我們都知道學習人工智慧需要學習一門語言，而這個語言到底怎麼選擇才能合適呢？下面我們來看一看吧。

首先你提到的應該是Python，而Python最大的特點就是語法簡潔 簡單，包含眾多強大的庫，有著非常完善的語言生態，Python也被認為是適合科學計算的一種語言，眾多科學計算相關的開源庫都是支援Python環境的。

所以Python是非常適合人工智慧方面的開發的，但是 其實語言並不重要，所有的程式語言都是有共性的，每一個程式語言的語法學習都是相似的。語法學習週期差不多一週左右就可以學會。

語言不重要，關鍵是你想要做的這個東西用哪種語言更加適合去做，現在也有go語言成為黑馬凸顯出來，所以無論語言是什麼，這只是一個過程，實現最終的結果才是最終我們想要的內容。

作為一個多年的從業者，我想說的是Python和人工智慧是兩個完全不同的概念，Python只是一種程式語言，而人工智慧是一種科學方法，主要研究如何透過計算機實現類似人類智慧的裝置或者程式。Python作為一種計算機程式語言，可以作為實現人工智慧的程式設計工具，但是它並不是唯一的選擇。

先來簡單介紹下人工智慧的實現方法，目前主要有兩種流派。

一種是基於神經網路的機器學習，也就是近年來隨著Google的阿爾法狗戰勝世界圍棋冠軍而再次（之所以用再次，是因為它曾經也火爆過一段時間，後來遇到技術瓶頸又沉寂了）火爆起來的技術。Google為了方便人工智慧的開發，開源了TensorFlow庫，該庫可以極大的方便人工神經網路的開發與試驗，受到了廣大研究者的青睞，而作為開發TensorFlow的程式語言——Python自然也就成為研究者必學的工具。此外，還有FaceBook的開源專案PyTorch也是一個很優秀的機器學習庫，同樣也使用Python作為開發語言，這就又給Python增加了許多使用者。其實，還有很多語言也能進行人工智慧開發，比如Matlab和C/C++也是一些廣泛使用的語言，只不過程式設計過程會稍微複雜一些罷了。

還有一種人工智慧的實現方法是基於演繹邏輯的推理方法，曾經火爆一時的專家系統就是基於這種技術，只是因為近幾年深度學習如日中天，掩蓋了它的光輝，這種模式的人工智慧實現方法使用的程式語言則是Lisp和Prolog。

此外，還要提醒一下題注，想要學習人工智慧，只會程式設計是遠遠不夠的，它需要紮實的數學基礎，從線性代數、機率過程、到微積分，甚至還有張量分析等，有了這些基礎知識，才能看懂並改進各種學習演算法。至於你的演算法用什麼語言實現，則相對要簡單很多，當然Python就是一個不錯的選項，比起其它語言更簡潔，更易學，關鍵是有強大的庫支援。

python其實主要用於呼叫別人編好的人工智慧的模組，或者很方便的將別人的人工智慧積木打好，構建神經網路結構等。但如果你要學習模組裡面的東西，c++，cuda等都需要涉及。要成為人工智慧高手，其實該好好學習數學這門語言：）

人工智慧不一定非要學習python,但是掌握了python將有利於你最有效率的去學習人工智慧相關知識。為什麼這麼說呢：

任何一門程式語言都只是程式設計的工具，程式設計的本質是演算法和資料結構。而python是目前學習成本最低的程式語言，簡單易學。還支援跨平臺開發，你寫的程式碼基本不用怎麼改就能分別在windows、linux、macos作業系統上執行，非常方便。python語言是一門解釋性指令碼語言，無需編譯，可以一邊寫程式碼一邊除錯，非常有利於理解程式碼本身的邏輯。而其他靜態程式語言就麻煩多了。

目前無論市面上的人工智慧相關教材，還是網路上開源框架，基本都是以python作為對應開發語言來講解。人工智慧本身就涉及很多數學相關的知識，pyhon有豐富的數值計算相關的包，比如numpy,pandas等等，基於這樣第三方包，讓我們在學習過程中能把精力都投入到理解相關知識本身，而不被如何去實現某個矩陣計算而絞盡腦汁。

這個只是專業人士的工作習慣，就目前而言python 在AI領域應用是最為廣泛的，這個其實也是得益於早期python的積累，被非常多的數學和計算機領域研究者應用，從而積累了大量的公式模型庫，在人工智慧走向快速發展階段而被更多從業者所應用。

百戰程式設計師IT問題專業解答

我們都知道學習人工智慧需要學習一門語言，而這個語言到底怎麼選擇才能合適呢？下面我們來看一看吧。

首先你提到的應該是Python，而Python最大的特點就是語法簡潔 簡單，包含眾多強大的庫，有著非常完善的語言生態，Python也被認為是適合科學計算的一種語言，眾多科學計算相關的開源庫都是支援Python環境的。

所以Python是非常適合人工智慧方面的開發的，但是 其實語言並不重要，所有的程式語言都是有共性的，每一個程式語言的語法學習都是相似的。語法學習週期差不多一週左右就可以學會。

語言不重要，關鍵是你想要做的這個東西用哪種語言更加適合去做，現在也有go語言成為黑馬凸顯出來，所以無論語言是什麼，這只是一個過程，實現最終的結果才是最終我們想要的內容。

程式語言只是一種工具

不論是Python還是其他語言，對於人工智慧來說只是一種實現工具，所以未來任何一種語言都可以代替Python來實現人工智慧的編譯。

Python之所以隨著人工智慧爆火，是因為它的表達簡單，目前所有的教程和教材都是基於Python的。

而且目前主流的TensorFlow系列、pytorch、openCV等框架都是用Python來開發的，Python以它強大的庫和相容性佔領了人工智慧這塊的基礎程式設計。

但是隨著工業界的進入，很多人工智慧的技術需要透過嵌入式和硬體結合，所以目前C和C++也開始煥發第二春。

然後還有一些偏門的用PHP和Java去實現，來滿足甲方的一些變態要求，基本就是這些語言了。

首先，程式語言（programming language）可以簡單的理解為一種計算機和人都能識別的語言。一種計算機語言讓程式設計師能夠準確地定義計算機所需要使用的資料，並精確地定義在不同情況下所應當採取的行動。

學習人工智慧最快入手的開發語言是python，但同時現在主流的開發語言都可以作為人工智慧應用的開發語言，接下來分析下各自開發語言的優缺點。

Python

由於其語法，簡單性和多功能性，Python成為開發人員最喜歡的人工智慧開發程式語言。Python最打動人心的地方之一就是便攜性，它可以在Linux、Windows、Mac OS和UNIX等平臺上使用。允許使用者建立互動式的、解釋的、模組化的、動態的、可移植的和高階的程式碼。

另外，Python是一種多正規化程式語言，支援面向物件，過程式和功能式程式設計風格。由於其簡單的函式庫和理想的結構，Python支援神經網路和NLP解決方案的開發。

優點

Python有豐富多樣的庫和工具。

支援演算法測試，而無需實現它們。

Python的面向物件設計提高了程式設計師的生產力。

與Java和C ++相比，Python的開發速度更快。

缺點

習慣使用Python來編寫人工智慧程式的程式設計師很難適應其它語言的語法。

與c++和Java不同的是，Python需要在直譯器的幫助下工作，這就會拖慢在AI開發中的編譯和執行速度。

不適合移動計算。

C ++開發語言

優點

c++是最快的計算機語言，如果你的人工智慧專案對於時間特別敏感，那麼C++是很好的選擇，它提供更快的執行時間和更快的響應時間(這也是為什麼它經常應用於搜尋引擎和遊戲)。此外，c++允許廣泛使用演算法，並且在使用統計人工智慧技術方面是有效的。另一個重要的因素是c++支援在開發中重用程式碼。

C ++適用於機器學習和神經網路。

缺點

多工處理不佳; C ++僅適用於實現特定系統或演算法的核心或基礎。

它遵循自下而上的方法，因此非常複雜。

Java開發語言

Java也是一種多正規化語言，遵循面向物件的原則和一次寫入讀取/隨處執行(WORA)的原則。它是一種AI程式語言，可以在任何支援它的平臺上執行，而無需重新編譯。

在各種專案的開發中，Java都是常用語言之一，它不僅適用於NLP和搜尋演算法，還適用於神經網路。

Lisp開發語言

優點

Lisp是一門計算機程式語言，是繼Fortran之後的第二古老的程式語言。隨著時間的推移，LISP逐漸發展成為一種強大的、動態的編碼語言。

有人認為Lisp是最好的人工智慧程式語言，因為它為開發人員提供了自由。在人工智慧中使用Lisp，因其靈活性可以快速進行原型設計和實驗，當然這也反過來促進Lisp在AI開發中的發展，例如，Lisp有一個獨特的宏系統，有助於開發和實現不同級別的智慧。

與大多數人工智慧程式語言不同，Lisp在解決特定問題時更加高效，因為它適應了開發人員編寫解決方案的需求，非常適合於歸納邏輯專案和機器學習。

缺點

很少有開發人員熟悉Lisp程式設計。

作為一種較古老的程式語言，Lisp需要配置新的軟體和硬體來適應它的使用。

Prolog

Prolog也是古老的程式語言之一，與Lisp一樣，它也是人工智慧專案開發的常用語言，擁有靈活框架的機制，它是一種基於規則和宣告性的語言，包含了決定其人工智慧編碼語言的事實和規則。

Prolog支援基本的機制，例如模式匹配、基於樹的資料結構和人工智慧程式設計的自動回溯。除了在人工智慧專案中廣泛使用外，Prolog還用於建立醫療系統。

隨著人工智慧zd時代呼聲漸起，Python憑藉其入門簡單、應用廣泛的優勢成為很多想要入行網際網路行業的人們的首選程式語言。如果你想學一門語言，可以從語言的適用性、學習的難易程度、企業主的要求專幾個方面考慮。從這幾個角度看，學習Python都沒有什麼可挑剔的。如果你想要專業的學習Python開發，更多需要的是付出時間和精力，一般在2w左右，時間在4-6個左右。可以根據自己的實際需求去實地看一下，先好好試聽之後，再選擇適合自己的。只要努力學到真東西，前途屬自然不會差。