個人認為應該明確目標，先考慮清楚自己深度學習是為了什麼，學歷固然重要，但一定不要為了學習而學習，應該透過所學知識，變為所用。

深度學習應用範圍還是較為廣泛的，電商，醫療，金融，安防，司法，遊戲等都是他所包括的領域，現在對語音識別，機器對話，影象識別等技術的人員需求較大，所以隨著社會的發展，肯定十分需要深度學習類的人員。

我不是說要把深度學習束之高閣。相反，我覺得深度學習應該像程式設計一樣被普及。因為深度學習入門門檻真的很低，python程式設計加上不超過大一水平的數學而已。換言之，每個人都應該知道，對於特定型別的資料，我們可以解決歸類，擬合，模式匹配等問題。反過來說，人們也應該明白，目前的“人工智慧”有巨大的侷限，資料並不萬能，我們離家政機器人都還差十萬八千里，更不用說天網和終結者了。

但如果想要深入研究深度學習，那相比“普及”可能就是另一回事了。以蒸汽機為類比的話，大概有兩個方向。要麼原理性的解釋神經網路，運用數學工具研究其性質，這類似熱力學定律之於蒸汽機；要麼應用神經網路發明像火車，輪船一樣改變人類生產生活的東西。而研究神經網路理論是一個數學問題，需要深厚的理論功底和孜孜不倦的思考，這並不“低門檻，短週期和高收入”，不適合大部分人。

對於神經網路的應用，也需要從兩個方面看待。對於一些簡單直接的應用，例如人臉識別，它們基本上已經落地(並且飽和)，剩下的工作主要在工程師而非研究員；而對於把神經網路應用於其他學科的研究，其核心與難點也不是神經網路本身，而是問題的提出，資料的準備，以及輸出結果的處理和應用。例如，前一段有些把深度學習用於資料庫的研究。在這些研究中，主要的創新在於問題的轉化，主要的工作則在於資料庫系統的實現。從事這些研究的，並不是一般意義上的演算法科學家(Machine Learning Scientist)。在他們的知識結構中，深度學習只是很小的一部分，所以對他們更準確的刻畫可能是“懂深度學習的資料庫系統科學家”。

也就是說，為了深度學習的發展，目前在學界可能更需要懂得深度學習的物理學家，計算機科學家，工程學家，而不是演算法科學家；在業界則更需要懂得深度學習的軟體工程師，硬體工程師乃至機械工程師，而不是演算法工程師。做一個類比的話，如果瓦特蒸汽機已經被髮明，那學界和業界可能更需要科學家卡諾(熱力迴圈)和發明家富爾頓(蒸汽輪船)，而不是第二個，第三個乃至第一千個瓦特。

我本科就來自一個比較黃昏的學科，由於申請PhD時轉系結果比較理想，也有不少人找我諮詢這些事情。從一個”懂一些深度學習的機器人學PhD”的視角來看，我認為演算法工程師/深度學習工程師未必是最理想的選擇。

深度學習以後就業方向根據你選擇的行業以及機遇來看到底好與不好，就拿財會來說，一個擁有初級會計證書的人和一個在會計行業待了幾年暫時還沒有證的人同時去競爭同一個職位。大家覺得該公司會錄取哪一個呢？如果是我，我會選擇有經驗的，證書是可以後期補考的，但經驗是沒發在短時間內累積。對於公司來說節省了人力培訓成本，也提供給了員工在企業的發展空間。所以沒有一個比較好衡量的標準，但總的來說，深度學習是有利於以後得就業發展的。