码猿,未来十年有哪些专业将会大火

码猿，未来十年有哪些专业将会大火？

预测是一件极难的事情，也是最容易被打脸的事情。

我想起可怜的开尔文勋爵，一位著名的物理学家，温度的国际单位就是拿他的名字来命名的。开尔文在19世纪的最后一天，代表物理界做新年祝词，总结并且展望20世纪。他说：“物理学的大厦基本都落成了，只要做点修修补补的工作了。现在美丽而晴朗的天空只剩下了两朵乌云。”意思是说，把两朵乌云解决了，物理就没什么可做了。结果是大家都知道了，这两朵小小的乌云引出了爱因斯坦的相对论和量子力学，物理学进入了一个波澜壮阔的革命年代，原先的物理框架全部被推倒重来。

我也经常看一些科幻片，科幻小说和电影都是人类对自己未来的预测。可以发现，预测成真的不是很多。说起来儒勒·凡尔纳是杰出的一位，预测对了很多事情，但一般人很难预测对。像世界上很多智库，花了很多人力物力来做预测，成功率也是有限。

我铺垫了这么多，就是说，我的预测也不一定对啊。比如，现在锂电池很火，谁知道几年出来一个新材料，火的不得了。这种最难预测。我能做的就是对现在的专业做个梳理。

作为一个保守的人，我先做排除法，就是一定不会火的专业。我觉得现在不会火的专业，今后也不太会火了。比如，农业、机械、化工、石油等，不是不重要，而是它们不再属于科技前沿、发展重点，变化不会太大，所以不会火爆。

现在最火的是人工智能，人工智能会对我们的职业会进行大量的取代和颠覆，现在很多工厂都是无人工厂了，被机器人取代，所以，我们不能做这些工作，防止被取代，比如低端的会计、内科医生、影像诊断、***的书记员等工作，估计也不需要了。

排除完最差的，现在可以说最火的专业了。

现在国家、巨型公司全在投资人工智能。人工智能的应用也很广泛，机器视觉、机器翻译、智能家居、智能制造等，这些应用都刚开始，所以，人工智能肯定会很火。不过，人工智能是交叉学科，需要的知识比较多，建议要读研、读博。

当年的工业革命持续了几百年的时间，信息革命还不到百年，刚刚开始，大量的应用等着大家去开发。5G之后，物联网才真正进入应用时代，需要层出不穷的应用软件，所以计算机和软件两块的人才需要非常多。

计算机、人工智能里的基础都是信息的处理、传递，所以这块的人才不像前两个那么直接，也是非常需要的人才。

现在整个技术的发展，是由实向虚发展。所有物体、商品、人物都是各种数据组成的信息包，大数据里隐藏着各种秘密，所以大数据相关的专业也应该很火。

当人类能掌控的财富越来越多时，对自身的健康就会越来越关注，需要更多的医生来为自己服务。人工智能能部分辅助医生的工作，但还不能取代人，所以医生会需求旺盛，现在医学院的分数也非常高，表明了大家对医生前景看好。

人总是免不了要跟钱打交道，金融也是人类一重要的活动，只要有社会存在，金融类都会火，机器没法取代，因为最终需要人的决策。

写这个我是有些犹豫的。首先，人类肯定不满足地球了，希望要去更远的地方看看，所以现在航空航天专业已经很火了。其次，其实航空航天类专业不需要这么多人去搞，设计飞船、飞机，不需要这么多人，也容纳不了这么多学生。这个专业跟生物一样。生物也非常重要，但关键是研究，并不是应用层面。所以，这个专业的报考我持审慎态度。

法律这个专业已经叫了很多年，在国内没有达到国外那么火爆的地步。从社会运行来说，也许这样是好的，因为诉讼太深入人心，有时候会降低社会效率。不过，随着大家对法律的越来越认可，总体大家都是希望依照法律来办事，所以，律师这个行业也是可以的。不过，律师非常两极分化，富的极富，穷的极穷。要做好这个思想准备，要下苦功才行。

这些专业应该怎么选择？我觉得最重要的，还是要按照兴趣来，有兴趣才能做好。在跟AI的竞争中，也发现，低端工作容易被取代，技术含量高的不容易取代。比如当码农，也许人工智能到了一定阶段，对于简单的应用，人工智能就会自己编程，但对于复杂的场景，肯定还需要人。所以，不管这些行业是不是最火的，都不能松懈，精通成为专家才行。

大家觉得呢？欢迎来谈谈。

编程能否用人工智能？

人工智能确实可以编程。

近日，据外媒 TNW 报道，Google AutoML 系统居然自己写了一串机器学习代码，其效率竟然超过了专业的研发工程师。这让我们人类的优越感何存？你们这些机器人学生啊，学习能力不要太强哦。

在人工智能顶级人才匮乏的情况下，为了让机器学习模型的设计过程更加简单，提升研发效率，谷歌于今年 5 月推出了“AutoML”，顾名思义，AutoML 实际上就是一种让模型设计过程自动化的机器学习软件，该系统会进行数千次模拟来确定代码的哪些方面可以作出改进，并在改变后继续该过程，直到达成目标。

为了测试 AutoML，谷歌将其自行设计的模型用在了专注图像识别的 CIFAR-10 与语言建模的 Penn Treebank 两大数据集上。实验证明，AutoML 设计的模型的性能表现与目前机器学习专家所设计的先进模型不相上下。令人尴尬的是，有些模型甚至还是 AutoML 团队的成员设计的，也就是说，AutoML 在某种程度上超越了自己的缔造者。

5 个月过后，AutoML 又往前迈进了一部。据外媒 TheNextWeb 报道，在某个图像识别任务中，AutoML 设计的模型实现了创纪录的 82% 的准确率。即使在一些复杂的人工智能任务中，其自创建的代码也比人类程序员更好，比如，在为图像标记多个对象的位置这一任务中，它的准确率达到了 42%；作为对比，人类打造的软件只有 39% 。

AutoML 的进展超出了很多人的预期，那么为何机器在设计深度学习模型这一任务上表现的如此出色？先让我们来了解下 AutoML 的工作原理。

AutoML 是如何设计模型的？

作为 AI 领域的领头羊，谷歌其实暗地里做了不少尝试，包括进化算法（evolutionary algorithms）和强化学习算法（reinforcement learning algorithms）等，并且都展现了不错的前景，而 AutoML 则是谷歌大脑团队利用强化学习取得的成果。

在 AutoML 架构中，有一个名为“the controller（控制器）”的 RNN（循环神经 ），它可以设计出一种被称为“child”的模型架构（子模型），而这个“子模型”在训练后可以通过特定任务来进行质量评估。随后，反馈的结果返回到控制器中，以此来帮助提升下一次循环中的训练设定。如下图所示：

生成新的架构、测试、把反馈传送给控制器以吸取经验——这一过程将重复几千次，最终，控制器会倾向于设计那些在数据集上取得更好的准确性的架构。

AI 工程师古筱凡表示，AutoML 的运作过程实际上可以分成以下两部分：

元学习的热启动：在机器学习框架中寻找效果好的算法；计算不同数据集之间的相似度，相似的数据可以采取类似的超参数。

超参数优化，算法包括：Hyperopt（TPE 算法）； AC（基于随机森林）；Spearmint。输入不同的超参数为，以损失函数为准确率，调优器会在随机选择一些值的基础上，利用贪心算法去寻优。

下图的两个模型是基于 Penn Treebank 数据集设计的预测模型，其中左边是人类专家设计的，右边则是 AutoML 设计的。

谷歌团队表示，机器自行选择架构的过程其实和人类设计模型架构的过程是有共通之处的，比如两者都采用了合并输入，并借鉴了前向的隐藏层。不过，AutoML 也有一些值得一提的亮点，比如机器选择的架构包含了乘法组合（ multiplicative combination），比如上图中 AutoML 设计的模型的最左边的“elem_mult”。对 RNN 而言，出现这种组合的情况并不常见，可能是因为研究人员并没有发现这种组合有什么明显优势。但是有意思的地方在于，近来正好有人提议过这种 ，并认为乘法组合能够有效缓解梯度消失/爆炸的问题。这意味着，机器选择的架构对探索新的神经 架构有很大的帮助。

此外，这种 或许还能教会人类：为何某些特定类型神经 的效果更好？比如上图右边的架构有非常多的 channels，因此梯度可以向后传递，这也解释了为何 LSTM RNNs 的表现比标准 RNNs 的性能更好。

AutoML 开源地址是 https://github.com/automl，感兴趣的朋友可以自己动手尝试一下。

AutoML 会取代 AI 工程师吗？

AutoML 能在短时内取得显著进步，证明了用机器设计模型这个方向是有前途的，但是 AutoML 的终极目的是为了取代 AI 工程师吗？

现如今，AI 专家必须通过本能和试错来不断调试神经 的内部架构。加州大学伯克利分校研究员 Roberto Calandra 表示 ：“工程师的很大一部分工作本质上非常无聊，需要尝试各种配置来看哪些（神经 ）效果更好。”Calandra 认为，因为要解决的问题越来越难，神经 也越来越深，未来设计一个深度学习模型的将会是一个艰巨的挑战。

而从理论上来讲，AutoML 未来设计一个深度神经 所耗费的时间，与人类专家相比几乎可以忽略不计，而且这个由机器设计的模型的效果也会更好，显然 AutoML 将大有可为。

但是，这并不意味着 AutoML 会将人类从 AI 系统的开发过程中剔除出去。

实际上，AutoML 的主要目的会降低机器学习的门槛，促进 AI 的民主化。要知道，即便实力雄厚如谷歌，也不敢说自己已经拥有足够的 AI 人才，因此降低门槛，提高效率，对 AI 行业的发展至关重要。

谷歌首席执行官 Sundar Pichai 在上周的发布会上表示：“如今，这些（AI 系统）都是机器学习专家亲手搭建的，而全世界只有几千名科学家能够做到这一点。我们希望让成千上万的开发者也能够做到这一点。”

因此，虽然 AutoML 可能没有继承谷歌顶尖工程师的理论基础和数学才华，但是它却可以帮助 AI 工程师节省时间，或者启发他们，为他们提供灵感。

古筱凡也认为，AutoML 是真正的机器学习，它把经验性的工作自动化，现在的机器学习只是半成品。AutoML 能极大地降低未来机器学习的门槛，将是普通人使用机器学习的利器。

据悉，AutoML 团队将会对机器所设计的架构进行深入的分析和测试，帮助 AI 工程师重新审视自身对这些架构的理解。如果谷歌成功，这意味着 AutoML 将有可能引发新的神经 类型的诞生，也能让一些非专业研究人员根据自己的需要创造神经 ，造福全人类。

AutoML 可能不会取代 AI 工程师，但是机器都这么努力了，你还有什么借口偷懒？！

怎样学习开发软件？

软件包括很多种类，也有可能用不同的程序语言去开发，如果自学的目的是开发一套实用的软件，而不在于编程技术本身，那对于企业管理软件范畴，其实已经可以不用学代码就能开发软件了。想要自学软件开发的快捷 ，其实只要选对工具就没问题，可以考虑无代码开发平台，比如云表企业应用平台。

1、上手简单。用云表开发软件，只要你懂中文，会用Excel，无需任何编程基础，就能够通过画表格的方式轻松“画”出管理系统的模块。

2、灵活自主。云表和传统软件的根本区别之一，就是云表可以完全适应企业的发展模式，自主搭建模块，你只要熟悉企业业务，需要什么模块，就搭建什么，需要改变了，随拆随建。

3、节约成本。因为无需写代码编程，云表开发周期短，不用专业程序员，人工费用省，又完全帮你规避了企业花大价钱买回软件，很多功能根本用不到的风险，绝对省时省力省心又省钱。

4、功能强大。除了上述特性，云表还支持工作流，权限设置，数据共享，并链接外网，为企业完全解除信息孤岛，又能够与主流信息系统无缝集成，保护企业原有的IT资产，还可以一键生成手机app，实现企业移动化办公，当然，它也支持二次开发，时刻跟随企业的脚步，共同成长。

下面是用云表开发软件的案例

用云表做管理软件，不用编程，不用数据库知识，不用写代码，0基础0门槛，谁都能做。不怕学不会，云表还有免费软件培训班，10天就可以基本学会软件的开发。有了云表，人人都是程序员，人人都可以开发软件。这是因为云表是基于表格编程技术的软件开发平台。这些编程、敲代码的工作，早就事先替你完成了，它呈现为一个个简单易懂的工具包，让你点点鼠标、输入简单的中文文本，就能搞定。

实用的软件，免费送给你

案例还有许多，篇幅有限，在这里不便细说，如果对软件有兴趣，我这里有免费获取的

之一步：下方评论留言

第二步：关注本号+私信发：云表

按以上操作完成后，系统会自动发送软件给你私信哦，请留言、关注、私信

分享一下经验不容易，点个赞，点一下转发，把经验共享给更多人，就是对我更大的鼓励！

猿辅导电脑版笔记本电脑可以用吗？

可以进入官方网站下载猿辅导；下载后可以在手机上查看电脑上课码将电脑上课码输入至电脑客户端的输入框红回车，就可以进入教室。

你对物联网了解吗？

提起物联网你会想到什么？智慧城市？智能交通？无人驾驶？智能家居？但是如果要你系统的说一下物联网是什么，你知道吗？

究竟“物联网”是何物，如何快速的清理行业脉络，建立起知识框架，今天我们就来讲讲。

物联网的发展

物联网的概念来源于比尔盖茨1995年《未来之路》一书，在《未来之路》中，比尔盖茨已经提起物联网的概念，只是当时受限于无线 、硬件及传感器设备的发展，并未引起重视。

2005年，突尼斯信息社会世界峰会上，国际电信联盟发布了《ITU互联网报告2005：物联网》，正式将“物联网”称为“The Internet Of Things”。

报告中指出：无所不在的“物联网”通信时代即将来临，世界上所有的物体从轮胎到牙刷、从房屋到纸巾都可以通过因特网主动进行交换。射频识别技术（RFIO）、传感器技术、纳米技术、智能嵌入技术将得到更加广泛的应用。

当然，物联网的发展不是一蹴而就的，这是一个循序渐进逐渐成熟的过程，欧盟根据物联网的发展现状提出了四阶段的产业规划：

之一阶段（2010年前）：基于RFID技术实现低功耗、低成本的单个物体间的互联、并在物流、零售、制药等领域开展局部的应用。

第二阶段（2010-1015年）：利用传感网与无处不在的RFID标签实现物与物之间的广泛互联，针对特定的产业制定技术标准，并完成部分 的融合。

第三阶段（2015年-2020年）：具有可执行指令的RFID标签广泛应用，物体进入半智能化，物联网中异构 互联的标准制定完成， 具有高速数据传输能力。

第四阶段（2020年之后）：物体具有完全的智能相应能力，异构系统能够实现协同工作，人、物、服务与 达到深度地融合。

物联网的概念

物联网是通过射频识别（RFID）、红外感应器、全球定位系统、激光扫描器等信息传感设备，按约定的协议，以有线或无线的方式把任何物品与互联网连接起来，以计算、存储等处理方式构成所关心事物静态与动态的信息的知识 ，用以实现智能化识别、定位、跟踪、监控和管理的一种 。

物联网的关键技术

1、传感器技术：这也是计算机应用中的关键技术。大家都知道，到目前为止绝大部分计算机处理的都是数字信号。自从有计算机以来就需要传感器把模拟信号转换成数字信号计算机才能处理。

2、RFID标签：也是一种传感器技术，RFID技术是融合了无线射频技术和嵌入式技术为一体的综合技术，RFID在自动识别、物品物流管理有着广阔的应用前景。

3、嵌入式系统技术：是综合了计算机软硬件、传感器技术、集成电路技术、电子应用技术为一体的复杂技术。经过几十年的演变，以嵌入式系统为特征的智能终端产品随处可见；小到人们身边的MP3,大到航天航空的卫星系统。嵌入式系统正在改变着人们的生活，推动着工业生产以及国防工业的发展。如果把物联网用人体做一个简单比喻，传感器相当于人的眼睛、鼻子、皮肤等感官， 就是神经系统用来传递信息，嵌入式系统则是人的大脑，在接收到信息后要进行分类处理。这个例子很形象的描述了传感器、嵌入式系统在物联网中的位置与作用。

物联网的技术架构

物联网架构可分为三层：感知层、 层和应用层。

感知层由各种传感器构成，包括温湿度传感器、二维码标签、RFID标签和读写器、摄像头、红外线、GPS等感知终端。感知层是物联网识别物体、采集信息的来源。

层由各种 ，包括互联网、广电网、 管理系统和云计算平台等组成，是整个物联网的中枢，负责传递和处理感知层获取的信息。

应用层是物联网和用户的接口，它与行业需求结合，实现物联网的智能应用。

物联网的应用

1. 物流

自动化仓库：自动检测物品的出入，向供货商自动发送订单

自动化运输：物品上的电子标签根据后台系统信息，自动选择合适路径

供应链商业模式变化：用户直接通过物联网向商品本身发订单。

2. 智能交通

实时获取路况信息，监视和控制交通流量。

可以实现车辆与 相连，优化行车路线。

可以无缝地检测、标识车俩并收取行驶费用。

3. 医疗物联网

体内智能诊断设备，有助于疾病的早期诊断，增强康复效果。

生物降解材料的智能设备，能够检测体内温度湿度，防止皮肤问题。

新型个人医疗设备，使得病人在家即可接受医疗，远程医疗可避免昂贵路费，减少病人的压力。

家庭中的智能设备，在老人出现意外时发出求助信号。

4. 机场防入侵系统

可防止人员的翻越、偷渡、恐怖袭击等攻击性入侵。

5. 世博会门票

纸质门票：基于RFID技术，以无线方式与遍布园区的传感器交换信息，安全防伪，快速验票；跟踪查询，人员分流。

手机门票：用户使用的RFID-SIM卡，是基于RFID技术，以手机SIM卡位载体实现的一种全新电子票。可直接购买附带门票信息的SIM卡，或通过网上下载写入SIM卡，“刷”手机即可入网。

物联网的日趋成熟的背后是传感器技术、信息技术成熟的结果，这使得物联网应用能够逐渐深入日常生活中，向智能化转变。