Kaiyun1中既有研發科學家“發明”全新的AI模型和底層的優化算法，也有軟工協助科學家們實現算法跑實驗，或是把這些前沿的模型做成Prototype（樣品）推銷給公司2和3的研發、產品部。
國內某一本自動化專業本科，國內某985碩士（研究方向：動態優化+并行計算）
畢業于普通的一本院校，非985，非211，專業也是普通的工科專業，本科期間學習成績良好，但是也沒有學過任何與人工智能相關的內容。碩士期間從事的是CUDA并行計算的研究，將一些優化算法通過GPU并行加速。
順豐科技，第一年16*15K，CUDA高性能計算，只招聘兩人，順利拿到Offer。主要工作內容是將一些人工智能的相關算法并行加速。
華為C++測試崗，第一年 16*15K，由于具備良好的C++編程基礎，所以拿到大廠的Offer基本不成問題。
這個案例告訴我們，找到一份好工作對學歷是有一個基本的要求的，但是要求并不是很高，身邊很多的人也都是普通本科出身，通過自身的學習和努力一樣能得到好的工作機會。另外對專業的要求也并不是很嚴格，因為國內目前基本還沒有人工智能專業，只要是工科相關專業，或者數學統計專業，乃至于經管類專業都可以比較容易的轉行到人工智能。
曾參與了并完成了優達學城自動駕駛課程，并由此獲得了滴滴自動駕駛的實習機會。
這個案例告訴我們，碩士的研究課題其實很多時候和找工作關系并不大，因為目前國內的碩士教育依然是偏重學術研究。本案例中的同學碩士研究方向和自動駕駛沒有什么關系，但是他通過自學并參與了優達學城自動駕駛課程并由此獲得實習機會。如果沒有參與課程的話僅僅依靠其碩士研究的內容是很難找到好工作的。
德國某Tier 1 Corperate Research（可以理解為研發部）機器學習組， 應用方向有安防、機器人、自動駕駛，8W歐元左右/年
某車廠自動駕駛系統部門（可以理解為產品部）機器學習組，產品為自動駕駛系統中的各個模塊，7W歐元左右/年
從各大互聯網公司先后創建人工智能研究院，以及以下這些高薪攬才計劃便可略窺一二。
年薪平均估計60w左右，上不封頂，本科生-博士生都有機會入，CTO直接面試，每年招10人，半年base美國office的機會
IDL部門（機器學習、深度學習），年薪100w+，每年9人，30歲以下，工作地北京、深圳，一年后硅谷或常青藤名校訪問至少半年，三年后帶領20-30人團隊
滴滴研究院，面向全球高校博士、碩士、優秀本科生的精英人才計劃，研究方向包含機器學習、計算機視覺、機器人、自動控制、汽車工程、人工智能、數據挖掘、最優化理論、分布式計算、圖形圖像、語音識別、語音合成、自然語言處理等
要求，全球TOP100 CS相關碩士博士畢業，人工智能相關，待遇：上不封頂offer，深圳市還有“孔雀計劃”160w的獎勵
硅谷科技公司巨頭，如斯坦福這樣的名校畢業碩士，去Google就有可能達到20W刀/年的package
個人認為，表面上人才飽和的狀態是AI里面相對基礎的一些崗位，而高端人才永遠是稀缺的。
事實上，AI領域的技術更新非?？?，無論什么位置都需要不斷的學習和提升，對應聘者提出了更高的挑戰。
全球 TOP 互聯網公司及學術界人工智能方向薪資、高薪的攬才計劃有哪些？
因為自己本科數學，碩士應數、優化理論，博士研究其實更偏運籌學、組合優化，因此可以說非人工智能科班出身。
人工智能、大數據這些新興專業，是隨著工業界與日俱增的需求而隨之出現的（中國最近批準了第一批試點的幾十所高校開設人工智能專業）。其實任何專業都是這樣一個需求導向的過程，包括微電子，計算機，還有什么房地產專業，幾十年前可能根本不存在這些專業。
但是自然科學如數學、物理、化學、生物長盛不衰，是有其道理的，這也是為什么我們初高中我們都在學這些東西。
這些專業名詞在剛出現的時候往往是“憑空造詣”或者是強加術語，然而知識是需要積累的，每個新興專業都是建立在一些基礎科學的基礎上，這也是我下面的回答要強調的--學習人工智能非一朝一夕，而是要從最基本的數學基礎開始打好地基。
人工智能任何模型和算法的實現，當然需要編程了，因此C/C++/Python任選一門（推薦Python，因為目前很多庫和Library都是用python封裝）。
數據庫：存儲數據，人工智能通常需要用到海量數據，因此如何更高效的存儲和管理以及調用數據，就顯得尤為重要。SQL等數據庫，以及Hardoop，Spark等并行計算的框架，是最近的熱點，推薦學習。
線性規劃+凸優化：或者只學一門叫numerical optimization，統計和人工智能，到最后幾乎都會歸結為求解一個優化問題，當然也有純優化模型不用統計模型的
機器學習:其實傳統機器學習，通篇都是在講用一些統計和優化來做聚類、分類和預測這三個人工智能最常見的應用
深度學習：卷積神經網絡的復興掀起了深度學習席卷全球的號角，毫無疑問，它是目前人工智能的核心，必學！
學到這里，你基本就會發現，學這一門課中間會穿插著很多其他課的內容。恩，知識總是相通的嘛，特別是這些跨專業的新興學科，都是在以往學科的基礎上由社會需求發展而來。
以上所有課程基本都還是理論、數學模型層面的，雖然講理論的同時會穿插一些應用案例，但是系統學習某一應用領域還是非常必要的，再加上一些項目和實習經歷，基本就是轉到AI工業界的敲門磚了。
汽車行業（自動駕駛）、制造業（次品識別）、安防（人臉識別）、機器人（SLAM）等
由于應用數學+運籌學的背景，加上本科研究生修過一些編程和算法課程，因此我轉戰人工智能就只缺機器學習/深度學習+實戰訓練了。
我所在的海德堡大學數學與計算機學院，有海德堡大學圖像處理中心，因此我很方便地旁聽和選修了機器學習、深度學習、計算機視覺三門課程+一些研討班。
另外由于博士課題是關于圖像分割的，雖然博士論文用的是傳統機器學習和組合優化交叉的算法，但在博士最后階段，一位合作教授提議將這個方法應用在時下很熱的語義分割（在自動駕駛和醫學圖像等領域都有應用）方向，于是又順理成章地獲得了一部分深度學習的經驗。
事實證明，最后的這個深度學習小項目，是面試官最感興趣的部分。而我現在工作的主要內容，也和此項目息息相關。
對于這段經歷感興趣的同學，歡迎收聽我和牛津大學醫學圖像博士后渡博士（牛津大學實驗物理博士）聯合舉辦的關于轉專業AI的知乎Live
個人感覺，理工科背景的小伙伴，在有了一定的數學和編程基礎之上，要轉到人工智能領域并非難事。
以上個人經驗，更適用于剛進入研究生或博士階段不久的同學，有著充裕的時間打好數學和編程基礎，循序漸進、逐步提升。
但是對于那些快要畢業，或者已經在工作崗位上從事其他專業的小伙伴，或許不是那么適用。
一方面，如果按照以上關卡一道道通關地自學，很容易被前期枯燥的數學和編程基礎所累，導致前功盡棄。
另一方面，AI中的軟件、算法工程師職位，大都不需要那么多數學基礎，因此很多課程可以只挑重點看。
所以對于希望“速成”的同學，可以需要一個課程 list，通過比較系統的課程先入門，最好有項目可以練手，進入這個行業后再慢慢提升。找到第一份AI工作，通常是機器學習工程師。
一方面把一項職業所必須的技能樹都涉及到，另一方面設計了難度適中的作業，讓自學過程中可以及時檢驗成效。
最重要的是，還有考試，以及pass考試后，會有“證書”（簡歷加分利器）??！
人工智能正以我們意想不到的速度蔓延到各個行業以及社會的方方面面，農業、制造業、醫療、交通無不有它的身影。
或許不久的將來，他會像蒸汽、電力、電腦、手機、互聯網一樣，成為我們日常生活必不可缺的一部分。
是的，我們已經處在這一次科技革命之中，而人工智能，正是這一次科技革命的根源并且將被載入史冊。
簡歷投遞
商務合作
媒體垂詢
