AI 现在到底有多火呢，近日，一份 2018 届互联网校招高薪清单在网络上流传，引发众多毕业生及互联网从业者关注。

从拿到这些企业 offer 的同学反馈来看，这份清单显示的年薪水平还是比较准确的。

另外，今年互联网企业中研究深度学习、机器学习、人工智能等岗位比较火热，在他们看来，校招年薪 25 万人民币只是白菜价。

其中，谷歌中国的人工智能岗位年薪最高，达 56 万元人民币，其次是微软的算法工程师岗位，年薪 51 万，第三是谷歌的算法工程师岗位，年薪 50 万，排在第四、第五的是腾讯公司的基础应用研究（SSP）岗位和腾讯云后台研发工程师岗位，年薪分别是 45-50 万、32.4 万。整体来看，算法工程师岗位最吃香。

有人说 AI 即将取代电话客服、数据录入人员、销售、翻译......那么在 IT 行业中，作为长期背锅侠的程序员们，未来也会被取而代之吗？

AI 让程序员既兴奋又害怕

让 AI 自动编程是人工智能领域长久以来的梦想之一。去年，来自彭博和英特尔实验室的两位研究人员，号称实现了首个能够自动生成完整软件程序的 AI 系统“AI Programmer”。

这个“AI 程序员”利用遗传算法和图灵完备语言，开发的程序理论上能够完成任何类型的任务。AI 自动编程的时代，大幕已开。

随后，谷歌 AutoML 系统也出产了一系列机器学习代码，其效率甚至比研究人员自身还要高。

显然，这是对“人类优越论”的又一次打击，因为机器人“学生”们已经成为了“自我复制”的大师。所以，未来将会有一大批低段位的程序员被下岗。

Stack Overflow 年度开发者报告显示：

• TensorFlow 荣登程序员最爱框架

• 开发者不怕编程自动化

• AI 让程序员既兴奋又害怕

机器学习框架在开发者们心目中形象不错，TensorFlow 荣登程序员最爱榜榜首，有 73.5% 正在用它的程序员表示还想继续用，Torch/PyTorch 排在第 3 名，68% 用户打算继续用下去。

程序员对 AI 是什么态度？

随着机器学习越来越热，投身其中的程序员越来越多，今年的调查增加了一些新题目，比如说对人工智能的看法、编程中的道德问题等等。

对于工作越来越自动化这件事，程序员们是不太怕的，只有 19.8% 的人认为这很危险，而认为工作自动化 exciting 的多达 40.8%。

程序员们最担心的，是让算法做重要的决定，28.6% 的人都认为这有点危险，但同时也有 23.5% 的人认为非常 exciting。另外，23.5% 的人担心 AI 和人类决策对公平性的影响。

担心公平问题的，和担心AI超越人类的完全是两拨不同的程序员。从调查结果来看，数据科学家、机器学习从业者、工程主管、学术圈的人、产品负责人等更担心公平性，而移动开发者、设计师更担心 AI 超越人类。

现在 AI 技术仍在发展，与其担心自己是否会被取代，不如强占先机，了解、学习并掌握一下 AI 技术吧！

如何入门人工智能呢？

如果你以前接触过线性代数，微积分，概率论和编程等等，那么我给你的建议是从斯坦福大学的CS231n课程开始学习。这门课的内容较为广泛，写得比较高。但是每次课的幻灯片你都可以找到并下载，虽然官方网站删除了配套的视频，但这并不妨碍你学习，因为你会很容易就能在网上搜索到学习资源。

如果你没有学过那些数学课，网上也有很多免费的学习材料可以用来学习必要的数学知识。Gilbert Stange的线性代数课程很适合入门。对于其他科目来说，edX上有MIT的微积分和概率论课程。

想要掌握更多关于机器学习的东西，Andrew Ng在Coursera上的机器学习课程一定是最好的入门之选。此外，Yaser Abu-Mostafa的机器学习课程更加关注理论，但是这也同样的适合初学者学习。深度学习并不要求掌握机器学习，但如果能有一些相关的了解当然还是很有益处的。此外，经典的机器学习，不仅仅是深度学习，能让我们有深厚的理论背景————因为，深度学习并不总是其中的最佳方案。

CS231n也不是深度学习唯一的选择，当然你还可以有其他选择，不过个人建议选择他，因为从使用情况对比来说感觉不错，各位看官不妨试下，如果有更好的大家可以在留言区留下评论，一起交流学习心得。Geoffrey Hinton的Coursera课程『用于机器学习的神经网络』(Neural Nerworks for Machine Learning)涵盖了诸多内容，Hugo Larochelle的『神经网络课』(Neural Networks Class) 也是如此。这两门课都有视频材料。Nando de Freitas的在线课程也带有视频、幻灯片和homework。

如果你不习惯视频学习，更偏向阅读学习，那么《神经网络和深度学习》(Neural Networks and Deep Learning)会是一本为深度学习的初学者撰写的在线免费书。《深度学习之书》(The Deep Learning Book)同样也是一本很赞的免费书，不过内容可能对于一般学者来说会略高阶一点。

入门

再发展

几乎上述所有相关的深度学习资料来说都会或多或少的涉及到一些计算机视觉(Computer Vision)。

• 递归神经网络(Recurrent Nerual Networks)是用于去解决例如机器翻译和语音识别之类的问题神经网络模型基础。Andrej Karpathy关于RNN的文章可以帮助你更好的去理解、学习它。Christopher Olah的博客中有一篇文章用非常生动形象的方式解释很多深度学习概念。他关于LSTM网络的相关文章是一篇很不错的导论哦！LSTM是一种应用广泛的RNN变体。

• 自然语言处理：CS224d课程介绍了深度学习在自然语言处理中的相关应用。更高阶的课程来自Kyunghyun Cho和Yoav Goldberg。

• 增强学习：如果想要去控制机器人，或者是在围棋比赛（阿尔法狗大战人类）

  上战胜人类，增强学习或许就是最佳选择。Andrej Karpathy关于深度增强学习的博客文章可以帮你入门。David Silver最近也发表了一篇介绍深度增强学习的短篇文章。

深度学习的框架：其实深度学习框架很多，最有名的三个应该就是Tensorflow(谷歌)、Torch(Facebook)、Theano (MILA)。

三个都很厉害的，如果一定要选择出一个推荐的话，我个人给的建议就是让初学者去试试Tensorflow Tensorflow的教程很不错。

训练神经网络几乎就是离不开GPU。虽然不是必须的，但GPU可以帮助你更快的去完成工作。NVIDIA显卡是工业的标准，大部分研究实验室都在用一千美元左右的显卡，很少有便宜机器可以搞定这个事情。

另一个成本更低的办法是从诸如某些高端的公司之类的云计算服务供应商那租一个带GPU的实例。

本文部分内容参考整理自：51CTO技术栈、网络

近期热文

• 干货｜Youtube 短视频推荐系统变迁：从机器学习到深度学习

• 干货|深入理解youtube的深度学习推荐系统

• 机器学习能解决哪些问题？

更多精彩内容，请关注大数据与生活