非常欢迎大家参与这个留学ai博士问题集合的探讨。我将以开放的心态回答每个问题，并尽量给出多样化的观点和角度，以期能够启发大家的思考。

文章目录列表:

1.关于计算机读研人工智能方面！
2.帝国理工和杜克大学计算机博士选哪个
3.美国计算机博士申请难不难
4.MIT: AI自动化学发现平台，超过20人博士团队，数10篇文章落地分享
5.刚毕业就60W年薪，读的人工智能专业，一不小心就成了“风口”
6.新西兰奥克兰大学人工智能专业简介是什么？就业前景怎么样?

关于计算机读研人工智能方面！

首先是方向的确定：

研究生报到注册后，应及时主动与导师联系，导师根据学生的意愿和科研工作的需要，确定研究生的研究方向、落实指导小组成员，并制定培养方案。研究生将根据研究方向归入对应的课题小组，参加课题小组的日常学术活动。

二是论文的要求：

对学术（或学位）论文的基本要求有如下9条。请各位研究生在开展学术研究工作中务必认真参照执行。

（1）论文的主要内容，是叙述一套方法在一个特定场合中的应用（当然也可以针对特定领域的问题提出解决的方法、技术及实现算法）。

（2）这套方法必须要有所创新或突破，并因而对学术界有所贡献。因此，它或者是解决既有问题的新方法，或者是既有方法的新应用，或者是以一个新的方法开启一整片新的应用领域。

（3）在论文中，必须要有能力提出足够的证据来让读者信服：针对这个应用场合，你所提出来的方法确实有比文献中一切既有方法更优越之处，或则确是对所要解决的问题是行之有效的。

（4）此外，你必须要能清楚指出这个方法在应用上的限制，并且提出充分证据来说服读者：任何应用场合，只要能够满足你所提出来的假设（前提）条件，你的方法就一定适用，而且你所描述的优点就一定会存在。

（5）还必须要在论文中清楚指出这个方法的限制和可能的缺点（相对于其它文献上的既有方法，或者在其它应用场合里）。

（6）行文风格上，它是一篇论证严谨，逻辑关系清晰，而且结构有条理的专业论述。也就是说，在方法的叙述过程，必须要清清楚楚地交代这个方法的应用程序以及所有仿真或实验结果的过程，使得这个专业领域内的任何读者，都有办法根据你的描述，在他的实验室下复制出你的研究成果，以便确定你的结论确实是可以“在任何时间、任何地点、任何人”都具有可重复性（可重复性是「科学」的根本要求）。

（7）而且，你对这个方法的每一个步骤都必须要提供充分的理由说明「为什么非如此不可」，必要时要有清晰的论证分析。

（8）最后，你的论文必须要在适当位置清楚注明所有和你所研究之题目相关的文献。而且，你必须要记得：只要是和你所研究的问题相关的学术文献（尤其是学术期刊论文），你都有必要全部找出来（如果漏掉就是你的过失），仔细读过。

（9）第（2）款所谓“对学术界的贡献”，指的是：把你的所有研究成果扣除掉学术界已经发表过的所有成果（不管你实际上有没有参考过，没有参考过也算是你的重大过失），剩下的就是你的贡献。假如这个贡献太少，也构成你论文无法及格的充分理由。

上面所叙述的条款要件中，除第（2）款之外，通通都是必须要做到的，因此没有好坏之分。一篇论文的好坏（评定标准），主要是看第（2）款所谓“对学术界的贡献”的多寡与重要性而定。

一个判断论文的好坏有一个粗浅办法：假如你的研究成果可以在国外著名学术期刊（journals，而非magazines）上发表，通常就比一篇只能在国外学术会议（conferences）上发表的论文贡献多；一篇国外学术会议的论文又通常比无法发表的论文贡献多；在国际顶尖学术期刊上发表的论文通常比一篇二流的学术期刊论文贡献多。SCI有一种叫做ImpactFactor的指数，统计一个期刊每篇论文被引述的次数。通常这个次数（或指数）愈高，对学术界的影响力就愈大。以人工智能相关领域的期刊而言，ImpactFactor在1.0以上的期刊，都算是顶尖的期刊。这些期刊论文的作者，通常是国外顶尖学府的著名教授指导全球一流的博士生做出来的研究成果。

三、完成学位论文所需要的能力

从前面的叙述可以归纳出来，完成学位论文所需要的能力包括以下数项，依它们的培养先后次序逐项讨论。

（1）文献检索的能力：在给定（或自己拟定）的题目范围内，你必须有能力利用文献检索系统（尤其是国家图书馆博士学位论文检索系统、Compendex和SCI这三套论文数据索引系统），查出所有相关的论文，而无任何遗漏。你到底要用什么样的关键词和查所程序去保证你已经找出所有相关的文献？这是第一个大的挑战。每一组关键词（包含联集与交集）代表一个论文所构成的集合，假如你用的关键词不恰当，你可能找到的集合太小，没有涵盖所有的相关文献；假如你用的关键词太一般化，通常你找到的集合会太大，除了所有相关文献之外还加上好几十倍的毫不相关的文献。

（2）资料筛选的能力：即使你使用了恰当的搜寻策略，通常找到的文献集合都还是明显地比你所需要的集合大，而且通常文献比数大概在一两百篇或数百篇之间，而其中会和你的研究课题直接且密切相关的论文，通常只有廿、卅篇左右。你如何可以只读论文的题目、摘要、简介和结论，而还没有完全看懂内文，就准确地判断出这篇论文中是否有值得你进一步参考的内容，以便快速地把需要仔细读完的论文从数百篇降低到廿、卅篇？这考验着你从事资料筛选的能力。

（3）期刊论文的阅读能力：期刊论文和大学课本截然不同。大学课本是循序渐进地从最基本的知识背景逐步交代出整套有系统的知识，中间没有任何的跳跃，只要你逐页读下去，就可以整本都读懂，不需要在去别的地方找参考数据。但是期刊论文是没头没尾的十几页文献，只交代最核心的创意，并援引许多其它论文的研究成果（但只注明文献出处，而完全没有交代其内容）。因此，要读懂一篇论文，一定要同时读懂数篇或十数篇被援引的其它论文。偏偏，这十几篇被援引的论文又各自援引十数篇其它论文。因此，相对于大学教科书而言，期刊论文是一个极端没有系统的知识，必须要靠读者自己从几十篇论文中撷取出相关的片段，自己组织成一个有系统的知识，然后才有办法开始阅读与吸收。要培养出这种自己组织知识的能力，需要在学校靠着大量而持续的时间去摸索、体会，而不可能只利用业余的零星时间去培养。

（4）期刊论文的分析能力：为了确定你的学位论文研究成果确实比所有相关的学术期刊论文都更适合处理你所拟定的应用领域，首先你必须要有能力逐篇分析出所有相关期刊论文的优点与缺点，以及自己的研究成果的优点与缺点，然后再拿他们来做比较，总结出你的论文的优点和缺点（限制）。但是，好的期刊论文往往是国外著名学府的名师和一流的博士生共同的研究成果，假如你要在锁定的应用领域上超越他们，突出自己的优点，这基本上是一个极端困难的挑战。即使只是要找出他们的缺点，都已经是一个相当困难的工作了。研究生则必须要有进行精确批判的能力。但是，这个批判并非个人好恶或情绪化的批判，而是真的找得到充分理由去支持的批判。这个批判的能力，让你有能力自己找到自己的优、缺点，因此也有机会自己精益求精。其实，至少要能够完成这个能力，才勉强可以说你是有独立判断能力。

（5）创新的能力：许多本科毕业的工程师也能创新，但是研究生的创新是和全世界同一个学术团体内所有的名师和博士生挑战。因此，两者是站在不同的比较基础上在进行的：前者往往是一个企业内部的闭门造车，后者是一个全球的开放性竞争。其次，工程师的创新往往是无法加以明确证明其适用条件，但是学术的创新却必须要能够在创新的同时厘清这个创新的有效条件。总之，如果说本科生的主要能力是吸收既有知识，那么研究生的主要能力应该是创造知识。

四、期刊论文的分析技巧与程序

一般来讲，好的期刊论文有较多的创意。虽然读起来比较吃力，但收获较多而深入，因此比较值得花心思去分析。读论文之前，参考SCIImpactFactor及学长、导师的意见是必要的。一篇期刊论文，主要分成四个部分。

（1）Abstract：说明这篇论文的主要贡献、方法特色与主要内容。最慢第二年上学期必须要学会只看Abstract和Introduction便可以判断出这篇论文的重点和你的研究有没有直接关联，从而决定要不要把它给读完。假如你有能力每三十篇论文只根据摘要和简介便能筛选出其中最密切相关的五篇论文，你就比别人的效率高五倍以上。以后不管是做事或做学术研究，都比别人有能力从更广泛的文献中挑出最值得参考的资料。

（2）Introduction：Introduction的功能是介绍问题的背景和起源，交代前人在这个题目上已经有过的主要贡献，说清楚前人留下来的未解问题，以及在这个背景下这篇论文想解决的问题和它的重要性。对初学的学生而言，从这里可以了解以前研究的概况。通常如果对你的题目不熟时，先把跟你题目可能相关的论文收集个30～40篇，每篇都只读Abstract和Introduction，而不要读MainBody（正文），只在必要时稍微参考一下后面的Illustrativeexamples和Conclusions，直到你能回答下面这三个问题：（2A）在该领域内最常被引述的方法有哪些？（2B）这些方法可以分成哪些主要派别？（2C）每个派别的主要特色（含优点和缺点）是什么？问题是，你怎么去找到这最初的30～40篇论文？有一种期刊论文叫做reviewpaper，专门在一个题目下面整理出所有相关的论文，并且做简单的回顾。你可以在搜寻Compendex时在keywords中加一个review而筛选出这类论文。然后从相关的数篇reviewpaper开始，从中根据title与Abstract找出你认为跟你研究题目较相关的30～40篇论文。通常只要你反复读过该领域内30～40篇论文的Abstract和Introduction，你就应该可以从Introduction的评论中回答（2A）和（2B）这两个问题。尤其要记得，当你阅读的目的是要回答（2A）和（2B）这两个问题时，你一定要先挑那些Introduction写得比较有观念的论文念（很多论文的Introduction写得像流水帐，没有观念，这种论文刚开始时不要去读它）。假如你读过假如30～40篇论文的Abstract和Introduction之后，还是回答不了（2C），先做下述的工作。

你先根据（2A）的答案，把该领域内最常被引述的论文找齐，再把他们根据（2B）的答案分成派别，每个派别按日期先后次序排好。然后，你每次只重新读一派的Abstract和Introduction（必要时简略参考正文，但目的只是读懂Introduction内与这派有关的陈述，而不需要真的看懂所有正文），照日期先后读，读的时候只企图回答一个问题：这一派的创意与主要诉求是什么？这样，你逐派逐派地把每一派的Abstract和Introduction给读完，总结出这一派主要的诉求、方法特色和优点（每一篇论文都会说出自己的优点，仔细读就不会漏掉）。

其次，你再把这些论文拿出来，但是只读Introduction，认真回答下述问题：「每篇论文对其它派别有什么批评？」然后你把读到的重点逐一记录到各派别的「缺点」栏内。通过以上程序，你就应该可以掌握到（2A）、（2B）、和（2C）三个问题的答案。这时你对该领域内主要方法、文献之间的关系算是相当熟悉了，但是你还是只仔细读完Abstract和Introduction而已，正文则只是笼统读过。这时候，你已经掌握到该领域主要的论文，你可以用这些论文测试看看你用来搜寻该领域论文的keywords到底恰当不恰当，并且用修正过的keywords再搜寻一次论文，把该领域的主要文献补齐，也把原来30～40篇论文中后来发现关系较远的论文给筛选掉，只保留大概20篇左右确定跟你关系较近的文献。如果有把握，可以甚至删除一两个你不想用的派别（要有充分的理由），只保留两、三个派别（也要有充分的理由）继续做完以下工作。然后你应该利用（2C）的答案，再进一步回答一个问题（2D）：“这个领域内大家认为重要的关键问题有哪些？有哪些特性是大家重视的优点？有哪些特性是大家在意的缺点？这些优点与缺点通常在哪些应用场合时会比较被重视？在哪些应用场合时比较不会被重视？”然后，你就可以整理出这个领域（研究题目）主要的应用场合，以及这些应用场合上该注意的事项。

最后，在你真正开始念论文的mainbody之前，你应该要先根据（2A）和（2C）的答案，把各派别内的论文整理在同一个档案夹里，并照时间先后次序排好。然后依照这些派别与你的研究方向的关系远近，一个派别一个派别地逐一把各派的mainbodies念完（一次念完一派）。

（3）Mainbody（含simulationand/orexperimentalexamples）：在你第一次有系统地念某派别的论文mainbodies时，你只需要念懂：（3A）这篇论文的主要假设是什么（在什么条件下它是有效的），并且评估一下这些假设在现实条件下有多容易（或多难）成立。愈难成立的假设，愈不好用，参考价值也愈低。（3B）在这些假设下，这篇论文主要有什么好处。（3C）这些好处主要表现在哪些公式的哪些项目的简化上。至于整篇论文详细的推导过程，你不需要懂。除了三、五个关键的公式（最后在应用上要使用的公式，你可以从这里评估出这个方法使用上的方便程度或计算效率，以及在非理想情境下这些公式使用起来的可靠度或稳定性）之外，其它公式都不懂也没关系，公式之间的恒等式推导过程可以完全略过去。假如你要看公式，重点是看公式推导过程中引入的假设条件，而不是恒等式的转换。

但是，在你开始根据前述问题念论文之前，你应该先把这派别所有的论文都拿出来，逐篇粗略地浏览过去（不要勉强自己每篇或每行都弄到懂，而是轻松地读，能懂就懂，不懂就不懂），从中挑出容易念懂的papers，以及经常被引述的论文。然后把这些论文照时间先后次序依序念下去。记得：你念的时候只要回答（3A）、（3B）、（3C）三个问题就好，不要念太细。这样念完以后，你应该把这一派的主要发展过程，主要假设、主要理论依据、以及主要的成果做一个完整的整理。其次，你还要在根据（2D）的答案以及这一派的主要假设，进一步回答下一个问题：（3D）这一派主要的缺点有哪些。最后，根据（3A）、（3B）、（3C）、（3D）的答案综合整理出：这一派最适合什么时候使用，最不适合什么场合使用。

记住：回答完这些问题时，你还是不应该知道恒等式是怎么导出来的！当你是生手的时候，你要评估一个方法的优缺点时，往往必须要参考它的Examples。但是，要记得：老练的论文写作高手会故意只present成功的案例而遮掩失败的案例。所以，simulationexamplesand/orexperiments很棒不一定表示这方法真的很好。你必须要回到这个方法的基本假设上去，以及他在应用时所使用的主要公式（resultantequations）去，凭自己的思考能力，并且参考（2C）和（2D）的答案，自己问问看：当某某假设在某些实用场合上无法成立时，这个方法会不会出什么状况？猜一猜，预测一下这个方法应该会在哪些条件下（应用场合）表现优异，又会在哪些条件下（应用场合）出不良状况？根据这个猜测再检验一次simulationexamplesand/orexperiments，看它的长处与短处是不是确实在这些examples中充分被检验，且充分表现出来。

那么，你什么时候才需要弄懂一篇论文所有的恒等式推导过程，或者把整篇论文细细读完？NEVER！你只需要把确定会用到的部分给完全搞懂就好，不确定会不会用到的部分，只需要了解它主要的点子就够了。

研究生和大学生最主要的差别：大学生读什么都必须要从头到尾都懂，研究生只需要懂他用得着的部分就好了！大学生因为面对的知识是有固定的范围，所以他那样念。研究生面对的知识是没有范围的，因此他只需要懂他所需要的细腻度就够了。研究生必须学会选择性的阅读，而且必须锻炼出他选择时的准确度以及选择的速度，不要浪费时间去学用不着的细节知识！多吸收“点子”比较重要，而不是细部的知识。

五、论文阅读的补充说明

研究生开始学读期刊论文时，最容易犯的毛病就是戒除不掉大学生的习惯：（1）老是想逐行读懂，有一行读不懂就受不了。（2）不敢发挥自己的想象，读论文像在读教科书，论文没写的就不会，瘫痪在那里；被导师逼着去自己猜测或想象时，老怕弄错作者的意思，神经绷紧，脑筋根本动不了。用大学生的心态读书，结果一定时间永远不够用。因此，每次读论文都一定要带着问题去读，每次读的时候都只是试图回答你要回答的问题。因此，一定是选择性地阅读，一定要逐渐由粗而细地一层一层去了解。上面所规划的读论文的次序，就是由粗而细，每读完一轮，你对这问题的知识就增加一层。根据这一层知识就可以问出下一层更细致的问题，再根据这些更细致的问题去重读，就可以理解到更多的内容。因此，一定是一整批一起读懂到某个层次，而不是逐篇逐篇地整篇一次读懂。

这样读还有一个好处：第一轮读完后，可以根据第一轮所获得的知识判断出哪些论文与你的议题不相关，不相关的就不需要再读下去了。这样才可以从广泛的论文里逐层准确地筛选出你真正非懂不可的部分。不要读不会用到的东西，白费的力气必须被极小化！其实，绝大部分论文都只需要了解它的主要观念（这往往比较容易），而不需要了解它的详细推导过程（这反而比较费时）。

其次，一整批一起读还有一个好处：同一派的观念，有的作者说得较易懂，有的说得不清楚。整批略读过一次之后，就可以规划出一个你以为比较容易懂的阅读次序，而不要硬碰硬地在那里撞墙壁。你可以从甲论文帮你弄懂乙论文的一个段落，没人说读懂甲论文只能靠甲论文的信息。所以，整批阅读很像在玩跳棋，你要去规划出你自己阅读时的「最省力路径」。

六、如何获取应用领域背景知识

应用领域知识是指非专业知识的知识。人工智能大多数研究课题是属于针对应用领域开展的研究工作，因此首先你必须了解你所要解决问题所在领域的背景知识。一般，由于这些背景知识仅仅是非专业性的，因此，重要的选择该领域权威的教科书或专著来读，一般不必阅读学术论文。阅读这些教科书或专著时，你需要针对你自己的目标来阅读，回答下面这三个问题：（5A）在该领域内最核心的知识有哪些？（5B）那些知识与你的研究背景相关？（5C）能够用来说明你的研究工作（含优点和缺点）的实例知识是什么？问题是，你怎么去把握这些领域知识选择？必要时，请询问这些领域的专家。

七、论文报告的要求与技巧

报告一篇论文，要求做到以下部分（依报告次序排列）：（1）投影片第一页必须列出论文的题目、作者、论文出处与年份。（2）以下每一页投影片只能讲一个观念，不可以在一张投影片里讲两个观念。（3）说明这篇论文所研究的问题的重点，以及这个问题可能和哪些应用相关。（4）清楚交代这篇论文的主要假设，主要公式，与主要应用方式（以及应用上可能的解题流程）。（5）说明这篇论文的范例（simulationexamplesand/orexperiments），预测这个方法在不同场合时可能会有的准确度或好用的程度（6）你个人的分析、评价与批评，包括：（6A）这篇论文最主要的创意是什么？（6B）这些创意在应用上有什么好处？（6C）这些创意和应用上的好处是在哪些条件下才能成立？（6D）这篇论文最主要的缺点或局限是什么？（6E）这些缺点或局限在应用上有什么坏处？（6F）这些缺点和应用上的坏处是因为哪些因素而引入的？（6G）你建议学长学弟什么时候参考这篇论文的哪些部分（点子）？

一般来讲，刚开始报告论文（第一年上学期）时只要做到能把前四项要素说清楚就好了，但是第一年结束后（暑假开始）必须要设法做到六项要素都能触及。第二年下学期开始的时候，必须要做到六项都能说清楚。

注意：读论文和报告论文时，最重要的是它的创意和观念架构，而不是数学上恒等式推导过程的细节（顶多只要抓出关键的equation去弄懂以及说明清楚即可）。你报告观念与分析创意，别人容易听懂又觉得有趣；你讲恒等式，大家不耐烦又浪费时间。

八、对研究生毕业的指标要求

研究生要求申请毕业答辩，必须发表一定数量的论文（注意，导师必须为第一作者或通信作者方为有效,论文作者单位除了给出学生本人所属院系外，还应该列入“福建省仿脑智能系统重点实验室（厦门大学）”，对应的英文是：“Fujian Keylab. of The Brain-like Intelligent Systems（Xiamen University）”），并完成了导师规定的科研工作。具体规定如下：

（1）硕士研究生要求起码发表1篇以上论文，论文必须是国内核心刊物的或被EI收录的学术会议的。

（2）博士研究生要求起码发表2篇以上论文，论文必须是国内外学术期刊且被SCI或EI收录的。

（3）所有的研究生，均必须完成导师指定的科研任务，并按照导师要求提交所有发表的学术论文副本、开发的源程序代码与系统说明报告、学位论文，以及其他应该提交的科研成果。

九、其他要求

研究生要主动接受导师及指导小组的指导，积极参加课题小组的各项学术活动，遵守人工智能研究所的规章制度，精诚团结、互相帮助、刻苦钻研、勤奋学习，高质量地开展科学研究与技术开发工作。

这个上面的内容有些借鉴他人的，你也可以在网上再找找，或许有更好的学习计划也不一定。

工作的话一般要熟悉人工智能基础知识，了解游戏中常用的 ai 算法，并能根据需求建立模型等等。其他的就要根据工作的需要了，比如你是找游戏设计方面的工作要求会设计 ai 行为模型，了解游戏中常用的 ai 算法。

需要的公司一般是信息技术、科技、家电之类的公司，现在有真材实料的人还怕找不到工作？什么招聘网人才网不就是为大家准备的吗？你可以去招聘网看看也有助于对自己未来的一点打算和定位。人工智能的未来潜力还是很大的，祝你成功学习进步！

帝国理工和杜克大学计算机博士选哪个

相比较帝国理工，建议选择杜克大学计算机博士。

杜克大学作为一所世界顶级的研究型大学，有九个研究生学院，比较著名的有商学院、医学院和法学院等，一些专业领域在全美的排名也处于领先位置，比如生物医学领域专业排前四，数学领域专业排前十，工程领域专业位于前二十。

在不同的专业领域中，最受学生欢迎且选读最多的学科有社会科学（占30%）、文科（16%）、工程（14%）、生命科学（11%）、心理学（8%）。

美国计算机博士申请难不难

美国读博士超级难申超级优秀超级全面系列：Stanford/UCBerkeley/MIT

这三个学校在research上非常全面，几乎没有弱项。尤其是MIT的工作，相当有impact。这三个学校reputation相当优秀，申请难度很大。细说的话，MIT稍微比Stanford和Berkeley好申一些，Stanford最难。对于MIT/Stanford，我私认为是光凭自身硬件搞不定的(可能THU除外)。我听说过的所有国内学生申请成功的例子，除了自身硬件牛以外，都是由有

internationalreputation的prof(很多还不止一个)强力推荐。当然，这两个条件本身就有很大的关联性。

美国计算机博士超级难申超级优秀系列：Caltech/Harvard

没错，排在第二档就是Caltech和Harvard这两个USnews十名开外的学校。这两个学校无论从

reputation，faculty质量还是申请难度来说，绝对和上面三个不相上下。但是由于department比较小，所以ranking不是很高。Caltech总共只有15个prof，可以说是每个人独当一面。Harvard的强项是theory，不够全面。但是，如果你的运气好到在这两个学校刚好有match的prof的话，那么，如果没有上面三家的offer，我建议优先考虑这两家。

美国读博士非常难申非常优秀超级全面系列：CMU

CMU可以说是计算机类学校中的一枝奇葩，schoolof computer

science下6个department。Research相当全面，水平也很高，尤其是AI相关的方向。CMU因为department比较大，招的人相对多，申请难度比上面5所小不少。

美国计算机博士比较难申非常优秀系列：Princeton/Washington/Cornell/UIUC/Austin/Toronto

这6个学校reputation都相当好，research各有优势，princeton/washington的申请难度大于cornell/uiuc/austin/toronto。

Princeton的theory不错，department比较小，申请难度相对大，喜欢招thu pku的学生。

Washington的system一流，申请难度不知道为什么也比较大。

Cornell相对平均，theory不错，整体来讲感觉research有点偏理论。比如它家一个做ml的prof，就喜欢在COLT

SODA上发paper。

UIUC是老牌engineering学校，system不错。不过我感觉UIUC的ranking跟departmentsize +

它家engineering的reputation有关。UIUCprof的权力相当大，陶瓷相对有用。

Austin的AI非常好，network有个相当牛的prof，其他不大清楚。

Toronto是这次唯一一个美国以外的学校。Toronto的reputation也相当好，faculty质量也很高，申请难度和这一档的其他美国学校相当。我个人觉得对于没有想清楚又无力自费美国ms的申请者，在CA念一个master作为缓冲是一个相当不错的选择。

美国读博士比较难申ivy系列：Yale/Columbia/Brown

这三个是ivy里面剩下的比较靠前的学校。这三个学校faculty很多都是名校毕业，但是active的也不算多。Department很小，申请难度比较浮动，总体说来跟上面的那6所差不多。不过如果不是有特别喜欢的prof或者有ivy情结或者想转行的话，还是建议优先考虑上面那6个学校。

美国计算机博士相对难申各有所长系列：Wisc/UCLA/UMD/UMich/UCSD/UMass/UNCC/Upenn

上面这一系列学校基本上reputation不错，research不够全面但是各有所长。申请难度跟申请者的学校背景关系比较大。其中UCLA比较难申。

Wisc DB不错，不过去年似乎走了几个大牛。听说有人预言5年内跌出前20。虽然我觉得没有那么夸张，不过感觉确实在走下坡路。

UCLA的vision/network相当不错。加上UCLA有非常牛的应数支撑(对于CS而言，math比engineering重要多了)，和相当不错的地理位置，在这一档的学校中应该是稍有优势的。不足之处就是资金比较紧张，招的人相当少。

UMD的IR和AI不错，想做IR的也可以考虑一下它家的Schoolof Information。

UMich是老牌engineeringschool。感觉和UIUC比较像，不过明显要差一个档次。UMich的research整体偏

engineering。DB应该还可以。另外做IR的可以考虑一下UMich的Schoolof

Information，这个department基本上是全美top3的。

UCSD是system不错，而且学校出门5分钟就到海滩，相当有吸引力。

UMass的IR/AI相当好，尤其是AndrewMcCallum相当活跃。

UNCC的graphics/vision的faculty相当多，不过其他的方向就相当弱。

UPenn的AI不错，有名垂AI史的MichaelKearns坐镇。如果跟他的话走academic路线就基本没问题了。

MIT: AI自动化学发现平台，超过20人博士团队，数10篇文章落地分享

MIT团队化学发现落地经验总结

01 自动化和机器学习结合

4. 分子图表征能够系统地捕捉更多信息

02 分子生成

03 分子属性预测器

04 反应路径

一旦选择了分子，需要确定在自动化管道中合成分子的路径

05 分子选择

1. 通过有策略地选择产物，可以找到具有共同节点和多样化功能路径的反应树

06 机器人执行

构建了基于well-plates的批量合成平台

1. 平台中间纯化和高效液相色谱分离的组合用于研究在平台上执行化学反应

2. 基础光谱测量在平台上完成自动化，可以用于表征其他与染料相关的特性

07 实验数据

1. 利用基本光谱测量，导出了其他相关性质，如分配系数和光稳定性

2. 直接光解活化能的测量可以作为用chemprop选择耐光染料的指导分子特性

08 Data from Experiments-->Property Predictors

1. 通过实验实现选定的分子，可以将表征数据反馈到模型中，用于指导额外的迭代

利用属性预测模型和计算机辅助合成规划来驱动自动多属性分子发现平台

01 自动化和机器学习结合

1. 自动化和机器学习的结合可能是实现快速、多样分子化学发现的基础

将传统的高通量实验和机器学习化学发现结合起来，吸收各自优点，弥补不足

传统的高通量实验

优点：快速、自动化、一致、范围窄

缺点：试验设计慢

文献：Santanilla, A.B., et al. Science 2015

机器学习化学发现

优点：快速的试验设计，多样性的

缺点：慢的试验验证

文献：Tkatchenko, A., et al. Nature Comm., 2020

2. MIT在机器学习和机器人技术的界面上自主设计具有多个属性目标的新分子

多属性包括：

(1) Organic Electronics

Singlet-Triplet Splitting、Oscillator Strength、Excited State Lifetime、Spectra

文献：Gomez-Bombarelli, et al. Science, 2016

(2) Reaction Discovery

Structure characterization, Mechanism discovery, substrate scope studies, Process chemistry

文献：Bort, et al., Scientific Reports, 2021

(3) Pharmaceuticals

Bioactivity, Biotoxicity, Solubility, Stability

(4) Energetic Materials

Heat of formation, Detonation pressure, Detonation velocity, Density

文献：Elton, D.C., et al. arXiv, 2018

3. MIT：有多种工具正在积极构建和改进，可用于驱动自主化学发现平台

机器学习模型正在开发应用不同的化学模块

(1) Reaction Discovery(new and /or more efficient pathways)

(2) Process Optimization(describe the yield-condition response surface)

(3) Molecular Discovery(new molecules using know chemical transformation)

4. 化学发现周期从确定目标开始，以评估分子和模型的性能

（1）如何设计针对特定属性的分子

（2）MIT证明所有的部分都可以在非生物系统上工作

（3）对于非生物系统，底层工作流是相同的，但更容易启动

初始的发现任务：

Target -增加数据集的最大吸收

Constraints-约束吸收最大值（FA3），SAScore

Molecule Selection-基于新颖性的分子选择手动过滤器

5. 分子图表征能够系统地捕捉更多信息

02 分子设计

6. 为了生成新的分子，我们可以使用Graph-to-graph Translation，以迭代方式将性能较差的分子推向性能较好的分子

Graph-to-graph Translation

对于多属性目标，分子的各个部分通常会贡献自己的功能

通过提取好的分子片段并以有趣的新方式排列它们来产生新的目标

文献：Jin, W., et al., arXiv preprint arXiv:1812.01070(2018)

代码：/wengong-jin/iclr19-graph2graph

7. 使用迭代 使用Graph-to-graph Translation 方法提高目标结构的溶解度

文献：Bilodeau, C., et al., React. Chem. Eng., 2022, 7, 297-309

8.对于分子图生成，通过使用 带有 基序的编码器-解码器来避免逐个原子生成的限制

文献：Wengong, J., Barzilay, R., Jaakkola, T., Int. Conf on Machine Learning. PMLR, 2020

9. 基于基序的层次图完成模型可以在不需要逐个原子构建分子的情况下完成包含分子的环

文献：Wengong, J., Barzilay, R., Jaakkola, T., Int. Conf on Machine Learning. PMLR, 2020

10. 生成模型是生成大量待考虑候选分子的通用工具

Graph-to-Graph translation model

文献：Jin, W., et al., arXiv preprint arXiv:1812.01070(2018)

代码：/wengong-jin/iclr19-graph2graph

Graph completion model

文献：Wengong, J., Barzilay, R., Jaakkola, T., Int. Conf on Machine Learning. PMLR, 2020

文献：Bilodeau, C., et al., React. Chem. Eng., 2022, 7, 297-309

03 分子属性预测器

11. MIT使用基于消息传递神经网络的Chemprop来设计一般化学性质的空间并建立筛选模型

文献：J.Chem. Inf. Model. 2019, 59,3370-3388

代码：pletion生成可合成的分子，可以覆盖目标属性空间的广泛区域

03 反应路径

一旦选择了分子，需要确定在自动化管道中合成分子的路径

15. The Jensen lab and others at MIT已经为有机合成预测开发了ASCKOS工具

文献：https://mlpds.mit.edu/papers/

Coley, C.W., et al., ACS Cent. Sci. 2017

askcos.mit.edu

16. 使用ASKCOS，借助计算机辅助合成规划软件可以自动生成反应路径

ASKCOS开发团队已经包括了许多软件包，可以对反应和过程化学进行深入分析/预测

05 分子选择

通过有策略地选择产物，可以找到具有共同节点和多样化功能路径的反应树

06 机器人执行

构建了基于well-plates的批量合成平台

（1）得到了吞吐量和灵活性的良好平衡

（2）非常支持基于属性的化学发现

（3）允许我们同时进行化学反应

平台中间纯化和高效液相色谱分离的组合用于研究在平台上执行化学反应

基础光谱测量在平台上完成自动化，可以用于表征其他与染料相关的特性

07 实验数据

利用基本光谱测量，导出了其他相关性质，如分配系数和光稳定性

直接光解活化能的测量可以作为用chemprop选择耐光染料的指导分子特性

08 Data from Experiments-->Property Predictors

通过实验实现选定的分子，可以将表征数据反馈到模型中，用于指导额外的迭代

有多种工具正在积极构建和改进，可用于驱动自主化学发现平台

刚毕业就60W年薪，读的人工智能专业，一不小心就成了“风口”

人工智能技术发展迅猛，人才需求随之急速膨胀，AI人才成为香饽饽。据说很多人还没走出校门，就已经被企业“预定”完毕，去年AI博士应届生年薪就已经涨到 80万…

你为什么会选择人工智能专业？

当前人工智能成为了一个重要的创新、创业热点领域，BAT也都在加快布局人工智能领域，这直接推动了人工智能专业人才的教育从硕士生向本科延伸覆盖。由此可见，当前选择人工智能专业也是顺应时代发展的选择。

我国人工智能专业发展“简史”

火爆的人工智能专业到底学什么？

目前人工智能专业的学习内容有： 机器学习、人工智能导论（搜索法等）、图像识别、生物演化论、自然语言处理、语义网、博弈论等。 需要的前置课程主要有，信号处理，线性代数，微积分，还有编程（较好有数据结构基础）。

为什么毕业就能拿到60w年薪？

究其原因，主要是目前大型 科技 公司（含BAT）都在加快布局人工智能版块，希望用该技术实现行业的颠覆。有行业统计表明，未来10年之内，我国对于人工智能专业的高级人才缺口高达1000万以上，面对千万级别的AI人才缺口，AI领域的普遍薪资自然是水涨船高，人才供需严重不足，企业只能疯狂用高薪抢人。

人工智能专业毕业后的就业方向

中小学生想学人工智能要准备什么？

未来如何利用人工智能为自己赋能？

人工智能正在为人类 社会 带来巨大的经济效益。工厂车间里的机械手、银行大厅里的机器人、扫地机器人、宠物机器人、语音助手、课堂上的AI教学、AI艺术表演、AI+医疗、智能搬运机器人、无人驾驶技术……甚至你正在吃的刀削面都有可能来自机器人之手，很多重复性、人们无法完成的工作正在逐渐被人工智能取代。

未来已来，在人机共生的当下，我们需要以“协作观”来看待人工智能为代表的新生产力，利用其特性，将AI变为我们的“强大辅助”。

人工智能时代，各行各业都在用人工智能赋能。全品AI运用人脸识别技术，在全国落地启动“平安校园”项目，通过整合校内多种安防资源，将人脸识别技术广泛应用于校园管理各个场景中，并通过与校园其他应用系统的数据互通互联，可对校园安全问题实现“事前预防”、“事中控制”、“事后调查举证”的综合防控，全面提升学校安防能力，保障孩子在校的 健康 与安全。

新西兰奥克兰大学人工智能专业简介是什么？就业前景怎么样?

新西兰奥克兰大学人工智能专业是新西兰奥克兰大学开设的新兴专业之一。它涉及计算机科学、信息学等，并且主要研究智力的本质。学生不仅需要学习扎实的基础知识，还需要掌握语言学、哲学等方面的知识。毕业后会有很好的就业前景，可以在科研机构、高校、企业等单位从事软硬件开发和教学工作。

新西兰奥克兰大学人工智能专业介绍

人工智能，缩写为AI。它是研究和发展模拟、延伸和扩展人类智能的理论、方法、技术和应用系统的一门新技术科学。

人工智能是计算机科学的一个分支，它试图理解智能的本质，并产生一种新的智能机器，能够以类似于人类智能的方式做出反应。该领域的研究包括机器人学、语言识别、图像识别、自然语言处理和专家系统。

目前，新西兰奥克兰大学生物工程研究所的中国科学家赵继超博士带领一个国际研究团队开发出了一种“辉煌”的机器学习算法。这种算法被称为AtriaNet，可以通过学习核磁共振仪的成像，精确重建心房的可视化3D模型。

奥克兰大学生物工程研究所致力于通过跨学科研究的机制，创新性地解决复杂的世界领先的科技问题。通过整合计算机数学和医学的研究，利用工程科学技术，最终可以获得可以应用于医学和生理学相关领域的优秀研究成果。

这个研究所的研究成果主要服务于医疗保健项目。奥克兰大学生物工程研究所致力于开发人类生理健康的计算机模型和新仪器技术，希望开发更多的人体虚拟模型，并提供给相关医学领域，以提高临床诊断效果。

新西兰奥克兰大学人工智能专业就业情况

AI需要非常广泛的知识和训练。学AI的同学要做好心理准备。你不仅需要扎实的CS基础知识，还需要一些认知心理学、语言学、哲学、工程学的知识，才能在未来更顺利的发展。除此之外，你还需要掌握一些技能和工具，比如统计学、神经科学、控制、优化和运筹学。

就业方向主要包括科研机构(机器人研究所等。)、软硬件开发者、大学讲师等。当然，鉴于一些高科技公司开辟了新的研究领域，比如谷歌的无人驾驶汽车，在国内就业前景更好。国内的产业升级，IT产业的转型，机器人和智能机器人以及可穿戴设备的研发都将是未来激烈的热点，都在3-5年的时间里，这是学生们从学业中归来的时候！

相信通过以上的讲解，大家对新西兰奥克兰大学的人工智能专业一定有了一定的了解，留学生可以根据自己的学习生活情况进行规划。关于留学的更多问题，请咨询我们的顾问。

今天关于“留学ai博士”的讨论就到这里了。希望通过今天的讲解，您能对这个主题有更深入的理解。如果您有任何问题或需要进一步的信息，请随时告诉我。我将竭诚为您服务。

请添加微信号咨询：19071507959

在线报名

上一篇：留学 贷款 博士_留学贷款博士贷款限额多少

下一篇：留学astro博士