難，難如上青天！你知道人工智慧包含的學科有多少、多複雜嗎？幾個例子，神經學、仿生學，就這倆你去吧。現在網上炒作的很多都是某些培訓機構為了自己利益說學了某門計算機語言就是人工智慧了，簡直一派胡言。想學程式語言去學java啊，java是現在主流，企業急缺此類人才。

恰巧做過計算機視覺方向的開發，也在公司負責過經典機器學習相關的一些專案。

一般情況，我都會先丟擲問題的答案，再做詳細的解答。但這個問題。。。。。

誠然，人工智慧方向並不是特別難，當然也可以學。但，這個“學”，我並不清楚提主所說的，是要達到什麼樣的程度，衡量的量化標準是什麼。

我把深度學習從業者的大致幾個層次和對應的知識技能要求分別列在這裡，提主可以根據自己的期望和對應的門檻來決定，自己是否要選擇深入學習，是否適合自己。

1.簡單理解機器學習原理，以工程開發和落地為主。

這類技術人員往往是由技術轉型，或有其他學科理論知識限制，大多從事演算法的工程落地和產品化。更多的是直接用第三方成熟或開源的半成品模型，來解決自己公司產品的落地問題。

比如：高數，統計，通訊編碼等，理論欠缺。他們會由演算法部門提供基本模型，或直接呼叫百度，騰訊，face++等廠商提供的開放平臺api，或半成熟方案定製產品。

這可能是這類工程落地人員比較喜歡的網站。

2.具備機器學習相關的比較紮實的各種知識理論，熟悉各種主流模型和主流演算法。同時也熟練框架和模型開發。大部分人具有碩士學位，關注解讀主流峰會的相關論文和最新技術發展。

這類技術人員往往在大公司的演算法部門。他們的主要工作就是針對已有模型結合自身業務目標，做模型的開發/遷移/魔改/調參。個別時候，可能會把效果較好的論文描述落地成演算法模型。當然，大部分時候，他們的工作還是前者。所以，也有人戲稱，調參俠。

當然這部分同學的理論知識已經比較紮實。其實對於能沉下心的同學來說，幾本通訊理論和幾本數學統計，幾本機器學習XX導論的書，學到這個程度，完全不難。

這裡推薦2本好書給提主。我發現凡是，XXX導論的書，一般講的都不僅僅是導一下。

還有深度學習的一般概念書：

3. 完全精通深度學習相關各種生態知識，理論知識已經不再構成研究該領域的任何門檻。

這類大神，往往都具備高學歷，高智商，國際名校背景。在一流公司擔任演算法研究。cvpr這類會議，經常會看到他們的論文刷屏。比如，各種主流落地開源模型的作者。這裡不具體列出了。

提主可以根據自己期望的程度和知識要求，衡量下自己是否適合這個方向。不得不說，想在這個領域有所建樹，數學確實是個非常重要的基礎。所以大多演算法研究崗對學歷的碩士要求，確實可以理解。

當然，從行業發展來看。懂深度學習的模型落地工程人員，才是市場需求量最大的。其次是模型的開發人員，也就是第二種。

如果希望在這個演算法領域做工程落地，是沒有太大難度的。如果是做，有理論的調參俠，可能要自己沉下心，學習一些數學知識，也不算太難。

最近正準備做一些，零基礎入門人工智慧相關的影片教程。每天3-5分鐘，以最簡單有趣的方式，帶愛好者實操入門。

就人工智慧而言，目前正在從事該行業。這麼說吧，人工智慧有門檻，但也不難！作為一個初級的者來說，在實際工作中也沒有很多難，很高大上的東西需要你自己動手去寫的，經常做的就是修改一些引數！當然要是往科研方向走就沒有這麼簡單了，這些東西都是一個團隊來實現的，而且對個人行業的知識都要有深刻的認知！

下面放一張圖，看看人工智慧的架構知識以及各個分支的研究方向的解釋

是不是感覺很複雜！感覺無從下手。其實這中間的很多知識不需要研究的的非常懂，學習其他知識的目的就是研究人工智慧，只要能理解其中牽扯到的概念就行了。

下面在放一張圖，這是高校人工智慧專業四年所學的知識概括。

透過圖可以看出，其實並沒有學習很多的數學物理知識！主要還是專業課程比較多！其實只要大學高數基礎還在，學習人工智慧就解決了基礎問題，接下來的就是計算機知識了！

人工智慧是非常複雜的一個大的話題，先學個python吧，一腳踏入人工智慧領域後，再繼續在這個行業繼續深耕。