選自然語言。如果你是選學科，那就選自然語言，如果你是工作，看你在什麼地方，根據行業分佈選，如果是想在北京，那就選自然語言，如果是在長三角，就選機器人視覺，在深圳就兩者都可以。

如果是工作的角度，選擇以後的發展方向，簡單的說一下計算機視覺和自然語言

我們常規意義上講的計算機視覺也有不同層次的，例如應用於工業的計算機2D,3D視覺。這類主要是配合自動化，感測器做資訊採集，以及比對，做檢測，或者監控使用。比較典型的應用例如早年的CCD檢測，就算這類工業計算機市場的應用。這類工作也被稱為自動化工程師，包括現場除錯以及方案程式設計。錢少，出差多，略有苦逼。但不是沒有前途的行業。只是略有辛苦，不少自動化行業的會進入這一領域。

這類企業比較典型的例如：基恩士，康耐視，大恆影象，匯川技術等等。（很明顯，如果你想找這類工作，那多數集中在深圳，和長三角）

工業領域略微高深一些機器人視覺，主要應用於機器人導航：SLAM。

透過視覺慣性演算法，實現環境描繪，路徑規劃。傳說比較牛逼的tesla無人駕駛，就採用的是視覺慣性導航，目前國內主推的無人駕駛導航，還是鐳射導航技術（價效比高，技術穩定）。

第二個，計算機視覺，就是比較高大上的影象智慧領域。從場景應用，上面可以有人臉識別技術，動態人臉識別，OCR，細粒影象技術，以及在此基礎上涉及到的影片技術：影片語義理解。

這類偏向於網際網路及消費端的應用。

這類消費類的視覺，國內比較典型的企業：商湯科技，依圖科技，雲從科技，曠視科技。當然還包括大家都熟悉的Apple，google，百度這類網際網路企業，主要應用在計算機以及手機領域。

整個自然語言的使用場景，基本上以消費市場為主。

所謂的自然語言，可能有不少人不太懂：就是分析、理解、生成人類語言， 及相關綜合應用。

更為高階的是，能夠做語義分析，情感分析，意圖理解。

目前國內比較多的輿情分析網站，就是採用的這種自然語言的分析模式。

自然語言的發展契機就在於，如果要實現人工智慧更高的飛躍，就一定需要自然語言的支援，不然人機互動中，你問機器人，我想找點好吃的，他給你推薦一大堆快餐，顯然並不合適。

目前自然語言的應用在消費領域，比較廣泛。

（1）語義理解

最近比較流向的一個網站，

magi.com 就是非常典型的語義理解的搜尋引擎。這類引擎也比較多。

（2）篇章理解

篇章理解，目前包括各類輿情監控的軟體。例如百度輿情，融文都是這種篇章理解的應用。從演算法上面來說，就是分詞後，提取關鍵詞。（當然我說的比較籠統，用小學的教育，就是找中心思想）

（3）情感分析

情感分析，熟悉Python的朋友，應該都知道，做語義分析中情感分析的重要性。

（4）自動協作

自動協作，其實就是未來服務機器人的範疇了。目前我們常見的siri，或者天貓精靈，都算是這類的入門吧。

（5）語言理解與互動

那個曾經神乎其神的，科大訊飛的同聲翻譯機，就屬於這個範疇。

（6）翻譯軟體，百度，有道等等

這個就不細節介紹了，使用過的都懂。

那麼我們看到如果在消費埠，這部分企業分佈比較多。並且一般都是為自家服務，例如OPPO，小米都脫離不了自然語言的開發。所以相對而言，如果你是一直在網際網路領域，那就選自然語言吧。尤其是如果你在北京。北京不缺人工智慧，但缺少機器人實體企業。

自然語言處理目前還處於相當稚嫩的階段，未來發展的空間巨大，由於其牽涉的學科眾多，處理的問題邊界不明確，進展會比較艱苦。耐得住寂寞的話，可以考慮這個方向。其實有實力鑽研自然語言處理，完全可以兼顧計算機視覺的。

兩者結合起來才有前途。你想啊，人看電視，只看畫面不聽聲音，或者只聽音訊沒有畫面所得到的資訊都不全面。兩者結合才是未來的發展方向。

選自然語言處理，原因就是做兩個領域的研究，需要的平臺資源大小不一樣。對平臺的依賴不一樣。

自然語言處理，需要的 計算效能相對計算機視覺要小的多，能不能取得成果 主要看演算法設計，而計算機視覺，需要高檔顯示卡 以及各種專用的 硬體裝置 才能 做出有意義的計算。所以對平臺依賴太大，以後創業不容易，開發開源軟體不容易，換工作不容易。

當然這是 從軟體開發和演算法角度看的，如果有人專門研究 積體電路設計 或軟硬體 系統整合的，應該選 計算機視覺，畢竟 計算機視覺 才會有 設計 專用電路的需求。

兩個方向的差別，一定程度上 類似於 計算機 軟體 和 積體電路 設計的 差別。