隨著人工智能科技逐漸的融入到我們的生活里，人工智能也成為現在最熱門的話題之一。AI越來越火了，火到所有人從小學生到老一輩都已經暢談AI帶來的改變.就在前兩天百度2018年AI開發者大會上，他們打出了“決勝AI時代”的態度，背水一戰的情緒可以說非常飽滿了。而且國內大量的、一線的互聯網公司已經在布局機器學習團隊，優化智能產品，在這樣的背景下，將行業人才的薪酬推高到了令人咋舌的地步，當很多大學畢業生還在為 10 萬元年薪歡呼時，炙手可熱的 AI 專業應屆生年薪已高達 25 萬~50 萬元，三五年后很有可能漲至 80 萬元。

這一跡象，對于廣大程序員來說，特別是對即將走向技術一線的準程序員而言，還是值得重點關注的。回顧一下移動互聯網所帶來的機遇，很容易就能算清，掌握AI技術能為一線工作帶來怎樣的優勢。不過，跟移動開發不同，要求嚴苛的數學門檻，成本高昂的實戰訓練，令AI人才的培養周期猛增至5年以上……似乎沒有碩士、博士的知識儲備，就一定要跟AI相關的技術工作說再見了。實情果真如此嗎？

為此，筆者特意找尋了幾位從事AI的工程師，得出以下結論：

雖說每個人入行AI工程師的成本都不一樣，但通常來說，數學基礎比較扎實的研究生或是工程經驗MAX的開發人員通常會比較有優勢。因為大多數AI用人企業對大家都會有以下五個方面的考量：

第1，數學基礎。我們都知道，要學習人工智能，最基本的高數、線代、概率論必須掌握，至少也得會高斯函數、矩陣求導，明白梯度下降是怎么回事，否則對于模型的基本原理完全不能理解，模型調參與訓練也就無從談起了。

第2，編程基礎。當然，如果是做純算法研究員，工程能力的要求不會太高，但也需要能寫源代碼；而對于做算法引擎開發或是應用開發的工程師來說，代碼實現的能力高低就直接決定了工作產出的質量與效率了。所以，想做AI工程師的你需要熟練掌握至少一種編程語言，并掌握配套的工具、常用庫等。

第3，機器學習基礎。由于本輪人工智能的熱潮來源于深度學習相關技術與應用的優異表現，所以招聘最熱的崗位無疑是機器學習算法工程師。因此，機器/深度學習的經典算法、常見的神經網絡模型、模型調參和訓練技巧就需要盡可能多和深入地掌握了。

第4，專業領域知識基礎。人工智能主要應用領域可大致分為圖像、語音和NLP（自然語言處理）。無論是其中哪個領域，都有海量的專業知識需要去掌握，比如如果你想從事智能駕駛行業的機器視覺方面的工作，那么你就需要掌握圖像相關的知識；而如果你想做一款智能音箱的算法開發，你就需要掌握語音和NLP相關的知識。

第5，具體行業的深度認知。任何應用場景都有自己獨特的數據結構，而一個能夠落地的AI應用自然離不開對于業務本身的深入理解。算法工程師們需要清晰地把握一個AI系統由哪些模塊組成，相互關系是什么，都用到哪些技術，解決什么問題，才可能針對具體的問題展開實驗研究，從而進行優化。

但是我們大多數普通人而言，在奔赴AI工程師的路上，大家會發現一個問題：獲取學習資料很簡單，但是做項目很難。

自己做的時候，代碼經常報錯或是優化結果不理想，但是就是找不到問題在哪里，感覺每個參數背后好像都藏著一個天大的坑...

好不容易通過看論文、看視頻弄清了這個坑有多大，但又不知道怎么填。于是只好去找有項目經驗的前輩請教，但是大牛通常都很忙，問一次兩次還行，問多了就開始敷衍了...扔一大堆英文文獻過來，讓咱自己看，順便還推薦了一串公眾號...

哎，企業用人條件動輒就是2年相關項目經驗，看了是不是很心累？歡迎大家與我們討論你們的看法。