1中既有研发科学家“发明”全新的AI模型和底层的优化算法，也有软工协助科学家们实现算法跑实验，或是把这些前沿的模型做成Prototype（样品）推销给公司2和3的研发、产品部。
国内某一本自动化专业本科，国内某985硕士（研究方向：动态优化+并行计算）
毕业于普通的一本院校，非985，非211，专业也是普通的工科专业，本科期间学习成绩良好，但是也没有学过任何与人工智能相关的内容。硕士期间从事的是CUDA并行计算的研究，将一些优化算法通过GPU并行加速。
顺丰科技，第一年16*15K，CUDA高性能计算，只招聘两人，顺利拿到Offer。主要工作内容是将一些人工智能的相关算法并行加速。
华为C++测试岗，第一年 16*15K，由于具备良好的C++编程基础，所以拿到大厂的Offer基本不成问题。
这个案例告诉我们，找到一份好工作对学历是有一个基本的要求的，但是要求并不是很高，身边很多的人也都是普通本科出身，通过自身的学习和努力一样能得到好的工作机会。另外对专业的要求也并不是很严格，因为国内目前基本还没有人工智能专业，只要是工科相关专业，或者数学统计专业，乃至于经管类专业都可以比较容易的转行到人工智能。
曾参与了并完成了优达学城自动驾驶课程，并由此获得了滴滴自动驾驶的实习机会。
这个案例告诉我们，硕士的研究课题其实很多时候和找工作关系并不大，因为目前国内的硕士教育依然是偏重学术研究。本案例中的同学硕士研究方向和自动驾驶没有什么关系，但是他通过自学并参与了优达学城自动驾驶课程并由此获得实习机会。如果没有参与课程的话仅仅依靠其硕士研究的内容是很难找到好工作的。
德国某Tier 1 Corperate Research（可以理解为研发部）机器学习组， 应用方向有安防、机器人、自动驾驶，8W欧元左右/年
某车厂自动驾驶系统部门（可以理解为产品部）机器学习组，产品为自动驾驶系统中的各个模块，7W欧元左右/年
从各大互联网公司先后创建人工智能研究院，以及以下这些高薪揽才计划便可略窥一二。
年薪平均估计60w左右，上不封顶，本科生-博士生都有机会入，CTO直接面试，每年招10人，半年base美国office的机会
IDL部门（机器学习、深度学习），年薪100w+，每年9人，30岁以下，工作地北京、深圳，一年后硅谷或常青藤名校访问至少半年，三年后带领20-30人团队
滴滴研究院，面向全球高校博士、硕士、优秀本科生的精英人才计划，研究方向包含机器学习、计算机视觉、机器人、自动控制、汽车工程、人工智能、数据挖掘、最优化理论、分布式计算、图形图像、语音识别、语音合成、自然语言处理等
要求，全球TOP100 CS相关硕士博士毕业，人工智能相关，待遇：上不封顶offer，深圳市还有“孔雀计划”160w的奖励
硅谷科技公司巨头，如斯坦福这样的名校毕业硕士，去Google就有可能达到20W刀/年的package
个人认为，表面上人才饱和的状态是AI里面相对基础的一些岗位，而高端人才永远是稀缺的。
事实上，AI领域的技术更新非常快，无论什么位置都需要不断的学习和提升，对应聘者提出了更高的挑战。
全球 TOP 互联网公司及学术界人工智能方向薪资、高薪的揽才计划有哪些？
因为自己本科数学，硕士应数、优化理论，博士研究其实更偏运筹学、组合优化，因此可以说非人工智能科班出身。
人工智能、大数据这些新兴专业，是随着工业界与日俱增的需求而随之出现的（中国最近批准了第一批试点的几十所高校开设人工智能专业）。其实任何专业都是这样一个需求导向的过程，包括微电子，计算机，还有什么房地产专业，几十年前可能根本不存在这些专业。
但是自然科学如数学、物理、化学、生物长盛不衰，是有其道理的，这也是为什么我们初高中我们都在学这些东西。
这些专业名词在刚出现的时候往往是“凭空造诣”或者是强加术语，然而知识是需要积累的，每个新兴专业都是建立在一些基础科学的基础上，这也是我下面的回答要强调的--学习人工智能非一朝一夕，而是要从最基本的数学基础开始打好地基。
人工智能任何模型和算法的实现，当然需要编程了，因此C/C++/Python任选一门（推荐Python，因为目前很多库和Library都是用python封装）。
数据库：存储数据，人工智能通常需要用到海量数据，因此如何更高效的存储和管理以及调用数据，就显得尤为重要。SQL等数据库，以及Hardoop，Spark等并行计算的框架，是最近的热点，推荐学习。
线性规划+凸优化：或者只学一门叫numerical optimization，统计和人工智能，到最后几乎都会归结为求解一个优化问题，当然也有纯优化模型不用统计模型的
机器学习:其实传统机器学习，通篇都是在讲用一些统计和优化来做聚类、分类和预测这三个人工智能最常见的应用
深度学习：卷积神经网络的复兴掀起了深度学习席卷全球的号角，毫无疑问，它是目前人工智能的核心，必学！
学到这里，你基本就会发现，学这一门课中间会穿插着很多其他课的内容。恩，知识总是相通的嘛，特别是这些跨专业的新兴学科，都是在以往学科的基础上由社会需求发展而来。
以上所有课程基本都还是理论、数学模型层面的，虽然讲理论的同时会穿插一些应用案例，但是系统学习某一应用领域还是非常必要的，再加上一些项目和实习经历，基本就是转到AI工业界的敲门砖了。
汽车行业（自动驾驶）、制造业（次品识别）、安防（人脸识别）、机器人（SLAM）等
由于应用数学+运筹学的背景，加上本科研究生修过一些编程和算法课程，因此我转战人工智能就只缺机器学习/深度学习+实战训练了。
我所在的海德堡大学数学与计算机学院，有海德堡大学图像处理中心，因此我很方便地旁听和选修了机器学习、深度学习、计算机视觉三门课程+一些研讨班。
另外由于博士课题是关于图像分割的，虽然博士论文用的是传统机器学习和组合优化交叉的算法，但在博士最后阶段，一位合作教授提议将这个方法应用在时下很热的语义分割（在自动驾驶和医学图像等领域都有应用）方向，于是又顺理成章地获得了一部分深度学习的经验。
事实证明，最后的这个深度学习小项目，是面试官最感兴趣的部分。而我现在工作的主要内容，也和此项目息息相关。
对于这段经历感兴趣的同学，欢迎收听我和牛津大学医学图像博士后渡博士（牛津大学实验物理博士）联合举办的关于转专业AI的知乎Live
个人感觉，理工科背景的小伙伴，在有了一定的数学和编程基础之上，要转到人工智能领域并非难事。
以上个人经验，更适用于刚进入研究生或博士阶段不久的同学，有着充裕的时间打好数学和编程基础，循序渐进、逐步提升。
但是对于那些快要毕业，或者已经在工作岗位上从事其他专业的小伙伴，或许不是那么适用。
一方面，如果按照以上关卡一道道通关地自学，很容易被前期枯燥的数学和编程基础所累，导致前功尽弃。
另一方面，AI中的软件、算法工程师职位，大都不需要那么多数学基础，因此很多课程可以只挑重点看。
所以对于希望“速成”的同学，可以需要一个课程 list，开元体育通过比较系统的课程先入门，最好有项目可以练手，进入这个行业后再慢慢提升。找到第一份AI工作，通常是机器学习工程师。
一方面把一项职业所必须的技能树都涉及到，另一方面设计了难度适中的作业，让自学过程中可以及时检验成效。
最重要的是，还有考试，以及pass考试后，会有“证书”（简历加分利器）！！
人工智能正以我们意想不到的速度蔓延到各个行业以及社会的方方面面，农业、制造业、医疗、交通无不有它的身影。
或许不久的将来，他会像蒸汽、电力、电脑、手机、互联网一样，成为我们日常生活必不可缺的一部分。
是的，我们已经处在这一次科技革命之中，而人工智能，正是这一次科技革命的根源并且将被载入史册。
