1、
學習AI需要：
多薰陶（多看書多看論文多聽課，對基礎要求相對高，對整體的把握和對數學邏輯模型的構建、調參能力，不像IT的一板一眼式）
多實踐（數據處理，跑算法，得結果，調試，因爲算法不是固定可行的，需要檢驗）
多知識面（每一個點都很深，又相互關聯，並且包含很多學科交叉）
多思考應用（落地於現實是AI的任務，針對於應用的創新就是AI研究的發展進步之路）
2、
AI是很複利的，一個領域的方向構建出來了一個模型，複用性非常高，一勞永逸的事情，所以工資也高
而程序員，一般大公司常用平臺網站功能的程序員工資才非常高，貴在用戶，用戶量龐大自然業務也難做了.維護和提升，更完善後用戶更多，然後技術也更強。但很多程序員後臺都是cv寫出來的，沒有競爭力，勉強撐住門面，維持的了生活
3、
考慮成本問題，if-else比強化學習好多了，還能控制限制機器人，防止AI統治人類
4、
AI的發展路線（市場）
一是機器學習算法工具替代傳統算法、賦能傳統行業、自動化，比如金融、醫療、工業自動化，替代CG傳統圖像算法
二是計算機視覺，人臉檢測識別，情緒識別，世界識別，物體檢測，無人駕駛，視覺感知，信號處理，機器人嵌入式、芯片，一般要會C
三是NLP，NLU語義理解機器人，搜索、翻譯、推理分析，智慧coding，智慧家居，智慧**，LOT相關，近年來發展的重點
四是強化學習，真正走向強人工智能的方向，不過研究艱難、落地艱難，比如deepmind
五是推薦、搜索、廣告算法研究，用算法獲取toC數據的價值，一般用於商業，比如阿里系頭條系
其他的比如風控 、內容監測、遷移學習、風格化、OCR、AIOps等量級小的方向
還有關於計算、大數據、AI基礎架構
還有相關的ROS、SLAM等AI相關但不是AI方向
5、
AI什麼的都是假的，只有基礎設施是最重要的，AI也是爲基礎設施服務，機器人也是機械中，纔有AI，ROS傳統算法纔是主流，AI只是賦能
科技什麼的都不是剛需，剛需是衣食住行醫，所以別一心追求高大上，開個小攤賣早餐、開個小診所纔是最穩定的生活
也不對，比如一些芯片等，AI還是核心架構，周邊設備和數據爲它服務，沒有AI的一些產品只是垃圾（應該統稱爲算法）
科技也有用，資本主義和科技相輔相成，如果日日民生喫喝睡，遲早被別人侵略，種族間國家間或地球外星人間。並且怎麼都不可能穩定的下來，風險和變數一點不比科技少，比如政策、環境變化、市場競爭、科技取代等，世界上唯一不變的就是改變
6、
技術只是一個零件而已，就像每個職員只是公司的一個零件
如果技術做的出神入化了當然厲害，追求極致的深度，但這個比例不足一成，大部分人都是普通人、可被替代的
技術本身對整個市場和未來是沒啥大的影響的，即便你發明了一個新的研究方法，也只是在細分領域更深入了而已，提供一個更好的解決問題的方法
當然，不排除用技術做一個專業方向的領頭羊、支撐企業的核心競爭力
主要還在於應用，怎麼應用，影響深遠
世上不需要無用的技術和創新，所以說做產品比做技術更有用，企業創造比學校論文更具價值（很多時候技術深度夠用，只缺落實，客戶需求什麼就做什麼，搶佔市場，通過對客戶需求的分析，提出解決方案，以這些解決方案又反過來引導技術開發方向，提升產品質量）
不賺錢的技術、創新都是耍流氓，自娛自樂
世上不需要無用的技術和創新
7、
跳槽的優劣
好
對自身過去工作經驗和學習的新能力的檢驗，
避免沉寂的心和職業定位固化，
加薪（不跳確實很難加），
新環境激發工作熱情，
新業務新知識避免職業發展.專業提升陷入瓶頸，
多見識行業.社會，
創業.家庭.生活等其他事情
壞
不穩定，
好高騖遠，
不太忠誠
還是要對公司懷有感恩之心，不要輕易跳槽
8、
唯有真正落地應用於生產生活中，學術研究才能變得有意義，才能真正改變我們的日常生活
這也是AI時代實幹-落地爲王的趨勢
9、
當人類與運算能力超過人腦的機器競爭時，本科或研究生博士都不再是工作的保障
AI的運算能力、記憶能力、做實驗能力、執行力、成本等都比人強多了
10、
做數據分析、AI的真的很需要一個行業方向或專業方向的人才配合，很重要，他們更能理解業務、理解行業的門道、各個指標、解決問題的路線，我們配合他們完成任務，或者他們輔助我們完成工作需求
11、
數據分析真是很重要
它引導了錯誤實驗正確的方向
它使資源更有效率的調配
它可以分析預測出各種物理運動或人的行爲，還能洞察每個人、事物的特徵
它可以用來做更好的運維，還有定向提升產品的能力
12、
論文都是需要應用的，不然就是一堆廢紙
編程工具都是服務於項目、業務的，不要沉迷於java技術（或其他各種代碼）不可自拔，沒用
要多理解業務，多看世界上有什麼需求，以及如何解決，這比埋頭技術有用的多
13、