监督学习就是我们告诉机器特定输入的正确答案：这是一幅汽车的图像，正确答案是"汽车"。它之所以被称为监督学习，是因为算法从带标签数据学习的过程类似于向年幼的孩子展示图画书。成年人知道正确的答案，孩子根据前面的例子做出预测。这也是训练神经网络和其他机器学习体系结构最常用的技术。举个例子：给出你城市中大量房屋的描述及其价格，尝试预测你自己家房子的售价。

　　无监督学习 人类和大多数其他动物学习，是在其生命的前几个小时、几天、几个月和几年，以没有人监督的方式学习：我们通过观察和得知我们行动的结果了解世界如何运作。没有人告诉我们所看到的每一个对象的名称和功能。我们学会非常基本的概念，比如世界是三维的，物体不会自行消失，没有支撑的物体会往下落。当前我们还不知道如何在机器身上实现这一点，至少无法达到人类和其他动物的水平。缺乏用于无监督或预测学习的AI技术，是限制当前AI发展的原因之一。

　　这都是 AI 是经常使用的方法，但是对于任何计算设备而言，都有很多从根本上无法解决的问题。这就是为什么即使我们修建出了拥有超越人类智慧的机器，这些机器仍然能力有限。这些机器可能在下国际象棋时打败我们，但却不知道在淋雨时躲进屋里。

　　未来的工作

　　随着AI、机器学习和智能机器人变得越来越普遍，在这些机器人将在制造、培训、销售、维修和车队管理方面担任新的岗位。人工智能和机器人将能够实现今天难以想象的新服务。但很显然，医疗保健和交通运输将是AI第一批颠覆的行业。

　　年轻人只要调整职业目标，就能够享受 AI 提供的大量的机会。那么，我们如何为尚不存在的工作做好准备呢？

　　如果你是学生：

　　数学和物理是学习人工智能、机器学习、数据科学以及许多未来工作的基本方法的地方。选修所有你能够选修的数学课程，包括Calc I，Calc II，Calc III，线性代数，概率论和统计学。计算机科学也是必不可少的，你需要学习如何编程。工程学、经济学和神经科学也会有所帮助。你也可以考虑一些与哲学相关的领域，例如认识论——这门学习研究什么是知识、什么是科学理论，什么是学习。

　　选修这些课程的目标不是简单记忆。作为学生，你必须学会如何将数据转化为知识。这包括基本的统计学，还包括如何收集和分析数据，注意可能出现的偏差，并小心因为这些偏差在处理数据时出现的误差。

　　请教你学校的教授，他或她可以帮助你，使你的想法变得更加具体。如果他们的时间有限，你也可以请教高年级的博士生或博士后。

　　读博士。不用管学校的"排名"，在那些从事你感兴趣的研究中，找一位信誉良好的教授，或选择一位写了你喜欢或敬佩的论文的人。申请这些教授所在的学校的一些博士课程，并在申请信中提到你愿意与这些教授合作，但同时也愿意与其他人合作。

　　参与研究你感兴趣的与AI相关的问题。开始阅读关于这个问题的文献，并尝试用不同于以前的思路去解决它。在你毕业之前，尝试写一篇研究论文，或者发布一个开源代码。

　　申请侧重产业为的实习机会，获得关于AI在实践中的工作经验。

　　如果你已经就业，但想要转向从事与AI有关的工作：

在网上有大量关于深度学习的资料，包括讲座、在线教材、教程和机器学习相关课程。你可以报名 Udacity 或 Coursera 课程，阅读Yosh