要想成為一名人工智慧專家不僅需要有一個紮實的知識儲備，同時還要有長時間的行業研發經驗的積累，然後在某個方向做出一定的創新，突破已有的技術邊界，這才能稱為這個方面的專家。人工智慧領域雖然需要大量的技術儲備，但是由於人工智慧技術整體依然處在初級階段，所以在人工智慧領域做出創新的機會也非常大。

要想成為人工智慧領域的專家首先就要知道人工智慧的研究內容，人工智慧是一個典型的多學科交叉領域，包括了哲學、數學、計算機學、神經學、經濟型、語言學等諸多學科，可以說人工智慧是複雜度非常高的研究領域。目前人工智慧的研究集中在自然語言處理、自動推理、知識表示、機器學習、計算機視覺和機器人學等六個大的方面，目前自然語言處理和機器學習的研究比較熱。

目前在機器學習領域裡，深度學習是一個研究的熱門，深度學習是機器學習的一個重要發展，以深度學習為基礎的研發正在如火如荼的進行，以深度學習為基礎的應用也廣為人知，比如在圍棋領域掀起一場又一場風暴的AlphaGo就是一個典型的基於深度學習的應用，在規則清晰的情況下，深度學習已經體現出了一定的優勢，可以說深度學習也是近些年來人工智慧領域的一個重要突破。

隨著大資料的發展，人工智慧的發展也將迎來新的機遇，對於立志從事人工智慧研發的人來說，從大資料開啟人工智慧的專家之路，也是一個不錯的選擇。

如果有人工智慧相關的問題，也可以諮詢我。

人工智慧範圍太廣，說下我的一些個人理解，從深度學習方面談人工智慧。

機器學習是實現人工智慧的途徑之一，尤其是其中的深度學習(Deep Learning), 能讓演算法從海量資料中透過層次化（正是因為層次很多，夠深，所以才被稱為深度學習）的概念來理解、預測資料。

入門前提：演算法背後的原理，需要以一些應用數學的知識為基礎，比如機率論、資訊理論、線性代數、數值計算。並且要有機器學習的基礎，比如過擬合（overfitting）、欠擬合(under fitting)、監督學習、驗證集、最大似然估計等等。掌握這些，算是入門。

更高級別：每年都有很多深度學習領域的論文發表，要緊跟這些學術動態，比如自然語言處理領域的BERT, GPT-2等。學會從別人的成果中學習，進步。

需要一定的計算機語言基礎，比如Python。必須掌握一些深度學習的基礎框架，比如tensorflow, pytorch, 能夠將深度學習的任務，用程式設計將其實現。對於一些知名論文，要能夠復現別人的想法和結果，才能更深層次的明白論文的思想。並且需要大量的實踐，去嘗試自己的新想法。

前面講的是基礎，但靠復現、搬運別人的勞動成果，只能成為一個熟練搬運工，成為不了專家。打破已有的套路，如果實踐下來效果好，就去發表一些頂級會議的論文。一篇成功的學術論文，背後是理論、實踐、想法 (Idea)三者背後綜合作用的結果。如果哪天，這些論文，你可以信手拈來，我想離專家就不遠了吧。