1、
学习AI需要：
多薰陶（多看书多看论文多听课，对基础要求相对高，对整体的把握和对数学逻辑模型的构建、调参能力，不像IT的一板一眼式）
多实践（数据处理，跑算法，得结果，调试，因为算法不是固定可行的，需要检验）
多知识面（每一个点都很深，又相互关联，并且包含很多学科交叉）
多思考应用（落地于现实是AI的任务，针对于应用的创新就是AI研究的发展进步之路）
2、
AI是很复利的，一个领域的方向构建出来了一个模型，复用性非常高，一劳永逸的事情，所以工资也高
而程序员，一般大公司常用平台网站功能的程序员工资才非常高，贵在用户，用户量庞大自然业务也难做了.维护和提升，更完善后用户更多，然后技术也更强。但很多程序员后台都是cv写出来的，没有竞争力，勉强撑住门面，维持的了生活
3、
考虑成本问题，if-else比强化学习好多了，还能控制限制机器人，防止AI统治人类
4、
AI的发展路线（市场）
一是机器学习算法工具替代传统算法、赋能传统行业、自动化，比如金融、医疗、工业自动化，替代CG传统图像算法
二是计算机视觉，人脸检测识别，情绪识别，世界识别，物体检测，无人驾驶，视觉感知，信号处理，机器人嵌入式、芯片，一般要会C
三是NLP，NLU语义理解机器人，搜索、翻译、推理分析，智慧coding，智慧家居，智慧**，LOT相关，近年来发展的重点
四是强化学习，真正走向强人工智能的方向，不过研究艰难、落地艰难，比如deepmind
五是推荐、搜索、广告算法研究，用算法获取toC数据的价值，一般用于商业，比如阿里系头条系
其他的比如风控 、内容监测、迁移学习、风格化、OCR、AIOps等量级小的方向
还有关于计算、大数据、AI基础架构
还有相关的ROS、SLAM等AI相关但不是AI方向
5、
AI什么的都是假的，只有基础设施是最重要的，AI也是为基础设施服务，机器人也是机械中，才有AI，ROS传统算法才是主流，AI只是赋能
科技什么的都不是刚需，刚需是衣食住行医，所以别一心追求高大上，开个小摊卖早餐、开个小诊所才是最稳定的生活
也不对，比如一些芯片等，AI还是核心架构，周边设备和数据为它服务，没有AI的一些产品只是垃圾（应该统称为算法）
科技也有用，资本主义和科技相辅相成，如果日日民生吃喝睡，迟早被别人侵略，种族间国家间或地球外星人间。并且怎么都不可能稳定的下来，风险和变数一点不比科技少，比如政策、环境变化、市场竞争、科技取代等，世界上唯一不变的就是改变
6、
技术只是一个零件而已，就像每个职员只是公司的一个零件
如果技术做的出神入化了当然厉害，追求极致的深度，但这个比例不足一成，大部分人都是普通人、可被替代的
技术本身对整个市场和未来是没啥大的影响的，即便你发明了一个新的研究方法，也只是在细分领域更深入了而已，提供一个更好的解决问题的方法
当然，不排除用技术做一个专业方向的领头羊、支撑企业的核心竞争力
主要还在于应用，怎么应用，影响深远
世上不需要无用的技术和创新，所以说做产品比做技术更有用，企业创造比学校论文更具价值（很多时候技术深度够用，只缺落实，客户需求什么就做什么，抢占市场，通过对客户需求的分析，提出解决方案，以这些解决方案又反过来引导技术开发方向，提升产品质量）
不赚钱的技术、创新都是耍流氓，自娱自乐
世上不需要无用的技术和创新
7、
跳槽的优劣
好
对自身过去工作经验和学习的新能力的检验，
避免沉寂的心和职业定位固化，
加薪（不跳确实很难加），
新环境激发工作热情，
新业务新知识避免职业发展.专业提升陷入瓶颈，
多见识行业.社会，
创业.家庭.生活等其他事情
坏
不稳定，
好高骛远，
不太忠诚
还是要对公司怀有感恩之心，不要轻易跳槽
8、
唯有真正落地应用于生产生活中，学术研究才能变得有意义，才能真正改变我们的日常生活
这也是AI时代实干-落地为王的趋势
9、
当人类与运算能力超过人脑的机器竞争时，本科或研究生博士都不再是工作的保障
AI的运算能力、记忆能力、做实验能力、执行力、成本等都比人强多了
10、
做数据分析、AI的真的很需要一个行业方向或专业方向的人才配合，很重要，他们更能理解业务、理解行业的门道、各个指标、解决问题的路线，我们配合他们完成任务，或者他们辅助我们完成工作需求
11、
数据分析真是很重要
它引导了错误实验正确的方向
它使资源更有效率的调配
它可以分析预测出各种物理运动或人的行为，还能洞察每个人、事物的特征
它可以用来做更好的运维，还有定向提升产品的能力
12、
论文都是需要应用的，不然就是一堆废纸
编程工具都是服务于项目、业务的，不要沉迷于java技术（或其他各种代码）不可自拔，没用
要多理解业务，多看世界上有什么需求，以及如何解决，这比埋头技术有用的多
13、