美国人工智能博士

人工智能技术正在快速发展，而各国对于AI人才的需求是没有止境的：大家都在培养和争夺人才上做文章。前不久，教育部批准了国内35所大学的人工智能本科专业；加拿大正希望通过“全球技能战略签证”吸引国外人才流入。今天全球人工智能领域人才的分布是什么样子？中美在AI领域的差距究竟有多大？最近，加拿大Element AI的首席执行官JF Gagne发布了2019版的《全球AI人才报告》，为我们解答了这些问题。调查发现，全球AI论文发表最多的学者之中，有44%是在美国获得的博士学位，国内博士数量占11%。另一方面，AI人才的流动性很高，大约1/3的人工智能博士都不会在培养国工作，在这方面，中美都是人才净流入国。种种证据表明，当前顶级 AI 人才明显供不应求。但这种人才到底有多稀缺以及他们分布在全球哪些地方，却鲜为人知。本报告总结了我们对全球 AI 人才库范围和广度的第二次调查。我们的研究依赖于三个主要的数据源。首先，为了了解正在推进该领域的研究人员情况，我们回顾了 AI 领域 21 个主要科学会议的出版物，并分析了作者的概况。其次，我们分析了领英网几个定向搜索的结果，结果显示了世界各地有多少人有博士学位以及必备技能。最后，我们寻求外部报告和其它二手资料，以帮助我们将发现的东西放在上下文语境中，并更好地理解快速变化的全球 AI 环境中的人才库。我们的发现表明，2018 年有 22,400 人在一个或多个机器学习顶级会议上发表过论文，与 2015 年相比上涨了 36%，与去年相比上涨了 19%。同行评审的出版物数量也同步增长，比之 2015 年上涨了 25%，比去年上涨了 16%。女性较少，仅占在这些会议上发表论文的研究人员的 18%。我们还发现，AI 人才库流动性很大，大约有 1/3 的研究人员不在自己获得博士学位的地方工作。在本文调查的 21 个顶级会议上发表过论文的作者中，约 18% 的人（约 4000）贡献了过去两年对该领域有重大影响的研究。高影响力研究人员（即那 18%）数量最多的国家分别是：美国、中国、英国、澳大利亚和加拿大。对领英搜索的调查发现，根据我们的搜索标准，总共有 36524 人自报告为 AI 专家。相比去年，这个数字增长了 66%。本次调查显示，不论是自报告的 AI 专家，还是在 AI 会议上发表科学论文的作者及论文数量，都有显著的增长和扩张趋势。根据 21 个顶级会议的出版信息，我们计算了会议论文的作者数量，得到的结果是 2018 年有 22400 人在一个或多个顶级会议上发表过论文。为了与前几年的情况对比，我们收集了 2015、2016、2017 年同样的 21 个会议的出版信息。结果显示了明显的增长趋势。培养高级 AI 专家的国家也在引领就业根据参与大会的研究人员数据，我们可以观察这些发表论文的作者是在哪里接受培训的。首先，那些高产的作者主要是毕业于美国的博士。在我们的会议作者样本中，超过 44% 的人在美国获得博士学位。在中国获得博士学位的作者约占 11%，其次是英国（6%）、德国（5%）、加拿大（4%）、法国（4%）和日本（4%）。AI 专家在哪里就业？主要在五个国家：美国、中国、英国、德国和加拿大，在这些国家工作的 AI 专家占 72%。就业数据也具有相似的地域分布。我们的调查显示，美国继续吸引 AI 研究人员为之工作，占样本的 46%。在中国工作的 AI 研究人员占样本的 11% 以上，其次是英国（7%）。加拿大、德国和日本各占样本的 4%。总之，18 个最大国家的 AI 研究人员占作者的 94%，其中美国、中国、英国、德国和加拿大位列前五名（占样本的 72%）。绝大多数会议作者（77%）在学界工作，而 23% 在业界工作。为了评估 AI 专家的工作地点，我们观察他们所在公司的总部位置，而不是实际工作和生活的地点。举例而言，如果一些人在法国获得博士学位，而在谷歌的巴黎办公室工作，我们的数据则会显示其在法国接受培训，但为美国公司工作（谷歌是美国公司）。在这种情况下，外国公司的出现会为东道国带来本地投资、培训等效益，并且专家依然归属于东道国。但是，该外国公司将对其本地创造的知识产权拥有所有权。虽然这种计算方法降低了许多生态系统的价值，主要是对美国有利，但我们觉得它更好地反映了人才在世界各地流动的方式和地点。培养博士生的国家并不总是受益方人才流往何处AI 人才流动性很大，大约三分之一的研究人员并没有在获得博士学位的国家工作。我们的会议数据也了解了 AI 研究人员在完成其博士学位后将去往哪里工作。总的说来，大约三分之一（27%）的研究人员并没有选择在其读博的国家工作。在至少拥有 150 名作者的国家，这一比例更是高达 32%。这些 AI 人才的全球流动性非常复杂，并且流动背后的故事各有不同。尽管如此，这一数据依然可以使我们观察到 AI 人才在全球的流动情况。首先，我们的数据显示，一些国家对机器学习领域的研究人员特别具有吸引力。根据调查，美国最能吸引那些在其它国家接受培训的 AI 研究人员为之工作。中国其次，其能吸引的研究人员绝对数量约占美国的四分之一。我们认为每个国家的工作机会等几个不同因素会对这些结果产生影响。根据我们的数据，这 10 个地区和国家流入的 AI 研究人员比例高于流出的人员比例：台湾、瑞典、韩国、西班牙、美国、瑞士、中国、日本、英国和澳大利亚。其中，瑞士和瑞典在接收世界各地 AI 专家方面处于领先位置，其拥有的在外国接受培训的 AI 人才分别占 50% 和 49%。英国位列第三，在外国获得博士学位的研究人员比例占 44%。在未来的项目中，我们希望探究一些国家为何有如此多流入的研究人员；这大概由于一系列原因，包括工作机会和研究人员回归故国。比较各个国家的人才流入与流出根据各个国家 AI 人才的流入与流出，我们绘制了下图：今年的调查发现，在这些顶级国际会议上发表论文的作者总量比去年上涨了 19%。为了评估这些作者当前对这一领域的影响力，我们分析了他们的论文在 2017 和 2018 年的被引用次数。结果发现，约 18%（约 4000）的人这两年里对该领域有显著的影响。这些作者在顶级学术会议上发表的论文被引用次数最多，而且他们的知识也很渊博，相信他们会继续为这个领域做出重大贡献。对致力于将理论转化为实践的团队来说，这些专家也是潜在的人才来源。会议数据表明，这些研究人员主要集中在一些国家，此类研究人员数量最多的前五个国家分别是美国（1095）、中国（255）、英国（140）、澳大利亚（80）、加拿大（45）。各国 AI 人才的学术背景根据领英网（LinkedIn）的统计，大约 1/3 的 AI 人才都接受过计算机科学方面的教育，不过学术背景的分布在各国略有不同。这一统计中有一些值得注意的地方。首先，所有领英网的数据都是自报告的：自愿选择加入网站，并自我解释受教育、工作经验和目前工作情况。第二，虽然领英网具有广泛的影响力，但它在一些国家中的代表性不佳。在美国，已有 1.44 亿美国人拥有 LinkedIn 档案——这大约代表了 44% 的美国人口。在加拿大，领英网也有 38% 人口的高注册率。但在俄罗斯，领英网的渗透率仅有 5%。在中国这个机器学习领域举足轻重的国家，领英网注册人数只有人口的 3%。去年与 Wired 合作时，我们分析了人才库中机器学习领域的女性研究人员所占比例。结果表明该领域离性别平衡还有很长的路要走：在去年我们调查的 AI 领域三个主要科学会议中，仅有 12% 的作者是女性。在今年的调查中，这 21 个顶级会议中，女性研究人员仍然很少，仅占了发表论文作者的 18%。我们的调查发现，AI 领域的这种性别失衡在业界和学界都存在：在学界中，在会议上发表论文的作者中有 19% 为女性，而在业界，发表论文的作者中仅有 16% 为女性。结论2019 全球 AI 人才报告展示了在人工智能领域有影响力学术论文作者，以及自报告 AI 专家的数量。他们的数量在过去的几年里有了显著的增长。在 AI 领域里，女性的影响力仍然不足，但一些国家相比其他国家更加接近于平等。

全球顶尖的AI人才都聚集在哪里？如何分布？看完本篇报告，相信你能找到答案。全世界的顶尖AI人才到底有多少？他们大多在哪里读博，又去了哪里工作？一份《2019年全球AI人才报告》，将近几年AI人才趋势展现了出来。这份报告由加拿大人工智能公司Element AI的团队完成，前不久刚获图灵奖的Yoshua Bengio就是这家公司的联合创始人之一。报告数据来自2015到2018年21个AI顶会论文的作者数据，辅以相关的LinkedIn数据，总共确定了36524人可以称得上是顶尖AI人才，而这三万多人读博、工作所在地等相关数据，透露出关于目前AI人才的一连串秘密：顶尖AI人才集中在美国，中国数量第二，中美AI人才总和占到世界的57%。顶尖AI人才国际化程度高，三成以上有海外经历。美国AI博士中，除了留在本国的，来中国最多；中国AI博士中，除了留在本国的，去美国最多。高引论文作者数中国排第二，学术界贡献比例全球第一。转专业搞AI风行，德国、俄罗斯、以色列顶尖AI人才非计算机背景者超过一半。顶尖AI人才，半数在中美人才方面，超过44%的顶尖AI人才都是在美国读的博士；第二多则是中国，培养了将近11%的AI博士；之后则是英国6%，德国5%，加拿大、法国、日本各占4%。而在博士们毕业之后选择工作地点方面，中美英三国都成功吸引了更多别国的博士。三万多名顶尖AI人才中，46%在美国公司工作；为中国公司工作的博士超过了11%；英国则是7%，加拿大、德国、日本各占4%；同情一下法国，培养的博士多，能用的博士少。可以看出，人才的虹吸效应还是很明显，基本都奔几个强国去了，前五名的美中英德加包揽了72%的AI人才，而前18名的的国家则包揽了94%的AI人才。国际化程度高，中美人才交流最频繁AI人才普遍国际化程度非常高，大约三成（27%）AI人才读博和工作的地方不一样；而去掉顶尖AI人才不足150人的国家，这个数字达到了32%。上面这个图中，左侧是人才们读博的国家，右侧是他们工作的国家，中间连接线的粗细，意味着在这里读博、去哪里工作的人数多少。而所有跨国连接的线条中，最粗的两条，分别是美国读博-中国工作，475人；以及中国读博-美国工作，440人。中国AI人才净流入先来看看在中国毕业的那些博士们：中国培养的2370名顶尖AI博士中，四分之三留在了国内；440人去了美国公司工作，大约占到18.6%；加拿大和英国也是两个不算太小众的选择。再看看在中国公司工作的AI博士们：2510人，要比中国培养的AI博士稍多，第一大来源国还是美国，475人，其次则是英国，100人，可能很多都是赴英美的留学生归来。美国的中国博士也很多而在美国，数据其实很类似。先来看美国高校毕业的AI博士们：美国博士很多，大约在万人上下，除了留在美国之外，这些美国高校的AI博士们的第二选择正是中国，其次才轮到英国、加拿大、德国这些国家。当然，美国高校的留学生多，这个数据也可以看做是各国赴美读博的AI人才比例。再看正在为美国公司工作的AI博士们：刚好，除了本国的博士之外，第二大来源国正是中国，其次才是英国、法国、德国这些国家的博士。另外，一个亚裔关心的问题：在美国公司工作的印度AI博士，只有100人。这样看来，中美之间的AI人才交流实际上是非常频繁的，远超过了欧洲那一连串传统的发达国家，这和中国科技行业的迅速发展是分不开的，另外这一类的交流也促进了跟多AI研究的诞生。高引论文作者人数中国排第二在这三万多名AI人才中，根据近三年来论文引用数量判定，会发现其中有大约4000人的研究对整个领域都产生了显著的影响。这4000人里，1095人都在美国，其次中国（255），英国（140），澳大利亚（80）和加拿大（45）。而所有的这些高影响力研究，大多数都来自学术界而非工业界，学术界出产的高影响力研究占比最高的是中国（90%），其次是意大利（86%）和美国（84%）。而来自工业界的高影响力研究占比最高的国家是法国（30%），其次是印度和以色列（各占29％）。半路出家，有何不可通常而言，学术界都喜欢“根正苗红”的学生，这些学生从本科开始就学习本专业，一路成长为专家人才。在AI领域，“专业对口”的包括计算机、电子电气、信息科学等专业类型，但其他专业跑来做AI的人才在世界各国都为数不少。下面的统计图，就是各国AI顶尖人才出身于哪个专业的数据。各国的AI顶尖人才中，都有不少是学物理和数学专业的，还有一些学神经科学、生物信息学、机械工业、化学出身者，甚至还有少量非理工科的经济学出身人士。所以，想转行AI不要觉得自己专业不对口，毕竟像德国、俄罗斯、以色列这几个国家，专业对口的顶尖AI人才不到一半。不努力社交，可能找不到女朋友报告里还统计了各个国家和地区AI专家中女性所占的比例，下面的数据来自2019年的顶会论文作者。整体来看，顶尖AI人才中女性占到18%，，学术界这一数字是19%，工业界则只有16%。西班牙、新加坡、中国和澳大利亚是AI圈子里女性最多的地方，均超过了20%；日本则是女性最少的地方，顶尖AI人才中只有不到十分之一是女性。看来，在AI领域工作，要想方设法扩大社交面才能找到女朋友，毕竟不是所有人都能像吴恩达一样，在圈内找到真爱~本文由 @CDA数据分析师 翻译发布于人人都是产品经理。未经许可，禁止转载题图来自Unsplash，基于CC0协议

这个时代的家长，很少有人不关心自家孩子的教育，而近几年新崛起的人工智能技术，又让教育以及其他各个行业都受到了巨大的挑战与冲击。技术如何改变教育生态？科技发展又给教育带来哪些挑战？12月8号，斯坦福大学人工智能/机器人与未来教育项目主任、里兰学院联合创始人蒋里博士受邀到中国教育三十人论坛做了题为《人工智能——未来教育的机遇与挑战》的主题演讲。国内唯一一份国家级的，面向全国教育界的教育日报，也是迄今为止中国最具权威和最有影响力的教育新闻媒体《中国教育报》对蒋里博士的演讲进行了报道。还有像新华网、环球网、南方都市报、现代教育报、网易新闻、凤凰网、新浪网、腾讯网等国内数家权威媒体也对蒋里博士的演讲进行了多角度的报道。（新华网）（环球网）（凤凰网）（南方都市报）（现代教育报）在中国教育三十人论坛上，论坛成员及数十名专家学者围绕“科技发展与教育变革”的主题展开了一场激烈的思想风暴。在谈到人工智能给未来教育带来的挑战时，蒋里博士的一句话让现场的听众印象深刻：“人工智能思维是未来社会的常识，在中小学阶段人工智能思维教育和数学一样重要。我们有必要让孩子提前10年到15年，接触到世界最前沿的科学技术，包括人工智能、机器人、设计思维。”“用最前沿的科技去点燃孩子学习的内在动力，培养他们成为引领未来的人才。”蒋里博士这样说，也是这样做的。为了能够让更多的孩子学习到全世界最前沿的科学技术知识，蒋里博士在美国硅谷创立了里兰学院——全球第一个跨国青少年在线精英教育平台。到现在为止，蒋里博士已经带领里兰学院的团队在国内外进行了多次实践和尝试：在美国硅谷设立混龄班，将小学、初中、高中的孩子放在一个班级，讲解斯坦福研究生的人工智能课程。在摒弃了繁杂的数学公式后，小学三年级以上的孩子也能较好地理解各项知识点；受邀到中国最顶级的公立和私立学校给学生们讲授人工智能/机器人的知识，还去到中国最偏远、海拔3000多米的贫困地区，给当地小学的孩子们讲授最前沿的人工智能/机器人知识。毫无学科基础的孩子们，在浅显易懂的教学方式下，也都听懂了这些全世界最前沿的科学技术知识。科技发展日新月异，未来将是人类与人工智能/机器人并存的时代，我们很有必要让孩子提前15-20年学习全世界最前沿的科学技术、人工智能/机器人、设计思维等知识。最后，分享蒋里博士在中国教育三十人论坛上再次强调的“人工智能思维的三点核心”：第一，了解、掌握人工智能的基本原理，人工智能是如何运作的。只有懂得人工智能工作的原理，才能更好地利用人工智能技术帮人类做事。第二，拥有能够区分人的智能和人工智能的能力。比如想象力、创造力、共情力以及解决问题的能力等。第三，能与人工智能协作的能力。未来孩子的出路不是与人工智能/机器人竞争，而是要学会与人工智能/机器人进行协作，让科技为我们所用。

走进武汉纺织大学云计算与大数据研究中心，史爱武教授带的几位研究生因疫情影响刚刚返回学校开始学习。史爱武教授悉心询问学生们的生活、学习状况后，来到自己的办公室——即将挂牌的智慧党建创新研究中心。这位1972年出生的教授，有23年党龄。从小深受红色熏陶的他，在美国纽约学习和工作近10年后毅然回国，将自己擅长的新兴信息技术与党建结合，一头扎进了智慧党建发展的研究中。史爱武，美国纽约大学计算机博士，对外经济贸易大学产业经济博士后。中国电子学会云计算专家委员会委员，中国通信学会云计算专家委员会委员，教育部战略研究中心云计算首席科学家，武汉纺织大学阳光学者特聘教授、云计算与大数据研究中心主任。主要从事云计算、大数据、人工智能等新兴信息技术及应用研究。怀揣报国初心学成归来史爱武出生于红色大别山革命老区黄冈。1994年，他从武汉纺织大学自动化本科专业毕业后去往华中科技大学计算机专业继续深造，并于1997年5月加入中国共产党。硕士毕业后，史爱武选择了改革开放的前沿深圳。工作中，他发现国内计算机水平与世界先进水平差距很大。因此，在2001年获得全额奖学金后，史爱武决定赴美继续攻读计算机科学博士学位。在美国纽约学习和工作近10年后，2009年史爱武又作出一次重大决定——回国从事对外经济贸易大学国际经济研究院应用经济学博士后研究。他说："计算机技术是微观的，企业管理是中观的，经济是宏观的，我在技术和管理方面已经有多年的知识和经验积累，想再学习宏观的经济理论，努力为祖国经济建设做出更多贡献。"此后，史爱武受聘为中国电子学会云计算专家委员会委员，中国通信学会云计算专家委员会委员，科技部专家库专家，教育部对外经济贸易大学战略研究中心云计算首席科学家，华中科技大学管理学院兼职教授，并入选"武汉市人民政府博士资助"。至今，他已主持完成8项国家和省部级云计算和大数据科研课题，出版云计算专著1部，发表10余篇学术论文，申请7项技术专利（5项已授权），授权9项软件著作权。史爱武说，这些都是他回国后真正想做的事情，利用自身学习和工作经验，为祖国贡献一份微薄之力，正是他学成回国的初心。在社会服务中孕育党建新思考2010年开始，史爱武陆续受到一些机关单位和企业的委托，为它们量身定制信息化规划和系统研发。"在社会服务工作中，我意识到思想政治工作的重要性，有时候可能胜过掌握一门技术。而我自己所掌握的现代化技术正好可以利用起来，让党建工作做得更好。"他信心十足地说道。2014年，史爱武进入武汉纺织大学，正式成为了一名高校教师。2019年他筹划成立"武汉纺织大学智慧党建创新研究中心"，运用大数据、云计算、人工智能等新一代信息技术，创新性地开展党建工作。为此，他领衔开发了"多技术融合的党员一键求助系统"，这个系统建有党建云支部，支部党员随时可以互动联系。他还开发了"党员先锋码"，每个党员平时的工作、言行均可作为大数据储存在"先锋大脑"中，史爱武介绍说，"这些数据可以在党组织生活中作为年度述职年度考核使用，使民主评议党员客观化、定量化"。疫情期间，如何开展党建工作成为了一大难题。史爱武充分利用5G技术，领衔开发了"5G新基建新党建"系统，把传统的党员集中开会的形式改变为不论身处何处均能召开视频会议，他说："就算偏远山区老党员，只要当地5G覆盖，也能参加云会议，接受云教育。"这一系统不仅让党员之间的沟通交流更为便利，同时也为常态化疫情防控形势下的党员学习教育提供了途径。然而，要想将新兴信息技术真正融入到党建中，并非一帆风顺。他说："要想真正实现创新，必须把握好理论、内容、形式和技术四个维度。虽然目前在技术方面没有什么障碍，但是另外三个方面却需要寻找外援，尤其是理论研究人员的不足，导致理论方面较为薄弱，因此未来还需要迎接各种挑战。"在教学科研中指引学生前行路将党建融入到育人中，史爱武在人才培养方面做了大量思想引导工作。他说："我每年都会教学2门本科课程，招4-5个硕士研究生，并和身边博士研究员或教师一起组成研究团队，开展一系列的云计算、大数据研发工作。"每周组织的研究生例会上，除了布置每周学习任务外，史爱武还会更多关注学生的思想、学业和就业规划等。谈及带过的学生，第一届学术型硕士研究生苏楠，是他的得意门生之一。苏楠曾获得过国家奖学金，研究生期间参与了多项互联网公司项目，毕业后很多企业都投来橄榄枝，最终他选择了阿里投资的一家上海云计算公司。2019级硕士研究生黄太昊2016年在学校光荣入党，深受史爱武影响的他说："史教授不仅教课，还教我们做人，让我们的目标更清晰、求学之路更有规划。"除了研究生培养，史爱武对本科生的指导也非常用心。从2014年起，他的团队每年都会面向本科生免费开设寒暑假软件开发实践培训班，每次都会挑选10-20名本科生悉心培养。这些学生学习认真刻苦，毕业时多数都能够考上名校研究生，或成为就业达人。在疫情期间和后疫情时期，史爱武围绕全面提高人才培养质量这一核心点，结合专业特点，积极推进思政建设，在学院公众号上推出"云上思政"专栏，专门关注计算机专业大学生的学习与成长。目前，他已完成20多万字的思政内容设置，为学生提供了学习、考研、留学、就业的规划与指导，深受广大师生好评。"学院大多数老师只专心于自己的教学和科研工作，而史教授不仅对自己的学生培养、科研工作很上心，还会投入更多的时间和精力做一些公益类事业，得到了大家的肯定。"武汉纺织大学数学与计算机学院院长胡新荣对他给予高度评价。师者，所以传道、授业、解惑也。史爱武秉持着一颗爱国报国之心，利用自身所学将科研技术运用于党建之中，同时又将党建中的思考融入到人才培养中来，在思政过程中为学生传道授业、答疑解惑。素材来源：武汉纺织大学

11月20日，在网上挂出的一则应届博士生招聘信息成为了近几天的的议论焦点。引发众人议论的内容一个是关于招聘的专业，另一个则是所提供的待遇。从这则招聘信息中可了解到该岗位招聘一位研发员，专业是关于人工智能。这可是当前的热门专业。再来看看公司提供的薪资，80万一年。对于一般刚毕业的求职着来说，这是一个非常具有吸引的力的岗位。据行业内部人员反映该岗位在去年的薪资水平还在50万左右，仅仅一年竟涨30万。这也说明这个专业的人才非常紧俏，市场供应缺口很大，才会导致企业重金挖人。说起人工智能，可能大家早有了解一些，在10几年前，国外的一些科幻电影就描绘一些在人工智能的广泛应用下的未来人类生活场景。还记得那些场面非常震撼，到处都是机器人来替代人类从事相关的工作，当时觉得这种生活是不可能成为现实的。仅仅十多年之后，在现在，我们的生活中应用人工智能技术的地方越来越多。如高铁站直接刷脸进站，停车场车牌号的自动识别，导航地图的路线自动优化等等，这些一方面降低了人类的劳动强度，另一方面的的确确给广大的民众带来诸多方便。特别是世界围棋人机大战，机器人以绝对优势获胜。这一事件说明现在的人工智能技术已经进入了新的发展层次，离电影中的那种未来生活越来越近。现在高校开设人工智能专业已经成为了一种时尚，每年高校新增这个专业的数量都是两位数以上。那么人工智能专业到底学什么呢？其实人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。因此，这个专业对学习者的逻辑思维能力及对数学功底要求是比较高的，学习的难度在目前高校所设置的专业中应该说是偏难的。所以大家在选择专业的时候，一定要根据自身的实际情况出发，不要意味追求高薪酬，万一没学懂，出来就业也是比较困难的。这个专业为什么这么火？很显然这个专业的应用性强，范围非常广。根据行业专家预计：到2020年，中国人工智能产业规模将超过1500亿元，带动相关产业规模超过1万亿元。尽管2017年全球新兴人工智能项目中，中国占据51%，数量上已经超越美国。但全球人工智能人才储备，中国却只有5%左右，人工智能的人才缺口超过500万。并且越来越多的IT巨头公司不断增加AI领域的项目，如百度、谷歌、讯飞、阿里巴巴、腾讯等这些网络巨头在人工智能技术的开发投入越来越多，前景被大家一致看好。人工智能的应用广度和深度都在不断的增加，产业规模也越来越大，人才的需求急剧增加，有人形容这个专业目前正处于风口上，出现其惊人的薪资待遇也不足为奇了。

最近，Reddit里的一名英国毕业生向网民提出询问：人工智能博士毕业，向公司要多少工资才对？网民的反应表达了全世界对这一热门行业的待遇。尽管有些国家每年可以提供500,000美元（350万元人民币），但其他国家的薪资却不如普通公务员。接下来，让我们看看人工智能的博士学位在每个国家值多少钱？英国博士学位兄弟首先介绍了一下自己：现在在伦敦，即将博士毕业，并在顶级期刊上发表一些论文。他开发的算法模型具有一定的商业价值，并为学校所认可，希望来到其他初创公司继续开发，并希望分配一部分股票。不过，学校希望他能够留在学校学习，同时研究相关项目，并询问他预期的待遇是多少。网友提出了一些建议。一种看法是，如果您在伦敦，人工智能的博士学位的起薪为每年100,000-150,000英镑（也就是9-135百万元人民币）。如果您在一家金融经纪公司中工作，拥有硕士学位的毕业生在伦敦可以每年获得60,000英镑（54万元人民币）的起薪。受访者说，他获得博士学位时，他的薪水是90,000英镑的年薪+90,000英镑的存货的年薪+30,000英镑的起薪。根据英国博士本人自身的情况来说，网民猜想他的年收入应少于10万英镑（90万元人民币）。如果要更高的价格，他必须提出最高质量的论文，并且公司必须具有相应的实力。但是一些网民质疑在伦敦获得如此高的工资是不可能的。对于一名博士来说，最高的佣金是80,000英镑（72万元人民币）。FAANG（Facebook，Amazon，Apple，Netflix，（Google））这样的巨头公司的年薪最高不能超过15万英镑。毕竟，这种情况可能更普遍，但是并非所有的博士毕业生都拥有良好的科学研究成果。通常，在伦敦，普通博士毕业生的年薪为80,000-100,000英镑（72-900,000人民币），优秀的博士生的初始薪水可达15万英镑。这就是英国伦敦的情况，但是美国呢？在讨论中，有人提出在旧金山地区，人工智能博士学位的年薪为300,000-400,000美元（210-280万元人民币），但是它仅适用于高级博士课程的学生。谷歌，OpenAI和其他公司每年将为杰出的博士毕业生支付数百万美元。对于那些没有这么强大能力的人来说，人工智能博士学位的年薪约为100,000-140,000美元（700,000-180万元人民币）（数据来自5月的最近5月）。根据调查结果）。此外，一些日本网民说：在东京地区，机器学习博士学位的起薪约为40,000美元（280,000人民币）。即使是像Google和Facebook这样的巨头，其最高起薪也不超过85,000美元。（600,000人民币）。在日本社会上这样的薪水实际上很低，相比之下，公务员对年轻人更具吸引力。人工智能博士也一样，在美国就是金砖，在英国就是铜砖，在日本就是黏土砖。在中国呢？学习人工智能需要有博士学位由于博士生在机器学习和项目工程领域的紧密融合，雇主更加赞赏博士生。与从事基础开发工作的本科生硕士相比，博士生具有更高的研究能力，更高的项目和业务理解与管理技能以及更高的创新能力。很难。根据公共关系，2017年中国的机器学习博士学位的年薪高达50万。到2018年，这个数字将达到80万。2019年，一些媒体介绍了华为的才华横溢的青年计划，已获得机器视觉的两个博士学位，年薪为200万美元。当然，这些只针对业内的顶尖人才。现在还尚无关于2020年AI博士平均起薪的数据，但“2020年度前五名AI人力资源竞争”的情况在中国互联网上广泛传播，并被许多媒体引用。虽然说其中的真实性无法验证，但数据与基础情况一致。各种公司所雇用的具体教育背景和职位尚未公开，但一些媒体推测其年薪在30万至500之间。按照近年来的情况来说，AI智能专业的高端人才还是很少，所以说培养孩子的思维能力还是要从小做起，努力将孩子养成顶级的高端人才。

PingWest品玩12月12日讯，斯坦福大学发布了2019人工智能索引报告（2019 AI Index Report）。这是斯坦福大学第三年发布该报告。以下是报告亮点：从1998年到2018年，同行评议的人工智能论文数量增长了300%以上，占同行评议期刊出版物的3%，占已发表会议论文的9%。中国现在每年出版的人工智能期刊和会议论文与欧洲一样多，早在2006年就已经超过美国。但美国出版物的领域加权引用影响仍比中国高出约50%。新加坡、瑞士、澳大利亚、以色列、荷兰和卢森堡人均在arXiv上发表的深度学习论文数量相对较高。超过32%的世界人工智能期刊引文来自东亚。超过40%的世界人工智能会议论文引文来自北美。2014-2018年间，北美占全球人工智能专利引用活动的60%以上。许多西欧国家，特别是荷兰和丹麦，以及阿根廷、加拿大和伊朗，研究人工智能研究的女性比例相对较高。出席人工智能会议的人数继续大幅增加。2019年，最大的NeurIPS预计有13500人参加，比2018年增长41%，比2012年增长800%。即使是像AAAI和CVPR这样的会议每年的出席率也增长了30%左右。WiML研讨会的参与者人数是2014年的8倍，AI4的校友人数也是2015年的20倍。这些增加反映出继续努力将妇女和代表性不足的群体纳入人工智能领域。在一年半的时间里，在云基础设施上训练大型图像分类系统所需的时间从2017年10月的约3小时减少到2019年7月的约88秒。同时，训练这样一个系统的费用也同样下降。在SuperGLUE和SQuAD2.0基准测试中获得的一些广泛的自然语言处理分类任务方面的进展非常迅速；在一些需要推理的NLP任务（如AI2推理挑战）或人类级别的概念学习任务（如Omniglot挑战）上的性能仍然较低。在2012年之前，人工智能的结果紧跟摩尔定律，每两年计算翻番。2012年后，计算每3.4个月翻一番。2015年至2019年，新加坡、巴西、澳大利亚、加拿大和印度的人工智能招聘增长最快。2019年，全球私人人工智能投资超过700亿美元，与人工智能相关的初创企业投资超过370亿美元，并购340亿美元，IPO 50亿美元，少数股权价值约20亿美元。在全球范围内，对人工智能初创企业的投资继续稳步上升。融资总额从2010年的13亿美元增至2018年的404亿美元（截至11月4日，2019年为374亿美元），年均增长率超过48%。去年，自动驾驶以77亿美元（占全球总投资的9.9%）获得了全球投资的最大份额，其次是药物、癌症和治疗（47亿美元，6.1%）、面部识别（47亿美元，6.0%）、视频内容（36亿美元，4.5%）和欺诈检测和财务（31亿美元，3.9%）。58%的受访大公司表示，2019年至少有一个职能或业务部门采用人工智能，高于2018年的47%。只有19%的受访大公司表示，他们的组织正在采取措施降低与算法可解释性相关的风险，13%的公司正在降低对公平和公正的风险，如算法偏见和歧视。全球范围内，人工智能和相关学科以及在线课程的招生人数都继续快速增长。在研究生教育阶段，人工智能迅速成为北美计算机科学博士生中最受欢迎的专业，其学生数量是第二受欢迎专业（安全/信息保证）的两倍多。2018年，超过21%的计算机科学博士毕业生专攻人工智能/机器学习。在美国和加拿大，在人工智能领域毕业的国际博士生数量继续增长，目前超过60%的博士生来自这些项目（2010年不到40%）。到目前为止，工业已经成为人工智能人才的最大消费群体。2018年，超过60%的人工智能博士毕业生进入了工业领域，高于2004年的20%。2018年，在美国，从事工业的人工智能博士毕业生人数是从事学术工作的两倍多。在美国，人工智能教师离开学术界从事工业的速度继续加快，2018年有40多人离开，高于2012年的15人，2004年则没有。按照性别划分，人工智能教师的多样化并没有显示出很大的进展，2018年，女性在新聘教师中所占比例不到20%。同样，自2010年以来，美国女性人工智能博士学位获得者的比例几乎保持在20%不变。2015-2018年间，加利福尼亚州测试自动驾驶的总行驶里程数和公司总数增长了7倍以上。2018年，加利福尼亚州为50多家公司和500多辆AVs公司颁发了测试许可证，行驶里程超过200万英里。全球央行通讯显示出对人工智能的浓厚兴趣，特别是来自英国央行、日本央行和美联储的兴趣。全世界国会记录、委员会报告和立法记录中与人工智能相关的立法显著增加。公平性、可解释性和可解释性被认为是59份人工智能伦理原则文件中最常提及的伦理挑战。在2018年年中至2019年年中确定的3600多篇关于道德和人工智能的全球新闻文章中，主要议题是人工智能道德使用、数据隐私、人脸识别的使用、算法偏差和大技术的作用的框架和指南。人工智能可以通过迄今为止确定的用例为17个联合国可持续发展目标（SDG）中的每一个做出贡献，这些用例涉及169个联合国可持续发展目标中的大约一半，但要大规模部署人工智能促进可持续发展，仍需克服瓶颈。

摘要：人工智能硅谷科技企业抢人抢疯了：不论你是应届博士还是自学成才，或者只有几年经验，只要懂人工智能，年均薪资都高达30万至50万美元。薪水增长的速度如此之快，有人开玩笑说该设上限了。每月薪资数万、一年发十几二十个月的薪水，还发期权，一旦公司成功能让你一夜变成身家千万甚至上亿的科技新贵……这不是诈骗，也不是传销，而是科技企业疯狂抢夺人工智能人才的“抢人大战”。不止是中国，现在全世界科技企业都是如此。据纽约时报，在硅谷，人工智能人才的薪资高达30万美元至50万美元之间，连应届博士、没接受过精英教育的自学成才者，甚至只有短短几年经验的新手都给到了令人惊叹的高薪。谷歌购买的人工智能实验室DeepMind完全体现出了这种现状：在2014年谷歌购买它的时候，这家公司只有50个人，去年扩张到了400人，全年人力成本为1.38亿美元，人均薪资达34.5万美元。那些在业内颇具知名度的人工智能人才不但手握极高薪资，而且还能四五年间就拿到价值成百数千万美元的企业股份。他们还拥有很大的议价能力，在某些程度上掌握着续签或者重新协商工作合同的能力，就像专业运动员的收入模式一样。最赚钱的是那些拥有实际的人工智能项目管理经验的少数高级管理者。根据今年的一份法律起诉文件披露出来的信息，前谷歌无人驾驶项目高管之一Anthony Levandowski在离职前的收入超过1.2亿美元。人工智能行业人才的薪资不断增长，增速还越来越快，以至于有人开玩笑说，科技行业需要像全美橄榄球联盟（NFL）一样，对这类人才设置薪资上限。点燃这场激烈的抢人大战的导火索主要是下面两个：竞争——比如在无人驾驶行业，争抢人工智能人才的企业可不是局限于硅谷，还包括传统的汽车制造商们，因为他们也砸下了大笔的钱财挺进这个新兴技术领域。对于Facebook和谷歌这类科技巨头来说，人工智能人才可以帮助他们解决很多问题，比如为智能手机和智能家电搭载数字助理，发现攻击性的内容。人才短缺——人工智能热潮来得迅速而猛烈，相比之下，相关人才短缺的问题就更加明显了。大公司们正试图拉拢更多的专家。解决棘手的人工智能技术问题可不像是研发一款网红APP。根据加拿大蒙特利尔的独立实验室Element AI的统计，在全世界范围内，拥有能够认真开展人工智能研究必需技能的人才还不到10000人。“显然，市场需求超过了人才供应。短时期内不可能改善。”蒙特利尔大学教授、人工智能研究者 Yoshua Bengio说，“培养一位AI博士要耗费数年时间。”受此影响，越来越多的人工智能人才走出校园，进入企业。Uber在2015年从卡内基·梅隆大学颇具突破性的人工智能项目中一举招纳了40个人。斯坦福大学有4位知名的人工智能专家最近几年已经陆续离开了。在华盛顿大学，20位人工智能教授中有6位要么正在办离职，要么就是在校外兼职为企业工作。卡内基·梅隆大学（Carnegie Mellon University）计算机科学学院院长Andrew Moore说，这是大型科技公司的理性行为，“他们急于确保自己拥有可以在这一领域开展工作的一小群人。”

新智元报道 来源：timdettmers.com作者：Tim Dettmers 编辑：木青【新智元导读】又到一年申请季。随着AI大热，计算机科学博士申请的竞争也变得激烈。如何选择学校？需要发多少论文？导师怎么选？GPA不够高怎么办……斩获CMU、斯坦福大学等名校博士offer的大神写出了史上最全分享帖，你在申请计算机科学博士时遇到的所有问题，这里都有答案。先简单秀一下手里的offer：我获得了斯坦福大学，华盛顿大学，伦敦大学学院，CMU和纽约大学的录取通知。收获是不是还算不错？我深入研究了我是如何在博士申请中取得成功的，于是写下这篇博客文章，和大家讨论，在博士申请中什么才是重要的，而什么又不是；我们应该如何选择和使用申请材料。这篇博客主要针对关注深度学习的博士应用以及自然语言处理，计算机视觉，强化学习和深度学习等相关领域的学生。我目前先假定你已经拥有相对竞争较强的个人资料，也就说你可能已经拥有一个或多个出版论文或刊物，并且你也已经与多人合作进行过研究。写这篇文章的目的是为了提高你申请成功的几率。如果你寻求更多关于博士入学的信息，我建议你先阅读以下这些资料：Academia StackExchange所有最高投票的问题和答案：https://academia.stackexchange.com/questions?sort=votes计算机科学专业博士完整录取过程，这是一位CMU老师写的：http://www.cs.cmu.e/~harchol/gradschooltalk.pdf博客文章《反思计算机科学专业招生》，这适合那些优秀但综合实力并没有那么拔尖的学生：https://da-data.blogspot.com/2015/03/reflecting-on-cs-graate-admissions.html。《如何写出一篇错误的计算机科学博士申请陈述》，反面教材可以用来参考：http://www.cs.cmu.e/~pavlo/blog/2015/10/how-to-write-a-bad-statement-for-a-computer-science-phd-admissions-application.html在接下来的文章中，我会：先定义一下申请过程中哪些是重要的影响因素；然后我们将深入研究申请材料以及如何思考这些问题；再来我将谈谈申请流程全文最主要的部分也是最后一部分将是选择学校：哪些学校对我来说门槛太高或哪些又不是那么值得你去？什么才能被称作是强大的博士申请背景？决定任何研究型大学录取的最重要因素是研究潜力：你有多大可能成为一名优秀的研究人员？主要的直接指标是研究潜力的重要性：业内大佬的建议：受人尊敬的教授高度评价你，所以人际关系很重要。研究经历：之前做过什么成功的研究、发表的论文（是否为第一作者和发表所属期刊、会议的声望）。其他间接因素有时可能有所帮助，不过作用并没有以上两个因素大，按重要性排序：本科大学背景：有些大学会很看重，其他一些大学并不care；工作/实习背景：例如以前曾在金融或Google，Facebook等公司工作过；智力：完美的GPA，完美的GRE与智力有些相关（或至少与你学习和理解的速度有关）；勇气/责任心：你在持续被拒绝、遭遇失望和失败的情况下都能表现得很好，如果你遇到并克服了困难，你可以将你的故事纳入自我陈述中。成就：赢得了数学或CS比赛。表彰：赢得了非常厉害的奖学金。擅长数学或工程学：为开源项目开发作出贡献或者使用过研究代码。家庭背景：父母是教授，赢在起跑线上如何准备计算机科学博士申请材料首先是推荐信对于推荐信，可以分为四个类别：强、好、弱和坏。请注意，录取老师在推荐信中寻找的主要内容是关于你有多少研究潜力。这部分的主要目的是让申请者了解什么是好或强的推荐信，根据这些信息，你可以找到更适合帮你写推荐信的人。非优质推荐信的特征：推荐人知道你的不良事迹并且把这些写到了推荐信里，特别是在美国，任何甚至略微有污点的过去都非常有风险；推荐人并不认识你（你上过ta的课，但ta对你没有留下任何印象）；推荐信内容很简短，只说你在课堂上表现很好；弱竞争力推荐信的特征：推荐人只在课堂上认识你；推荐人只能写一些关于你课上的表现；推荐人不评论你的研究；录取委员会或潜在的顾问都不认识推荐人。优质推荐信的特征：推荐人有一定名气，被录取委员会的部分人员知道；推荐人的姓名和工作至少被个人陈述中提到的一位潜在导师所知；推荐人与你一起做过科研；推荐人在轶事中提到了你出色的研究能力，这些事情证明了你的创造力、诚信、坚持和研究技巧；推荐人详细写了你如何发表研究报告；推荐人评论了你在实验室外的研究。强竞争力推荐信的特征：推荐人英语水平出色；推荐人因过去出色的推荐而闻名（之前推荐的学生非常优秀）；推荐人在轶事中提到了你出色的研究能力，这些事情证明了你的创造力、诚信、坚持和研究技巧；推荐人提到了你的其他能力，这些能力间接地帮助研究（工程技能，演讲技巧，人际关系技巧），并将这些技能包含在轶事中。请注意以下几点：轶事很重要，这需要推荐人真的了解你。那些招生老师也能读得津津有味，毕竟读故事比核对清单更有趣；这封推荐信不需要包含上述中的所有要素，那样会让推荐信变得很复杂；推荐信需要有侧重点。怎样界定你发表论文、刊物的含金量？是否为第一作者？发表的论文、刊物是研究经验和研究技能的直接证据。如果你作为第一作者出版，人们就知道你完成了大部分工作。如果你作为第二作者出版，人们知道你做了很大一部分工作（25％-50％）。如果你的名字是第三个或更晚，你的贡献会大打折扣，但你可能会经历整个研究过程以获得发布资格并获得大量的研究经验。如果你发表了几篇第一作者论文和一篇第三作者论文，这样就看起来非常好：它表明你可以完成团队合作。发表论文所属会议、期刊的威望：如果你在一个顶会上发表你的作品，人们就会知道：（1）你的作品质量很高; （2）你的工作可以被信任; （3）你目前的研究技能足以在大型的会议上发表；（4）你具有竞争力，可以在顶级会议的压力下保持高效。在你未来的导师看来，这有助于看到这一点：如果你有两个学生，一个已经在NeurIPS（A级）发表，一个发表在B级会议上，那么这说明第一个学生可能已准备好参与明年针对NeurIPS的研究项目，第二名学生则需要进一步准备。对于第二个学生，这个学生可能需要一年多的时间才能获得在A级会议上发表所需的研究技能。如果导师和学生之间的磨合压力较小，那么就更容易建立强大的专业关系，这使得彼此合作更容易和有趣。毕竟谁都愿意找有准备的士兵去一起打仗。因此，未来的导师将有充分的理由根据你在哪个会议上发布论文进行选择。如何撰写个人目的陈述对于大多数高校而言，目的陈述主要是为那些不想花太多时间审核资料的校方工作人员提供“过滤器”。你的写作可以展示你的思考方式，如何营销，你如何解释事物，但它也可以透露出你是懒惰的，不注意细节。对于某些机构（例如CMU）来说，个人陈述可能很重要。除此之外，个人陈述也是唯一可以解释你在某些情况下为何表现不佳的文件。例如，你可以解释你在读研究生的过程中遇到的任何特殊困难，或者它可以解释为什么你在大学的某些学期里没有做到这么好。个人陈述的结构应如下：1、在第一段，通过引人注目的开头介绍研究兴趣，使读者想要阅读更多。这是最重要的一点：如果你不能让读者对本段不感兴趣，他们不太可能专注于整本书的其余部分；2、你在研究生学习期间的研究经历（大约一页）；3、确定你将来要做的研究方向；4、确定选择导师以及选择原因；5、（可选）在适当的情况下解释情有可原的错误。在某些情况下，个人陈述可能非常重要。如果你表现出良好但不强或弱 的学术潜力，你就必须克服重大的困难才能做研究。然而，披露困难和弱点，如学习障碍和精神疾病，也可能是一把双刃剑：你可能让审核老师望而却步，也可能因为你坚持困境而表示同情和钦佩。如果你披露此类事实，则需要正确完成并且个人陈述需要非常精细化。如果你没有专人指导，请不要尝试这样做。毕竟你不只是在讲述如何克服经济困难完成学习，而是讲述你在患精神分裂症或双相情感障碍时遇到的困难。然而，如果你没有面对任何困难，不要编造毫无意义的故事：“作为一名白人、男性、上流社会的美国公民，我从很小的时候就被我的特权所困扰，我的学业表现受到了影响在这个过程中。“请不要这么拉仇恨，还是专注自己的研究能力吧。关于GRE、TOEFL、GPAGRE、TOEFL和GPA通常用作过滤标准。非常高的GPA可以成为良好指标，可以帮助那些质量不太高的推荐信和论文。但是如果你没有出版过论文，并且推荐信也很糟糕，4.0的GPA将无济于事，甚至可能还会起到反作用，因为它表明你专注于“无用”的课而不是研究。GRE和托福成绩是纯粹的过滤器：如果你有一个好的分数，你就不会被过滤掉。如果你有一个完美的GRE成绩，它可以帮助到一点点。高GRE成绩并不重要：我拿到了美国大学计算机科学专业TOP5中的三个：GRE成绩为语文159（81％），数学163（86％），写作5.0（93％）和托福120/120和GPA 8.1 / 10。任何高于3.5（满绩4.0）的GPA都可能会有所帮助。关于简历简历要列出你所做的事情。内容很重要，但内容也取决于你之前所做的事情，并且不能撒谎编经历。不要通过简单的方式或通过让你的简历看起来“漂亮”或“有创意”来“调整”你的简历，这是浪费时间。只需列出你所做的事情。了解一下申请程序（一）、如何向你的教授索取推荐信你可能需要写两封电子邮件：（1）只要问一下这个人是否可以给你一封好的或强烈的推荐信。经历丰富的推荐人如果认为他们不能给你写好的信，就会拒绝你的请求。在这种情况下，寻找其他人。（2）如果你的推荐人同意，她会要求你提供信件的一些信息。列出你和推荐人所有过的互动，让推荐人写得更生动：举个例子，需要写的是：“你在一次会议上告诉我，通过一些额外的工作，我们可以为NeurIPS截止日期做好准备。在接下来的两周内，我开发了一个改进的深度网络架构，开始撰写调查结果。接下来的一周，简扩展了我的代码以完成额外的任务。然后，我们有足够的结果将我们的工作提交给NeurIPS“不要写：“简和我在NeurIPS上发表了我们的研究。”（二）个人目的陈述尽早开始向有经验的人询问意见。如果你想透露你在读研究生的路上遇到的困难，你需要花很多时间在你的个人陈述中，你可以在你所有的申请材料中花最多的时间在这方面。也可以参考你之前申请大学时使用的个人陈述，这或许能帮你省不少时间。（三）在线申请尽早开始填写在线申请表。有些流程很复杂，需要一些时间来填写，如果你能尽早地提交，专注于写推荐信、院校选择和个人目的陈述，那就太棒了。另外，你应该准备足够的资金来做这些申请。整个过程可能花费高达1000美元。如果你没有足够的钱，请尽早向一些亲戚寻求帮助。想要读计算机科学博士，该如何选择学校？我可以考上顶尖学校吗？许多读这篇文章的人可能有着进入斯坦福大学，麻省理工学院，伯克利大学或CMU等顶尖学校的梦想。但这非常困难，竞争非常激烈。分享一下我申请的一所牛校的情况，以下几条都是申请这所牛校的人的背景条件：申请人中本科学校Top2的比例：38％Top4：52％Top20：73％每个国家的顶尖学校：84％至少4篇顶级会议论文：93％至少3篇顶级会议论文+最佳教师/青年科学家奖：98％也就说，84％的申请人来自一个国家的顶尖学校，另外你在顶级会议上的论文少于3篇，那么你进入上述学校的概率约为2％。如何入读顶尖学校？上述统计数据并不意味着你无法被这些学校录取，但这意味着如果你的个人资料太弱，你应该再花一年时间来完成梦想。例如，我将我的硕士学位延长了一年，以便进行一年的研究型实习。如果没有这份经历，我基本不可能进入这些学校。如果你的梦想是进入这些顶级学校之一，研究型实习是迄今为止最好的选择。即使你不一定想去这些顶尖学校，研究实习也没什么坏处。研究型实习将为你提供：提高研究技能，使你可以更轻松地开始攻读博士学位；测试博士或某个研究方向（NLP与计算机视觉与系统）是否适合你；一份好的甚至是竞争力强的推荐信（实习时间越长越好）；发表论文的机会。现实的学校选择你应该申请大约10-15所大学。如果你申请更多，那么你将面临着没有足够时间来真正完善你申请流程的危险。如果你申请的数量少，你会遇到手上无offer的危险。你应该有一个或两个备用大学，你被录取的几率> 75％。通常，你已经就读的大学是一个很好的候选，因为你的推荐人将导师所知。申请所有有希望入学的顶尖大学（> 10％的机会）。在剩下的大学里挑选一些你有意愿去的，你希望入学率会较高（25-33％），你应该至少备选3所这样的大学。这些大学通常是推荐人和你都希望与之合作的教授的所属大学，这时候人际关系就起到重要作用了。请注意，最好的导师不一定在顶尖学校。你可以在前20名以外的学校获得优秀的博士培养。但是，如果你考虑学术生涯，那么学校的级别将非常重要，你应该尝试在顶尖学校找到一名导师。选择大学主要是根据这所大学里的导师。确保每所大学都有多个你想要合作的导师。不要申请只有一位优秀导师的大学。如果你选择的专业范围太小，请扩大你感兴趣的区域。例如，如果你想进行深度学习和NLP，并且找不到足够的合适导师，请考虑计算机视觉或其他领域的一些导师。其他问题（一）注意：英国博士需要四年，美国博士需要6年在美国博士学位课程的前1-2年，你将完成不少课程，因为美国博士学位是为本科生设计的。相反，英国博士学位课程专为已经拥有（1年）硕士学位并且课程很少的学生而设计。具体区别如下：美国博士专为本科学生设计课程为1 - 2年，课程分散了研究的注意力，入学时有担保资金，即你有担任研究助理或助教的职位。英国博士专为硕士生设计课程为0.25 - 0.5年，你可以从头到尾专注于你的研究。资金方面可能有问题，通常取决于你的导师。这就是为什么在申请之前与潜在导师取得联系非常重要的原因。还要注意地区差异。如果你在美国学习，你也将陷入美国的研究泡沫。如果你在欧洲或亚洲学习也可能如此。如果你想加入欧洲的学术界，而且无法进入美国顶尖学校，那么申请大多数欧盟大学可能是更保险的选择。（二）博士需要硕士学位吗？在欧洲大陆，学士学位通常为3年，你需要硕士学位才能获得博士学位。在美国和英国，博士通常为4年，你可以在学士学位之后立即开始攻读博士学位。（三）工作经验很重要吗？如果你在着名的公司（谷歌、Facebook、麦肯锡、高盛等）工作，它尤其有用。如果它与软件工程相关，其他工作经验也有帮助，但任何研究经验（研究实习）都要比企业实习有用得多。只是一份好工作而没有研究经验，对你没有帮助。（四）如何挑选导师？查看他们最近出版的论文，从而找到共同的兴趣点。避免与最近没有发表论文的学者合作。在当前的研究中不需要重叠，但你应该对导师正在进行的研究感兴趣。查看他们之前的毕业生名单以及这些师兄师姐现在从事的职业，毕竟就业也是考量的一个重要指标。查一下导师是不是创业吗？他有多少学生？这些因素的组合可以给你暗示：这个导师忙不忙，他又有多少时间来指导你。根据你在研究方面的经验，你将需要一个或多或少有时间的导师。（五）我必须要拥有博士学位吗？如果你想在学术界工作，你需要博士学位。在商业中，一切都受供需关系的制约。未来几年，人工智能研究人员的供应将急剧增加。如果AI炒作崩溃，需求将会消退。这种情况可能与数据科学家在2018年面临的情况非常相似：公司只接受非常优秀的申请人，因为供应量大于需求量。在这种情况下，如果你想要转换工作或想要晋升，博士学位将会有很大的不同。你现在可能没有博士学位，但没有博士学位，如果你想转到另一个研究实验室，你可能会遇到问题（因为熟练的博士学位可能很高，而需求很低）。如果AI炒作没有崩溃（不太可能），那么你可以在没有博士学位的情况下轻松找到并转换工作。如果你对研究工程师的职位感到满意，那么博士学位对你来说可能毫无用处。由此，如果你不想做研究，就不要做博士学位。（六）我该在申请前请联系导师吗？不要对美国的教授这样做。在欧盟，有时需要在申请前联系可能的导师。如果你需要这样做，请尝试通过真正了解你导师的人介绍，例如，你的学士或硕士论文导师。如果你与这位导师没有私交，你还想写一封电子邮件的话，内容建议如下：你当前的导师是谁；关于你过去工作的总结（可选：你在哪里发表你的作品）；关于你可以以“想法：一句话解释这个想法”的形式向导师解释你想要的研究方向；如果你没有个人联系，你的潜在导师不太可能回复你。如果你没有人际资源并且你申请了欧盟（英国）大学，那么你可能需要试试申请其他地方。（七）如何为你的研究计划选择一个主题？研究提案的主题无关紧要。没有人会要求你做在研究提案中描述的工作。你可以根据在不同申请中重复使用的容易程度来选择你的研究提案主题。如果你不需要为不同的申请流程重写它，则可以节省大量时间。需要考虑的一件事：你对某个主题越熟悉，就越容易编写好的提案。参考链接：http://timdettmers.com/2018/11/26/phd-applications/新智元 AI 技术 + 产业社群招募中，欢迎对 AI 技术 + 产业落地感兴趣的同学，加小助手_2 入群；通过审核后我们将邀请进群，加入社群后务必修改群备注（姓名 - 公司 - 职位；专业群审核较严，敬请谅解）。