首先，這個答案我認為是肯定的，我們不僅有必要，而且要想在未來的社會中有一番成就就應該去學習人工智慧的相關知識。

為什麼這麼說呢？我認為如今的人工智慧行業正式剛剛開始蓬勃發展的階段，據有關專家說，未來20年到30年，人工智慧將會處於一個上升期。我認為一個行業好不好，不是取決於它現在的情況，而是取決於未來的情況，很多的專業眼下很好但是過幾年將大量被人工智慧取代，大勢所趨。而且，最重要的是國家、社會對這個行業的定位與引導，如果有了國家與社會對一個行業的引導，那麼大勢所趨，這個行業必定會火。人工智慧就是這樣。2017年7月8日，國務院關於印發《新一代人工智慧發展規劃的通知》，這就是國家對人工智慧行業的引導；

http://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm

社會上各種行業也在追求人工智慧，例如機器視覺等等，人工智慧可以大量降低企業成本，同時提高工作效率，這就是社會對人工智慧行業的引導。

類比於網際網路，如今的網際網路可以說是無處不在，沒有什麼工作可以獨立於網際網路而存在，如果可以的話，那麼脫離網際網路其效率也必將大打折扣。人工智慧是可以用到各行各業的，例如：

智慧軟硬體：面向人工智慧的作業系統、資料庫、中介軟體等。

智慧機器人：空間機器人、海洋機器人、生活機器人，讓機器人代替人類的高危工作，繁瑣工作等。

智慧運載工具：無人駕駛等。

智慧終端：智慧手錶、智慧眼鏡等。

物聯網基礎器件：基於萬物互聯的核心處理器等。

智慧製造：大幅度提高製造業的製造效率，生產產品的精度。

智慧農業：農業智慧感測與控制系統、智慧化農業裝置等。

智慧物流：加強智慧化裝卸搬運、分揀包裝、加工配送等。

智慧金融：建立金融大資料系統，提升金融多媒體資料處理能力，發展金融新業態。

智慧商務：基於人工智慧的新型商務服務與決策系統。

智慧家居：人工智慧技術與家居建築系統的融合應用。

智慧教育：利用智慧技術加快推動人才培養模式、教學方法改革，構建包含智慧學習、互動式學習的新型教育體系。

智慧醫療：建立快速精準的智慧醫療體系，建立智慧醫院，開發人機協同的醫療機器人等

智慧健康和養老：基於人工智慧對個人身體情況給出資料分析並且提出相應的建議或者改進措施。

智慧政務：開發適於政府服務與決策的人工智慧平臺，研製面向開放環境的決策引擎，在複雜社會問題研判、政策評估、風險預警、應急處置等重大戰略決策方面推廣應用。加強政務資訊資源整合和公共需求精準預測。

智慧交通：研究建立營運車輛自動駕駛與車路協同的技術體系。研發複雜場景下的多維交通訊息綜合大資料應用平臺，實現智慧化交通疏導和綜合執行協調指揮，建成覆蓋地面、軌道、低空和海上的智慧交通監控、管理和服務系統。

智慧環保：建立涵蓋大氣、水、土壤等環境領域的智慧監控大資料平臺體系，建成陸海統籌、天地一體、上下協同、資訊共享的智慧環境監測網路和服務平臺。

……

總之，未來的人工智慧將會滲透到各行各業，我們需要去學習相關知識以應對未來社會的發展。很多人感慨自己生不逢時，沒有遇到馬雲那樣網際網路蓬勃發展的時代，但是我們遇到了大資料、人工智慧的新時代！所以，加油學習，目前國內還沒有人工智慧行業的本科畢業生，國家在這一塊人才非常缺乏，這也是目前人工智慧行業薪資非常高的重要原因之一，國內最早入學的人工智慧行業的本科生是2018年入學，從現在開始學習，我們正好可以趕上人工智慧發展的浪潮！加油！！！

你好，我是學習以後，學習以後助你學習棒棒！

人工智慧（Artificial Intelligence）簡稱（AI）是最近吵的非常火爆的一個專業，導致很多學校不光新開設人工智慧專業，更有甚者，成立人工智慧學院，比如，中國科學院大學，在2018年就成立了人工智慧學院，可謂是大費周折，對於人工智慧的發展與前景都非常看好，也非常重視！

下面一起看看人工智慧到底是個什麼鬼！

人工智慧到底有多神秘？

人工智慧到底個什麼，下面看一個定義：“麻省理工學院的溫斯頓教授認為，人工智慧就是研究如何使計算機去做過去只有人才能做的智慧工作”，只是一個泛稱，裡面包括很多分支，比如有機器學習，模式識別，機器翻譯，專科系統等等，它們中間既有聯絡又有區別！

其實，瞭解或者學習人工智慧相關專業以後，就會發現，其實就目前的情況來看，它一點也不神秘，也沒有外界有鼓吹的那麼玄妙，更也沒有那麼神奇。

目前最多算實現了簡單的模擬演算法，離真正的人腦智慧還差的遠呢，跟我們的大腦是無法相比，更談不上類人思維，目前只是透過簡單的神經網路演算法模擬人腦神經元，但是，差別非常大，而人類對於真正的人腦神經元的工作機理了解不多，還有很多未解之謎。

所以目前來看，離真正的人工智慧還有很長的路要走，啥時候真正破解了人腦之謎並且可以實現人腦完全模擬才算得上真正的人工智慧。

所以說，現在的人工智慧看似很厲害，其實特別傻，又傻又笨，一切都是靠海量的資料作為支撐，所謂的可以自助學習，讓自己變得越來越聰明，也只是透過海量的資料對建立的模型進行訓練，不停的對龐大的模型引數進行最佳化，最佳化次數越多，使輸出結果越準確，這就要求有大量的有標註的樣本作為訓練引數。

大資料時代的到來是為啥人工智慧最近幾年又火起來的主要原因，其實人工智慧的概念在1956年就被“人工智慧之父”麥卡錫提出來了，其在1971年由於貢獻巨大獲得了圖靈獎，在發展過程中又分出了各種學派，堪稱中國的各個武林門派，有符號主義、連線主義、行為主義門派，其實不同的門派在不同的背景下都非常有說服力。

下面以人工智慧領域中的影象識別為例解開人工智慧神秘的面紗。

人工智慧一點也不神秘

舉個例子，就拿人工智慧的圖片識別來說，剛開始我們建的機器模型就好比一個白痴，啥都不懂，更不會識別圖片，不懂什麼是汽車、什麼是小狗，、什麼是小貓。

只有人告訴它以後它才會知道，這就是訓練機器模型的過程，就好比訓練一個牙牙學語的小孩子，拿一張小狗圖片指給他看，然後告訴他這是小狗狗，然後再給他一個小汽車的圖片，告訴他，這是小汽車。

對於機器來說，我們不可能拿著圖片挨個指給它看，我們得提前將大量的圖片進行標註，就是說每一張圖片都要有一個名字，比如一張汽車的圖片，然後標註為car，小狗的圖片，標註為dog，這種標註的圖片越多，最後訓練越準確，標註大部分只能人工完成，工作量很大，很多資料庫都是千千萬萬前輩們的心血啊。下圖就是一個已經標註完成的圖片資料庫，可以直接拿來訓練我們的模型。

機器模型它具體是怎麼使用這些圖片的呢？

首先它會對圖片做池化以及降維處理，因為我們知道，很多圖片都是高畫質的，並且是彩色的，這會佔用很大的記憶體，然後進行特徵提取，比如小狗，提取特徵，兩隻耳朵，嘴尖等特徵……，當然這個特徵是非常多的，不然就不能夠區分出來小狗跟小貓了。

具體過程可能主要採用B—P演算法，當然也有其它演算法，隨著人工智慧的發展，各種演算法層出不窮，訓練的準確度也在不斷提高，但是大部分都是在經典演算法上發展而來。透過輸入大量的小狗圖片，做特徵提取引數最佳化以後才能夠在下一次見到小狗的圖片以後準確識別出來，不同的圖片小狗的姿勢，顏色，大小，品種都不一樣，這就會提供更加豐富的特徵引數。使得識別準確性提高，那麼，是不是訓練以後真的能夠準確識別出來所有圖片？當然不是，跟使用的模型有關係，還與提供的圖片有關，下面看我之前訓練過的一個模型，識別準確率最大也才到90%。

看下面對於訓練以後的模型進行測試的結果，結果顯示，明顯有識別錯誤的，比如，把狗dog識別為鹿deer，把貓識別為鳥bird，但是相對來說，已經非常準確了。

差點忘了回答問題，寫著寫著就跑偏了，人工智慧的發展肯定會越來越好，畢竟有大資料作為支撐，所以這個專業也是非常有前途的專業，但是建議選擇一個自己感興趣的專業深鑽，比如喜歡機器翻譯，就可以專門研究機器翻譯。