全文共3806字，预计学习时长9分钟
近日，教育部印发了《教育部关于公布2018年度普通高等学校本科专业备案和审批结果的通知》，经申报、公示、审核等程序，根据普通高等学校专业设置与教学指导委员会评议结果，并征求有关部门意见，确定新增审批专业名单，全国共有35所高校获首批“人工智能专业”建设资格。
“高大全”的人工智能专业
在这里给大家推荐一个python系统学习q群：250933691有免费开发工具以及初学资料，（数据分析，爬虫，人工智能,机器学习，神经网络）每天有老师给大家免费授课，欢迎一起交流学习。
2018年人工智能领域呈“井喷”式发展。AI技术必将引领新一轮的“科技和产业革命”。在这之前，教育界的变革必然首当其冲。
AI教育走进高校，这简直是我离人工智障……
哦，不对！人工智能最近的一次。
以前我的梦想是嫁给年薪百万的程序猿小哥哥
没想到母胎单身到年老色衰
暴富还得靠寄几呀！
于是我立下flag
本仙女要抓住时代机遇，走上人生巅峰！
在“人工智能”的春天，向“一个亿”进发！
俗话说：
文能提笔安天下，学AI 能对抗宇宙爆炸
于是我坚定地打开了“西安交通大学”的官网
本想“弱鸡先飞”，了解了解课程
结果！！！
这是西交大人工智能本科专业的课程群，什么叫群？
“群”就是AI知识“全家桶”，他的真身是这样的：
看完之后，大脑一阵抽搐。
数理统计？神经科学？机器人……学？
人工智能时代，我这样的技术废柴真的可以吗？
人工智能专业获批，相关高校必将紧锣密鼓地进行课程体系建设。西安交通大学于1986年已经成立了人工智能与机器人研究所，其专业建设和人才培养体系已相当完备，为其他院校提供了良好参照。
课程建设应基于目前国内AI技术及产业现状，通过用人单位对AI人才的培养要求进行衡量。浙江大学副教授、浙江大学计算机学院人工智能系系主任杨洋创造性地提出，人工智能专业应遵循“专、通、交”为一体的课程模式。即：“核心课程中既要有‘专业化’课程（掌握系统而牢固人工智能专业知识）、也要有‘通识’课程（拓宽人工智能的知识面）以及体现若干专业学科知识汇聚的‘交叉’课程”（具备人工智能+X的知识能力）”。
人工智能是一项应用技术，一定要避免“理论”与“实践”之间的“谷仓”。“人工智能+X”的应用模式将是未来人工智能专业教学的实践方向。如：AI+交通、AI+医疗、AI+游戏等。这一部分课程规划，也将促进企业与学校之间的产学合作。企业为学校提供丰富的应用场景数据、平台开发技术、实训机会等；学校为企业培养具有广泛适应能力和可持续竞争力的新型人才。
AI人才不是“程序猿”，也不是“工程狮”
要想成为高薪“香饽饽”，AI人才需要掌握哪些技能呢？
2017--2018人工智能产业人才发展报告| 图片来源：即沃数据报告
我国目前仍处于数据智能阶段，对 “数据分析与处理”、模型训练与计算是核心，对R语言、Python、java等编程语言的掌握是基础。因此既要掌握数学与统计知识如概率论、微积分等；同时也要精通计算机知识如程序设计、算法分析和系统等。
就人工智能产业布局来看，我国人工智能技术与产业目前主要集中在芯片、工具和计算机视觉等方面。自然语言处理、计算机视觉和机器学习应用是国内外最炙手可热的产业发展方向。因此需要加大对自然语言处理（NLP）、机器学习等任务的进一步关注。企业更需要适用于产业方向的技术人才。
创新工场人工智能工程院执行院长王咏刚认为：中国缺少创新顶尖AI人才，另一方面是缺少复合型人才如商业人才等。成功的AI人才至少要具备三种素质：除基本的计算机和数学技术外，还需“具备对顶级技术的追踪能力”；第三是必须要有对算法在应用场景的需求意识。
因此虽然AI行业人才争夺薪资喜人，但是依然面临着人才短缺的窘境。AI所需“高精尖”人才不是由数据和技术搭建起来的，而是由对“人工”、“智能”和“伦理”问题的深入认识构建而成的。
“人工智能”的版本迭代
相较于传统计算机教学中的“人工智能”，人工智能2.0更加贴近自身概念。
“人工”需精确的数据处理及计算能力
机器学习得以实现的基础在于数据。训练模型需要大量标准有效数据。这就要求对数据进行精细的清洗、采样和拆分，以获取高数量和高质量的标注数据。
因此，在以前的技术基础上，机器学习对“概率论、统计学、逼近论、凸分析、算法复杂度”等数据分析和算法要求更为严格。作为人工智能实现的前“人工”阶段，就需要大量的图像采集、数据标注。这样有利于形成有效的数据样本，构建有效的数据模型，根据计算训练不断调优。
针对机器学习所面临的分类、回归及聚类的问题，有不同的核心算法和模型。例如监督学习中的分类算法，就需要掌握决策树、贝叶斯、SVM、逻辑回归等算法。给定任务的不同，应用技术也就有所区分。
由此可见，传统数据处理技术和串行计算技术难以满足目前“高精细”大数据处理的需求。“机器学习”阶段对数据分析和计算的要求更高。围绕数据处理阶段，也产生了诸如“数据标注员”等新兴行业。
“智能”得益于认知神经科学的协同
随着2018图灵奖在“深度学习”领域内的落地，“深度学习”及其相关算法已经成为驱动人工智能落地的中坚力量。
近年来，深度学习的算法不断优化调整，从神经网络（NN）到深度神经网络（DNN）、卷积神经网络（CNN）、递归神经网络（RNN）等等。多种算法的实现不断推进计算机视觉、语音识别、自然语言处理等领域的高速发展。
掌握算法是必要的，但还远远不够。
“深度学习”的概念由GeoffreyHinton等人提出。其出发点是为了模仿和创造一个“类人脑”的复杂机器装置。即试图使机器模仿大脑神经元之间的依赖和信息传递方式。对人类基于神经系统的认知活动以及大脑的破译，才是实现“智能”的关键点。
虽然大脑和计算机都能存储和处理信息，但大脑的认识活动具有任意复杂性。大脑本身具有复杂且连贯有序的记忆结构、认知模式。某些思考活动符合“触发机制”，具有随机性和特殊性。这里面包含着更为复杂的想象机制、经验机制等。
雷·库兹韦尔 | 图片来源：百度百科
近代认知神经科学的发展为解释“人脑”提供了可能。奇点大学校长、谷歌工程总监雷·库兹韦尔在其《HOW TO CREATE A MIND》中提出了“思维模式识别理论”（Pattern Recongnition Theory of Mind,PRTM），大脑的感官知觉、认知及抽象概念的形成、推理行为及语言等，都是出于“大脑新皮质层”。大脑新皮质层分为6层，包含300亿个神经元，又分别组成3亿个模式识别器。
“人工神经网络”的想法最初就源于对人脑处理信息过程的模拟。基于认知神经科学的不断完善，国外现在已经能模拟包含160万个视觉神经元的人脑视觉新皮质。可见将来，基于人脑感官、直觉的拆分和模拟训练将为人工智能的发展提供更多模型。
要想实现真正意义上的“智能”，认知神经科学必须实现同步发展。
文科无用？“人”还需伦理加持
“人工智能”这一旨在实现“非生物”智能的技术，改变了人与人、人与自然之间的关系。AI技术的广泛应用，也必将彻底改变生命科学、医学、网络信息安全以及环境生态等领域的存在关系问题。
当机器算法影响甚至决定人的认知和决策行为时，就存在一个“度”的问题。如何为“人工智能”打造“有限制的自由”，保证人类和机器互动活动的理性、公平和人性，就需要“伦理”问题的探讨。
伦理困境：电车难题
从上世纪阿西莫夫机器人三定律的提出，到而今各个科技大国的技术立法。都是从机器的角度限制和反思机器。机器失控论、AI改变劳动关系、AI情感等伦理问题得到合理解释和解决的前提是——“人的伦理”。
因为技术是中立的，智能算法由所人赋予。人工智能模型最初由人训练，为计算机提供大量的标注数据。智能体通过对这些数据的自动感知，运用智能算法，进行分析决策，以达成人为其设定的目标和任务。
但人在数据标注和选择、规则的代码化等方面存在太多不可控因素。例如：过程不透明、不公平、等问题，往往会导致算法偏差，从而导致机器歧视等现实问题。例如美国Northpointe公司开发的犯罪评估算法COMPAS，可以对罪犯的犯罪风险进行评估，法官以此作出相应判决。但这一算法，被ProPublic指出有种族歧视之嫌。根据肤色和人种对犯罪指数的预判，无疑是“前人工”阶段意识或潜意识的预设。
段伟文指出：解决人工智能的伦理问题，关键在于“如何用代码编写的算法，使人所倡导的价值取向与伦理规范得以嵌入到各种智能主体中，使其遵守道德规范并具有自主伦理抉择能力”。事实上，不存在具有道德的代码编法，最根本的在于“创造者”的道德法则。
“天地不仁，以万物为刍狗”，但机器作为不受自然界“因果”关系制约的“拟生物”，其创造者“人”就务必向“仁”。人文社科带给人的“完整性”，技术永远无法替代。未来，人工智能需要“道德困境”的约束，随着人工智能教学的发展，新的生命哲学也必将繁荣。
在这里给大家推荐一个python系统学习q群：250933691有免费开发工具以及初学资料，（数据分析，爬虫，人工智能,机器学习，神经网络）每天有老师给大家免费授课，欢迎一起交流学习。