最近幾年人工智能概念的火熱很大程度上是因為隨著計算能力的發展（此處可cue英偉達）深度學習算法在應用落地方面大放異彩（主要是圖像和語音的識別和分類上）。

在2012年的ImageNet圖像大賽上，多倫多大學的Geoffrey Hinton教授（現在的深度學習三巨頭之一）就帶領著團隊使用深度學習進行機器訓練與圖像識別，錯誤率只有15.3%，成為圖像識別學科歷史上的一個重要節點。

2015年的ImageNet圖像大賽上，微軟亞洲研究院團隊的系統錯誤率低至3.57%，第一次超越了人類。

2016年，人工智迎來了自學科建立60年以來最大規模的市場應用爆發潮。承借著深度學習在計算機視覺領域的首先爆發，云計算平臺、顯卡、芯片等的研發成為行業熱點，而數字醫療、智能家居、自動駕駛、語音助手等應用也獲得了極大的突破。

扯遠了，在回答這個問題前，首先要把幾個概念搞清楚，“人工智能(AI)”、“機器學習”、“深度學習”、“卷積神經網絡”。

以下概念范圍從大到小：

所以我們回到問題上，“想做一個人工智能的東西”這個表達比較含糊，如果你說想造一個素子小姐那短期內還是不太可能的……如果你說想利用深度學習、機器學習來打造一款AI應用，比如圖像分類、視頻處理、人臉識別之類的，還是可行的。

上文提到的Yann LeCun大神就曾經回答過這個問題：

首先人工智能，你需要盡一切可能把所有具有連續性的數學和物理課程都上一遍。微積分（I）、 微積分（II）, 微積分（III）、線性代數、概率論、統計學這幾項是必不可少的，另外你還需要盡可能多的去聽物理學的課程，貝葉斯推理、反向傳播算法、傅立葉變換等等未來都會用到。

如果必須要在“iOS編程”和“量子力學”之間選一門，一定要選量子力學。不過與此同時，你還是要確保學習編程……

看到這里還沒有點小叉叉的同學人工智能，給你一朵小紅花。

全部學完之后，[劃掉]導師就會來邀請你申獎學金了[/劃掉]，接著選一個你感興趣的AI問題。然后獨立對這個問題進行思考。（比如我想做一個人臉識別的軟件，我應該用什么方法采集數據，如何分類人臉特征，如何識別等等）

一旦你形成了自己的想法，就開始讀書、讀論文。網上也有很多關于機器學習、深度學習的材料、教程和視頻課程，但是建議你先思考－再讀書－最后看教程。

小智插話：對于中國學生而言，你還需要確保自己的英語水平常年保持在6級以上。畢竟所有大牛的論文都是英文的……

讀完之后你將會發現，（1）你之前的想法有點幼稚，但是（2）你對這個問題的看法開始有點不一樣了。

接著，如果你是個本科生，你就可以去勾搭教授了，清華、中科院、北航等都是業內不錯的院校，英語好的可以去勾搭國外教授。但是鑒于你現在也沒有發表什么作品，教授勾搭不到的話，轉而勾搭博士/博士后也是可以的。

對于已經工作了的人來說，有幾個線上文獻/課程可以參考。

地址戳：

地址戳：

此外，Facebook、英偉達等也都設立了AI相關的線上/線下課程教程、還有Caffe、Torch、TensorFlow、Theano等這幾大開源平臺的使用手冊、最近國內外各類的AI大會也都層出不窮……想學東西的方法很多，這只是其中一條路而已。