大家好，感谢邀请，今天来为大家分享一下7月5日人工智能的问题，以及和7月5日人工智能发展的一些困惑，大家要是还不太明白的话，也没有关系，因为接下来将为大家分享，希望可以帮助到大家，解决大家的问题，下面就开始吧！

本文目录

1. 人工智能可以实现智能垃圾分类吗？
2. 人工智能具体涉及哪些领域？
3. 软件工程师如何转行做人工智能？
4. 你怎么看待人工智能的未来？

人工智能可以实现智能垃圾分类吗？

我的观点是人工智能完全可以实现垃圾分类。

据了解目前垃圾的处理流程是:收集——分类——一部分二次利用——剩余部分填埋或者焚烧发电，在这个流程中重点环节是垃圾分类，如果要做到完全细分各类垃圾，靠人工操作直接的缺陷是效率低、成本高，而且垃圾不能细化分类仍旧会造成资源的浪费，但是如果采用人工智能机器人或者设备就可以完全将垃圾进行细分。未来的人工智能垃圾处理设备应该可实现如下功能:

1、集中垃圾成分分析

将垃圾收集回来后可以按重量分批次倒入人工智能设备中，通过扫描垃圾再根据垃圾的成分、或者密度的不同，智能设备可以通过不同的通道进行分类、分流。比如塑料垃圾与金属垃圾，餐厨垃圾与电子垃圾，还有无机物垃圾与有机物垃圾，都可以实现分类处理。

2、分散智能垃圾桶

在生活、办公、商业等区域放置智能垃圾桶收集大家投放的垃圾，该垃圾桶只有一个投放口但是投入口分别连接到了不同的垃圾桶，根据你投入的垃圾先扫描进行分类，然后运送至对应的垃圾桶，这样避免了回收到垃圾站后再进行二次分类，极大的提高了垃圾分类的效率。

垃圾的分类回收与二次利用直接关系到人类未来的发展，资源是有限的但是发展是可持续的，不管未来人工智能技术有多发达关键点仍离不开——你、我、他的环保意识。

上述是我个人观点。

人工智能具体涉及哪些领域？

人工智能共涉及九大板块，具体包括：

1、核心技术板块（AI芯片、IC、计算机视觉、机器学习、自然语言处理、机器人技术、生物识别技术、人脸识别技术、语音识别、大数据处理等）

2、智能终端板块（VR/AR、人工智能服务平台、家居智能终端、3G/4G智能终端、金融智能终端、移动智能终端、智能终端软件、智能硬件、软件开发平台、应用系统等）

3、智慧教育板块（教育机器人、智慧教育系统、智慧学校、人工智能培训等）

4、智能机器人板块（服务机器人、农业机器人、娱乐机器人、排险救灾机器人、医用机器人、空间机器人、水下机器人、特种机器人等）

5、智慧城市及物联网板块（智慧交通，智能电网，政务大数据应用，公共安全、智慧能源应用，智慧社区、智慧城建，智慧建筑，智慧家居，智慧农业、智慧旅游、智慧办公、智慧娱乐，智慧物流、智慧健康保障、智慧安居服务、智慧文化服务等）

6、智慧医疗板块（医疗影像人工智能、智能辅助诊断提醒/临床决策诊断系统、外科手术机器人、医疗服务机器人、医疗语音识别录入、混合现实技术医疗大数据平台、数据分析系统（BI）、精准医疗等）

7、智能制造板块（智能化生产线、工业机器人、工业物联网、工业配件等）

8、智能汽车板块（汽车电子、车联网、自动驾驶、无人驾驶技术、激光雷达、整车厂商等）

9、智慧生活板块（未来生活模式、智能生活家居、智能家电、3C电子、智能穿戴等）

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！

你怎么看待人工智能的未来？

刚刚过去的首届世界智能大会上，科技部部长万钢表示，最近新一代人工智能发展规划已编制完成，规划对直到2030年的中国人工智能产业进行系统的部署，同时包括与此相关的人工智能重大科技项目。

与此同时，随着技术的进步与需求的拓展，人工智能也掀起了一股投资潮和创业热。资本、技术、政策三重利好的情况下，人工智能的应用场景也在打开。市场调研显示，截至2030年，人工智能将为全球GDP带来14%的增长，也就是15.7万亿美元。其中，6.6万亿美元来自生产力的提高，9.1万亿美元来自相关消费/商业市场。

就像吴恩达说的：人工智能（AI）之于未来，正如电力之于第二次工业革命。

*人工智能搜索热度示意（对比大数据）

我们可以看到，自2012年以来，由谷歌、Facebook（FB）、苹果、英特尔等科技巨头发起的AI创企收购项目达200多个，近2017年第一季度就有30多起并购。其中，谷歌是最为活跃的收购方（11起），苹果次之（7起）。除了科技公司，福特也在今年Q1以10亿美元买下网络安全公司Sophos。

*2012年至今人工智能并购案示意

除了收购，专利研发层面，巨头们也是步步紧咬，有趣的案例包括谷歌的照片视角重构和FB基于深度学习的标签预测模型。

*微软、谷歌、亚马逊、FB、苹果专利数示意

要解释一个技术路线发展的逻辑，我们往往从宏观趋势和当前进展两个角度出发。

首先来看宏观趋势，人工智能背后代表的先进生产力能够带来巨大的经济效益，因此一直吸引着研发投入。

自1956年达特茅斯会议诞生“人工智能”一词以来，技术发展已经取得了质的突破：大数据和数据处理技术的逐步成熟，包括深度学习算法的提出，以及适合海量训练数据的GPU的引入，开启了人工智能的入口。

算法和芯片是AI建设的基础层，除了当前AI市场主流芯片，即英伟达的GPU之外，英特尔（收购NervanaSystems；FPGA）和谷歌（研发Tensor）也在推广自己产品。除了目前主流的两种改善通用芯片用于半定制的深度学习算法之外，业内也在积极研发面向人工智能应用的新的芯片，包括谷歌的TPU、我国中科院计算所的寒武纪，这类的针对特定算法以及特定框架的全定制AI芯片，以及更近一步的，IBM的TrueNorth这类的类脑芯片（BPU）。

*人工智能芯片一览（援引招商证券）

算法，尤其是深度学习算法领域，则不是巨头垄断，而是掀起了一波包括计算机视觉、语音交互、机器人/自动化、医疗、安全、消费、商务等领域的创业潮。巨头们往往选择更为基础的算法框架入手，进行开源，以构建自家AI生态，如谷歌的TensorFlow和微软的CognitiveToolkit。

*深度学习创业潮

除了基础层建设，AI的前沿进展还包括马斯克的脑机接口项目、基于ARM的深度学习芯片以及英伟达面向医疗的应用、聊天程序/聊天机器人发展出了自己的语言、英特尔的自动驾驶技术研发等。

艾瑞咨询分析师张凤表示：“目前我国71%的人工相关企业都在做技术落地应用，在算法技术方面，55%的企业在做计算机视觉，13%在做自然语言处理，只有9%的企业真正研究机器学习。能够很快把技术应用落地是我国的优势，但是对于基层的技术研究，我国的企业实力目前还无法和国外匹敌，这是劣势。”

再来看当前进展：现在的AI能做什么？引用FB研发主管YannLeCun的话，我们现在看到的AI，不到它真正的能力的5%。

关于7月5日人工智能的内容到此结束，希望对大家有所帮助。