如果讓程序員開發一個ai

㈠ 普通程序員如何向人工智慧方向轉型

當下，人工智慧已經成為越來越火的一個方向。普通程序員，如何轉向人工智慧方向，是知乎上的一個問題。

這個學習路線是這樣設計的：首先了解這個領域，建立起全面的視野，培養起充足的興趣，然後開始學習機器學習的基礎，這里選擇一門由淺入深的課程來學習，課程最好有足夠的實驗能夠進行實戰。基礎打下後，對機器學習已經有了充足的了解，可以用機器學習來解決一個實際的問題。

這時還是可以把機器學習方法當作一個黑盒子來處理的。實戰經驗積累以後，可以考慮繼續進行學習。這時候有兩個選擇，深度學習或者繼續機器學習。深度學習是目前最火熱的機器學習方向，其中一些方法已經跟傳統的機器學習不太一樣，因此可以單獨學習。除了深度學習以外，機器學習還包括統計學習，集成學習等實用方法。

如果條件足夠，可以同時學習兩者，一些規律對兩者是共通的。學習完後，你已經具備了較強的知識儲備，可以進入較難的實戰。這時候有兩個選擇，工業界的可以選擇看開源項目，以改代碼為目的來讀代碼;學術界的可以看特定領域的論文，為解決問題而想發論文。

無論哪者，都需要知識過硬，以及較強的編碼能力，因此很能考察和鍛煉水平。經過這個階段以後，可以說是踏入AI領域的門了。「師傅領進門，修行在個人」。之後的路就要自己走了。

下面是關於每個階段的具體介紹：

0.領域了解

在學習任何一門知識之前，首先第一步就是了解這個知識是什麼?它能做什麼事?它的價值在什麼地方?如果不理解這些的話，那麼學習本身就是一個沒有方向的舟，不知道駛向何處，也極易有沉船的風險。了解這些問題後，你才能培養出興趣，興趣是最好的引路人，學習的動力與持久力才能讓你應付接下來的若干個階段。關於機器學習是什麼，能做什麼，它與深度學習以及人工智慧的關系，可以看我寫的博客從機器學習談起。

1.知識准備

如果你離校過久，或者覺得基礎不牢，最好事先做一下准備復習工作。「工欲善其事，必先利其器」。以下的准備工作不多，但足以應付後面階段的學習。

數學：復習以下基本知識。線性代數：矩陣乘法;高數：求導;概率論：條件與後驗概率。其他的一些知識可以在後面的學習的過程中按需再補;

英文：常備一個在線英文詞典，例如愛詞霸，能夠不吃力的看一些英文的資料網頁;

FQ：可以隨時隨地上Google，這是一個很重要的工具。不是說網路查的不能看，而是很多情況下Google搜出來的資料比網路搜的幾十頁的資料還管用，尤其是在查英文關鍵字時。節省時間可是很重要的學習效率提升;

2.機器學習

機器學習的第一門課程首推Andrew Ng的機器學習。這門課程有以下特點：難度適中，同時有足夠的實戰例子，非常適合第一次學習的人。cs229這門課程我這里不推薦，為什麼，原因有以下：

時間：cs229的時間太早，一些知識已經跟不上當今的發展，目前最為火熱的神經網路一筆帶過。而Cousera上神經網路可是用了兩個課時去講的!而且非常詳細;教學：Ng在cs229時候的教學稍顯青澀，可能是面對網路教學的原因。有很多問題其實他都沒有講清楚，而且下面的人的提問其實也很煩躁，你往往不關心那些人的問題。這點在Coursera上就明顯得到了改善，你會發現Ng的教學水平大幅度改善了，他會對你循循善誘，推心置腹，由淺入深的教學，在碰到你不明白的單詞術語時也會叫你不要擔心，更重要的，推導與圖表不要太完善，非常細致清晰，這點真是強力推薦;字幕：cs229的字幕質量比Coursera上的差了一截。Coursera上中文字幕翻譯經過了多人把關，質量很有保證;作業：cs229沒有作業，雖然你可以做一些，但不會有人看。這點遠不如Coursera上每周有deadline的那種作業，而且每期作業提交上去都有打分。更重要的是，每期作業都有實際的例子，讓你手把手練習，而且能看到自己的成果，成就感滿滿!

3.實踐做項目

學習完了基礎課程，你對機器學習就有了初步了解。現在使用它們是沒有問題的，你可以把機器學習演算法當作黑盒子，放進去數據，就會有結果。在實戰中你更需要去關心如何獲取數據，以及怎麼調參等。如果有時間，自己動手做一個簡單的實踐項目是最好的。

這里需要選擇一個應用方向，是圖像(計算機視覺)，音頻(語音識別)，還是文本(自然語言處理)。這里推薦選擇圖像領域，這裡面的開源項目較多，入門也較簡單，可以使用OpenCV做開發，裡面已經實現好了神經網路，SVM等機器學習演算法。項目做好後，可以開源到到 Github 上面，然後不斷完善它。實戰項目做完後，你可以繼續進一步深入學習，這時候有兩個選擇，深度學習和繼續機器學習;

4.深度學習

深度學習：深度學習是目前最火熱的研究方向。有以下特點：知識更新快，較為零碎，沒有系統講解的書。因此學習的資源也相對零散，下面是一些資源介紹。其中不推薦的部分並不代表不好，而是在這個初學階段不合適：

推薦，UFLDL：非常好的DL基礎教程，也是Andrew Ng寫的。有很詳盡的推導，有翻譯，且翻譯質量很高;推薦，Deep learning (paper)：2015年Nature上的論文，由三位深度學習界的大牛所寫，讀完全篇論文，給人高屋建瓴，一覽眾山小的感覺，強烈推薦。如果只能讀一篇論文了解深度學習，我推薦此篇。這篇論文有同名的中文翻譯;推薦，Neural networks and deep learning：這本書的作者非常擅長以淺顯的語言表達深刻的道理，雖然沒有翻譯，但是閱讀並不困難;推薦，Recurrent Neural Networks：結合一個實際案例告訴你RNN是什麼，整篇教程學完以後，會讓你對RNN如何產生作用的有很清晰的認識，而這個效果，甚至是讀幾篇相關論文所沒有的;不推薦，Neural Networks for Machine Learning University of Toronto Coursera：深度學習創始人教的課，最大的問題是太難，而且老先生的吐字有時不是很標准;不推薦，Deep Learning (book)：同樣也是由深度學習大牛所寫的書，但感覺就像是第二作者，也就是他的學生所寫的。很多內容都講了，但是感覺也沒講出什麼內容來，只是告訴你來自那篇論文，這樣的話可能直接閱讀論文更合適。不推薦，cs231n：李菲菲的課程，很有名，專門講CNN。但是這門課程有一個最大的問題，就是沒有字幕，雖然有youtube的自動翻譯字幕，但有還不如沒有。

5.繼續機器學習

深度學習未必就是未來的一定主流，至少一些大牛是這么認為的。傳統的機器學習有如下特點，知識系統化，有相對經典的書。其中統計學習(代表SVM)與集成學習(代表adaboost)是在實踐中使用非常多的技術。下面是相關資源：

推薦，機器學習(周志華)：如果是在以前，機器學習方面的經典教材首推PRML，但現在周老師的書出來以後，就不再是這樣了。首先推薦讀周老師的書。這本書有一個特點，那就是再難的道理也能用淺顯精煉的語言表達出來。正如周老師的名言：「體現你水平的地方是把難的東西講容易了，而不是把容易的東西講難，想把一個東西講難實在太簡單」;

不推薦，Pattern Recognition And Machine Learning：當前階段不推薦。PRML是以貝葉斯的觀點看待很多機器學習方法，這也是它的一大特色。但對於初學者來說，這種觀點其實並無必要。而且此書沒有中文翻譯，當前階段硬啃很容易放棄;

6.開源項目

當知識儲備較為充足時，學習可以再次轉入實踐階段。這時候的實踐仍然可以分兩步走，學習經典的開源項目或者發表高質量的論文。開源項目的學習應該以盡量以優化為目的，單純為讀代碼而學習效果往往不太好。好的開源項目都可以在Github 里搜索。這里以深度學習為例。深度學習的開源優秀庫有很多，例如torch，theano等等，這里列舉其中的兩個：

推薦，DeepLearnToolbox：較早的一個深度學習庫，用matlab語言撰寫，較為適合從剛學習的課程轉入學習。遺憾的是作者不再維護它了;

推薦，tensorflow：Google的開源庫，時至今日，已經有40000多個star，非常驚人，支持移動設備;

7.會議論文

較好的課程都會推薦你一些論文。一些著名的技術與方法往往誕生於一些重要的會議。因此，看往年的會議論文是深入學習的方法。在這時，一些論文中的內容會驅使你學習數學中你不擅長的部分。有時候你會覺得數學知識儲備不夠，因此往往需要學習一些輔助課程。

當你看完足夠的論文以後，在這個階段，如果是在校學生，可以選擇某個課題，以發論文為目的來學習研究。一般來說，論文是工作的產物。有時候一篇基於實驗的論文往往需要你寫代碼或者基於開源項目。因此開源項目的學習與會議論文的工作兩者之間是有相關的。

兩者可以同時進行學習。關於在哪裡看論文，可以看一下CCF推薦排名，了解一下這個領域里有哪些優秀的會議。

下面介紹兩個圖像與機器學習領域的著名頂級會議：

CVPR：與另兩個會議ICCV和ECCV合稱計算機視覺領域的三大會，注意會議每年的主頁是變動的，因此搜索需要加上年份;Conference on Neural Information Processing Systems：簡稱NIPS，許多重要的工作發表在這上面，例如關於CNN的一篇重要論文就是發表在上面;

8.自由學習

到這里了，可以說是進入這個門了。下面可以依據興趣來自由學習。前階段不推薦的學習資源也可隨意學習，下面是點評：

cs229：Ng寫的講義很不錯，其中關於SVM的推導部分很清晰，想學習SVM推薦;Neural Networks for Machine Learning：大牛的視角跟人就是不一樣，看看Hinton對神經網路是怎麼看的，往往會讓你有種原來如此的感悟。其實看這門課程也等同於讀論文，因為幾乎每節課的參考資料里都有論文要你讀;CS231n: Convolutional Neural Networks for Visual Recognition：最新的知識，還有詳細的作業。國內應該有團隊對字幕進行了翻譯，可以找找;PRML：作為一門經典的機器學習書籍，是很有閱讀必要的，會讓你對機器學習擁有一個其他的觀察視角;

五.總結

本文的目的是幫助對AI領域了解不深，但又想進入的同學踏入這個門。這里只說踏入，是因為這個領域的專精實在非常困難，需要數年的積累與努力。在進行領域學習前，充分認識自己的特點，制定合適的學習方法是十分重要的。

首先得對這個領域進行充分了解，培養興趣。在學習時，保持著循序漸進的學習方針，不要猛進的學習過難資源;結合著學習與實踐相輔的策略，不要只讀只看，實際動手才有成就感。學習某個資源時要有充分的目的，不是為了學開源項目而看代碼，而是為了寫開源項目而看;不是為了發論文而寫論文，而是為了做事情而寫論文。

本文來自公眾號：「大技術技術匯」，guanzhu了解大數據行業學習大數據技術和學習路線，還有免費學習資料放送。

如果一個學習資源對你過難，並不代表一定是你的問題，可能是學習資源的演講或撰寫人的問題。能把難的問題講簡單的人才是真正有水平的人。所以，一定要學習優質資源，而不是不分青紅皂白的學習。最後，牢記以興趣來學習。學習的時間很長，過程也很艱難，而只有興趣才是讓你持之以恆，攻克難關的最佳助力。

㈡ 作為一名程序員，應該如何看待AI

程序員以及其他類型的IT工作無疑是當前最熱門的工作。然而，這種趨勢可能不會一直持續下去。人工智慧的發展可能會打破這一格局。
美國橡樹嶺國家實驗室的一些專家預測，到2040年，AI技術將會強大到足以替代程序員，AI編寫軟體將比人類程序員更好、更快。換句話說，軟體編寫的軟體比人類編寫的更好。
但不會完全替代。在不久的將來，AI和人類程序員將在編程中扮演互補的角色。AI的工作可能是處理重復性的、耗時的任務，這些任務需要機器優異的精確性。機器可以避免由於人為因素而產生的語法錯誤或設計錯誤。例如，AI可以提供幫助的一種方式是自動完成功能，程序員只編寫一小部分代碼，然後AI識別程序員的意圖，並完成剩下的代碼，從而為人類節省大量的工作。
希望可以幫到你，謝謝！

㈢ 谷歌，亞馬遜等巨頭們如何做AI

首先上場的選手是谷歌，谷歌作為互聯網老牌企業，在技術上有著自己的理解。谷歌這名選手在AI技術上主要側重於無人駕駛領域和AlphaGo。
在無人駕駛方面，早在幾年前，谷歌的無人駕駛汽車就已經進行了上路測試。在2017年5月發生在浙江烏鎮轟動科技圈的AlphaGo人機圍棋大戰，更是體現了強大的AI技術積累。
第二個出場的選手是亞馬遜，亞馬遜做為全球最大電商企業，這名選手在AI應用方面有很強的技術積累，
在2014年就推出了Echo智能音響後，銷量破千萬，而Echo特點是場景應用，它可以應用於電視、冰箱、點燈、空調、熱水器等日常智能設備，並且可以幫你上網購物，每天叫你起床，是不是特別的科幻。亞馬遜同樣關注無人駕駛技術。建立了全套的AI生態體系。實力也是很強大。
第三位出場的選手是華為，作為中國智能手機的代表廠家，這名選手在AI技術上有著強大技術儲備，華為的AI技術主要關注以下幾個方面。
關注個人，希望通過萬物互聯，通過智能頭盔幫助盲人行動更自如；智能語音的翻譯讓每個人不再受到語言的困擾；基於AI的拍照技術，讓不會玩專業相機的人也能達到專業級的拍攝水平。關注於家庭，讓一切服務到家，例如各種護理機器人、教育機器人、老人看護機器人等；利用寬頻和AR/VR技術實現全息溝通，做到人在哪裡，家就在哪裡。關注於組織，讓企業能夠實現規模個性化定製，讓政府實現智慧管理，讓城市更安全等。
第四個出場的選手是網路，網路作為中國最早從事信息搜索的企業，這名選手在AI技術上也有很強的實力。網路的AI業務主要涉及四個領域，
網路AI視覺能力包括了人臉識別、圖像識別、以圖搜圖、對圖片和視頻進行多維度審核、人體分析服務。機器人視覺解決方案，在北京漢光百貨蘭蔻專櫃擔任一日導購的「小度機器人」就是該技術的具體應用。對話交互產品-UNIT，可以在你開車時，對著手機講出你要去的目的地，手機便會打開網路地圖進行導航，輕松為你規劃路線，並提供實時路況。網路深度學習平台Paddlepaddle,可以讓程序員更容易的進行AI上層應用設計。網路這名選手的AI實力在國內也是很強大的存在。
第五位出場的選手是寒武紀，作為一家科技研發公司，在AI領域有很強的技術實力。這名選手主要在以下兩個方面有很深造詣。
智能處理器研發，推出了三款處理器，分別是寒武紀1H16處理器、寒武紀1H8處理器、寒武紀1M處理器。在AI軟體平台方面，寒武紀最新推出了軟體平台Cambricon NeuWare，這個平台分為軟體開發、性能調優、功能調試三個工具包。可見寒武紀在AI上還是有真功夫的，其他對手不能掉以輕心。
第六個出場的選手是微軟，作為一家大型的互聯網公司，這名選手的AI應用策略更加務實，
是在搜索結果上更加註重個性化需求，觀點引擎的應用，讓用戶的搜索更加准確。微軟在自身產品上加入AI技術，讓office、windows系統更加智能化。微軟在人機交互領域也有很深的研究，比如小冰和小娜機器人，讓機器人更加多才多藝。
第七個出場的選手是蘋果，作為手機企業，這名選手在AI技術上也是十分重視，主要集中在三個方面，
他的拍照應用圖像識別，Apple music聽歌推薦，IPhone電池續航都體現著AI技術的強大應用。
第八位出場的選手是阿里巴巴，作為中國最大的電商企業，這名選手在AI技術上側重於電商信息的檢測，
用AI技術可以很輕松的對商戶的商品圖片進行識別，哪些事不符合規定的圖片很容易找出來。阿里在搜索上也使用AI技術，讓用戶商品的搜索更加准確，切近用戶需求。
第九個出場的選手是京東，筆者為什麼要將京東放在這里？是因為最近京東發布了AI開放平台NeuHub，暫且讓他一戰。京東AI戰略主要集中於三個體系，
AI 開放平台，AI 基礎研究，AI 商業創新。
京東計劃將AI應用於金融科技、智慧物流、智能消費、智能供應、對外賦能，對應的七大應用方向是電商、物流、金融、零售、時尚、公共事務、智能硬體。看來京東在AI領域還是想有很大作為的。

㈣ 程序員，對AI很感興趣，不知道該怎麼入手

先從網上的基礎視頻教學開始學起
基礎視頻比較容易上手
有了基礎之後再看文字教程就能看懂了
如果是直接上文字的話，因為裡面有很多的專業術語所以對於初學者來說會看不懂。

㈤ ai必要的技術基礎是什麼

I開發專業人員必須掌握數學中的概率知識，這也是機器學習的基礎所在。傳統軟體開發人員經常使用在線庫，這意味著他們不需要親自進行數學計算。但AI開發人員則需要有能力編寫並理解復雜的演算法，以便不斷從數據當中找出洞察見解與基本模式。——Blair Thomas，eMerchantBroker

2. 首先要建立堅實的知識基礎

在開始接觸AI之前，大家首先應當建立起堅實的知識基礎。其中最重要的，自然是掌握編程基礎知識（python是機器學習場景下的最佳編程語言之一）以及數學（包括線性代數、統計學與微積分），同時磨練自己的抽象思維能力。雖然大家不需要專業的學位來掌握AI與ML，但無限的激情絕對是一項必要前提。）Rahul Varshneya，ResumeSeed

3. 熟練掌握Python

AI技術正在快速發展，那些能夠洞悉AI奧秘的人們將在人才競爭中領先於對手。Python是這一領域中的首選編程語言，它易於理解及編寫，提供大量庫選項並具備龐大的用戶社區。另外，Python還支持TensorFlow、PyTorch以及Keras等高人氣機器學習與深度學習實現框架。——Susan ERebner，Cyleron

4. 在互聯網上搜索免費資源與在線課程

如果大家有意了解更多與AI技術相關的信息，請先從最簡單的切入點著手：谷歌搜索。這里有大量免費資源、文章以及在線課程，幫助各位快速對接正持續發展的AI開發世界。這些免費資源為新晉程序員們提供了一種簡單且風險極低的AI參與方式，您可以先通過體驗判斷自己是否真的打算投身於其中。——David Chen, Sharebert

5. 掌握強大的抽象思維能力

抽象思維或者說深層推理能力，是指機器理解事物之間隱含關系的能力。這種能力要比單純的學習邏輯、統計學或者數學議程更加「模糊」。但只有掌握了關系推理，大家才能在明確與直接的規則之外，更好地理解AI開發中的細微差別與復雜性元素。——Shu Saito，Godai

6. 利用AI演算法嘗試構建簡單成果

邁向AI學習的成功關鍵之一，在於首先建立起對AI系統工作原理的明確理解與強烈直覺。培養這種直覺的一種有效方式，就是先從簡單的項目入手。例如，您可以選擇一個自己感興趣的項目並為其挑選合適的簡單AI演算法，而後從零開始構建這一演算法。雖然可能存在著陡峭的學習曲線，但您將在這一過程中學到很多，並逐步獲得長期收益。——Sean Hinton，SkyHive

7. 了解人類洞察力如何與計算機編程相對接

為了成長為更強大的AI開發者，大家必須在統計學與數據科學方面建立起堅實的基礎。為了編寫出有效的AI語言表達，大家必須了解基本數學原理並有能力解釋現有數據中的含義。您需要將計算機編程與人類洞察力對接起來，才能在AI開發當中取得成功。Jared Weitz，United Capital Source

8. 學習如何收集正確的數據

AI非常適合一次性處理大量數據。因此在考慮創建AI軟體時，大家應當首先解決數據點方面的問題（例如選定客戶服務及營銷系統作為數據來源），而後以此為基礎建立一款能夠快速完成繁重數據處理任務的軟體。——Syed Balkhi，WPBeginner

9. 加入在線社區

Kaggle是一個專門面向數據科學家與機器學習人士的在線社區。該平台允許用戶查找並發布數據集，在基於Web的數據科學環境當中構建模型，並與其他機器學習工程師順暢溝通等等。大家可以藉此機會從其他從業者身上學習經驗，甚至可以參加比賽以提高自己的技術水平。——Stephanie Wells，Formidable Forms

10. 熟悉不同的AI類型

人工智慧當中包含一系列不同領域，大家應當全面研究，免得在投入大量時間與精力之後才發現不適合自己。對不同AI類型進行探索，一步步穩扎穩打地學習，同時避免因學習內容過多而產生倦怠情緒

㈥ 程序員做AI真的用心了嗎

其實生活就是奮斗和收獲,人生是短暫的,人生是應該有合適的目標,人總是要有點精神的,無論做什麼總是要有所作為的.生活應該豐富多彩.應該是:不斷的求索,不斷的追求,不斷的奮斗,盡管前進的路上有汗水,可能還有眼淚,但一定會在成功中獲得快樂和享受.時間會使你成熟.自信對一個人是重要的,適當的正確的選擇是需要的,對過程的承受力是必要的.自我心理調整必須是經常性的,對成功的爭取是需要不懈努力的.

㈦ 電子商務轉行人工智慧需要什麼技術

這是一個綜合學科。而其本身又分為多個方面如神經網路、機器識別、機器視覺、機器人等。不過，一個人想自學所有人工智慧方面並不是很容易的一件事。

大多機器人模擬都用的混合編程模式，也就是運用多種編程軟體及語言組合使用。之所以這樣是為了彌補語言間的不足。Python是人工智慧的首選語言，而C++在硬體介面及windos銜接方面比較突出，MATLAB在數學模型計算方面比較突出。

如果是對AI進行定製化的開發，那麼首先就要對人工智慧有一個系統性的了解，包括人工智慧的歷史、基本原理、機器學習、深度學習、神經網路等基礎知識。目前階段人工智慧的發展主要是因為過去十年在深度學習技術上的突破，而要進行比較深度的二次開發，就必須掌握一些主流的深度學習框架，包括TensorFlow/Caffe/MXNet/Keras/Torch等等，其中谷歌發布的TensorFlow是目前最流行的AI開源框架。除此以外，這些框架大多都支持Python和C++語言，如果沒有太多的C++經驗的話可以從頭開始學習Python，它相對C++而言更容易上手，對於深度學習框架來說也比較友好。

最後，如果想在AI演算法上有所建樹的話，對應的目標應該是成為一個AI科學家，而人工智慧目前在理論研究方面基本上被西方的科學家所壟斷。要達到這個目標，首先要從基礎學科入手；事實上，基礎學科才是各種「黑科技」的基石。AI也不例外，要想成為AI科學家必須具有扎實的數學和統計學基礎，然後才能結合計算機科學研究演算法。

㈧ 如何用python做一個簡單的象棋AI

首先：Python語言在學術上非常受歡迎，不是計算機專業的人，很多都在學習Python。因為這個語言的前景是不可限量的，而且他的語法非常的簡單易懂，這就讓很多一些提及編程就恐慌的人減去了擔心，現在已經是一人應該掌握一門編程語言的時代，很多不是程序員的人們，利用自己寫的簡單的小程序，讓自己生活變得精彩起來，不管是因為興趣，還是其他，生活好像變得美好起來，有了一些追求。
發展前景一：Linux運維
Linux運維是必須而且一定要掌握Python語言，Python是一門非常NB的編程語言，它可以滿足Linux運維工程師的工作需求提升效率，總而提升自己的能力，運維工程師需要自己獨立開發一個完整的自動化系統時，這個時候才是真正價值的體現，才能證明自身的能力，讓老闆重視。
發展前景二：Python Web網站工程師
我們都知道Web一直都是不可忽視的存在，我們離不開網路，離不開Web，利用Python的框架可以做網站，而且都是一些精美的前端界面，還有我們需要掌握一些數據的應用。
發展前景三：Python自動化測試
大家都知道，就是Python語言對測試的幫助是非常大的，自動化測試中Python語言的用途很廣，可以說Python太強大，掌握和熟悉自動化的流程，方法和我們總使用的各個模板，到現在為止，我了解的Python使用最多的應該是自動化測試。
發展前景四：數據分析
我們都知道現在來臨了大數據的時代，數據可以說明一切問題的原因，現在很多做數據分析的不是原來那麼簡單，Python語言成為了做數據分析師的第一首選，它同時可以給工作帶來很大的效率。
發展前景五：人工智慧
我們都知道谷歌製作出了的機器人戰勝了一個圍棋大師，這個就是目前剛出頭的人工智慧，當然我們的人工智慧時代還沒有到來，如果這天來了，生活和世界將會發生翻天覆地的變化，而且現在發展這么快，人工智慧的時代不會太遠。
以上就是目前比較好的幾個Python的發展規劃和前景，Python沒有非常強勢的問題，但是它簡單的語言結構應用非常廣泛，總的來說學習Python是不錯的選擇。

㈨ 普通Web 開發程序員想轉行做 AI，有必要考研嗎

考研應該是最快的入門AI的途徑：

1. Web程序開發，僅僅是一種技能，不涉及到數學、信息等學科的基礎知識；人工智慧涉及了大量的數學、信息學的知識，如果沒有一個系統的學習，很難入門；

2. 現在最前沿的AI，肯定是在頂級期刊中發表出來的，如果沒有系統的科研訓練，很難掌握這些最新動態。

我覺得是有必要考研的

㈩ 讓ai取代程序員寫app，什麼時候可以實現程序員和柯潔下圍棋幾乎是輸定了。

大概是一年前看到的新聞了，已經小部分實現了AI自動編寫代碼的演算法了。因為編程干久了你會發現，很多時候都是在寫重復的代碼，要不然為什麼說編程最強大的武器是CtrlC+ctrlV呢。
之前已經實現了根據這些已經實現的功能的描述，讓計算機自動編寫這些重復的代碼，這說明計算機已經可以完全代替程序員的職位了，並且未來的預想是，讓AI能夠完成軟體設計師架構師等的工作，我覺得這個事情的實現不會太遠了，幾年之內吧。