人工智慧的大多數技術都可以在傳統通訊領域應用，然而一些本不是通訊領域的技術也開始做人工智慧的技術儲備了。例如高效能計算技術。算力跟不上時代的進步。看我簡介你說得這幾個事情的交集並不多吧？

通訊的幾個賣方都在多少年來一直致力於發掘本領域下的新技術，發展速度很快，然而ai的變數太多了，提高效率不一定會代替傳統工種，要看具體做什麼問題。為什麼風口這麼好就不能學點別的呢？ai是熱潮，但是不一定高薪水。本人在美國，曾經公司內部做過人工智慧的phd，也分析過目前該領域的突破點。總的來說，通訊專業想做的ai方向基本沒有。該領域目前熱度比較大的比如視覺和語音。然而目前以識別為主，本人從事的也是通訊相關專業的ai方向，目前的主要問題還是能不能滿足ai搜尋的需求。

當然這裡說的能滿足，是針對目前ai的演算法和算力存在的不足，然而即使現在這個缺口這麼大，依然有很多機構很多公司在開發基於通訊模型的ai搜尋，主要是google，facebook這種公司。另外ibm也發展出了基於磁帶的搜尋，有興趣可以去了解下。目前深度學習方面做的比較好的公司還是做領域內的基礎研究。除了研究生培養外，本科的ai方向本身就已經比較冷門了。很多學校特別是cmu可能在2015-2016也開始逐漸在研究和深度學習。另外，傳統的通訊專業基本上都有ai方向，但是很多通訊方向所謂的ai專業更傾向於演算法和資料結構，不夠突出。好了，最後談談本人對人工智慧這個領域的認識。人工智慧和通訊這兩個領域最接近的我覺得是演算法和工程。而演算法和工程是有相通之處的，即研究的物件都是可以透過程式設計實現的工具。我相信如果熟悉程式設計，就會把人工智慧研究和設計和ai相關專業分開，因為是在一個學科內。另外從我自己所在的公司內部來說，我對人工智慧的基礎研究也有點空間，但是對重要專題缺乏精力瞭解。另外呢，本人也做了些物理模型。下面是一些本人對專題的個人理解，歡迎討論。物理模型常常引申為離散方程組，與數學中的點集拓撲等都是有聯絡的。我們的目標也是利用離散方程組解決一些專題問題的難題。

現在物理的研究一般是基於數學的，基本上可以分為系統論和拓撲等。我們提到的任何人工智慧的基礎都是這些。這些方向研究比較多的就是公式推導的過程，一些演算法公式推導問題，求解器最佳化問題等等。比如我就關注了傅立葉變換，稀疏矩陣變換，旋量場，三維卷積層等等。目前說句公道話，通訊大的方向我都沒覺得特別好，如果你想做這些方向很快轉向人工智慧不現實。那幫工專家都不認為人工智慧有比較好的前景。