这个人工智能时代，AI从业者的高薪也成为自带流量的热点话题。随便在百度上搜一搜，出来这样的：

这样的：

及这样的：

大数据平台的报告也在不断挑逗着大家的神经。由猎聘联合GMIC发布的《2018AI人才竞争力报告》，就指出AI从业人员的平均年薪高于互联网平均年薪近5万。

SDN社区统计的数据显示：在AI开发者中，工作不满一年的新手，最高年薪为28.7万，最低年薪也有16.2万；有着十年以上工作经验的AI工程师，最高年薪可达140万，同样具有十年以上工作经验的普通IT工程师最高年薪不到55万。

腾讯研究院发布的人才报告也显示：2017年前10个月，企业对AI人才的需求量已经达到2016年的近2倍，2015年的5.3倍，目前AI人才缺口至少在100万以上。随着人工智能产业的进一步发展，AI人才急缺的情况在未来几年将无法改善，AI人才的薪酬也预计会进一步水涨船高。

在这些数据的撩拨下，很多人对AI领域的印象就是：钱多，人少，速来。

这不仅让不少IT业其它领域的程序员跃跃欲试打算转入人工智能方向，连一些原本从事职业或所学专业与IT不搭界的人，也想通过学习Python入行AI——听说Python不仅是人工智能时代的最佳编程语言，而且简单易学很好上手。所以，现在满大街的IT培训机构都打着“Python+人工智能”旗号。

学了Python，就能拥抱几十万年薪吗？

所谓“有的放矢”，我们首先得了解AI行业主要有哪些岗位，各自需要什么样的技能，这样，才能明白是不是学了Python就能入行AI，以及自己适不适合从事AI相关职业。

据AI资深从业人士表示，目前，AI落地于工业界的技术类岗位大致分为三类：做算法、做工程、做数据。

1、算法岗

在AI界，算法工程师是一个高端、高薪也相对紧缺的职位，站在AI职业体系的顶端。按研究方向不同，分为音/视频算法工程师、图像处理算法工程师、计算机视觉算法工程师、信号算法工程师、自然语言算法工程师、数据挖掘算法工程师、搜索算法工程师等。

算法工程师的日常工作，首先就是读并读懂论文，特别是最新出炉的英文网站原版论文，以争分夺秒抢占技术制高点，据说，算法工程师们要保持平均每周阅读一篇最新论文的频率。

读懂之后，算法工程师需要将论文里的最新研究成果应用到实际业务中去，负责将实际业务问题抽象成为数学模型。

以上工作内容，决定从事算法工程师岗位的人员必须具备高素质，至少得满足这些条件：

计算机、电子、通信、数学等相关专业，本科及以上学历，目前很多算法工程师都是名校相关专业博士学历；英语熟练，达到能阅读国外专业书刊的水平；至少要掌握计算机系的本科数学知识，如微积分、线性代数、概率与统计等；必须掌握计算机相关知识，熟练使用仿真工具MATLAB等，必须会编程语言。

2、工程岗

即AI领域的软件工程师，广义软件工程师中的一个分支，也就是大家平时说的程序员。

AI软件工程师的日常工作，就是使用别人开发的框架和工具，运行已有算法，训练业务数据，获得工作模型。工作内容一般都有据可循，不需要自己去建一个新模型。

在工作中，他们大多也需要读论文，不过读论文的目的一般不是尝试最新方法，而是用已知有效的方法来解决实际问题，阅读论文的频率和学术深度，都比算法工程师们低得多。

在职业技能方面，作为AI领域的软件工程师，首先得是一个合格的程序员，必须具备程序员的基本素质：编码能力，以及基础算法能力，比如链、树、图的构建、遍历、查找、排序、删除等。

同时，在AI专业上也必须达到一定深度，特别是数学基础与机器学习算法。具体来讲，想用机器学习算法解决实际问题，AI软件工程师们需要对算法有一定程度的掌握，能简单使用某个算法、模型调优、优化运行效率。

此外，还需要具备数据处理和模型验证的相应知识，比如从业务角度区分输入数据包含的特征、了解如何将自然语言及图片等信息转化成算法可以运算的数据、能够运用统计学方法等ETL手段清洗输入数据、 能够构建训练集和测试集并进行交叉验证等，这样才能将算法和数据结合。

3、数据岗

人工智能和机器学习领域的权威学者吴恩达，曾经就人工智能作了一个著名的比喻：发展人工智能就像用火箭发射卫星，需要强有力的引擎和足够的燃料，如果燃料不够，火箭无法将卫星推到合适的轨道；如果引擎推力不够，火箭甚至都不能起飞。其中，算法模型好比引擎，而海量的数据就是燃料。

2005年，在美国国家标准与技术研究所举办的机器翻译软件评测中，在该领域初出茅庐的Google成为了最大的黑马，BLEU分值大幅超越IBM、德国亚琛工学院等诸多老牌机器翻译机构。赛后，Google公布了获胜的秘诀：他们使用了比其他团队多上万倍的数据！

不过，数据仅有规模是远远不够的，只有结构化的数据对于训练人工智能才有意义。而在结构化数据的获取中，海量的数据标注非常重要，特别是有监督模型的人工标注。因为，在真实的人类世界中，基本没有完全按规矩进行而全无意外的事情，要实现对人类真正有用的模型，还需要人工标注训练数据。

数据标注的日常工作，就是给如文本、图像、视频、音频等各种各样的数据，按照业务需求打上定义好的标签。

一般来说，只要具备高中及以上学历、任何专业的人士，经过训练后都能胜任数据标注工作，但工作繁琐，收入也不高。

怎样入门AI才实际？

了解完AI领域目前主要的三类技术岗位后，大家心里可能都有数了：算法岗太高端，普通人只能仰望；数据标注是AI职业岗中的蓝领，门槛低，意义不大；一般人想入门AI，最实际的途径还是努力成为一名AI软件工程师。

前面说过，AI软件工程师需要三方面的知识：数学基础、机器学习算法和编程技术。

其中，数学基础是重中之重，每一种机器学习算法都需要不断分析结果和数据、调优参数，得对数据分布和模型底层的数学原理有一定理解，可以说，任何脱离数学基础谈AI入门的行为都是耍流氓。而机器学习算法需要的数学基础，基本都集中在微积分、线性代数和概率与统计当中。

在机器学习算法方面，经典的算法很多，分门别类并选择适合的进行学习即可。

编程技术即选择和学习编程语言和开发环境，目前业内人士倾向于推荐Python+Pycharm，以免花太多时间学习语言而忽略重点。

这样看起来，去IT培训机构参加Python培训似乎还是靠谱的，前提是衡量下自己的数学好不好？

如果数学基础不错甚至很好，只是编程能力薄弱，确实是可以参加Python培训以入门AI。至于数学基础不好的同学，先恶补数学，搞懂微积分、线性代数、概率与统计这三门课程，显然更为实际。