隨著時代得發展，人工智慧逐漸代替人工操作，人工智慧是科技進步的代名詞，作者問人工智慧工程師和傳統人工的區別在哪裡，我認為通俗一點來說最本質的區別就是人工智慧使“人”的工作量大幅度減輕。

人工智慧自誕生以來，技術不斷成熟，其應用得領域也原來越廣，很多人做不到的事情人工智慧可以做到，畢竟人的能力是有限的，而且不能做到每個人都一樣，但是機器可以，而且能做的更好，還能保證每個機器都能一致，未來開發的人工智慧產品可以作為人類智慧的容器持續最佳化。

人的思維和想法是多變得，有時候在做一件事得時候人類會思考該不該做再去執行，這個時間階段可能需要很長，而人工智慧不需要很長時間，作為一個智慧的容器，它可以自主分析且可以在很短的時間內就能得出結果，它得後臺是模仿人類思考的，龐大的資料庫可以讓它迅速做出正確的判斷，出錯率很低，這一點是人類做不到的，因為人類的大腦儲存量是有限的，無法儲存太多的資訊。

人工智慧與傳統人工結構上得區別就在於：資訊量的多少、分析判斷的準確度、工作的效率和質量、其中還有一個獨特的優勢就是機器可以不眠不休持續工作而人卻不能。

以上就是我對此問題得看法和觀點，

每一波浪潮的到來，都意味一片無人佔領的藍海，也意味著眾多新成長起來的巨頭，還意味著什麼？大量的技術人員需求，供不應求的開發市場，以及從業者的高薪與眾多的機會。我們最常做的事情是目送著上一次浪潮的餘波遠去，感嘆自己生不逢時，卻沒有意識到，下一波浪潮已經到了我們腳下。

沒錯，我們說的就是AI。首先我們需要來認識下什麼是人工智慧工程師。

身在IT圈中的人，應該都有著直觀的認識。目前國內知名的網際網路企業無一不在建立自己的人工智慧技術團隊，以期用AI技術，提升產品的體驗和智慧化程度。但與此同時，各種不明覺厲的名詞也嚇退了很多非科班出身的開發者。什麼叫卷積神經網路？什麼叫凸最佳化？是不是還要回去重讀高數，線代，機率？那麼一大堆公式，感覺完全看不懂啊？聽說沒個名校博士出身都搞不了這個？

在很久以前的一篇知乎回答中提過，作為開發人員，AI領域界在我看來會分成這麼幾個層次

1. 學術研究者

他們的工作是從理論上詮釋機器學習的各個方面，試圖找出“這樣設計模型/引數為什麼效果更好”，並且為其他從業者提供更優秀的模型，甚至將理論研究向前推進一步。 能夠做到這一步的人，可以說鳳毛麟角，天賦是繞不過去的大山，機遇和努力也缺一不可。

2. 演算法改進者

他們也許無法回答出“我的方法為什麼work”，也許沒有Hinton，LeCun那樣足以載入史冊的重大成果，但是卻能根據經驗和一些奇思妙想，將現有的模型玩出更好的效果，或者提出一些改進的模型。這些人通常都是各個機器學習巨頭公司的中堅力量或者成長中的獨角獸，使用什麼模型對他們來講也不是問題，根據所處的環境，通常都有固定的幾個選擇。在這個層面，insight和idea才是重要的東西，各種工具的區別，影響真的沒那麼大。可能會讓一個結果早得到或者晚得到幾天或者幾周，卻不可能影響“有沒有成果”。

3. 工業實現者

這些人基本上不會在演算法領域涉入太深，也就是了解一下各個演算法的實現，各個模型的結構。他們更多地是根據論文去復現優秀的成果，或者使用其他人復現出來的成果，並且試圖去在工業上應用它。

對於大部分IT人來說，做到第三類，也就是工業實現這個層面，已經足夠好了，至少，我們已經有了親身參與這個大時代的機會，僅就這一點來說，便已經擊敗了全國99%的人（斜眼笑的表情）。

成為人工智慧工程師，在我看來，要把機器學習、深度學習掌握好，就可以入行拼搏了！另外，理論必須要結合專案實戰：因為作為程式設計師，讀十遍書不如跑一遍程式，與其花費大量的時間去啃書本，不如親手完成自己的程式並執行它。我們在寫出程式碼的同時，就會了解到自己還有哪些地方不夠清楚，從而針對性地學習。

我們先來說說，機器學習應該學習哪些。

1. 入門機器學習：

熟悉機器學習領域的經典演算法、模型及實現的任務等，同時學習搭建和配置機器學習環境，並學會用 線性迴歸 解決一個實際問題。

2. Logistic迴歸分析、神經網路、SVM、掌握資料集探索；理解分類任務演算法（Logistic迴歸、神經網路、SVM）原理；學會在scikit-learn框架下采用各分類演算法分類具體任務。

3. 決策樹模型與整合學習演算法：

損失函式：資訊增益、Gini係數；劃分：窮舉搜尋、近似搜尋；正則：L2/L1；預防過擬合：預剪枝及後剪枝；Bagging原理；Boosting原理；流行的GBDT工具：XGBoost和LightGBM

4. 聚類、降維、矩陣分解：

主成分分析（PCA）；獨立成分分析（ICA）；非負矩陣分解（NFM）；隱因子模型（LFM）；KMeans聚類和混合高斯模型GMM（EM演算法）；吸引子傳播聚類演算法（Affinity Propagation聚類演算法）

5. 特徵工程、模型融合& 推薦系統實現：

學會常用資料預處理方法及特徵編碼方法；學習特徵工程的一般處理原則；組合各種特徵工程技術和機器學習演算法實現推薦系統。

我們再來說說，深度學習應該學習哪些。

深度學習著重掌握卷積神經網路和迴圈神經網路，使用大量真實的資料集，結合實際場景和案例介紹深度學習技術的應用範圍與效果。

1. 神經網路入門及深度學習環境配置：

熟悉神經網路領域的常用術語、安裝並配置深度學習框架Tensorflow，學會用Tensorflow解決一個實際問題。

2. 神經網路基礎及卷積神經網路原理：

用不同結構的神經網路結構驗證網路結構對效果的影響；瞭解卷積神經網路的相關概念和基礎知識，並透過實戰案例理解CNN區域性相關性與權值共享等特性。

3. 卷積神經網路實戰：

影象分類及檢測任務:學習影象分類任務及檢測任務目前主要模型演算法，並透過兩個實戰案例學習在Tensorflow框架下訓練CNN模型。

4. 卷積神經網路之影象分割例項：

掌握分割任務簡介、反捲積（deconv/transpose-conv）、FCN

5. 迴圈神經網路原理：

RNN基本原理門限迴圈單元（GRU）長短期記憶單元（LSTM）詞向量提取：Word2Vec編碼器—解碼器結構注意力機制模型：Attention Model圖片標註（Image Captioning）圖片問答（Visual Question Answerin）

喜你，成為人工智慧工程師群中的一員了

接下來就可以收集一些自己的資料，並且訓練一些自己的識別引擎；或者嘗試著最佳化這個模型，感受一下所謂調參黨的痛苦；又或者直接嘗試實現ResNet、Inception這些更為先進的網路來刷刷Cifar；再不然可以嘗試著向NLP或者強化學習方向去學習一下。總之，這些事情遠沒有看起來那麼難。

以上再和傳統人工一比較就很清楚了，傳統人工都是需要人工花費大量的人力、物力等去處理，而人工智慧則只需要實現對於的演算法模型，就能處理很多人可以處理的事物。

個人認為主要區別在於以下幾點:

1. 效率，人工智慧是對海量相關樣本進行訓練得到近似專家能力的模型，來用於分類、檢測、分割等任務。這就相當於一個該領域的專家的工作效率是普通工人的數倍一樣。加上機器的端到端不間斷處理使得整個生產不需要休息，這更進一步提升了工作效率。例如，工業上的標籤缺陷檢測，傳統人工需要多人輪流作業，透過人眼進行主觀鑑定，這不但容易出現臆斷現象，而且也會隨著工作時間的增加，注意力呈現指數下滑，使得判斷失誤。然而，人工智慧卻可以完全解決這些問題，利用目標檢測網路框架(例如，faster rcnn等)進行海量樣本訓練，得到最佳化模型，使得機器不但可以不停運轉，始終保持高效注意力，同時還具有專家鑑別能力。

2. 思維，人工智慧是代表該領域領先的解決方案，致使面對問題有著更強大的解決問題能力，畢竟它是透過數學推導和不斷學習達到的最佳化模型。它一天的學習量及學習能力是絕大部分人不能比擬的。例如，幾年前的Alphago一樣，它不但戰勝了世界冠軍李世石，而且還在比賽中不斷學習，學習效率驚人，一天的學習量是普通人的上萬倍，使它具有了大部分人的集合思維。

3. 成本，隨著人工智慧的普及，以及2020國家將AI重心放在了落地上，就更加速了人工智慧的發展。它在未來可能會取代重複性勞動工種，減少企業成本。例如，銀行櫃員的工作就可能會被取代，因為按照模板操作，是其工種的主要工作模式。大量的重複勞動非常適合設計訓練樣本，進而產生優質模型。

總之，與傳統人工產業結構比起來，未來人工智慧一定會是朝陽產業，希望我國的AI產業越來越好。

人工智慧工程師（AI結構師）據我的瞭解，是透過利用計算機分析軟體建立最佳化設計的分析模型，採用高效的計算機最佳化計算方法，設立結構設計達到的目標要求，最終實現結構設計的最佳化目的。在具體的最佳化設計過程中，最佳化設計實際上已經由一個工程問題轉變為一個數學問題。傳統的人工結構最佳化是結構大師利用個人的經驗在保證建築質量的基礎上，採用合理的計算模型、計算引數、設計荷載、構造措施及合理的計算指標是達到經濟合理含鋼量的重要途徑，應認真結合規範和具體工程情況進行選擇，並依據規範和結構概念合理使用計算結果進行設計，必要時採用手算複核。在給定約束條件下，按某種目標，如重量最輕、成本最低、剛度最大等，求出最好的設計方案。最佳化設計還包含選型、佈置、受力分析、造價分析等內容，並應在滿足設計規範和使用要求的前提下，結合具體工程的實際情況，圍繞其綜合經濟效益的目標進行結構最佳化設計。

當然，兩者最終的目標都是在滿足建築結構長遠效益的前提下，應儘量減少建築結構的近期投資並提高建築結構的可靠度和合理性。與傳統設計相比，採用設計最佳化技術可以使建築工程造價降低5%-30%。最佳化技術的實現，可以最合理的利用材料的效能，使建築結構內部各單元得到最好的協調，並具有建築規範所規定的安全度。同時，它還可為建築整體性方案設計進行合理的決策，最佳化技術是實現建築設計的“適用、安全和經濟”目標的有效途徑。