在大數據被廣泛應用以提高社會效率的同時，個人資料無可避免地更容易被監控及商品化。在這個大數據時代，我們應該如何保障自己的私隱？以下幾個范疇，值得大家留意。
修圖軟件
有不少朋友拍照必用修圖軟件，照片不美白修飾一下，不會放到社交媒體分享。除了P圖，也有不少人喜歡用貼紙濾鏡，把自己的臉轉變成得意動物、或者加上閃亮特效等等。和一班朋友用濾鏡軟件拍照，一起變身白兔、綿羊，笑聲不絕，的確是開心的。
然而，這一類使用人臉識別技術的軟件，難免會有私隱方面的隱憂。一個人臉識別數據庫假如有越多不同性別、年齡、種族、膚色的人臉圖像，則越容易提升它的算法準確程度。因此這些軟件都會不停收集用戶的人臉圖像，以優化它的數據庫。
有不少軟件，除了你的人臉圖像之外，還會收集你的個人資料，例如手機型號、解像度、網絡存取、本地 IP、GPS定位等等。這些個人資料數據，在市場上有價有市。中國去年就有傳媒報道，在互聯網平臺有人公然兜售「人臉數據集」，5,000多張的人臉照片，僅售十元人民幣。而包含姓名、身份證照片、銀行咭，手機號碼的人臉照片，則只需四元人民幣一份。
社交媒體的照片卷標、心理測驗和「老臉挑戰」
除了修圖軟件，假如你對人臉識別技術有憂慮，也應該盡量減少使用社交媒體的照片標簽功能。需知道每次你在社交媒體上載自己和朋友的照片的同時，其實也透露了不少有關你的個人資料，包括所在地點、社交圈子、喜好甚至情緒等等。
以Facebook為例，經過十多年的累積，他們已經建立了具全球數一數二規模的人臉識別數據庫。所以，每當我們上載和朋友聚會的照片，Facebook所建議的人臉照片標簽，都差不多百分百準確無誤。作為用戶，最低限度，你應該設定其他人必須得到你的同意才可以在他們上載的照片上標簽你。
千禧年前后出生的嬰兒，被稱為「數字原住民」。有別于X世代、Y世代，他們未曾見過沒有互聯網和社交媒體的世界，他們也是首個自出生以來被大數據記錄一舉一動的世代。外在的監控，我們或許不能完全避免。假如你身為家長，最少可以考慮減少上載自己孩子的照片（以及一時意氣在社交媒體上因為孩子所發的牢騷），因為每一點一滴，都會成為孩子的數碼足印，足以影響其他人對他的觀感，甚至日后求學和就業的機會。
都說「免費的才是最貴」。
。
以社交媒體賬號登入
有不少軟件和網上服務，都有讓用戶使用他們的社交媒體賬號直接登入這個選項。對用戶來說，社交媒體賬號登入的好處，當然是方便，可以使用一個賬號走天涯，不用多記不同的登入密碼。
然而，方便往往都有代價。首先，用戶在使用社交媒體賬號登入其他網上服務的同時，其實已經同時授予該網上服務訪問其社交媒體的權限，甚至容許對方嵌入追蹤軟件獲取自己的個人資料，包括姓名、電郵地址、年齡、生日日期、社交網絡等的信息。如前所述，有關個人資料，會被服務提供商利用以優化他們的市場推廣策略，甚至直接向用戶推送廣告，或者調控個人化服務費用等。
此外，假如用戶的社交媒體被黑客入侵的話，所有使用該社交媒體登入的服務，都可能同時被駭。在2019年，就有網絡保安公司在亞馬遜的云端數據庫上發現涉及5.4億名Facebook用戶的個人資料，讓人輕易下載。
總結
社交媒體和各類流動軟件已經成為了我們生活的一部分。我們的行蹤、喜好、社交網絡、消費，因為大數據科技日趨成熟，而以前所未有的速度被廣泛地記錄和分析。數據的而且確越來越值錢。作為普羅大眾，大趨勢我們可能控制不了，但是最少要有警覺性，不要因為方便、得意、免費，而令自己的個人資料予取予攜。
深度學習框架，尤其是基于人工神經網絡的框架可以追溯到1980年福島邦彥提出的新認知機[2]，而人工神經網絡的歷史更為久遠。1989年，燕樂存（Yann LeCun）等人開始將1974年提出的標準反向傳播算法[3]應用于深度神經網絡，這一網絡被用于手寫郵政編碼識別。盡管算法可以成功執行，但計算代價非常巨大，神經網路的訓練時間達到了3天，因而無法投入實際使用[4]。許多因素導致了這一緩慢的訓練過程，其中一種是由于爾根·施密德胡伯（Jürgen Schmidhuber）的學生賽普·霍克賴特（Sepp Hochreiter）于1991年提出的梯度消失問題[5][6]。與此同時，神經網絡也受到了其他更加簡單模型的挑戰，支持向量機等模型在20世紀90年代到21世紀初成為更加流行的機器學習算法。
“深度學習”這一概念從2007年前后開始受到關注。當時，杰弗里·辛頓（Geoffrey Hinton）和魯斯蘭·薩拉赫丁諾夫（Ruslan Salakhutdinov）提出了一種在前饋神經網絡中進行有效訓練的算法。這一算法將網絡中的每一層視為無監督的受限玻爾茲曼機，再使用有監督的反向傳播算法進行調優[7]。在此之前的1992年，在更為普遍的情形下，施密德胡伯也曾在遞歸神經網絡上提出一種類似的訓練方法，并在實驗中證明這一訓練方法能夠有效提高有監督學習的執行速度[8][9].
自深度學習出現以來，它已成為很多領域，尤其是在計算機視覺和語音識別中，成為各種領先系統的一部分。在通用的用于檢驗的數據集，例如語音識別中的TIMIT和圖像識別中的ImageNet, Cifar10上的實驗證明，深度學習能夠提高識別的精度。
硬件的進步也是深度學習重新獲得關注的重要因素。高性能圖形處理器的出現極大地提高了數值和矩陣運算的速度，使得機器學習算法的運行時間得到了顯著的縮短[10][11]。
基本概念[編輯]
深度學習的基礎是機器學習中的分散表示（distributed representation）。分散表示假定觀測值是由不同因子相互作用生成。在此基礎上，深度學習進一步假定這一相互作用的過程可分為多個層次，代表對觀測值的多層抽象。不同的層數和層的規模可用于不同程度的抽象[1]。
深度學習運用了這分層次抽象的思想，更高層次的概念從低層次的概念學習得到。這一分層結構常常使用貪婪算法逐層構建而成，并從中選取有助于機器學習的更有效的特征[1].
不少深度學習算法都以無監督學習的形式出現，因而這些算法能被應用于其他算法無法企及的無標簽數據，這一類數據比有標簽數據更豐富，也更容易獲得。這一點也為深度學習贏得了重要的優勢[1]。
人工神經網絡下的深度學習[編輯]
一部分最成功的深度學習方法涉及到對人工神經網絡的運用。人工神經網絡受到了1959年由諾貝爾獎得主大衛·休伯爾（David H. Hubel）和托斯坦·威澤爾（Torsten Wiesel）提出的理論啟發。休伯爾和威澤爾發現，在大腦的初級視覺皮層中存在兩種細胞：簡單細胞和復雜細胞，這兩種細胞承擔不同層次的視覺感知功能。受此啟發，許多神經網絡模型也被設計為不同節點之間的分層模型[12]。
福島邦彥提出的新認知機引入了使用無監督學習訓練的卷積神經網絡。燕樂存將有監督的反向傳播算法應用于這一架構[13]。事實上，從反向傳播算法自20世紀70年代提出以來，不少研究者都曾試圖將其應用于訓練有監督的深度神經網絡，但最初的嘗試大都失敗。賽普·霍克賴特（Sepp Hochreiter）在其博士論文中將失敗的原因歸結為梯度消失，這一現象同時在深度前饋神經網絡和遞歸神經網絡中出現，后者的訓練過程類似深度網絡。在分層訓練的過程中，本應用于修正模型參數的誤差隨著層數的增加指數遞減，這導致了模型訓練的效率低下[14][15]。
為了解決這一問題，研究者們提出了一些不同的方法。于爾根·施密德胡伯（Jürgen Schmidhuber）于1992年提出多層級網絡，利用無監督學習訓練深度神經網絡的每一層，再使用反向傳播算法進行調優。在這一模型中，神經網絡中的每一層都代表觀測變量的一種壓縮表示，這一表示也被傳遞到下一層網絡[8]。
另一種方法是賽普·霍克賴特和于爾根·施密德胡伯提出的長短期記憶神經網絡（long short term memory，LSTM）[16]。2009年，在ICDAR 2009舉辦的連筆手寫識別競賽中，在沒有任何先驗知識的情況下，深度多維長短期記憶神經網絡取得了其中三場比賽的勝利[17][18]。
斯文·貝克提出了在訓練時只依賴梯度符號的神經抽象金字塔模型，用以解決圖像重建和人臉定位的問題[19]。
其他方法同樣采用了無監督預訓練來構建神經網絡，用以發現有效的特征，此后再采用有監督的反向傳播以區分有標簽數據。辛頓等人于2006年提出的深度模型提出了使用多層隱變量學習高層表示的方法。這一方法使用斯摩棱斯基于1986年提出的受限玻爾茲曼機[20]對每一個包含高層特征的層進行建模。模型保證了數據的對數似然下界隨著層數的提升而遞增。當足夠多的層數被學習完畢，這一深層結構成為一個生成模型，可以通過自上而下的采樣重構整個數據集[21]。辛頓聲稱這一模型在高維結構化數據上能夠有效低提取特征[22]。
吳恩達和杰夫·迪恩（Jeff Dean）領導的谷歌大腦（英語：Google Brain）團隊創建了一個僅通過YouTube視頻學習高層概念（例如貓）的神經網絡[23] [24]。
其他方法依賴了現代電子計算機的強大計算能力，尤其是GPU。2010年，在于爾根·施密德胡伯位于瑞士人工智能實驗室IDSIA的研究組中，丹·奇雷尚（Dan Ciresan）和他的同事展示了利用GPU直接執行反向傳播算法而忽視梯度消失問題的存在。這一方法在燕樂存等人給出的手寫識別MNIST數據集上戰勝了已有的其他方法[10]。
截止2011年，前饋神經網絡深度學習中最新的方法是交替使用卷積層（買粉絲nvolutional layers）和最大值池化層（max-pooling layers）并加入單純的分類層作為頂端。訓練過程也無需引入無監督的預訓練[25][26]。從2011年起，這一方法的GPU實現[25]多次贏得了各類模式識別競賽的勝利，包括IJCNN 2011交通標志識別競賽[27]和其他比賽。
這些深度學習算法也是最先在某些識別任務上達到和人類表現具備同等競爭力的算法[28]。
深度學習結構[編輯]
深度神經網絡是一種具備至少一個隱層的神經網絡。與淺層神經網絡類似，深度神經網絡也能夠為復雜非線性系統提供建模，但多出的層次為模型提供了更高的抽象層次，因而提高了模型的能力。深度神經網絡通常都是前饋神經網絡，但也有語言建模等方面的研究將其拓展到遞歸神經網絡[29]。卷積深度神經網絡（Covolutional Neuron Networks, CNN）在計算機視覺領域得到了成功的應用[30]。此后，卷積神經網絡也作為聽覺模型被使用在自動語音識別領域，較以往的方法獲得了更優的結果[31]。
深度神經網絡[編輯]
深度神經網絡（deep neuron 買粉絲works, DNN）是一種判別模型，可以使用反向傳播算法進行訓練。權重更新可以使用下式進行隨機梯度下降求解：
其中，為學習率，為代價函數。這一函數的選擇與學習的類型（例如監督學習、無監督學習、增強學習）以及激活函數相關。例如，為了在一個多分類問題上進行監督學習，通常的選擇是使用Softmax函數作為激活函數，而使用交叉熵作為代價函數。Softmax函數定義為，其中代表類別的概率，而和分別代表對單元和的輸入。交叉熵定義為，其中代表輸出單元的目標概率，代表應用了激活函數后對單元的概率輸出[32]。
深度神經網絡的問題[編輯]
與其他神經網絡模型類似，如果僅僅是簡單地訓練，深度神經網絡可能會存在很多問題。常見的兩類問題是過擬合和過長的運算時間。
深度神經網絡很容易產生過擬合現象，因為增加的抽象層使得模型能夠對訓練數據中較為罕見的依賴關系進行建模。對此，權重遞減（正規化）或者稀疏（-正規化）等方法可以利用在訓練過程中以減小過擬合現象[33]。另一種較晚用于深度神經網絡訓練的正規化方法是丟棄法（"dropout" regularization），即在訓練中隨機丟棄一部分隱層單元來避免對較為罕見的依賴進行建模[34]。
反向傳播算法和梯度下降法由于其實現簡單，與其他方法相比能夠收斂到更好的局部最優值而成為神經網絡訓練的通行方法。但是，這些方法的計算代價很高，尤其是在訓練深度神經網絡時，因為深度神經網絡的規模（即層數和每層的節點數）、學習率、初始權重等眾多參數都需要考慮。掃描所有參數由于時間代價的原因并不可行，因而小批量訓練（mini-batching），即將多個訓練樣本組合進行訓練而不是每次只使用一個樣本進行訓練，被用于加速模型訓練[35]。而最顯著地速度提升來自GPU，因為矩陣和向量計算非常適合使用GPU實現。但使用大規模集群進行深度神經網絡訓練仍然存在困難，因而深度神經網絡在訓練并行化方面仍有提升的空間。
深度信念網絡[編輯]
一個包含完全連接可見層和隱層的受限玻爾茲曼機（RBM）。注意到可見層單元和隱層單元內部彼此不相連。
深度信念網絡（deep belief 買粉絲works，DBN）是一種包含多層隱單元的概率生成模型，可被視為多層簡單學習模型組合而成的復合模型[36]。
深度信念網絡可以作為深度神經網絡的預訓練部分，并為網絡提供初始權重，再使用反向傳播或者其他判定算法作為調優的手段。這在訓練數據較為缺乏時很有價值，因為不恰當的初始化權重會顯著影響最終模型的性能，而預訓練獲得的權重在權值空間中比隨機權重更接近最優的權重。這不僅提升了模型的性能，也加快了調優階段的收斂速度[37]。
深度信念網絡中的每一層都是典型的受限玻爾茲曼機（restricted Boltzmann machine，RBM），可以使用高效的無監督逐層訓練方法進行訓練。受限玻爾茲曼機是一種無向的基于能量的生成模型，包含一個輸入層和一個隱層。圖中對的邊僅在輸入層和隱層之間存在，而輸入層節點內部和隱層節點內部則不存在邊。單層RBM的訓練方法最初由杰弗里·辛頓在訓練“專家乘積”中提出，被稱為對比分歧（買粉絲ntrast divergence, CD）。對比分歧提供了一種對最大似然的近似，被理想地用于學習受限玻爾茲曼機的權重[35]。當單層RBM被訓練完畢后，另一層RBM可被堆疊在已經訓練完成的RBM上，形成一個多層模型。每次堆疊時，原有的多層網絡輸入層被初始化為訓練樣本，權重為先前訓練得到的權重，該網絡的輸出作為新增RBM的輸入，新的RBM重復先前的單層訓練過程，整個過程可以持續進行，直到達到某個期望中的終止條件[38]。
盡管對比分歧對最大似然的近似十分粗略（對比分歧并不在任何函數的梯度方向上），但經驗結果證實該方法是訓練深度結構的一種有效的方法[35]。
卷積神經網絡[編輯]
主條目：卷積神經網絡
卷積神經網絡（買粉絲nvolutional neuron 買粉絲works，CNN）由一個或多個卷積層和頂端的全連通層（對應經典的神經網絡）組成，同時也包括關聯權重和池化層（pooling layer）。這一結構使得卷積神經網絡能夠利用輸入數據的二維結構。與其他深度學習結構相比，卷積神經網絡在圖像和語音識別方面能夠給出更優的結果。這一模型也可以使用反向傳播算法進行訓練。相比較其他深度、前饋神經網絡，卷積神經網絡需要估計的參數更少，使之成為一種頗具吸引力的深度學習結構[39]。
卷積深度信念網絡[編輯]
卷積深度信念網絡（買粉絲nvolutional deep belief 買粉絲works，CDBN）是深度學習領域較新的分支。在結構上，卷積深度信念網絡與卷積神經網絡在結構上相似。因此，與卷積神經網絡類似，卷積深度信念網絡也具備利用圖像二維結構的能力，與此同時，卷積深度信念網絡也擁有深度信念網絡的預訓練優勢。卷積深度信念網絡提供了一種能被用于信號和圖像處理任務的通用結構，也能夠使用類似深度信念網絡的訓練方法進行訓練[40]。
結果[編輯]
語音識別[編輯]
下表中的結果展示了深度學習在通行的TIMIT數據集上的結果。TIMIT包含630人的語音數據，這些人持八種常見的美式英語口音，每人閱讀10句話。這一數據在深度學習發展之初常被用于驗證深度學習結構[41]。TIMIT數據集較小，使得研究者可以在其上實驗不同的模型配置。
方法
聲音誤差率 (PER, %)
隨機初始化RNN 26.1
貝葉斯三音子GMM-HMM 25.6
單音子重復初始化DNN 23.4
單音子DBN-DNN 22.4
帶BMMI訓練的三音子GMM-HMM 21.7
共享池上的單音子DBN-DNN 20.7
卷積DNN 20.0
圖像分類[編輯]
圖像分類領域中一個公認的評判數據集是MNIST數據集。MNIST由手寫阿拉伯數字組成，包含60,000個訓練樣本和10,000個測試樣本。與TIMIT類似，它的數據規模較小，因而能夠很容易地在不同的模型配置下測試。Yann LeCun的網站給出了多種方法得到的實驗結果[42]。截至2012年，最好的判別結果由Ciresan等人在當年給出，這一結果的錯誤率達到了0.23%[43]。
深度學習與神經科學[編輯]
計算機領域中的深度學習與20世紀90年代由認知神經科學研究者提出的大腦發育理論（尤其是皮層發育理論）密切相關[44]。對這一理論最容易理解的是杰弗里·艾爾曼（Jeffrey Elman）于1996年出版的專著《對天賦的再思考》（Rethinking Innateness）[45]（參見斯拉格和約翰遜[46]以及奎茲和賽杰諾維斯基[47]的表述）。由于這些理論給出了實際的神經計算模型，因而它們是純計算驅動的深度學習模型的技術先驅。這些理論指出，大腦中的神經元組成了不同的層次，這些層次相互連接，形成一個過濾體系。在這些層次中，每層神經元在其所處的環境中獲取一部分信息，經過處理后向更深的層級傳遞。這與后來的單純與計算相關的深度神經網絡模型相似。這一過程的結果是一個與環境相協調的自組織的堆棧式的轉換器。正如1995年在《紐約時報》上刊登的那樣，“……嬰兒的大腦似乎受到所謂‘營養因素’的影響而進行著自我組織……大腦的不同區域依次相連，不同層次的腦組織依照一定的先后順序發育成熟，直至整個大腦發育成熟。”[48]
公眾視野中的深度學習[編輯]
深度學習常常被看作是通向真正人工智能的重要一步[51]，因而許多機構對深度學習的實際應用抱有濃厚的興趣。2013年12月，Facebook宣布雇用燕樂存為其新建的人工智能實驗室的主管，這一實驗室將在加州、倫敦和紐約設立分支機構，幫助Facebook研究利用深度學習算法進行類似自動標記照片中用戶姓名這樣的任務[52]。
2013年3月，杰弗里·辛頓和他的兩位研究生亞歷克斯·克里澤夫斯基和伊利婭·蘇特斯科娃被谷歌公司雇用，以提升現有的機器學習產品并協助處理谷歌日益增長的數據。谷歌同時并購了辛頓創辦的公司DNNresearch[53]。
批評[編輯]
對深度學習的主要批評是許多方法缺乏理論支撐。大多數深度結構僅僅是梯度下降的某些變式。盡管梯度下降已經被充分地研究，但理論涉及的其他算法，例如對比分歧算法，并沒有獲得充分的研究，其收斂性等問題仍不明確。深度學習方法常常被視為黑盒，大多數的結論確認都由經驗而非理論來確定。
也有學者認為，深度學習應當被視為通向真正人工智能的一條途徑，而不是一種包羅萬象的解決方案。盡管深度學習的能力很強，但和真正的人工智能相比，仍然缺乏諸多重要的能力。理論心理學家加里·馬庫斯（Gary Marcus）指出：
就現實而言，深度學習只是建造智能機器這一更大挑戰中的一部分。這些技術缺乏表達因果關系的手段……缺乏進行邏輯推理的方法，而且遠沒有具備集成抽象知識，例如物品屬性、代表和典型用途的信息。最為強大的人工智能系統，例如IBM的人工智能系統沃森，僅僅把深度學習作為一個包含從貝葉斯推理和演繹推理等技術的復雜技術集合中的組成部分[54]。
人工智能就業方向及前景
人工智能就業方向及前景人工智能就業方向及前景主要有:機器視覺，指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統，自動規劃，智能搜索，定理證明，博弈，自動程序設計，智能控制，機器人學，語言和圖像理解，遺傳編程等。
人工智能專業的課程體系《人工智能、社會與人文》、《人工智能哲學基礎與倫理》、《先進機器人控制》、《認知機器人》、《機器人規劃與學習》、《仿生機器人》、《群體智能與自主系統》。
《無人駕駛技術與系統實現》、《游戲設計與開發》、《計算機圖形學》、《虛擬現實與增強現實》、《人工智能的現代方法I》、《問題表達與求解》、《人工智能的現代方法II》、《機器學習、自然語言處理、計算機視覺等》。
智能專業就業前景怎么樣
前景可以的。人工智能工程技術人員是指從事與人工智能相關算法、深度學習等相關的多種技術的分析、研究、開發，并對人工智能系統進行設計、優化、運維、管理和應用的工程技術人員。
人工智能專業就業方向有科學研究、工程開發、計算機方向、軟件工程、應用數學、電氣自動化通信、機械制造等。人工智能是國家戰略的核心方向，影響著國民經濟的很多領域，已成為一個國家科技發展水平和國民經濟現代化、信息化的重要標志。
人工智能技術應用就業方向及前景
人工智能就業前景很不錯，就業方向主要有機器視覺、指紋識別、人臉識別、視網膜識別、虹膜識別。掌紋識別、專家系統、自動規、智能搜索、定理證明、博弈、自動程序設計、智能控制、機器人學、語言和圖像理解、遺傳編程等。
列入國家發展規劃后，國家會頒發很多政策去促進這一計劃的實現，所以越早進入人工智能領域就越有發展潛能。人工智能技術應用就業方向及前景:
1.算法工程師。進行人工智能相關前沿算法的研究，包括機器學習、知識應用、智能決策等技術的應用。以機器學習的過程為例，涉及到數據收集、數據整理、算法設計、算法訓練、算法驗證、算法應用等步驟，所以算法是機器學習開發的重點。
2.程序開發工程師。
一方面程序開發工程師需要完成算法實現，另一方面程序開發工程師需要完成項目的落地，需要完成各個功能模塊的整合。
3.人工智能運維工程師。大數據與AI產品相關運營、運維產品研發;相關組件的運維工具系統的開發與建設;提供大數據與AI云產品客戶支持。
4.智能機器人研發工程師。研發方向主要從事機器人控制系統開發，高精度器件的設計研發等。工業機器人系統集成方向主要做工作站設計，電氣設計，器件選型，機器人調試，編程，維護等。
5.AI硬件專家。AI 領域內另外一種日益增長的藍領工作是負責創建 AI 硬件如 GPU 芯片的工業操作工作。大科技公司目前已經采取了措施，來建立自己的專業芯片。
人工智能就業方向及前景分析 未來好就業嗎
人工智能的未來就業前景是很不錯的，可以從事的就業方向也有很多，如通信、軟件工程、工程開發、自動化等方向。 人工智能就業前景 未來人工智能的就業和發展前景都是非常值得期待的，原因有以下幾點:第一，智能化是未來的重要趨勢之一。
第二，產業互聯網的發展必然會帶動人工智能的發展。人工智能技術將成為職場人的必備技能之一。 在大數據時代，人工智能相關技術得到了越來越多的關注，市場對于人工智能產品的呼聲也越來越高，因此不少科技公司都陸續開始在人工智能領域實施戰略布局，由于人工智能人才相對比較短缺，所以人才的爭奪也比較激烈。
另外，由于相關人才的數量比較少研究生培養為主，而且培養周期比較長，所以人工智能人才在未來較長一段時間內依然會有一定的缺口。 人工智能就業方向 人工智能可以說是一門高尖端學科，屬于社會科學和自然科學的交叉，涉及了數學、心理學、神經生理學、信息論、計算機科學、哲學和認知科學、不定性論以及控制論。
研究范疇包括自然語言處理、機器學習、神經網絡、模式識別、智能搜索等。應用領域包括機器翻譯、語言和圖像理解、自動程序設計、專家系統等。 人工智能專業的主要就業方向有:科學研究、工程開發、計算機方向、軟件工程、應用數學、電氣自動化、通信、機械制造等。
當今最前沿的技術：
1、核武器小型化技術
技術擁有國：中國、美國、俄羅斯、法國、英國
沒這個的一般不能上導彈。
2、中子彈技術
技術擁有國：中國、美國、俄羅斯、法國
中子彈，沒有氫彈技術的免談。
3、氫彈技術
技術擁有國：中國、美國、俄羅斯、法國
4、軍用核反應堆技術
技術擁有國：中國、美國、俄羅斯、英國、法國、印度
高溫氣冷反應堆技術。
5、衛星發射技術（彈道導彈技術）
技術擁有國：中國、俄羅斯、美國、法國、日本、英國、印度、以色列、伊朗
6、返回式衛星技術（大氣層再入技術）
技術擁有國：中國、美國、俄羅斯、英國和法國
沒有這一條的不算真的有“洲際”導彈技術(不過關的導彈會在再入大氣時直接燒毀)。這里很奇怪，英國和法國從未展示過返回式衛星技術，但是仍然宣稱擁有洲際導彈……
7、載人航天器發射技術
技術擁有國：中國、美國、俄羅斯
8、潛射彈道導彈技術
技術擁有國：中國、美國、俄羅斯、英國、法國
9、鐵路機動彈道導彈技術
技術擁有國：中國、俄羅斯
10、空射運載火箭/彈道導彈技術
技術擁有國：中國(開拓者)、美國(飛馬座)、俄羅斯(Barge hauler)
11、巡航導彈技術
技術擁有國：中國、美國、俄國
12、衛星導航技術
技術擁有國：中國(北斗)、美國(GPS)、俄羅斯(GLONASS)、歐盟(伽利略)
13、十萬噸級航空母艦（擁有數量/制造能力）
技術擁有國：美國(11艘/有制造能力)、印度(3/無)、英國(2/有)、法國(2/有)、巴西(2/無)、俄羅斯(1/有)、中國（1/有）
14、核潛艇制造技術
技術擁有國：中國、美國、俄羅斯、英國、法國、印度
15、兩棲戰艦研制
技術擁有國： 中國(071和081)、美國(圣安東尼奧級)、英國(海洋級不列顛級)、法國(西北風級)、荷蘭(鹿特丹級)、日本(大隅級)、韓國(LPX)
16、常規潛艇自主能力
技術擁有國：中國（039/041）、德國（209/214）、法國（鼬魚/阿格斯塔91B）、俄國（K基洛）、日本（蒼龍）、瑞典、荷蘭
17、神盾艦
技術擁有國：中國、美國（日本、英法、韓國是買美國的）
18、反艦導彈技術
技術擁有國：中國、美國、法國、挪威、日本、俄羅斯、瑞典、意大利、印度(與俄合作)
19、超音速反艦導彈技術
技術擁有國：中國、俄羅斯、印度(與俄合作)
20、艦載垂直發射系統研制
技術擁有國：中國(170/171艦載)、美國(Mk41)、俄羅斯(3K95)、以色列(巴拉克-1)、英國(海狼)、法國(海響尾蛇VT-1)、南非(Umkhonto)
21、尾流自導魚雷
技術擁有國：俄羅斯(65型)、美國(MK45F)、中國(魚-6/7/820）)、意大利(A184Mod3)、法國(F17Mod2)、瑞典(TP61)
22、超空泡技術(超級重型魚雷)
技術擁有國：俄羅斯(暴風雪)、伊朗(鯨魚)、中國(空泡1型)、美國
23、高速風洞
技術擁有國： 美國、中國、俄羅斯
24、10倍音速激波風洞
技術擁有國：中國
25、噴氣式飛機研制能力
最熱門的技術就是人工智能了
作為新一輪科技革命的重要代表之一，人工智能是當今科技領域最前沿的課題。繼2017年首次被寫入全國政府工作報告一年后，“人工智能”（AI）再次成為兩會焦點。3月5日上午，總理在2018政府工作報告中指出要“加強新一代人工智能研發應用”，再次強調人工智能給中國帶來的歷史機遇。人工智能在中國的政治、經濟、學術領域都成為重中之重。
在此之前，“證監會給四大行業IPO開特殊通道”已是人盡皆知，這四個行業中就包括人工智能。那么這些人工智能包括哪些領域呢？
我們梳理了以上行業獨角獸，對其在國內A股上市的可能性進行羅列，并找出了其中最有上市可能性的人工智能企業：
人工智能領袖企業——計算機視覺國家隊云從科技
做人工智能的目的是什么？只是下棋戰勝人類？又難道是“為了做人工智能而做人工智能”嗎？
人工智能就是要服務于人類。作為中國人工智能產業化國家隊，云從科技在成立之初就決計將“束之高閣的AI“變為可以改變人類生活的利器。
直到云從科技目前已經占據了國內金融、機場等領域的應用市場，是國內第一大銀行人臉識別供應商，并在全國80%的樞紐機場運用人臉識別。據傳云從科技的估值已經超過200億元人民幣。
其通過運用對抗性神經網絡，圖像識別技術已經達到了國際領先水平，并在今年登陸了MIT2018全球十大突破技術榜單。其不斷吸納了前Facebook Tech Lead等海外AI頂尖技術人員。隨著技術和應用領域的雙重突破，在2018年這家人工智能新貴將會引領中國智造的全面奮進。
AI上游——芯片領軍者寒武紀
技術離不開硬件支持，寒武紀就是給人工智能做腦子的。
寒武紀科技是全球第一個成功流片并擁有成熟產品的智能芯片公司，擁有終端和服務器兩條產品線。2016年推出的寒武紀1A處理器（Cambri買粉絲n-1A）是世界首款商用深度學習專用處理器，面向智能手機、安防監控、可穿戴設備、無人機和智能駕駛等各類終端設備。在運行主流智能算法時性能功耗比全面超越CPU和GPU，與特斯拉增強型自動輔助駕駛。寒武紀引領人類社會從信息時代邁向智能時代，做支撐智能時代的偉大芯片公司。
機器人新勢力——勇藝達機器人
作為人工智能一個重要的細分領域，服務機器人近幾年受人工智能產業各項政策利好+資本助陣的影響，連帶受益，蓄勢滕飛，逐漸成為蘊藏千億市場的新藍海。而作為國內首批從事服務機器人研發與制造的勇藝達機器人，憑借強大的技術研發實力和創新精神，以及全渠道營銷體系和強大的供應鏈，正展現出高速發展的勢頭和潛力，如能把握好先發優勢并快速建立起行業壁壘，未來五年內有極大希望能成長為成服務機器人領域“獨角獸”。
鏈接: 提取碼:h21j
少兒編程教學可以大致分為兩類:一類是Scratch或是仿Scratch的圖形化編程教學，以培養興趣、鍛煉思維為主，趣味性較強。在這里，可以創造屬于自己的動畫，故事，音樂和游戲，這個過程其實就像搭積木一樣簡單。此外，還有機器人編程，也就是搭建機器人，通過運行程序讓它動起來，著重培養孩子的動手能力。另一類是基于Python、C++等高級編程語言的計算機編程教學，目標往往是參加信息學奧賽等科技品牌賽事，如信息學奧林匹克競賽/聯賽、機器人競賽、科技創新大賽等，或為后續的專業學習和職業技能打下基礎。