天天向上
人工智能當前的核心技術熱點是“深度學習”，而典型的技術應用包括智能語音語義，知識圖譜，計算機視覺，自動駕駛。下面分別垃圾講講這兩個方面。
人工智能，機器學習和深度學習
首先，人工智能是通過機器學習來實現的。非人工智能狀態下，我們對計算機輸入一組數據，它會根據固定的算法進行計算輸出一個結果，而機器學習的算法則不同，它會輸出給你一個算法模型，讓計算機擁有了自動判斷的能力，這就是人工智能。
舉個不太恰當的比喻，如果把普通計算看成是手工業，那麼人工智能就是計算機界的自動化產業，而機器學習就是計算機界的工業革命。
而“深度學習”就是機器學習的一個子集，是超越之前“神經網絡研究”的一種機器學習方式，最大的特點是由機器自己來設計輸入樣本的特徵，全過程完全自動化，而這種方式得益於海量數據的產生，來保證其自動設計的準確性。
人工智能典型的技術應用
1. 智能語音語義：包括語音識別，自然語言處理，語音合成，機器翻譯等技術，涉及到的學科包括計算機，認知科學，語音學，信息論等。
2. 知識圖譜：即描述各個事物之間的關係，通過大量的結構化和非結構化的數據，將各類事物和實體聯繫在一起。比如智能搜索，智能推薦，智能問答等方面的應用。
3. 計算機視覺：通過攝像頭感知和理解影像，例如我們現在使用的人臉識別，圖像識別，文字識別，還有體感運動，包括機器人和無人車的定位導航功能等。
4. 無人駕駛和機器人：讓汽車或者機器人具備自動執行命令的功能，二者擁有同樣的基本原理，感知-認知-決策-控制-執行。例如讓汽車從A走到B，要先通過雷達或者傳感器感知到自己的位置和周圍環境，然後要認知到自身所處的情況和目標，根據這些信息決策出一條路線，控制自己的硬件進行導航，然後執行行駛任務。而這裡的智能決策又涉及到博弈論和運籌學的知識。
因此，廣義上講人工智能的基礎，實際上覆蓋了幾乎所有的現代科學和技術，任何相關領域的學科和人才都可以從不同的角度切入行業，但是它的基礎學科環境是“大數據”和“深度學習”
科技羅賓王
人工智能（AI），是當今科學研究和應用的一個熱門，目前人工智能的關鍵是讓機器具有類似人類的學習和創造能力。
要實現這兩點，需要用到很多現代社會科學技術如：計算機科學的硬件、軟件技術，社會科學的心理學、哲學、倫理學等等。
人工智能技術發展的一個重要里程碑是谷歌的阿爾法狗（AlphaGo）完勝人類最頂尖的圍棋高手。AlphaGo，是一款人工智能圍棋程序，由被 Google 收購的 DeepMind 公司開發。從2015年開始到2007年，先後戰勝了樊麾二段、棋王李世石九段、世界第一的柯潔九段，一戰成名，也將人工智能真真正正地帶到了人類面前。
下面我嘗試結合這一事件的主角，說說我對人工智能技術基礎的理解。
如上圖，阿爾法狗人工智能圍棋對戰平臺包括硬軟件兩個部分，那麼分別涉及哪些基礎技術呢？
1、計算機芯片技術
任何人工智能平臺，都需要強大的計算機芯片技術這一基礎。
根據谷歌官方發佈的信息，阿爾法狗的硬件平臺搭建，初期採用了1920個CPU和280個GPU分佈式服務器的方式。最新版本的阿爾法狗，則使用了谷歌機器學習處理器TPU來搭建。
如上圖，無論是前期的分佈式平臺還是後期的TPU，都是基於計算機新品技術，大量集成CPU和GPU處理器來實現的。
另外，智能汽車的自動駕駛技術也是人工智能的應用之一。
如上圖，特斯拉最新的自研自動駕駛芯片FSD HW3.0。
該就是集成了多核心的GPU和CPU、以及神經網絡芯片TPN，實現了自動駕駛的人工智能芯片平臺。
2、算法理論技術
人工智能的關鍵是算法理論技術，如果說計算機硬件平臺是人工智能的軀幹，那麼算法理論則是人工智能的靈魂。
還是阿爾法狗為例，它是通過學習人類棋譜，在網絡上和人類對弈，通過輸贏不斷的學習和進化，繼而自我對局來不斷來提高進步。它在實驗階段並不是一直勝利的，而是通過實驗室不斷訓練，通過用假名在網絡對戰平臺學習，逐漸進化成神的。
根據谷歌發表的論文顯示，在阿爾法狗的訓練和進化中，用到了大量的人工智能算法，如專家評估系統（value network）、基於海量數據的深度神經網絡（policy network），蒙特卡洛樹搜索等算法技術來提高自己的水平，最終才實現實質性的飛躍。
在人工智能的自動駕駛方面，特斯拉就是運用神經網絡技術，通過路上的電動車，不斷地收集各種路況下的圖形數據、行為數據實現自動駕駛的自我優化。
總結：
人工智能基礎包括硬軟件等多個方面的基礎，需要運用現代計算機技術、結合各種理論算法，不斷的更新迭代，才能創造出智能圍棋遊戲機器人、智能自動駕駛汽車、智能工業機器人等各種應用。
（電影截圖：人工智能機器人女友）
相信隨著各種基礎技術的進步和完善，人工智能必將成為人類社會發展最重要的推動力量之一。
EVtoday
姑且把題目理解為“應用/學習人工智能需要哪些基礎知識/技能”來回答。
換個角度，從目前整個行業的不同崗位角色分工討論（僅羅列學科、課程或知識要點，不展開）
1.技術崗位角色
- 共性基礎知識：概率論與數理統計、隨機過程、組合數學、高等數值分析、應用隨機過程、數值計算、泛函分析、近世代數、矩陣分析、現代優化方法、不確定規劃、計算幾何、算法複雜性理論、機器學習、模式識別、智能系統、深度學習、神經科學導論、數據結構與算法分析、最優化理論、人工智能導論、非線性系統與控制、數據採集、數據清洗與標註等
- 語音算法方向：聲學導論、工程聲學、語言學概論、自然語義理解、語言哲學、語義最小論與語用多元論、語法化與語義圖、現代數字信號處理、語音識別、語言模型、語音合成、語音信號處理等
- 視覺算法方向：數字圖像處理、計算機視覺、視頻編碼與合成、視頻處理與應用、圖像分類、目標檢測、圖像分割、目標跟蹤等
- 數據科學算法方向：機器學習與數據挖掘、可信計算理論、移動計算理論、信息系統建模、圖論及應用等
- 工程部署方向（雲端）：數據結構、數據庫原理、MySQL、並行計算理論、LINUX操作系統、SpringMVC/Struts2、Mybatis、JSP & SERVLET、HTML 5、JAVA、Spring MVC、源代碼分析與實踐、大型分佈式網站架構設計與實踐、Docker 容器與容器雲、Python Cookbook、Go語言、MongoDB大數據處理、NoSQL數據庫技術實戰、大型網站技術架構、Devops等
- 工程部署方向（終端/邊緣）：ARM體系與架構、Rtos系統、Android系統（HAL驅動、系統定製、應用開發）、Linux系統（uboot移植、kernel移植、rootfs製作）、C/C++、彙編、Shell腳本、硬件常用知識（處理器技術、存儲設別與技術、接口技術、顯示、攝像頭、揚聲器、麥克風等各種外設、傳感器技術等）、通信協議（有線通信如USB，以太網；無線協議如蜂窩移動通信、WIFI、藍牙、Zigbee、NFC等）、物聯網協議與技術、數字信號處理信號、自動控制原理與技術、信號檢測與估計等
- 工程部署方向（硬件）：模擬與數字電子技術、射頻電路、微波與天線、通信原理、傳感器融合理論、電子設計EDA、集成電路理論、半導體器件與工藝、音視頻技術、材料工程、機械工程等
- 測試技術方向：聲學測量、視覺測量、軟件測試理論、硬件測試技術、自動測試技術等
2.產品崗
產品經理認證NPDP知識體系（7大模塊）、產品的規劃與設計、產品運營、交互體驗、需求分析、原型與功能設計、文案與營銷等
3.管理崗
MBA系列課程（管理經濟學、營銷管理、戰略管理、組織行為學、會計學、公司財務管理、人力資源管理與開發、管理與溝通、經濟法、國際貿易）、資產評估、領導力、市場營銷、電子商務、物流管理、項目管理、合同法、公司法等
4.商務崗
市場營銷、電子商務、市場調查與預測、消費者心理與行為、財務管理、商品學、商務談判、經濟學、會計學、物流管理、營銷策劃、品牌管理、社會心理學、零售學、品牌管理、商務禮儀、經濟法、網絡營銷、渠道管理、銷售管理、大客戶營銷等
