這幾天，各地高考分數線相繼出爐，但考好只是第一步，熬過考試的考生和家長還要面對另一個嚴峻的問題：選什麼專業？

談及選專業，每年家長們都會積極調研就業市場，試圖從中選出所謂的熱門專業和冷門專業。誠然，專業之間確實存在冷暖，以近兩年的行業投資情況來看，人工智能（AI）的表現無疑是最熱門的，相比傳統學科，這個新興學科潛力無限，從業人員的發展前景也更為可觀。

根據去年的Kaggle數據科學&機器學習調研報告，數據科學家這個團體雖然平均年齡只有30歲，但平均年薪卻達到了驚人的37萬。高薪必定吸引人才，見識了AI的繁榮後，想必許多人都對這個行業心弛神往。

那麼這個“時髦”該怎麼趕？下面是論智給出的幾點建議。

建議一：瞭解人工智能是什麼

就像人們常說的，志願首先要能提現考生自己的真實意願。在入場前，有能力的考生要問自己兩個問題：1.我理解的AI是什麼？2.我對真正的AI感不感興趣？

在Poole、Mackworth和Goebel於1998年出版的《計算智能》裡，他們把AI定義為能模擬人類智能、能自主執行任務，並能根據行為作出反饋的智能體。從實際研究領域看，符合這個概念的有遊戲算法（Game-playing algorithms）、機器人及控制論、優化、自然語言處理和強化學習。

如果說這些名詞有些抽象，我們可以在智能水平上把AI劃分成三類：

弱人工智能。弱人工智能是最常見的AI形式，它們只專注於解決一類問題，沒有任何自我意識和其他智能標誌，如聊天機器人（chatbot）。

強人工智能。強人工智能可以媲美人類智能，它們擁有自我意識，而且可以代替人類完成所有人類能夠的完成的事情。從衡量標準角度看，強人工智能的一個前提是通過圖靈測試，但真正符合強人工智能概念的機器還不存在。

超人工智能。超人工智能是AI的極致，它超越了人類智能，是人工智能的最佳形式。短時間內實現超人工智能是不現實的，但圍繞它的倫理討論從未平息過，比如開發AI或將導致人類滅絕。

雖然後兩個能引發更多藝術聯想，但我們還是要保持清醒，現實不比科幻電影：

• 擊敗柯潔的AlphaGo是弱人工智能（遊戲算法）；
• 自動駕駛汽車同樣也是弱人工智能（機器人/控制論）；
• 谷歌地圖自動導航是弱人工智能（優化）；
• 百度翻譯等各種機器翻譯是弱人工智能（自然語言處理）；

AI本身並沒有媒體宣傳的那麼“高大上”，這個行業不存在“終結者”，廣受關注的波士頓動力機器人也無關AI。未來，以弱人工智能為主的研究仍將長期存在。

建議二：進AI學院要慎重

今年，政府號召多領域推進“互聯網+”，於是各大高校紛紛規劃開設AI課程，其中天津大學、南開大學、南京大學、吉林大學這4所高校更是趕在高考前，先一步成立了人工智能學院。以南京大學為例，這個新學院下設“機器學習與數據挖掘”和“智能系統與應用”兩個專業方向，計劃招收60-100名本科生。

雖然學校擁有像周志華這樣的優秀師資，但這趟渾水，考生實在不應該輕易去碰。

AI本身不是一個單純的學科，也不是一個專業，它是跨學科的產物，對學習者的基礎知識掌握水平要求很高。比如自然語言處理是計算機科學和語言學的產物，機器人控制需要大量使用自動化控制技術，所有研究的基礎和難點並不是編程，是數學，尤其是統計學。而大多數本科生是不具備這些基礎的，這也是現在國內外都把機器學習、自然語言處理等作為碩士、博士研究方向的原因之一。

AI學院的質量令人擔心，其中最大的一點是發展不成熟。首先，這些學院的課程是倉促安排的，缺乏科學性和可行性。目前國內外還沒有針對本科AI教育的完整的體系，本科生也沒有碩士研究生和博士生的知識積累，既然沒法參考和照搬，各大高校就必須在短時間內平地起高樓，在這種情況下，第一屆學生和老師幾乎等同於第一批小白鼠。

如果說課程設置不夠，老師可以來補救，那這裡就出現了第二個問題。這些新專業的課其實是計算機系和數學系某些課程的雜糅，以計算機為主，數學為輔。學生吃的是其他兩個系的師資資源，而這些資源必定向原專業的學生傾斜。這也是新興專業的常見問題，由於只能吃“百家飯”，學習其他專業的皮毛，四年下來學生“學而不精”，反而喪失競爭力。

至於那些奔著師資力量去的考生，以過來人的眼光看，這個想法真的不靠譜。高校名師重點培養的首先是博士生，其次才是本科生和碩士生，雙方接觸的機會並沒有想象中的多，學校也不會一開始就貿貿然搞資源傾斜。再加上現在大部分高校都在實行通識教育，學生在專業知識以外還要花費大量的時間和精力，基礎不夠紮實永遠是學好學精的攔路虎。

建議三：請選擇計算機科學（CS）專業

雖然我們強調了AI的跨學科性，也強調了數學在AI研究中的絕對地位，但如果考生有志於成為一名人工智能行業的從業者，我們還是建議你一步到位，直接選擇計算機科學專業。因為人工智能本質上離不開計算機，它和CS一樣更偏向工程，而數學則更偏向理論，容易迷失方向。

以下是【第四輪全國高校學科評估結果：計算機科學與技術】給出的報考建議：

這裡我們把清華放第一位，它在人工智能上的話語權確實全國第一。當然，如果人人都去得了清華，我們也不用寫這篇文章了。

事實上，對於選擇了計算機科學的同學，我們也有一些小建議。許多人都喜歡說大學學習要靠自覺，但自覺也要有正確的方向。如果你已經選擇了CS專業，或者已經被錄取，那在之後的4年裡，Python和TensorFlow是你必須要熟練的語言和工具。

除了本專業課程之外，數學是你一定要打好的基礎。無論是數據科學、機器學習還是人工智能，它們的共同基礎是線性代數和統計學。和數學同樣重要的是英語，美國是研究AI的前沿陣地，要學習人工智能，你就必須熟悉英語語言環境，否則你怎麼接觸最新研究成果？換句話說，如果英語太差，可能你連編程都不一定學得好。

最後就是其他專業學科的內容，這也是我們希望考生能瞭解AI本質的原因之一。只有確定方向，一個人才能制定計劃並一一落實。如果你認為學好語言學和自動控制才是最重要的，那也無妨，但選擇CS更有助於你未來的深造，無論是國內還是國外。

建議四：人工智能和機器學習

這兩個詞都是搜索的高頻詞，它們有很多重疊，再加上媒體連續不斷的捆綁營銷炒作，人們很容易把它們誤解為同一種東西。考慮到許多考生感興趣的可能是機器學習方向，這裡我們再解釋一下兩個概念的區分。

機器學習的特點是產生預測：給定具有特定特徵的樣本X，預測Y。這些預測可能是關於未來的（如預測病人的疾病惡化情況），也有可能是關於計算機的弱勢領域的（如預測圖像中是否有鳥）。Kaggle上的所有項目比賽幾乎都可以被視為機器學習問題：他們提供一些訓練數據，看參賽者的模型能否基於數據集準確預測全新樣本。

以前我們會把機器學習作為人工智能的一個子領域，尤其是計算機視覺，它是後者的一個經典問題。但現在，機器學習很大程度上已經從人工智能中剝離出來了，其中的一個原因是從業人員的反感：大多數從事機器學習的人都不願意把自己形容為AI研究人員（許多機器學習突破都源於統計學）。

以自動駕駛汽車為例，假設我們正在製造一輛自動駕駛汽車，需要研究汽車識別停車標誌這個問題，那麼我們需要結合這兩個領域的知識。

• 機器學習：汽車必須使用攝像頭識別停車標誌。我們需要構建一個包含數百萬個帶路標街景圖像的數據集，並基於它訓練一個能夠準確識別停車標誌的算法。
• 人工智能：一旦我們的車識別出了停車標誌，它必須能自主判斷何時剎車。過早過晚都是很危險的，同時它也要兼顧路況（如雨雪天氣光滑路面），這是控制論的問題。

小結

在過去十年中，AI的發展速度十分驚人，我們也已經在生活中看到了它的存在：自動駕駛汽車、AlphaGo Zero、Google Brain……在媒體筆下，它一直是這些勁爆新聞的核心元素。

如果是對這個行業有抱負的青年，現在入場確實是個正確的時機——開放的社區、鉅額的科研投入、新成果的不斷湧現——AI這幾年的蓬勃發展絕不只是媒體炒作，它確實在技術上實現了不小的突破，而且這些突破能被用於現實商業運作。

但任何高薪背後都是長年的付出，現在招聘市場渴求的是出過優秀成果的各種博士。如果只是看中回報，忽視其背後的艱辛，那任何專業都不適合你。對於成為AI人才這個夢想，我們希望你能有足夠的毅力和恆心，從現在開始力爭上游，凝聚自己的核心競爭力。畢竟AI的一個主題就是自動化，而它首先會發生在自己的領域。

最後一問：你理解的AI是什麼？