嘿Boy176342946
很高兴能回答你的问题
人工智能是一个热门话题，像自学人工智能的，追热门的，那是不计其数，但真正学好的却是凤毛麟角。
人工智能是什么？
每个人的理解不一样，我就从我一个老师加学生的角度说下吧。人工智能是各个领域的一个综合应用，举一个例子：现在的手机可以说是智能手机，但它能实现人机交互吗？能实现自主学习吗？这些都不行吧，那么未来人工智能可以帮助手机进行人机交互，当你孤独无聊的时候，可以和手机自由对话，保证把你哄的很开心。还可以通过和你的交流相处，提取你的生活、工作等数据。当然这只是它的一个领域。但是要想实现这一切，就需要数据分析处理技术、需要机器学习、深度学习。进行数据建模，进行算法分析处理。
往后的生活里，云端会是人工智能的神经系统，而它的躯体可以以各种物体形式存在。随着5G、6G、7G时代的到来，这个神经系统将会更容易实现传达，对于人工智能物体就会获得更高更快的反应速度。
如何自学人工智能
这个意思就是说人工智能是可以自学的，而且也只有自学才能真正的深入研究，为了生计、为了薪资终有耗尽的一刻，也许只有兴趣、追求才能帮你随时充能吧！学好人工智能从这几点入手：
第一：学好Python
人工智能可以用很多种语言实现，但Python是最容易实现的一种。学好Python的数据分析、处理，学好Python机器学习，懂得算法建模，往更高层次的深度学习看齐。只能说是看齐，因为机器学习，我都没学很好。机器学习，基本十大算法，和大学高数、线代、概率论渊源极深，所以想进军人工智能，数学也是必不可少的。
第二：学好数学
第一点提到了，当然这指的学好数学，不是说能做一个方程式，能解一道题就可以的。这里所指主要是数学建模，这点和算法进行数据建模还是有一些相似之处的。像机器学习里的监督算法，可以想象成是两种建模体系，但这两种体系会进行对比。例如：有一个是检测体系，里面是有很多种不同形状桌子的数据，那么另外一个体系，要判断是不是桌子，就需要进行比对，相似度越高就越像桌子。我们都知道做数学有很多种解法，但在算法中往往只有更好的算法。
第三：其他辅助学科
人无完人，只是因为人的寿命有限，如果人工智能能自主学习，那么它终将完美。但是，这就需要创造者了解艺术学、心里学、计算机等方面的知识了。之前说了，这相当于是知识的大杂烩，如此庞大的事业，肯定不是某一个人能完成的。你只需要学好前面的两点就已经可以了。
更多精彩，敬请期待！
墨旺
题主这么问，首先假设题主不是计算机或者数学专业的。
这么说吧，这是件可以去做的事，而且现实情况是，现在也有不少的一部分人工智能从业者就是转行过来的。
我在国内某电商做人工智能，而我大学的专业并非计算机也不是数学，就是纯靠自学找到的这份工作。目前从业三年，也积累了很多面试经验。
就我面试别人的经验来看，现在这行的水平良莠不齐，而且其实很少有学校有专门对口的专业，所谓的专业更多的只是计算机专业有天生的编程基础，数学专业有强大的数学背景，而更多的计算机应届毕业生，其实并没有很深厚的人工智能基础，只是和导师做了一两个用到了某个人工智能算法的项目。
所以自学的话，建议刚开始找一些例子，多看看比如tensorflow这样的框架官方文档上的内容，还是能学到不少东西的，然后思考整个例子的流程，再找些经典的教材看看算法的细节。
如果数学基础不好，建议先恶补一下基础的线性代数和基础概率论的前几章，然后就试着去理解神经网络，梯度下降这些内容，随着慢慢的深入，缺什么数学就补什么数学，不用一上来就一堆数学书，这样很容易就放弃了。最好是补充了基础的线性代数和概率论后，就着算法去跟随需求补充数学。
另外关于编程，这是个硬功夫，建议每天花时间去学习。
再说说工作的真实状态，工作一般分两种，一种就是网上所说的调参侠，还有一种就是做模型压缩优化这些高大上的工作。
对于调参侠，其实上手是很快的，但也不用鄙视调参侠，他们自有自己的价值，而且很多公司要的就是调参侠，而不是算法创新，需要的是快速出可用的模型。这时候工作的大部分内容其实并不在算法，更多的是在处理数据，把数据处理到最简单的算法都能得出好的结果，你就是你周围的圈子里蛮厉害的了。所以调参侠需要的技能并没有想象中那么复杂，通过自学是可以入门的。
对于模型压缩优化这部分工作，刚开始自学的时候可能会很难到这个层次，但也有捷径，就是利用别人写好的优化框架，你可能不知道发生了什么，但你的模型就是跑的快了，模型也变小了。
当然我这里并不是鼓励做调参侠，建议做两年调参侠后，这时候操作系统基础(linux)该有了，也有些编程经验了，各类算法也摸过了，这时候可以考虑做一些深入的工作了，比如模型压缩这样的工作。
另外，即使是自学，最好也是找一个具体的方向深入，比如推荐，视觉，nlp等，不然只是常规的分类回归门槛太低了。
最后建议初学不要给自己太多压力和砍，可以看看下面这些内容(对非计算机或数学专业):
1.linux基础
2.python基础
3.线性代数和概率论基础
4.吴恩达的深度学习视频
5.tensorflow官方文档，实践起来
看完上面这些，相信自然而然会知道该往哪里深入了。
既然是自学，所以看书的时候千万不要骗自己，没看懂就是没看懂，刚开始的时候一个很简单的推导都值得花很多时间好好去咀嚼。
希望能有更多的参与到人工智能这场技术变革里来。
悬疑Zoo
达到能够从事机器学习研发工作的基本要求，需要先循序渐进地学习几门基础知识：
1、高等数学
2、线性代数
3、概率和数理统计
4、一门计算机语言（Java/C++/Python and the like)
5、算法
一定要自学的话，除了看书，建议看高校课程视频（这里就不放链接了，在网上很容易找到美国牛校的视频教程，当然前提还有英语听力...），否则不太容易学好。
判断这些基础知识是否学好的标准，不是去做几套考题。最有效的办法是应聘计算机公司的初级程序员。入职后可以继续往下看 :-) >>>>>
恭喜你已经入门一只脚！不过要坐到AI算法工程师的位置，还要啃这几门知识：
1、计算原理
2、模式识别
3、人工智能导论，个人推荐：Artificial Intelligence: A Modern Approach，虽然有些年头了，但很经典！
接下来要看你喜欢哪个具体方向了，NLP、图像还是语音，相关书籍就不推荐了。强烈建议NLP方向哈，我们需要更多的同行。 :-)
这时需要：1）找个开源框架多练练手了，2）多看国际会议经典论文。
记住：算法不是万能的，多读数据，会有灵感。
如果你找不到比较完整的学习资料，可以把我的给你，
链接: https://pan.baidu.com/s/1o7Xps86 密码: 9733
（如果链接失效，麻烦私信我）
希望对你有帮助。
如果你需要其他学习资料，可以关注我的微信公众号——大学干货。
大学干货
自学人工智能是可行的，但学习程度取决于个人基础和学习能力，在此分享一个软件工程师转行机器学习的故事，包括他在这之中都接触了哪些学习资料是如何学习的。
自上而下的学习路线: 软件工程师的机器学习
这是？
这是本人为期数月的学习计划。我正要从一名移动端软件开发者(自学，无计科文凭)转型成为一名机器学习工程师。
我的主要目标是找到一种以实践为主的学习方法，并为初学者抽象掉大多数的数学概念。 这种学习方法是非传统的，因为它是专门为软件工程师所设计的自上而下、以结果为导向的学习方法。
如果您想让它更好的话，随时欢迎您的贡献。
为何要用到它？
我会为了我未来的工作————机器学习工程师 遵循这份计划。自2011年以来，我一直进行着移动端应用的开发(包括安卓、iOS与黑莓)。我有软件工程的文凭，但没有计算机科学的文凭。我仅仅在大学的时候学习过一点基础科学，包括微积分、线性代数、离散数学、概率论与统计。 我认真思考过我在机器学习方面的兴趣:
我深陷困境。
据我所知, 机器学习有两个方向：
实用机器学习： 这个方向主要是查询数据库、数据清洗、写脚本来转化数据，把算法和库结合起来再加上一些定制化的代码，从数据中挤出一些准确的答案来证明一些困难且模糊不清的问题。实际上它非常混乱。理论机器学习： 这个方向主要是关于数学、抽象、理想状况、极限条件、典型例子以及一切可能的特征。这个方向十分的干净、整洁，远离混乱的现实。我认为对于以实践为主的人来说，做好的方法就是 “练习--学习--练习”，这意味着每个学生一开始就能参与一些现有项目与一些问题，并练习（解决）它们以熟悉传统的方法是怎么做的。在有了一些简单的练习经验之后，他们就可以开始钻进书里去学习理论知识。这些理论知识将帮助他们在将来进行更进一步的训练，充实他们解决实际问题的工具箱。学习理论知识还会加深他们对那些简单练习的理解，帮助他们更快地获得进阶的经验。
这是一个很长的计划，它花去了我一年的时间。如果你已经对它有所了解了，它将会让你省去很多时间。
如何使用它？
以下的内容全部是概要，你需要从上往下来解决这些项目。
我使用的是Github独特的flavored markdown的任务列表来检查我计划的进展。
创建一个新的分支，然后你可以这样来标出你已经完成的项目，只需要在框中填写一个x即可：[x]了解更多有关 Github-flavored markdown的知识
Follow me
我是一名非常非常想去美国工作的越南软件工程师。
我在这份计划中花多少时间？在每天的艰辛工作完成后，每晚花4小时。
我已经在实现梦想的旅途中了。
Twitter: @Nam VuUSA as heck别认为自己不够聪明
当我打开书本，发现他们告诉我多元微积分、统计与推理、线性代数是学习机器学习的先决条件的时候，我非常沮丧。因为我不知道从哪儿开始…
我数学不好怎么办没有数学专业背景而理解机器学习算法的5种技巧我是如何学习机器学习的？关于视频资源
部分视频只有在Coursera、EdX的课程注册了才能观看。虽然它们是免费的，但有些时间段这些课程并不开放，你可能需要等上一段时间(可能是好几个月)。我将会加上更多的公开的视频源来代替这些在线课程的视频。我很喜欢大学的讲座。
预备知识
这个小章节是一些在每日计划开始前我想去了解的一些预备知识与一些有趣的信息。
Data Analytics，Data Analysis，数据挖掘，数据科学，机器学习，大数据的区别是什么？ 学习如何去学习 不要斩断锁链 如何自学每日计划
每个主题都不需要用一整天来完全理解它们，你可以每天完成它们中的多个。
每天我都会从下面的列表中选一个出来，一遍又一遍的读，做笔记，练习，用Python或R语言实现它。
动机
梦机器学习概论
形象的机器学习简介 一份温柔的机器学习指南 为开发者准备的机器学习简介 菜鸟的机器学习基础 你如何向非计算机专业的人来解释机器学习与数据挖掘？ 在罩子下的机器学习，博文简单明了地介绍了机器学习的原理 机器学习是什么？它是如何工作的呢？ 深度学习——一份非技术性的简介掌握机器学习
掌握机器学习的方法 程序员的机器学习 掌握并运用机器学习 Python机器学习小课程 机器学习算法小课程有趣的机器学习
机器学习真有趣！ Part 2: 使用机器学习来创造超级马里奥的关卡 Part 3: 深度学习与卷积神经网络 Part 4: 现代人脸识别与深度学习 Part 5: 翻译与深度学习和序列的魔力 Part 6: 如何使用深度学习进行语音识别 Part 7: 使用生成式对抗网络创造 8 像素艺术机器学习简介(用手指沾上墨水来书写机器学习简介)
一本深入的机器学习指南
概述，目标，学习类型和算法 数据的选择，准备与建模 模型的评估，验证，复杂性与改进 模型性能与误差分析 无监督学习，相关领域与实践中的机器学习故事与经验
一周的机器学习 一年的机器学习 我是如何在3天内写出我的第一个机器学习程序的 学习路径：你成为机器学习专家的导师 不是PhD你也可以成为机器学习的摇滚明星 如何6个月成为一名数据科学家：一名黑客的职业规划视频幻灯片 5个你成为机器学习工程师必须要掌握的技能 你是一个自学成才的机器学习工程师吗？你是怎么做的？花了多长时间？ 一个人如何成为一名优秀的机器学习工程师？ 一个专注于机器学习的学术假期机器学习算法
用“士兵”来表示10种机器学习算法 Top10的数据挖掘算法 介绍10种机器学习的术语 机器学习算法之旅 机器学习工程师需要知道的10种算法 比较监督学习算法收集的最简化、可执行的机器学习算法入门书籍
《Data Smart: Using Data Science to Transform Information into Insight》第 1 版 《Data Science for Business: What you need to know about data mining and data analytic-thinking》 《Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die》实用书籍
Hacker 的机器学习GitHub repository(R)GitHub repository(Python) Python 机器学习GitHub repository 集体智慧编程: 创建智能 Web 2.0 应用 机器学习: 算法视角，第二版GitHub repositoryResource repository Python 机器学习简介: 数据科学家指南GitHub repository 数据挖掘: 机器学习工具与技术实践，第 3 版Teaching material - 1-5 章幻灯片(zip) - 6-8 章幻灯片(zip) Machine Learning in ActionGitHub repository Reactive Machine Learning Systems(MEAP)GitHub repository An Introduction to Statistical LearningGitHub repository(R)GitHub repository(Python) - 视频 使用 Python 构建机器学习系统GitHub repository 学习 scikit-learn: 用 Python 进行机器学习GitHub repository Probabilistic Programming & Bayesian Methods for Hackers Probabilistic Graphical Models: Principles and Techniques Machine Learning: Hands-On for Developers and Technical ProfessionalsMachine Learning Hands-On for Developers and Technical Professionals reviewGitHub repository 从数据中学习 - 在线教程 强化学习——简介(第 2 版)GitHub repository 使用TensorFlow(MEAP)进行机器学习GitHub repositoryKaggle知识竞赛
Kaggle竞赛：怎么样，在哪里开始？ 一个初学者如何用一个小项目在机器学习入门并在Kaggle竞争 如何竞争Kaggle的Master系列视频
Machine Learning for Hackers Fresh Machine Learning Josh Gordon 的机器学习菜谱 在 30 分钟以内了解机器学习的一切 一份友好的机器学习简介 Nuts and Bolts of Applying Deep Learning - Andrew Ng BigML Webinar - 视频 - 资源 mathematicalmonk's Machine Learning tutorials Machine learning in Python with scikit-learnGitHub repository - 博客 播放清单 - YouTuBe 上最热门的机器学习、神经网络、深度学习视频 16 个必看的机器学习教程 DeepLearning.TV Learning To See 神经网络课程 - Université de Sherbrooke 2016年的21个深度学习视频课程 2016年的30个顶级的机器学习与人工智能视频教程 Top Videos, Tutorials & Courses on Machine Learning & Artificial Intelligence from 2016 程序员的深度学习实战MOOC
edX 的人工智能导论 Udacity的机器学习导论复习Udacity机器学习导论 Udacity的监督学习、非监督学习及深入 Machine Learning Foundations: A Case Study Approach Coursera的机器学习视频复习Coursera机器学习Coursera的机器学习路线图 机器学习提纯 BigML training Coursera的神经网络课程由Geoffrey Hinton（神经网络的先驱）执教 使用TensorFlow创建深度学习应用 描述统计学概论 推理统计学概论 6.S094: 自动驾驶的深度学习 6.S191: 深度学习简介 Coursera 深度学习教程资源
一个月学会机器学习 一份“非技术性”的机器学习与人工智能指南 Google机器学习工程师最佳实践教程 Hacker News的《软件工程师的机器学习》 开发者的机器学习 为人类🤖👶准备的机器学习 给开发者的关于机器学习的建议 机器学习入门 为新手准备的机器学习入门教程 初学者如何自学机器学习 机器学习自学资源 提升你的机器学习技能 一份'坦诚'的机器学习指南 用机器学习让Hacker News更具可读性视频幻灯片 深入机器学习 软件工程师的{机器、深度}学习 深度学习入门 深度学习基础 机器学习思维导图/小抄大学中的机器学习课程 斯坦福 机器学习夏令营 牛津 剑桥Flipboard的主题机器学习深度学习人工智能Medium的主题机器学习深度学习人工智能每月文章Top10机器学习2016年7月2016年8月2016年9月 - 2016年10月 - 2016年11月 - 2016年算法2016年9月 - 2016年10月-11月全面的数据科学家的资源DigitalMind的人工智能资源令人惊叹的机器学习CreativeAi的机器学习成为一名开源贡献者
tensorflow/magenta: Magenta: 用机器智能生成音乐与艺术 tensorflow/tensorflow: 使用数据流图进行计算进行可扩展的机器学习 cmusatyalab/openface: 使用深层神经网络进行面部识别 tensorflow/models/syntaxnet: 神经网络模型语法游戏
Halite：AI编程游戏Vindinium: 挑战AI编程Video Game AI比赛愤怒的小鸟AI比赛The AI GamesFighting Game AI CompetitionCodeCup星际争霸AI学生锦标赛AIIDE星际争霸AI竞赛CIG星际争霸AI竞赛CodinGame - AI Bot Games播客
适合初学者的播客：Talking MachinesLinear DigressionsData SkepticThis Week in Machine Learning & AI“更多”进阶的播客：Partially DerivativeO’Reilly Data ShowNot So Standard Deviation盒子外的播客：Data Stories社区
Quora
机器学习统计学数据挖掘Data Tau
Deep Learning News
KDnuggets
相关会议
- (NIPS)
(ICLR)(AAAI) - (IEEE CIG) - (IEEE ICMLA)(ICML)面试问题
如何准备机器学习职位的面试 40个机器学习与数据科学的面试问题 21个必须要知道的数据科学问题与回答 Top 50 机器学习面试问题与回答 机器学习面试问题 常用的机器学习面试问题 机器学习面试问题有哪些相同的？ 什么是评价一个机器学习研究者的最好的问题？ 机器学习面试问题大搜集 121个需要掌握的问题与回答很多人可能都希望看到完整的开源项目，建议大家到Github官网：https://github.com/ZuzooVn/machine-learning-for-software-engineers/blob/master/README-zh-CN.md查看完整项目
IT168企业级
自学当然是可行的！如果你是人工智能领域的零基础小白，可以看看这份学习计划，部分附资源链接，除了书籍，配合一些视频学习效果会更好哦。
一、人工智能
书籍：“Artificial Intelligence: A Modern Approach (AIMA)” （人工智能：一种现代方法）
不可多得的综合性书籍，总体概述了人工智能领域，几乎涵盖新手需要了解的所有基本概念。
视频：
https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-034-artificial-intelligence-fall-2010/lecture-videos/
Artificial Intelligence course（人工智能课程）系列视频讲座，通过训练AI玩游戏这类趣味实践来介绍基本知识，如果视频太快跟不上，可以配合从上面这本书（现代方法）中寻找相关概念。
二、机器学习（计算机科学和统计学的交叉学科）
视频：
机器学习基础薄弱的，可以先去TutsPlus课程“Machine Learning Distilled”看一下相关概念简述，Coursera上的Andrew Ng机器学习课程，也有基本概念的解释，还介绍了大部分重要的算法。
（https://www.coursera.org/learn/machine-learning/）
对ML算法了解不够的，可以配合以下教学视频进行理解
TutsPlus的“Machine Learning Distilled”（简要概述）
Perer Norvig 的Udacity Course on ML（ML Udacity 课程）
Tom Mitchell 的 Another course on ML
书籍：集体智慧编程（Programming Collective Intelligence）
ML算法在Python中的实践，大量基础性的实例，讲述生动，很适合入门学者，培养兴趣的同时又开拓视野，让你不想懂都难！
三、深度学习（是机器学习里最近比较火的一个子集）
DL基础方面的准备工作：
Google上的great introductory DL cources
Sephen Welch的great explanation of neural networks
书籍：
Deep Learning With Python（可自行度盘下载https://pan.baidu.com/s/1kUThYHT）
介绍DL应用程序中的最先进成果，深入浅出，带领新手快速开始构建基础并且接触实践案例，包含Keras、TensorFlow时下最先进的工具。
Neural Networks and Deep Learning（神经网络与深度学习）
（可自行度盘下载https://pan.baidu.com/s/1miLerZM）
新手友好，作者在数学密集的区域都有标注提示。MNIST手写数字的识别问题贯穿全书，每个模型以及改进都有详细注释的代码。
更多优质回答，请持续关注镁客网头条号~
镁客网
数学，数学，重要的问题说三遍。这取决于你的数学技能。由于您未在问题详细信息中列出，我将提供详尽的清单。
如果您已经学习了所有这些课程，您可以阅读更多书籍或文章或研究论文，如IEEE，ACM，Springer等流行期刊和会议。
从那里你可以冒险进入许多领域，如经济学，股票交易，机器人，计算机视觉，医学成像，生物科学。AI和机器学习适用于各个领域。
PS：如果你已经完成了一些这样的课程，不要抱怨。正如我已经提到的那样，这是你可以称之为的解决方案列表或学习轨道。
人工智能安全机器人医
欢迎在点击右上角关注：「太平洋电脑网」，更多有趣资讯等着您哦。
也不是不行，但是应该怎么走，小编最近看的一篇报告应该能给题主一些方向。
我们来看看最近腾讯研究院最近发布的《2017全球人工智能人才白皮书：解读世界顶级AI牛人的秘密！》其中有关于顶级人工智能学者、顶级人工智能企业老板、顶级人工智能研究室的人员的一些数据统计。
顶级学者
腾讯研究院统计了在学术圈顶级的学术人士，（筛选的一个重要指标是，他们自2006年至今，在人工智能领域顶级会议上发表过30篇以上论文）统计学者的毕业学校，发现他们100%都拥有博士学位，同时98%的学者拥有CS或EE博士学位。
所以，如果题主有博士学位的话，应该问题不大。如果是计算机科学或者是电子工程学的那么自学人工智能学成的机会就更大了。
顶级人工智能企业家
顶级人工智能学者对学历要求有点高，我们去看看企业家的。
根据《2017全球人工智能人才白皮书：解读世界顶级AI牛人的秘密！》，本科及以上的占了98%。
我们再来看看这些顶级企业家的专业分布：
理工科类的多一点，其次是工商管理（工商管理毕业的小编骄傲脸）。
如果题主还是高中生，建议报专业的时候多参考。
不过也要注意一个问题，有一些创始人本身不是高人工智能的，不过恰逢时势转型搞人工智能的。他们很大部分本身就是一个成功的企业家。所以啊，要称为一个顶级的人工智能的企业家的难度不比称为顶级学者的难度大。
顶级实验室的负责人
看看顶级人工智能实验室的负责人的情况，腾讯研究院从全球十大科技巨头中，统计了21个实验室，总计50位负责人，超过90%的人拥有博士学历。
PS：资料来源腾讯研究院的《2017全球人工智能人才白皮书：解读世界顶级AI牛人的秘密！》
希望对题主有帮助。
太平洋电脑网
说实话，有难度。人工智能是一个专业性极强的领域，如果想要自学人工智能的话，需要先了解人工智能是什么。市场上，关于人工智能介绍的书籍越来越多，不管是纯技术型的，就是专门教人学代码的那些，还是科普型的，比如李开复的《人工智能》，这些大家挑选起来会很麻烦。在这里，我给大家推荐一本介于两者之间的书籍——吴军博士的《智能时代》，既科普又专业，可以让你轻松入门AI世界。
另外，吴军博士的另一本书《浪潮之巅》，也推荐大家阅读。
人工智能势必会成为不可阻挡的未来，哪怕成不了该领域的专业人士，对其有所了解，也不是坏事。
AI前沿观察
当然可行。当中国的孩子在苦练奥数时，这位美国高中生就已经通过自学，撼动了人工智能界。15岁的时候，他就已经训练出自己的第一个神经网络——科技巨头用来识别语音或人脸的一种系统。
“让计算机做到之前不可能实现的事，我喜欢这种感觉。”
两年前，伊隆·马斯克（Elon Musk）等人创立了OpenAI，至今，这家非营利性实验室已经发表了几十篇研究论文。但最近在线发表的一篇却与众不同：其第一作者还在读高中。
这位天才少年是高三学生凯文·弗兰斯（Kevin Frans），目前正在申请大学。两年前，他才15岁，就已经训练出自己的第一个神经网络——科技巨头用来识别语音或人脸的一种系统。
最早的时候，弗兰斯是因为看到人工智能（AI）征服电子游戏和围棋的报道，因而大受鼓舞，开始阅读这方面的论文，并开始了自己的尝试。“让计算机做到之前不可能实现的事，我喜欢这种感觉。”弗兰斯说着，很自然地笑了笑。他的作品包括一个互动网页，可以给黑白的日式漫画上色。
OpenAI列有一个难题清单，向外界征集新的思路。弗兰斯能进入该实验室，就是因为其中一题。他的尝试取得了一些进展，但随即陷入僵局，于是他给OpenAI研究员约翰·舒尔曼（John Schulman）发去一封邮件，向他寻求建议。在围绕“置信域策略优化”问题讨论了几个回合之后，舒尔曼翻看了弗兰斯的博客，结果大吃一惊：“从那些邮件中，我完全看不出这竟然只是个高中生。”
后来见到舒尔曼，是弗兰斯面试OpenAI实习生的时候。今年夏天，他来到OpenAI工作，成为了实习生中唯一没有学位、也非在读研究生的人。他的工作是解决机器人和其他AI系统面临的一个棘手问题——机器如何将已经学到的东西利用起来，去解决新的问题？
对人类而言，这是再简单不过的事。即便给你一道新的食谱，你也不用从头学习如何将洋葱炒至焦糖色，或是如何将面粉过筛。相比之下，机器学习软件每遇到一个新问题，几乎都要将冗长的训练过程重复一遍，哪怕一些元素是共通的。
弗兰斯、舒尔曼以及加州大学伯克利分校的另外三人共同撰写了这篇论文，对上述难题提出了新的解决方案。“这个问题要是得以解决，它将成为机器人学和其他AI领域的大事。”弗兰斯说。
他开发了一种算法，帮助虚拟的行走机器人学习一些基本动作，例如行走和爬行。在测试中，算法分别帮助两条腿和四条腿的虚拟机器人适应了新任务，包括迅速走出迷宫。在OpenAI发布的一则视频中，一台类似蚂蚁的机器人就接受了此类测试。该论文已提交给ICLR——机器学习领域的顶级大会。“弗兰斯的论文提供了一条新颖的解题思路，一些结果是之前从不曾有过的。”舒尔曼说。
计算机之外的高难度动作也是弗兰斯的研究对象——他是一名跆拳道黑带。另外，他对AI的热情也许与当地的氛围不无关系——他就读的甘恩高中位于加州帕洛阿尔托，处在硅谷腹地。弗兰斯说，父母并没有参与他的AI项目，但他并不是家里唯一的计算机天才。他的父亲在半导体上市公司Xilinx从事芯片设计工作。
你可能也猜到了，弗兰斯是个异类。研究机器视觉的普林斯顿大学教授奥尔加·拉萨科夫斯基（Olga Russakovsky）说，如此年轻就为机器学习领域的研究做出贡献，这样的孩子实属罕见。她还说，考虑到课外竞赛和课外辅导的传统，在校学生要专攻数学或科学很容易，但钻研机器学习和AI就比较难了。
而且，学生能接触到的计算能力是有限的，这有时也会构成障碍。当初，弗兰斯的台式机计算能力有限，无法对他的一个想法进行测试，于是，他拿出自己的借记卡，开立了一个谷歌云计算服务账号，用于运行自己的代码。他建议对机器学习感兴趣的学生可以亲自试一试。“最好的办法就是亲手尝试一下。”他说。
包括拉萨科夫斯基在内的一些AI研究人员发起了一项活动，试图让更多的高中生亲自动手，尝试AI系统。“AI将变革社会的方方面面，构建它的不应该是这样一个群体——一个代表不了全社会的同质化群体。”拉萨科夫斯基说。她参与创办了AI4ALL基金会，组织不同背景的高中生参与夏令营，让他们有机会与AI研究人员共事，从他们身上学习。
在帕洛阿尔托，弗兰斯也在考虑扶持下一代AI专家的事。他有一个七岁的弟弟。“我觉得，他对编程很感兴趣。”弗兰斯说，“等他长大一点，我也许能帮他。”
翻译：雁行
造就：剧院式的线下演讲平台，发现最有创造力的思想
造就
可以很肯定的说，是可行的，只是这个领域的门槛相对较高，想要入门甚至入职这个行业还是比较有难度的。
如果你擅长以下几个方面中的一个或几个，成功的机会会大很多，如果。
1.数学知识（统计学背景也行）:人工智能虽然不要求你数学多么厉害，但还是需要一些数学基础的（理解算法原理需要，其实程序员应用人工智能方面的技术有很多成熟的框架，不一定需要你深入理解底层原理），如果你本科期间是数学专业的，入门将会比较容易，当然不是数学专业也没关系，因为对数学的要求也不是很高，相关知识一般理工科的本科生都学过（线性代数、概率论、简单微积分）。
2.计算机基础:人工智能作为计算机相关的一个领域，有相关基础那是再好不过了，计算机专业的知识将很大程度上决定你能在人工智能领域走多远，当然没有基础也不是不可以，但你至少还是要学门程序语言，比如说Python或R语言。
3.英语能力:同上面两点一样，英语能力不是必须的，但具备相关能力将锦上添花。人工智能兴起于欧美，目前大多数学术研究和商业应用也在欧美，所以如果你英语很好，这对资料阅读将会非常有利。
4.惊人的毅力:这个不用多说。学习一门前沿技术不是三两天的事，主要还是看你能坚持多久，如果你完全零基础，要想入门人工智能（更具体点说应该是机器学习或者深度学习吧），保守估计得半年，如果你一边工作一边学习可能会更久，所以要做好心理准备不要半途而废。
以下是一些建议:
1.有条件的还是报个班全力学吧（如果是在校学生其实也可以自学，毕竟学生有充足的可支配时间而且数学没落下)
2.多在网上找资源，推荐吴恩达的机器学习课程和深度学习课程(国内MOOC平台网易云课堂上有他的课，国外的Coursera上也有，语言英语，免费)，适合入门，国内很多MOOC平台上有计算机专业的课程，学程序语言可以在上面找，中文授课英文授课的都有，完全免费。
3.台湾学校的一些课程也不错，比如说机器学习基石，机器学习技法，从数据中学习(这个系列也是适合入门的)。
4.多看看相关大牛的技术博客，多上一些代码托管平台，开源网站逛逛。
总而言之，没基础想学习入门完全是可以的，只是想要有所建树比较难，但是也要正式现实，想要零基础转行一定要慎重(风险太大，尤其是年龄偏大的)，如果你是在校生，那真的很鼓励你学一学，人工智能正开始兴起(如同零几年的互联网)，哪怕你最终没有掌握，了解一下也是可以的，毕竟这是将来的趋势。