如果未來想從事人工智慧相關職業，本碩博以 neuroscience 甚至心理學為背景有助益嗎？

01-11

本題已加入知乎圓桌 ? 心理學職業發展指南，更多「心理學職業發展」的相關話題歡迎關注討論。

原來的專欄寫了這個問題

http://zhuanlan.zhihu.com/p/20726556?refer=VisNeuro

直接貼在這個問題下面。

經常看到知乎上討論人工智慧和認知神經科學，沒辦法，這是兩個社會層面和科研層面非常火熱的話題。首先要說，這篇東西並不是給某個雜誌或者公眾號類似於科普性質的介紹，而是很實際的回答一些入門者的困惑，所以不會扯一些描繪未來偉大藍圖的大道理。這篇東西主要針對本人看到和收到的日益增多的問題，如果我未來想從事人工智慧相關的職業，需不需要本科/碩士/博士以neuroscience（甚至是心理學。。）為專業或者是申請neuroscience的本科/博士項目？？

首先直接拋主要觀點，如果你現在明確了未來職業發展是在人工智慧方向（大學教授/大公司演算法研究員，機器學習工程師），不需要在本科/碩士/博士以neuroscience（甚至是心理學。。）為專業，在可能的條件下，優先選擇 CS/EE/Applied Math等方向。

我喜歡把neuroscience劃分為兩個大類 - 分子神經科學和認知神經科學 (注意這只是一個簡單劃分，其中當然有交叉，而且大概給了個名字, 請各位不要摳字眼)。

分子神經科學傳統上就代表了神經科學，到目前為止也是整個神經科學最大的一部分。對於分子神經科學來說，和人工智慧幾乎沒有關係。這部分的研究更看重微觀層面，常常問的問題是，這個蛋白有什麼功能？這個突觸有什麼變化?這種情況下神經電信號是怎麼傳導的？對於這一大類問題，其研究思維和研究方法，和傳統的生命科學更為接近，也叫神經生物學，身邊的朋友在此行當的不少（也是經常在網上被黑成生物狗的那部分人。。）。這類研究非常重要，對一些神經性疾病（比如前段時間大火的漸凍人）有很突出的貢獻，但是真的和人工智慧幾乎沒有關係。舉一個例子就很容易理解，著名學者饒毅，他的研究就是一些行為的分子機制，在各大頂級科學期刊上發表了無數優秀的研究，可是這些研究哪一條真的和目前機器學習演算法能聯繫起來？？術業有專攻，這個領域目前來說就是和人工智慧很遠。

好了，我想更多人的問題是，那麼神經科學的另外一半 - 認知神經科學到底和人工智慧有什麼關係?

這無非是兩個點，認識神經科學對人工智慧的影響以及反過來人工智慧領域對認知神經科學的影響。先說前者，後者是個更有意思的話題。

對前者的主要觀點，認知神經科學確實對人工智慧有幫助，但是這種幫助截止目前來看非常有限。

每天我的手機上都在推送各種媒體公眾號的評論文章，強調未來腦科學和機器學習演算法的高度交融，未來我們會生活在一個智能的時代，blablabla。。。這些原則上都沒有錯，未來確實是這個趨勢。可是，對入門者選擇方向給建議和探討學科前沿的發展趨勢，出發點是完全不一樣的。這些高屋建瓴的科普並不能給入門者提供一些實際可操作的建議，入門者選擇方向是面向基礎，問題是哪個方向更能幫你進入這個領域的核心。

在機器學習演算法當中，確實反映了一些認知神經科學的知識，比如深度學習裡面的卷積神經網路,其中卷積這一步就是完全模擬的是人類視皮層的加工方式。可是，除了這一條，各位還能舉出多少條類似的應用？哪怕是卷積，這也是三四十年前的神經科學知識，而且這個想法Lecun 80年代就有了。可以說，目前機器學習演算法中應用到的神經科學知識，可能還不到整個神經科學知識的1%。所以你說神經科學對這些演算法發展到底有多大的作用？

退一步來看，神經網路在最近幾年的長足發展，和認知神經科學的發展幾乎一點關係都沒有。機器學習發展主要來自於數據量的增多和目前運算速度的加快。計算機本身是個偏應用的學科，一個演算法吹的再好聽，和人腦再相似，你的performance不如別的演算法，那就是扯談。這也是為什麼神經網路進入上世紀90年代之後完全衰落的原因，因為說起來是模擬人腦，實際上不work。神經網路最近火起來，又正是因為performance開始大大超越別的演算法了。所以整個邏輯鋝下來，和認知神經科學有半毛錢關係么？所以你要問我，認知神經科學對目前人工智慧演算法有幫助么？有幫助。有多大幫助呢？Who knows。未來會有大融合么？這是一個趨勢，趨勢，趨勢。。。

回到本文的初衷，主要是給入門者選專業的建議，求學的過程很重要，一門學科的思維方式和學術訓練決定了你未來的研究思維，尤其是本科/博士兩個階段。既然已經明確未來從事人工智慧方向，而人的精力又是有限的，為什麼不直接去面對這個領域，直接解決這個領域的問題，而去旁敲側擊的學習neuroscience呢？另外一個現實層面的考慮，學校博士項目的設置其實遠遠落後於最新技術的發展。目前很多大學的neuroscience program都還是非常陳舊的神經生物學那一套，如果你真的進入這樣的program或者跟了一個完全分子生物學背景的老闆，可以說和人工智慧研究基本絕緣了。學習交叉學科現實上就是很困難的。另外，深度學習等等本質是個工程問題，神經科學本質是研究科學問題。博士期間好好發文章在一些計算機頂級會議，比如CVPR，ICCV等，對你在人工智慧領域的發展遠比發表一些神經科學期刊更有幫助。

另外有幾個點值得注意

第一，目前人工智慧領域的幾個大牛，比如FeiFe Li, Yann Lecun, Geff Hinton等，確實都有一定認知心理學和neuroscience的背景。Deep mind的創始人，Demis Hassabis博士期間也是認知神經科學家。但是Hinton和Hassabis都是計算神經科學（computational neuroscience）出身（這個以後再講。。），只是廣大神經科學領域當中很小的一部分。而且，成功人士的光環總會帶來一些誤導，認為做人工智慧就必須要學neuroscience，顯然是不對的（馬雲是學英語的，所以我們想當首富就要去學英語？？？）。再退一步說，我們有多少人能成為他們這樣的頂級大牛？大部分人未來就是在某個技術公司做個engineer或者創業實現一些具體演算法而已。

第二，對neuroscience感興趣是好事，我說的這些也只是針對入門者方向選擇這個問題，因為學生總是要選擇一條主要方向的，要是double major或者輔修，那就當我沒說。從邏輯上看，我只是討論認知神經科學和人工智慧互相的作用，並沒有否定認知神經科學和人工智慧各自本身發展的重大的意義（所以不要說我是某某黑）。

還剩一點，反過來, 目前機器學習等領域的突破，能給認知神經科學的發展帶來哪些幫助呢？如果特別想學交叉學科應該怎麼辦呢？

有空以後再寫。。。。

人工智慧還是挺大的。心理學想要在基礎演算法方面有所建樹不容易，在這裡總結一下在人機交互（HCI）領域，人工智慧和心理學相關的幾個方向吧。

第一，如何通過機器學習和自然語言處理挖掘與人的心理，認知有關的信息，從而自動進行決策活動。

認知計算（cognitive computing）通過機器學習，自然語言處理來自動模擬人的認知過程。IBM的Watson就是這樣一個大的認知計算系統。比如通過對文本的分析尋找對問題的答案（jeopardy），從醫療文本裡面挖掘診斷方法等等。這方面可以用到很多認知心理學方面的理論。
社會計算（social computing）和認知計算類似，但是更偏向和人心理，行為有關的方面。比如如何從社交媒體數據里挖掘人的性格（IBM之前有也很多這方面的研究）。這方面工作我認為跟心理學關聯還是很大的，但如果缺乏對心理學本身理論的了解很容易陷入機械的演算法遊戲，但很可惜現在看來真正了解心理學和演算法的人還不是很多。

第二，將心理學理論應用在人工智慧系統的設計上，讓人和人工智慧系統更順暢的協同合作。

人與機器人交互（human robot interaction）機器人如何與人一起工作？如何設計機器人能夠讓人感到更自然？這方面需要社會心理學，認知心理學的共同作用。
人工智慧有關的人機交互（human computer interaction）人如何和人工智慧系統交互？例如，智能家電（Nest）如何設計能夠在讓人感到舒適的情況下同時鼓勵人們節省能源？這就同時涉及了說服理論（persuasion），行為改變（behavioral change）等方面的心理學理論。
眾包（crowdsourcing）眾包的研究我認為是將人和人工智慧相結合的很好的例子。例如先通過眾包的方式，讓人去標記圖像的內容。之後再通過標記的數據集，可以用機器學習的方法得到圖像識別的演算法。讓人做人擅長的事情，機器做機器擅長的事情。在這方面的研究里，也有很多有關如何激勵（motivate），獎賞（reward）眾包參與者的研究，和心理學也是息息相關的。

無論你是想在業界找份好工作還是在學術界，都不要選neuroscience或者心理學。因為其實更重要的是數學和計算機。因為魚與熊掌不可兼得，不要拿了芝麻丟了西瓜。

謝邀，無益。

答主雖然不是圈內人，但是在 McGovern Institute for Brain Research at MIT 做Neuroscience相關研究已經半年了，並且工作中大量用到Machine Learning。幾點要說明的是：

1. Neuroscience本質上還是一個實驗科學，所以在做研究的過程中就算是做數據處理那一部分，也會涉及到很多的實驗設計，大量的生物學背景知識，甚至親手操作濕實驗，所以這種經歷對包括AI在內的其它工作貢獻微乎其微。

2. AI是一個非常廣的概念，涉及很多方向和知識，但要想在這個領域具有競爭力，最需要的依然是math和statistics。

3. Neuroscience對AI的幫助是在於Neuroscience的發展會對AI的發展有促進，而不是個人學習研究Neuroscience所得會對AI的實踐和研究有所幫助。舉個例子：Computational Perception Cognition 這個組裡倡導二者互相促進，所以有兩個Track：一批Neuroscientist和一批做Neural Deep Learning。雖然說是緊密結合，但其實大部分組會都是分開進行的，辦公室也都是獨立的。

當年開創這個時代的那批人確實是兼修二者，但不代表後人也需要在這兩方面都有很高造詣，也不是人人都能面面俱到。所以若有志於AI，切莫誤把現在Neuroscientists拉Funding的說辭當作個人發展的指引了。

既然@何靜邀，我就說說我的看法，僅供參考。

好好學數學和計算機，這是和人工智慧直接相關的內容。至於題主所說的專業，我是沒學過的，相信絕大多數從事本行的人員都沒學過。憑興趣去學是沒什麼問題的，知識面廣對自己的專業領域是有啟發意義的，但是對絕大多數沒有學通本領域現系統知識的人來說，給你們一缸域外啟發都是沒有意義的，反而可能將你們發展成民科。

以上。

首先，心理學永遠在任何行業有用，每行每業離不開人際交往，這時候就是體現心理學作用的時候啦

造飛機需要的是CFD（計算流體力學），而不是研究鳥類。

同理，研究和學習人工智慧，並不需要什麼生物的故紙堆里的知識。反倒是物理學思維對於人工智慧有巨大的影響和啟發。典型案例就是統計力學裡的Ising model（一個簡單的模型，但可以產生相變，是已知的系統里可以產生相變的，最簡單的）對於機器學習就有巨大的作用。

不過的確，用認知科學輔助計算機科學的想法，是的確存在的。比如十分著名的人機交互問題。但是科學之所以成為科學，比如人工智慧，是因為他是以數學思想，數學方法為導向的。而不是類似於化學生物那樣習慣於用描述性語句的學科為指導（收集郵票）。

當然了，化學和生物包括心理學也存在一些數學方法。也希望數學方法在這些學科中的應用逐漸成熟，並改變這些學科內在的一些不足吧。

另外給你推薦一個學者的學說，或許對你會有幫助。德國大物理學家Herman Haken。他是激光理論的早期創立人之一，另外在非線性理論方面也有巨大的貢獻。不過據說他在心理學方面也頗有成就。是物理學家，化學家和心理學家。另外，他晚年還研究過中國的道教和中醫。老先生今年90多歲，依然活的非常健康。

另外，眾所周知，21世紀是計算機的世紀。不要相信你們高中老師的鬼話。即使在生物/化學系，他們往往也是失敗人士。

某些神棍鼓吹所謂21世紀學科，其實本質上都是失敗的。人類的進步，一直以來，其實往往都是數學思想的進步。

本科是基本功，心理學本科會朝實驗設計放向帶，神經生物學多會把你往生物學方向帶，cs的話會幫你往編程方向帶，數學會把你朝著理論基礎方向帶，EE會把你往工程方向帶。

至於哪個好，看導師方向。進實驗室都是有分工的，導師也是有需要的，有的用AI方向的知識做心理學建模，就會要會心理學和計算機的，有的要做AI演算法的，就會要數學和計算機的。所以找准自己方向，干好該乾的就成了。

至於哪個好，我只能說無論哪個方向，都是要編程的。

取決於您想從事什麼職業了。

如果去業界，應該學cs，心理學和神經科學可以當做興趣自學；

如果當小教授混碗飯吃，應該學cs或數學（本科）/運籌學（碩、博），心理學和神經科學仍然可以當興趣自學；

如果立志留學美帝常春藤，能像hinton當年那樣沉潛下來幾十年任勞任怨深研dl那樣做基礎研究，忍得住漫長的孤獨、擔得住暫時的清貧，以搞出諾貝爾獎級成果為人生目標，那麼應該學習神經科學或認知心理學，因為這就是人類科學取得重大突破的下一個未來！

目前來看，人工智慧理論的主要驅動力還是數學。根據我的認識，如果你本碩博都是在讀非計算類的 neuroscience，那麼十有八九你會發現你的數學功底會讓你連基本的機器學習課本都看不懂；所以做人工智慧的研究型崗位（目前為止，似乎這些崗位主要還是看重數學技能）會比較困難。neuroscience 反哺人工智慧，目前來看還得依靠高人開闢新的思路；或者真的就是還需要時間。不建議個人以從事人工智慧為目的，曲線救國，學習 neuroscience。

沒有。考慮到phd的時間成本，可以說這樣就算是告別AI了。一定要學CS/EE/math相關專業。

沒有從任何學科入手，就是想做套象人一樣的會自己思考的機器，結果把所有占邊的學科都學了，哪怕是些皮毛也都是有用的，不這樣不得以覽全貌。

我個人認為需要做到以下知識的積累，能比較好的幫助你認知AI：

硬體層面從物理學-化學-生物學-醫學-神經生物學。

軟體層面從計算機原理-信息科學-語言學-心理學-社會科學（橫向擴展）-哲學。

最難的是軟硬體在計算機領域是可以相互轉換的，硬體可以用軟體實現（如虛擬機），軟體也可以硬體化（如硬解碼）。智能研究也是一樣，軟體層面和硬體層面的知識要能融會貫通才能夠進一步升華，也就是到了能用物理學去解讀哲學的時候，人工智慧就是道菜了。當然這裡的人工智慧指的是有機會超過你我智慧的智能體，而不是弱智機器。

人工神經網路源於對人腦的研究，但無意完全"模仿人腦。人工神經網路的正確性是有數學理論的支持的。（來自米切爾機器學習）

Media accounts often emphasize the similarity of deep learning to the brain.While it is true that deep learning researchers are more likely to cite the brain as an in?uence than researchers working in other machine learning ?elds such as kernel machines or Bayesian statistics, one should not view deep learning as an attempt to simulate the brain. Modern deep learning draws inspiration from many ?elds,especially applied math fundamentals like linear algebra, probability, information theory, and numerical optimization. While some deep learning researchers cite neuroscience as an important source of inspiration, others are not concerned with neuroscience at all.

摘至mit的deeplearning教材chapter 1。總之神經科學作用及其有限。

neuroscience 心理學和人工智慧嚴格上毛關係都沒有，你想從事人工智慧好好去研究機器學習演算法之類的， computational neuroscience還算有點關係，你可以利用腦成像數據做一些分類識別之類的應用，但是這個屬於應用層面，很難在演算法上有所突破。

Neuro undergrad 表示大部分 neuro major 都是 premed 沒錯我也是心痛到窒息

對於 neuroscience 這種坑點比較多的學科，一旦跳下去就很難上來了，估計就永遠告別人工智慧。如果已入坑，可以選一個離人工智慧比較近的坑，比如說computational neuroscience。

人工智慧說近其實還挺遠，現在的人工智慧無非還停留在一幫人的智慧輸入，並未達到自我分析的程度！對於未來的助益，我看有生之年你看不到！所以你想吧！

補充一點，人工智慧!=機器學習

目前人工智慧研究的主流仍然是黑盒模式，即從表面對智能進行模擬而不管其內在構造。機器學習並不是構造一個類似於人類的神經系統，而是讓演算法幫助我們找到一種解決問題的模式模式。這其中的關係大概就和量子力學之於電路設計，不必了解電子的運動規律仍然可以設計出電路。

在最近5、6年，求職的熱門方向不斷變化。順序大致是國際/國內石油企業銀行、投行、基金等金融相關行業 ios、互聯網相關的創業企業現在alphago之後，人工智慧又很火。但是等到答主幾年之後畢業求職，這個行業還會保持熱度嗎?希望答主考慮好是否真正想進入這個行業不要太衝動。實際上，生物相關領域創業也是很好的，答主可以考慮一下

不沾邊的兩種科學，交叉應用後可以做假肢應用