大家好,今天小编来为大家解答以下的问题，关于EDA与人工智能，eda技术与vhdl这个很多人还不知道，现在让我们一起来看看吧！

本文目录

1. 想学人工智能需要哪些基础呢？
2. 百度AI“凉了”以后，国内人工智能谁才是真正的王者？
3. 数学专业可以学习人工智能深度学习吗？
4. Windows、PS、CAD都可以破解，为何设计芯片的EDA不能？

想学人工智能需要哪些基础呢？

姑且把题目理解为“应用/学习人工智能需要哪些基础知识/技能”来回答。换个角度，从目前整个行业的不同岗位角色分工讨论（仅罗列学科、课程或知识要点，不展开）

1.技术岗位角色

共性基础知识：概率论与数理统计、随机过程、组合数学、高等数值分析、应用随机过程、数值计算、泛函分析、近世代数、矩阵分析、现代优化方法、不确定规划、计算几何、算法复杂性理论、机器学习、模式识别、智能系统、深度学习、神经科学导论、数据结构与算法分析、最优化理论、人工智能导论、非线性系统与控制、数据采集、数据清洗与标注等语音算法方向：声学导论、工程声学、语言学概论、自然语义理解、语言哲学、语义最小论与语用多元论、语法化与语义图、现代数字信号处理、语音识别、语言模型、语音合成、语音信号处理等视觉算法方向：数字图像处理、计算机视觉、视频编码与合成、视频处理与应用、图像分类、目标检测、图像分割、目标跟踪等数据科学算法方向：机器学习与数据挖掘、可信计算理论、移动计算理论、信息系统建模、图论及应用等工程部署方向（云端）：数据结构、数据库原理、MySQL、并行计算理论、LINUX操作系统、SpringMVC/Struts2、Mybatis、JSP&SERVLET、HTML5、JAVA、SpringMVC、源代码分析与实践、大型分布式网站架构设计与实践、Docker容器与容器云、PythonCookbook、Go语言、MongoDB大数据处理、NoSQL数据库技术实战、大型网站技术架构、Devops等工程部署方向（终端/边缘）：ARM体系与架构、Rtos系统、Android系统（HAL驱动、系统定制、应用开发）、Linux系统（uboot移植、kernel移植、rootfs制作）、C/C++、汇编、Shell脚本、硬件常用知识（处理器技术、存储设别与技术、接口技术、显示、摄像头、扬声器、麦克风等各种外设、传感器技术等）、通信协议（有线通信如USB，以太网；无线协议如蜂窝移动通信、WIFI、蓝牙、Zigbee、NFC等）、物联网协议与技术、数字信号处理信号、自动控制原理与技术、信号检测与估计等工程部署方向（硬件）：模拟与数字电子技术、射频电路、微波与天线、通信原理、传感器融合理论、电子设计EDA、集成电路理论、半导体器件与工艺、音视频技术、材料工程、机械工程等测试技术方向：声学测量、视觉测量、软件测试理论、硬件测试技术、自动测试技术等

2.产品岗

产品经理认证NPDP知识体系（7大模块）、产品的规划与设计、产品运营、交互体验、需求分析、原型与功能设计、文案与营销等

3.管理岗

MBA系列课程（管理经济学、营销管理、战略管理、组织行为学、会计学、公司财务管理、人力资源管理与开发、管理与沟通、经济法、国际贸易）、资产评估、领导力、市场营销、电子商务、物流管理、项目管理、合同法、公司法等

4.商务岗

市场营销、电子商务、市场调查与预测、消费者心理与行为、财务管理、商品学、商务谈判、经济学、会计学、物流管理、营销策划、品牌管理、社会心理学、零售学、品牌管理、商务礼仪、经济法、网络营销、渠道管理、销售管理、大客户营销等

码字不容易，支持原创请帮忙点赞！欢迎交流沟通，谢谢！

百度AI“凉了”以后，国内人工智能谁才是真正的王者？

没有王者，国内前面几批开发AI的，讲道理，不是成为垫脚石，就是纯骗子。

后来个个发现自己都不配做垫脚石，所以全部转型成了骗子！

数学专业可以学习人工智能深度学习吗？

先来给你说说数学专业本科生学的课程吧（如果是研究生都是估计直接冲，不会问这样的问题），数学分析、高等代数、解析几何、C/C++、概率论与数理统计、运筹学、离散数学、数据结构、数据库原理、复变函数、数值分析、算法设计及分析……

再来对比一下计算机专业学生的课程，C、离散数学、数据结构、java、数据库原理、EDA、概率论与数理统计、计算机网络、数值分析、计算机组成原理、操作系统……

不同学校同一个专业的课程也会不一样，但基本上都会有这些。目前人工智能火热，有些学校也会将机器学习等课程加入到本科生课程中。

人工智能涉及的范围很广，最为火热的莫过于深度学习，那么这里就认为指数学专业学生可不可以学深度学习。

其实从上面的课程设置来看，跟深度学习相关的就那么两样：数学、编程～

先说数学，数学专业学生在数学这方面占极大优势，比如生成对抗网络（神经网络的一种，一种深度学习方法）的生成模型和对抗模型就来自概率论与数理统计方面的知识，虽然两个专业都有学这门课，但课时是不同的，即数学专业的学生在课程要求上会更深入一点。

再说编程，现在深度学习几乎都是用python了吧，当然深度学习领域也有大神们还在写C/C++和cuda，但这样写是真的累skr人，且大部分人都没学过怎么用cuda。在编程方面计算机专业的学生会略占优势，因为就计算机思维来说是数学专业学生远比不上的，相对来说掌握python以及深pytorch、tensorflow这些度学习框架会更快点。

如果仅仅是调参，那么python掌握熟悉，熟悉一下深度学习框架，下载几个预训练模型套上数据即可，仅仅要求需要一定编程模型。但是在具体的实践中，完全一样的神经网络模型（深度学习方法）可能效果并不好，这就要求需要对神经网络有一定的了解，比如激活函数的效果，卷积池化的作用，根据这些来修改以达到良好的效果，然而激活函数、卷积池化这些其实全都是数学上来的，不见得多高深但是至少得会。

上图表示一个卷积操作，其数学表达式为：

相对其他专业来说，数学专业和计算机专业的学生是很有优势的了。做一些应用的话计算机专业的学生短期内会更有优势，比如用已有的神经网络模型完成一些图像识别、文本情歌分析，但是从长远来看，数学专业学生是更有优势的，因为在硬件条件固定的情况下，要想深度学习效果更好只有在理论上做到更有优，所以你可以看到SOTA网络（指该算法（模型）的性能在当前是最优）的数学理论越来越复杂。。。

如果打算走下去了，就开始学吧……

Windows、PS、CAD都可以破解，为何设计芯片的EDA不能？

整天想着去怎么破解人家的商业机密和商业成果，居心何在？良心何在？这和偷窃有什么区别呢？

如果你真正能把Windows破解的话，那么，为什么不能设计出一个windows的系统呢？

这只能说明你的破解只是一种表面现象，无法了解软件的核心和真谛！

另外，芯片采用的是不可逆的复杂性系统工程，它是由诸多国家，众多企业，无数专家们，经过近百年的知识积累，共同互信协作，共享知识成果而成！

就算你打开了，你也无法仿照，就算你仿照了，也无法应用。就算你仿制成了，这也只代表一时一事，殊不知，科技是迅速发展，岂能刻舟求剑？

希望大家还是尽量遵守国际准则，尊重别人的知识产权，不要整天想着去偷偷摸摸，更不要想着去破解人家的软件！

因为这样操作，会引起别人的反感，这个世界上谁也不是傻子，偷仿永远不会成为科技发达的国家，也只能永远跟着别人的屁股后边跑……！

人间正道是沧桑。只要你诚信，你遵重知识产权，你才能有朋友，你才能有合作伙伴。

如果又担心别人制裁，又都想什么东西自己制造，甘蔗没有两头甜。更何况现在已经是数字化互联网时代的二十一世纪了，不要再梦想着回到四十年前的自力更生年代了……

如果只是闭门造车，只能是贻误战机，长期这样的话，对于自己非常不利，而且把自己的圈子越做越小，市场越做越小，最后技术反而会越来越落后。

加拿大从没有发明什么window，人家不是照样用吗？英国也没有生产什么芯片，人家不是照样整天有芯片用吗？

做正确的事，做正经的事，做正常的事，我们与天下人心交心，天下人才能与我们成为朋友。你尊重别人，别人就能信任你，别人的东西就会为你所用，否则，整天想入非非，到头来反而是一事无成。

EDA与人工智能的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于eda技术与vhdl、EDA与人工智能的信息别忘了在本站进行查找哦。