人工智能时代需要怎样的技能人才
科技人工时代，我从自动化领域来理解，在机械制造行业，生产机器的自动化程度越来越高，像绕电机，水泵轴的加工，许多工厂都实现了自动生厂，伴随自动化程度提高，产品的质量和产量以及效率也在提升，这些大数据又可以通过物联网来沟通，将车间产品的数据通过物联网平台送到数据庫，数据库软件做提取分析，将一手数据送给公司，在遥远的城市远端也能读取，现在就要求的电气工程师，需要在电气方面有好的功底，在计算机网络方面也要有基础，综合的去应对这个大数据时代
自学人工智能可行吗
自学当然是可行的！如果你是人工智能领域的零基础小白，可以看看这份学习计划，部分附资源链接，除了书籍，配合一些视频学习效果会更好哦。
一、人工智能
书籍：“ArtificialIntelligence:AModernApproach(AIMA)”（人工智能：一种现代方法）
不可多得的综合性书籍，总体概述了人工智能领域，几乎涵盖新手需要了解的所有基本概念。
视频：
ArtificialIntelligencecourse（人工智能课程）系列视频讲座，通过训练AI玩游戏这类趣味实践来介绍基本知识，如果视频太快跟不上，可以配合从上面这本书（现代方法）中寻找相关概念。
二、机器学习（计算机科学和统计学的交叉学科）
视频：
机器学习基础薄弱的，可以先去TutsPlus课程“MachineLearningDistilled”看一下相关概念简述，Coursera上的AndrewNg机器学习课程，也有基本概念的解释，还介绍了大部分重要的算法。
（）
对ML算法了解不够的，可以配合以下教学视频进行理解
TutsPlus的“MachineLearningDistilled”（简要概述）
PererNorvig的UdacityCourseonML（MLUdacity课程）
TomMitchell的AnothercourseonML
书籍：集体智慧编程（ProgrammingCollectiveIntelligence）
ML算法在Python中的实践，大量基础性的实例，讲述生动，很适合入门学者，培养兴趣的同时又开拓视野，让你不想懂都难！
三、深度学习（是机器学习里最近比较火的一个子集）
DL基础方面的准备工作：
Google上的greatintroductoryDLcources
SephenWelch的greatexplanationofneuralnetworks
书籍：
DeepLearningWithPython（可自行度盘下载）
介绍DL应用程序中的最先进成果，深入浅出，带领新手快速开始构建基础并且接触实践案例，包含Keras、TensorFlow时下最先进的工具。
NeuralNetworksandDeepLearning（神经网络与深度学习）
（可自行度盘下载）
新手友好，作者在数学密集的区域都有标注提示。MNIST手写数字的识别问题贯穿全书，每个模型以及改进都有详细注释的代码。
更多优质回答，请持续关注镁客网头条号~
人工智能时代的人类还能从事什么工作
问这个问题应该是担心人类的工作会被机器人或人工智能替代。
一是：如果真有这么一天，人类就是在向着极乐大同社会的方向发展。机器人是人类最忠实的仆人，人类无所事事，只有娱乐至死，过着猪一样的生活。
二是如果真有这么一天，人类就是向着自我毁灭的方向发展。没有了斗志，胖的要死，浑身疾病。大同社会的背后会是地球的难以承受而毁灭，或是人类的自相残杀而毁灭。
三是能源是有限的，只有在竞争中方能生存，也适应机器人的人。
人工智能人才分布在哪些领域
看看实际应用，就知道人工智能领域。
1、虚拟个人助理
经常使用手机的你一定对GoogleNow和Cortana这些虚拟个人助理不会陌生。只要你说出命令，他们就会帮助你找到有用的信息。例如，你可以问“最近的川菜馆在哪儿？”，“我今天的日程有什么安排？”，“提醒我八点钟给某某某打电话”，然后，虚拟个人助理就可以通过查询信息，然后向手机中的其他app发送对应的信息来完成指令。
这一看似简单的过程实际上就有人工智能的介入，并且扮演着重要的角色。在语音唤醒虚拟个人助理的时候，人工智能会收集你的指令信息，利用该信息进一步识别你的语音，并为你提供个性化的结果，最终会让你觉得越来越好用，达成越用越好用的结果。微软表示，自家的Cortana（中文名叫小娜）可以“不断了解用户”，最终将培养出预测用户需求的能力。
2、智能汽车
你可能还没看到有人上班一边开车，一边看报纸，但自动驾驶汽车确实越来越接近现实。Google旗下的自动驾驶汽车项目和特斯拉的“自动驾驶”功能是最新的两个例子。自动驾驶技术毫无疑问是基于人工智能之上的技术，并且目前发展速度极为迅猛。从英特尔今年年初收购以色列自动驾驶汽车公司Mobileye可见一斑。
今年早些时候华盛顿邮报还有过报道，称Google开发了一种算法，能让自动驾驶汽车像人类一样学习驾驶技术。由于人工智能可以学会玩简单的视频游戏，Google让自动驾驶汽车上路前也测试相同的智能游戏。整个项目的构思在于，汽车最终能够“认清”面前的道路，并根据它所看到的内容做出相应的决策，帮助它在行驶的过程中学习经验。虽然特斯拉的自动驾驶仪功能没有这么先进，但它已经上路使用，同时这也表明此类技术肯定会蓬勃发展。
3、在线客服
现在，许多网站都提供用户与客服在线聊天的窗口，但其实并不是每个网站都有一个真人提供实时服务。在很多情况下，和你对话的仅仅只是一个初级AI。大多聊天机器人无异于自动应答器，但是其中一些能够从网站里学习知识，在用户有需求时将其呈现在用户面前。
最有趣也最困难的是，这些聊天机器人必须擅于理解自然语言。显然，与人沟通的方式和与电脑沟通的方式截然不同。所以这项技术十分依赖自然语言处理（NLP）技术，一旦这些机器人能够理解不同的语言表达方式中所包含的实际目的，那么很大程度上就可以用于代替人工服务。
4、购买预测
如果京东、天猫和亚马逊这样的大型零售商能够提前预见到客户的需求，那么收入一定有大幅度的增加。亚马逊目前正在研究这样一个的预期运输项目：在你下单之前就将商品运到送货车上，这样当你下单的时候甚至可以在几分钟内收到商品。毫无疑问这项技术需要人工智能来参与，需要对每一位用户的地址、购买偏好、愿望清单等等数据进行深层次的分析之后才能够得出可靠性较高的结果。
虽然这项技术尚未实现，不过也表现了一种增加销量的思路，并且衍生了许多别的做法，包括送特定类型的优惠券、特殊的打折计划、有针对性的广告，在顾客住处附近的仓库存放他们可能购买的产品。这种人工智能应用颇具争议性，毕竟使用预测分析存在隐私违规的嫌疑，许多人对此颇感忧虑。
5、音乐和电影推荐服务
与其他人工智能系统相比，这种服务比较简单。但是，这项技术会大幅度提高生活品质的改善。如果你用过网易云音乐这款产品，一定会惊叹于私人FM和每日音乐推荐与你喜欢的歌曲的契合度。从前，想要听点好听的新歌很难，要么是从喜欢的歌手里找，要么是从朋友的歌单里去淘，但是往往未必有效。喜欢一个人的一首歌不代表喜欢这个人的所有歌，另外有的时候我们自己也不知道为什么会喜欢一首歌、讨厌一首歌。
而在有人工智能的介入之后，这一问题就有了解决办法。也许你自己不知道到底喜欢包含哪些元素的歌曲，但是人工智能通过分析你喜欢的音乐可以找到其中的共性，并且可以从庞大的歌曲库中筛选出来你所喜欢的部分，这比最资深的音乐人都要强大。电影推荐也是相同的原理，对你过去喜欢的影片了解越多，就越了解你的偏好，从而推荐出你真正喜欢的电影。
6、智能家居设备
许多智能家居设备都拥有学习用户行为模式的能力，并通过调整温度调节器或其他设备来帮助节省资金，不仅便利、还节能。例如，屋主外出工作，设备自动打开烤箱，无须等到回家再启动，这一点非常方便。人工智能知道主人什么时候回家，就能相应的提前调整温度，而出门在外时则自动关闭设备，这样可以省下不少钱。
另一项家居设备也有人工智能的身影——照明。通过设置默认值和偏好，设备可根据你的位置和你正在做的事调整房子（内部和外部）周围的灯光。例如，看电视就暗一些，烹饪时较明亮，吃饭则亮度适中。智能家居的AI，只要你敢想，没有什么做不到。
7、大型游戏
游戏AI可能是大多数人最早接触的的AI实例。从第一款大型游戏到现在，AI已经应用了很长时间。最早期的AI甚至不能称为AI，只会根据程序设定进行相应的行为，完全不考虑玩家的反应。不过最近几年里，游戏AI的复杂性和有效性却迅猛发展。现在大型游戏中的角色能够揣摩玩家的行为，做出一些难以预料的反应。
像《孤岛惊魂》(FarCry)和《使命召唤》（CallofDuty）这种第一人称射击游戏也能很好地利用AI。敌人可以分析玩家的环境，追踪可能生存的目标。敌人也会找掩护，追踪声音，侧翼攻击，以增加胜利的可能。虽然就AI技术本身而言，在游戏中的应用有点大材小用，但是由于行业市场巨大，每年都有大量精力和资金投入其中来完善这种技术。
8、欺诈检测
你有没有收到过电子邮件或信件——询问你是否用信用卡进行了某些产品支付？如果用户的帐户存在被欺诈的风险，银行会发送此类信件，希望在汇款前确认用户个人已同意支付。人工智能通常部署来监控这种欺诈行为。
一般来说，先将大量欺诈和非欺诈性交易样本数据输入电脑，然后命令电脑分析数据，发现交易中不同类别的情况。经过足够的训练，电脑系统就将能够利用所学和种种迹象辨认出欺诈性交易。
9、安全监控
随着人们对于安全问题越来越重视，监控摄像头也越来越普及，在方便了场景记录和重现之外，也出现了新的挑战：监控摄像头所拍摄的内容仍然需要人工监测。用人力来同时监控多个摄像头传输的画面，非常容易疲倦，同时也容易出现发现不及时或者判断失误的情况。因为，非常有必要在监控摄像头系统中引入人工智能技术，借助人工智能来进行24小时无间断的持续监控。例如，利用人工智能来判断画面中是否出现异常人员，如果发现可以及时通知安保人员。
当然，目前能够实现的技术还十分有限。比如，电脑看到闪光的颜色，可能表明有人入侵或在校园周围游荡，但是识别的精确度仍然有待力高。另外，由于当前技术的限制，识别特定行为依旧比较困难，比如商店中的小偷小摸行为。但在相信在不久的将来，这种技术的改善绝非难事。
10、新闻生成
人工智能程序可以写新闻？听起来似乎很不可思议，但是这就是现实！根据美国Wired杂志统计，美联社，福克斯和雅虎都已经在利用人工智能来编写文章，例如财务摘要、体育新闻回顾和日常报道。目前，人工智能还没有涉及调查类文章，但是如果内容不是太复杂、相对简单，人工智能完全可以搞定。从这个角度来说，电子商务、金融服务、房地产和其他数据驱动型行业都可以从人工智能中受益良多
软件工程师如何转行做人工智能
谢谢邀请！
软件工程师转行做人工智能是一个不错的选择，但是要根据自身的知识结构进行相应的准备。对于研发级软件工程师（研发级程序员）来说，转行做人工智能是相对比较容易的，因为研发级工程师往往都有扎实的算法基础。对于应用级软件工程师（应用级程序员）来说，转行做人工智能需要一个系统的准备（学习）过程。
人工智能目前的研究方向比较多，比如自然语言处理、机器学习以及计算机视觉都是不错的研究方向，下面就以机器学习为例，说一下作为应用级软件工程师来说，都应该做好哪些准备。
首先，需要系统的学习一下算法知识。机器学习的研发是以算法为核心进行展开的，所以要有一个扎实的算法基础。这个过程需要了解一些比较经典的算法设计过程，逐步培养起解决问题的思路。这部分的学习内容包括随机算法、堆排序算法、快排、计数排序、贪心算法、核算法、势能法、图算法、多线程算法、数论算法和近似算法等，在学习算法的过程中也会连带着把数据结构一并学习一下，因为算法和数据结构本就不分家。
其次，了解机器学习的实现步骤。机器学习的流程包括数据收集、数据整理、算法设计、算法实现、验证算法和应用算法，数据收集是机器学习的第一步，目前可以用于机器学习的公共数据集并不少，对于实验来说已经够用了。接下来就是了解常见的机器学习算法，目前比较常见的机器学习算法包括NB、k-mean、kNN、SVM、Apriori、EM、PageRank、CART等算法，对于有算法基础的人来说，这些算法的学习并不困难。
最后，选择一门编程语言来实现这些算法并对其进行验证。对于软件工程师来说，这个步骤还是相对比较轻松的，目前使用Python做机器学习的算法实现是一个比较常见的做法。
人工智能是我的主要研究方向之一，目前我也在带相关方向的研究生，我会陆续在头条写一些关于人工智能方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。
如果有人工智能方面的问题，也可以咨询我，谢谢！