當然的，華為常務副董事長說人工智慧不是一個產業，而是一個工具，所有行業、所有地方都可以用到的。App使用用途更廣的。這是未開工業4.0的制高點啊

人工智慧10大最熱門的技術：

1.自然語言生成：利用計算機資料生成文字。目前應用於客戶服務、報告生成以及總結商業智慧洞察力。代表性廠商包括：Attivio、Cambridge Semantics、Digital Reason、Lucidworks、Narrative Science和SAS。

2.語音識別：將人類語音轉錄和轉換成對計算機應用軟體來說有用的格式。目前應用於互動式語音應答系統和移動應用領域。代表性廠商包括：NICE、Nuance Communications、OpenText和Verint Systems。

3.虛擬代理：弗雷斯特公司聲稱，“虛擬代理可謂是媒體界目前競相報道的物件。”從簡單的聊天機器人，到可以與人類進行交際的高階系統，不一而足。目前應用於客戶服務和支援以及充當智慧家居管理器。代表性廠商包括：亞馬遜、蘋果、Artificial Solutions、 Assist AI、Creative Virtual、谷歌、IBM、IPsoft、微軟和Satisfi。

4.機器學習平臺：不僅提供了設計和訓練模型，並將模型部署到應用軟體、流程及其他機器的計算能力，還提供了演算法、應用程式設計介面（API）、開發工具包和訓練工具包。目前應用於一系列廣泛的企業應用領域，主要涉及預測或分類。代表性廠商包括：亞馬遜、Fractal Analytics、谷歌、H2O.ai、微軟、SAS和Skytree。

5.針對人工智慧最佳化的硬體：這是專門設計的圖形處理單元（GPU）和裝置，其架構旨在高效地執行面向人工智慧的計算任務。目前主要在深度學習應用領域發揮作用。代表性廠商包括：Alluviate、克雷、谷歌、IBM、英特爾和英偉達。

6.決策管理：引擎將規則和邏輯嵌入到人工智慧系統，並用於初始的設定/訓練和日常的維護和調優。這是一項成熟的技術，應用於一系列廣泛的企業應用領域，協助或執行自動決策。代表性廠商包括：Advanced Systems Concepts、Informatica、MaanaPegasystems和UiPat。

7.深度學習平臺：一種特殊型別的機器學習，包括擁有多個抽象層的人工神經網路。目前主要應用於由很龐大的資料集支援的模式識別和分類應用領域。代表性廠商包括：Deep Instinct、Ersatz Labs、Fluid AI、MathWorks、Peltarion、 Saffron Technology和Sentient Technologies。

8.生物特徵識別技術：能夠支援人類與機器之間更自然的互動，包括但不限於影象和觸控識別、語音和身體語言。目前主要應用於市場研究。代表性廠商包括：3VR、Affectiva、Agnitio、FaceFirst、Sensory、Synqera和Tahzoo。

9.機器人流程自動化：使用指令碼及其他方法，實現人類操作自動化，從而支援高效的業務流程。目前應用於人類執行任務或流程成本太高或效率太低的地方。代表性廠商包括：Advanced Systems Concepts、Automation Anywhere、Blue Prism、UiPath和WorkFusion。

10.文字分析和NLP：自然語言處理（NLP）使用和支援文字分析，為此它藉助統計方法和機器學習方法，為理解句子結構及意義、情感和意圖提供方便。目前應用於欺詐檢測和安全、一系列廣泛的自動化助理以及挖掘非結構化資料等領域。代表性廠商包括：Basis Technology、Coveo、Expert System、Indico、Knime、Lexalytics、Linguamatics、Mindbreeze、Sinequa、Stratifyd和Synapsify。

人工智慧主要應用於服務行業，主要在以下七個領域中！

可以看到，這些領域的都是很複雜的有對應流程的行業，因此可以肯定的是，人工智慧是需要大資料支撐的，機器人畢竟是機器人，不可能像人的思維一樣靈活多變，一般來說，再智慧的機器人也只能根據軟體的演算法進行動作，因此所有的判斷都是基於條件判定的。

智慧機器人主要是模擬人的思維，但人的思維太過複雜，想要完全的模擬現在是做不到的，所以只有根據需要一點一點的完善機器人的辨別能力，這些辨別能力怎麼來——大資料，一部分資料是在軟體開發時就寫入程式的，但更多的還是機器人後天學習的，怎麼學習？這就涉及到另外的技術，識別、攝入資料、分析、做出反應、儲存記錄等！

說到底，其實人工智慧也是用軟體開發的基礎技術實現的，其思維邏輯很複雜，因此對資料結構要求很高；再看學習功能，學習說到底也就是識別理解和記錄的過程，識別很好理解，如人對語言、圖片、影片的識別一樣，機器人也需要識別，不同的是，機器人不會像人這麼直觀，很多時候只能識別數字化的東西，數字化這些東西技術就是數字媒體的技術；記錄很好理解，就是把數字化的東西分條件記錄到資料庫中，以便隨時呼叫；還有一個重要功能就是作出迴應進行交流，所有的判斷都是基於大資料的，在程式中就是透過大量的條件比較然後判定，說到底其實還是資料結構的知識，動作就是虛擬現實，虛擬現實也是屬於數字媒體的技術範疇。

在功能層面，智慧機器人很複雜，在技術方面也很高深，如果單就軟體層面來說的話，涉及的技術大的來說，主要是數字媒體和大資料的知識，兩者都是目前軟體開發中的難點，因此不得不說，“很複雜，也很深奧！”

人工智慧，即我們現在所談論的機器學習、深度學習等這一塊兒。其實人工智慧已經被大家揭開了其“神秘的面紗”，其本質並沒有特殊之處，只是需要了解一些背景。現在我們談論的人工智慧的確是架設在了數學上面（需要知道線性代數、機率論與統計等知識），但是從人工智慧產品的落地來看，其也是一個計算機的產品研發過程，也需要很多計算機工程師來實現，但是你也必須要知道一些人工智慧的背景知識（如梯度下降、線性迴歸、SoftMax、CNN卷積神經網路等），這樣你才能更好的從事其實現與研發。那麼這裡所說的背景知識也類似於你從事APP開發前需要了解的對應APP的行業知識（如開發一個數學APP，你需要知道相關的數學知識）。

在瞭解完相關的背景知識以後，其實接下來就和開發APP類似，但是也有不同的地方。對於人工智慧開發，第一種你是做人工智慧框架開發（如Tensorflow、Caffee、MXNet等），另外一種則是在已有的框架上實現人工智慧演算法，如基於Tensorflow實現CNN。前者對技能要求比較高，需要你對單機多核程式設計如OpenMP、分散式多節點MPI、GPU程式設計CUDA、效能最佳化編譯器等知識都有要求，第二種則比較簡單一點，只需要掌握好框架的API，然後組合實現成你想要的演算法即可（和你進行APP開發，無論是Android還是iOS，都是在對應的框架平臺上，這沒有本質上的差別）。

所以，在瞭解了這一些以後，若你想去轉行做人工智慧，我覺得也是沒有任何問題的，但是需要一些時間，以及培養一些新技能。

首先數學不能差，要學好數學。

人工智慧和App開發、網頁開發、遊戲開發等傳統程式設計師崗位有很大的區別。人工智慧與數學的聯絡非常緊密，最初是數學家為了逼近某些逼近難表示的非線性函式而使用的，也就是數學中的“逼近理論”。因此：

第一，數學知識不能太差吧，線性代數、機率論、統計學、圖論這些要學。

第二，合格的程式設計師懂得知識也要會吧，作業系統、linux、網路、編譯原理、資料結構、資料庫得會。

第三，程式語言，不說了：C/C++、Python、Java。

第四，人工智慧的基礎知識：ID3、C4.5、邏輯迴歸、SVM、分類器、等演算法的特性、性質、和其他演算法對比的區別等內容。

第五，常考工具基礎知識：opencv、matlab、caffe等。

祝學有所成。

以上，希望可以幫到你！