以某头部企业招聘的深度学习/计算机视觉研究员为例，明确要求：

有较强的研究能力者优先，如研究生发表过第一作者CCF A 类会议或期刊等论文，或本科发表过第一作者 CCF B 类以上会议或期刊论文；

有较强的代码能力者优先，获得过 ACM 或其他商业代码竞赛的荣誉，如ACM区预赛金牌、NOI 银牌以上、百度之星决赛等；或代码开源在Github 并有较大影响；

有较强的学术比赛经验或者在重要数据集的 Leaderboard 排名靠前者优先，比如 ImageNet 学术数据集或者 Kaggle 等一些国内外商业比赛。

可以看到企业对人工智能从业者（特别是算法方向）更青睐其实际的工程能力，而非某些机构的证书。人工智能方向求职者具备有竞赛获奖经历或在高水平期刊上发表论文，则颇具竞争力。

若现在就为未来入行人工智能工程师，建议按以下学习路径进行：

第一步：数据基础篇。主要学习微积分、概率统计、线性代数和优化理论（如凸优化）。

第二步：编程语言篇。主要是学习某一门编程语言。如选择Python，则建议学习Python基本知识、常用工具（如Numpy、pandas）。

第三步：算法篇。主要学习常见典型数据结构（比如字符串、数组、链表、树、图等）、算法（如查找、排序等）。这个环节，可通过力扣(LeetCode)平台的学习来进行成果验证。

第四步：机器学习篇。主要学习常见经典的模型/算法（如回归、决策树、SVM、EM、K近邻、贝叶斯、主题模型、概率图模型、特征处理、模型选择等）。这个环节，可以通过Kaggle平台的比赛来进行成果验证。

第五步：深度学习篇。主要学习CNN、RNN、LSTM等产检模型。建议选择一门DL框架（国外的PyTorch、TensorFlow，国内的PaddlePaddle）进行深入学习和使用。

第六步：应用领域实战篇。选择应用领域，NLP、CV、DM、量化和大数据等方向，重点学习和实践。