這是一個非常好的問題，作為一名科技從業者，我來回答一下這個問題。

首先，當前人工智慧領域的相關工作崗位還是比較多的，但是由於當前人工智慧行業尚處在發展的初期，所以更多的崗位都集中在研發領域，所以當前要想在人工智慧領域從事相關的工作崗位，往往對於自身的知識結構有較高的要求。從近些年來人工智慧行業的人才招聘情況來看，往往會集中在研究生人才的招聘上，在具體崗位上都比較傾向於研發級崗位，比如人工智慧平臺開發崗位等。

對於普通人來說，要想從事人工智慧相關工作，除了讀研之外，也可以根據自身的知識機構和所處的行業，來制定學習計劃。隨著企業紛紛上雲之後，未來人工智慧產品的應用場景會越來越多，相應的人才需求也會逐漸釋放出來。所以從這個角度來看，普通人要想進入人工智慧領域發展，未來的發展前景還是比較廣闊的。

當前人工智慧領域的工作崗位除了研發崗位之外，還涉及到大量的方案設計崗位和運維等崗位，這些崗位的人才需求潛力也非常大，而且這些崗位在行業發展的初期，也會有較高的崗位附加值。以計算機視覺方向為例，當前人工智慧產品要想落地應用，需要有專業的實施人員來完成方案設計，以便於讓技術和場景相契合，同時還需要大量的技術人員來完成智慧體的部署。從發展趨勢來看，部署人員的從業規模會比較大，而且未來較長一段時間內，這些領域的人才缺口都會相對比較大。

目前對於具有一定計算機基礎知識的人，可以把學習的重點放在人工智慧平臺的使用上，隨著人工智慧平臺在行業領域的落地應用，未來基於人工智慧平臺來與行業領域相結合從而完成創新，是一個重要的發展趨勢。相對於研發級崗位來說，基於人工智慧平臺進行的行業創新開發會有相對較低的技術門檻，只要經過一個系統的學習過程，大部分人都能夠順利掌握。當然，這個過程也需要完成大量的實踐。

目前大型科技（網際網路）公司推出的人工智慧平臺，往往都會基於計算機視覺技術體系，或者是自然語言處理技術體系來打造，而這兩個大的技術體系也有比較多的應用場景。隨著物聯網建設的不斷完善，未來人工智慧平臺與物聯網平臺也會深度整合，從而為人工智慧技術的落地應用帶來更多的可能。從大的發展方向來看，未來移動網際網路、物聯網和人工智慧技術將逐漸深入整合，這個過程也很有可能會開啟一個巨大的價值空間。

對於當前的大學生和初級職場人來說，要想進入人工智慧領域發展，可以先從程式語言開始學起，比如Python就是不錯的選擇，然後進一步學習人工智慧平臺知識。在掌握了一些基本的人工智慧知識之後，建議初學者找一個實習崗位，然後在實習崗位上提升會更好一些，包括場景的支撐和交流環境的支撐等等。

人工智慧技術的學習往往需要有資料中心的支撐，這也是普通學習者在學習人工智慧技術所面臨的困難之一，同時有專業人士的指導，對於學習人工智慧技術也有非常重要的影響。

我從事網際網路行業多年，目前也在帶計算機專業的研究生，主要的研究方向集中在大資料和人工智慧領域，我會陸續寫一些關於網際網路技術方面的文章，感興趣的朋友可以關注我，相信一定會有所收穫。

人工智慧未來直接決定國家競爭力，不管是國內BAT，還是國際網際網路巨頭Google都在熱火朝天地做人工智慧產業；只是各有側重。而且人工智慧的應用非常廣泛，幾乎涉及了所有行業。如下圖所示，汽車、物流、道路管理、化學研究、工廠管理、能源、醫療、電腦、房地產、零售、視訊監控等方方面面都在應用人工智慧。未來的應用前景會更加廣泛。

人工智慧現在的求職狀況是競爭非常激烈。如果說7、8年前的狀況是各個專業轉CS的話，現在是全民轉AI。各個專業的，例如自動化、微電子、機械、通訊、電子資訊、材料專業，都有大量的學生在學習機器學習(主要是深度學習)。

要想從事人工智慧的工作，個人認為人工智慧最適合，最需要的是人工智慧專業，以及計算機、自動化和數理統計相關專業的畢業生和已就業人士。這些行業對於人工智慧的數學基礎、演算法基礎、程式設計技能、硬體設計技能等會有比較好的基礎，加入人工智慧行業後也會有比較大的發展空間。另外我的建議是把對人工智慧和電腦科學的興趣與其他行業結合起來，能夠提供人工智慧行業解決方案的人士，適合加入人工智慧行業，例如機械製造與機器人、金融與風投、醫學和健康，新聞和寫作，三維動畫與電影CG或其他型別的藝術。對這些領域的探索可以發掘人工智慧領域的更多可能性，並使他們在職場中更容易獲得公司的青睞。

1.增強技術實力程式語言和開發工具    365 Data Science 收集了來自 LinkedIn 的 1001 資料科學家的資訊，發現需求量最大的程式語言為 R 語言、Python 和 SQL。另外，還要求具備 MATLAB、Java、Scala 和 C/C++ 方面的知識。為了能夠脫穎而出，需要熟練掌握 Weka 和 NumPy 這類工具。

2.概率統計學、應用數學和機器學習演算法    你需要牢固掌握概率統計學，並學習和掌握一些演算法，比如樸素貝葉斯、高斯混合模型、隱馬爾可夫模型、混淆矩陣、ROC 曲線、P-Value 等。    不但要理解這些演算法，還要知道它們的工作原理。你需要牢固掌握梯度下降、凸優化、拉各朗日方法論、二次規劃、偏微分方程、求積法等相關演算法。    如果你想找一份高薪的工作，還需要掌握機器學習技術和演算法，比如 k-NN、樸素貝葉斯、SVM 和決策森林等。分散式計算和 Unix 工具    現在大部分機器學習都需要海量資料，所以你無法在單臺機器上進行機器學習。所以，你需要用到叢集，需要掌握 Apache Hadoop 和一些雲服務，如 Rackspace、Amazon EC2、Google Cloud Platform、OpenStack 和 Microsoft Azure 等。   

3. 你還需要掌握各種 Unix 工具，如 cat、grep、find、awk、sed、sort、cut、tr 等。因為機器學習基本上都是在 Unix 系統上執行的，所以需要掌握這些工具，知道它們的作用以及如何使用它們。查詢語言和 NoSQL 資料庫    傳統關係型資料庫已經老去。除了 Hadoop 之外，你還需要掌握 SQL、Hive 和 Pig，以及 NoSQL 資料庫，如 MongoDB、Casssandra、HBase。    基於 NoSQL 分散式資料庫的基礎設施已經成為大資料倉庫的基礎。原先在一箇中心關係型資料庫上需要 20 個小時才能處理完的任務，在一個大型的 Hadoop 叢集上可能只需要 3 分鐘時間。當然，你也可以使用 MapReduce、Cloudera、Tarn、PaaS、Chef、Flume 和 ABAP 這些工具。

4.資料視覺化工具    在掌握程式語言和演算法的同時，不要忽略了資料視覺化的作用。如果無法讓你自己或別人理解資料，那麼它們就變得毫無意義。資料視覺化就是指如何在正確的時間向正確的人展示資料，以便讓他們從中獲得價值。主要的資料視覺化工具包括：Tableau、QlikView、Someka Heat Maps、FusionCharts、Sisense、Plotly、Highcharts、Datawrapper、D3.js、ggplot 等。正確選擇教育背景和專業    要成為資料科學家，不一定非要拿到資料科學方面的學位。事實上，你完全不需要這麼做，這樣做反而不是個好主意。如果你能拿到計算機學位、工程學學位、經濟學學位、數學學位、統計學學位、精算師學位、金融學學位或者自然科學學位（物理、化學或生物）都是可以的。甚至是人文科學（包括社會科學）也是可以的。    365 Data Science 的研究表明，20% 的資料科學家擁有計算機學位，19% 擁有統計學或數學背景，19% 主攻經濟和社會科學專業。只有 13% 擁有存粹的資料科學學位。不過很少有大學提供資料科學本科學位，他們大部分都提供了碩士學位。因為該職業是一個新興職業，所以毫無疑問，很多人在本科階段並不會接觸到資料科學。    如果能夠繼續深造，拿到資料科學或機器學習 /AI 相關的碩士或博士學位，自然會助你一臂之力，特別是如果你想在世界 500 強公司裡找到一份資料科學家的工作。365 Data Science 研究發現，擁有碩士和博士學位的 1001 資料科學家比例分別是 48% 和 27%。    不過，碩士學位確實不是那麼好拿到的，但如果能夠拿到，那絕對是如虎添翼。如果你想從事資料分析工作，但不一定要接觸資料科學和機器學習，那麼碩士學位就不是必需的。你完全可以在沒有碩士學位的情況下獲得一份資料分析的工作。不要把資料科學和資料分析混淆起來了。獲得實際的經驗    在實習結束後，有 18% 的人可以直接進入資料科學領域。所以，如果你已經有了碩士學位，最好先找一個實習崗位，而不是直接繼續讀博。    在現實當中，很少有公司會直接正式招聘應屆的資料科學家。他們大部分人都是從分析員（資料分析、BI 分析）、實習生、IT 專員、軟體工程師和諮詢顧問做起的。只有 2% 的人在一開始就從事資料科學工作。    有意思的是，資料科學家中有 27% 是博士，所以大學自然就成為培養資料科學家的搖籃，有一些高校學者直接被聘請成為資料科學家。另外，從事 IT 工作的人比從事顧問工作的人更容易成為資料科學家，所以紮實的程式設計功底絕對是個優勢。

人工智慧是個很大的範疇，我們現在還處在人工智慧時代初期，目前從各廠招聘資訊看，演算法工程師或機器學習工程師是比較短缺的，再靠近一點就是一些自動化專業。

想要進入這個行業，首先數學功底一定要好，涉及到的理論知識主要有線性代數、概率論、統計學、圖論。除了會程式設計以外，常考人工智慧基礎知識：ID3、C4.5、邏輯迴歸、SVM、分類器，常用的工具有opencv、matlab等。

行業初期，網際網路企業都在找風口，網際網路巨頭難以進入的話，可以考慮大型的智慧家居，智慧家電企業。