如何快速掌握人工智能的相关知识，迅速成为一名人工智能方面的专家？
某是一个老年打工者，只听说那个智能好。自己确一无所知。???
谢谢谢谢邀请，看完我的这篇回答，你就可以快速成为人工智能方面的所谓的专家，只要不涉及算法方面，你至少要比市面上80%以上所谓的专家要厉害。
人工智能这个概念，最早是由图灵测试来引出的在达特茅斯讨论会中定下了人工智能这个名词的定义。
最早在上个世纪50年代掀起的第一轮的人工智能热潮，当时出现了一些简单的自然对话程序和早期的人形机器人。这些成就让当时的科学家们信心暴增，他们提出了20年内制造出能够全面模仿人类的机器，结果当然是失败了。
第二轮人工智能的热潮出现在上个世纪80年代，当时出现了专家系统和神经网络计算的方法。
所谓专家系统是一种基于一种特定的规则来回答特定领域问题的程序系统。爱德华费根鲍姆被称为专家系统之父。
第三轮人工智能的热潮，就是现在这个时代。
所谓人工智能就是通过机器来模拟人类认知能力的技术，它包括感知，学习，推理与决策等等方面。
如果从应用的角度来说，人工智能的本质就是根据给定的输入来作出判断或者是预测。
比如说可以通过输入的照片来判断照片里的内容是什么，通过输入的音频来判断音频里面的内容是什么，通过输入医学影像来判断疾病的生成以及原因，通过收入的购买记录来预测用户的兴趣，从而给用户推荐合理的产品，或者是通过输入股票的价格及交关交易信息来预测未来的股票价格趋势。
这些都是人工智能的一些具体应用。
人工智能与专家系统不同之处在于，专家系统的规则是由人工来定义的，这种定义既耗时又难于定义完全。而人工智能系统的规则是由机器自主学习得来的。
所以说机器学习是目前人工智能领域的主流方法。
机器学习目前可以分为两个方面，第一个方面是从数据中进行学习，他可以从已知的数据中学习数据中蕴含的规律或者判断规则。
数据学习可以分为监督学习，半监督学习和无监督学习。
监督学习的样本带有预测量的真实值，也就是监督信息。
无监督学习提供的样本预测量的真实值，也就是说样本不提供监督信息。
半监督学习是小部分的样本，带有真实值，也就是说小部分的样本带有监督信息。
第二个方面就是从行动中来学习。主要是通过强化学习来获得策略，从而指导行动。
它与从数据中学习不一样，它不是获得特定的规则而是获取一种策略，这种策略来使每一次行动获得最大的收益。
以上就是人工智能的一些基本的知识。拥有这些知识已与一些所谓的专家进行交流，丝毫不存在困难的，如果你喜欢就在下面点个赞或者关注，我们可以继续讨论人工智能相关方面的知识和话题。
光学工程能转人工智能方向吗？
光纤以光的形式在全世界传输数据，是现代电信的支柱。当需要分析数据时，人们将光信号转换为电信号，然后使用电子设备进行处理。很长时间以来，光学被认为是新型计算技术的基础，但光学计算机很难与电子计算机的快速更新换代相竞争。
然而，在过去几年中，计算的能源成本正逐渐受到关注。光学系统一方面是降低能量需求的一种方法，另一方面作为加速人工智能计算的专用硬件而倍受关注。
DNN包括多层人工神经元和人工突触，它们是神经元之间的连接。这些连接的强度称为为权重，权重可以是阳性，表示神经元兴奋；或阴性，表示抑制。DNN学习即以最小化实际输出和期望输出之间的差异来改变其突触权重，从而执行诸如图像识别类的任务。
研究人员可以使用已知数据集来训练DNN，已经完成训练的DNN可以用于处理所谓“推理”任务中的未知数据。以上任何一种情况的计算量都是巨大的，但操作的多样性是适度的，因为“乘法累加”操作在众多突触权重和神经元激励中占据主导地位。
DNN在计算精度低时能够正常工作，因此，这些网络为实现非传统计算技术提供了新的思路。例如，研究人员正在探索基于新兴非易失性存储器件的DNN加速器。这些设备即使在其电源关闭时也能保留信息，并且可以通过模拟电子计算为DNN提供改进的速度和能效。
无论是用于电信的光纤还是用于光子芯片上的波导均可引导光的传播，可以承载大量数据。将波分复用技术应用于这些波导结构内部，许多不同波长的光可以一起传播。然后，电光调制器和光电检测器以一定带宽的速率调制并解调每个波长。
谐振器能够将单个波长如货车上的货物一样添加到波导或从波导移除。例如，微米级环形（微环）谐振器可以实现突触权重阵列。这种谐振器可以通过热调制，电光调制，或者通过相变材料调制。相变材料可以在非晶相和结晶相之间切换，两种状态在吸收光的能力方面差别很大。在理想条件下，进行乘法累加运算仅需要很小的功率。
来自德国的Feldmann等研究人员在毫米级光子芯片上搭建了全光神经网络，且网络内不存在光电转换。输入的数据被电调制加载到不同的波长上注入网络，在此之后，所有数据都保留在芯片上。集成的相变材料实现对权重的调制和神经元的集成，材料位于两种类型的微环谐振器上，谐振器具有突触或神经元功能。
相变材料吸收注入的各种波长的未调制光，能量累积导致神经元激发，然后把信号传递到网络的下一层。即使芯片上没有光学增益，这种全光学装置也具有扩展到更大网络的潜力。
因为权重信息是通过光吸收实现的，所以负权重需要大的偏置信号，该信号不能激活相变材料。研究人员使用Mach-Zehnder干涉仪装置作为提供负权重的替代方法。该装置中，单个波导被分成两个臂，然后重新组合，因此透射光量取决于两个路径之间光学相位的差异。然而，将这种方法与波分复用技术相结合可能存在一定问题，因为每个干涉仪的臂需要为不同波长引入适当的相位差。
光子DNN仍然面临重大挑战。理想情况下，DNN的总使用功率可能较低，但使用过程中经常需要热光功率来调节和维持每个Mach-Zehnder干涉仪臂中的光学相位差异。另外，必须仔细校准注入含有相变材料系统的总光功率，以便材料完全按照预期响应输入信号。尽管相变材料也可以用于调整Mach-Zehnder的相位，但是材料吸收光的强度和它们减慢光的速度之间不可避免的交叉耦合是一个复杂的问题。
传统的DNN已经逐渐扩展，如今可实现包含数千个神经元和数百万个突触。但是光子网络需要波导彼此间隔很远以防止它们耦合，并要避免波导急剧弯曲以防止光离开波导。由于光穿过两个波导可能会将不需要的功率注入错误路径，光子芯片的2D特性呈现出实质性的设计限制。
尽管实现光子网络需要长距离和大面积，但每个光学结构关键部分的制造必须精确。这是因为波导和光耦合区域，例如，在每个微环谐振器的入口和出口处，必须具有精确尺寸从而实现目标性能。因此，对于如何制造小型微环谐振器也存在限制。最后，调制技术提供的相对较弱的光学效应需要长相互作用区域，以使它们对传输光的有限影响能够积累到足够显著。
原创首发。
这两个专业一个是光学工程，研究对象是光子通过各种介质的物理变化及规律，整体是物理学范畴的学科，主要是围绕着光学.光学通讯.激光.光学成像……。人工智能首先需要数学基础：高等数学，线性代数，概率论数理统计和随机过程，离散数学，数值分析，神经网络，各种算法，图形识别，信号处理，编程处理，电子线路等……数学及电子学科。
你的情况不太清楚，挎两个学科，不是一个学院，学校也可能有一定难道，本人也有一定难度，主要看你自己值得不值得，如果值得无需讨论，同时学习两个专业，或在学校想其它办，考研或考博是在调整都可以，艺不压人，多学点没有坏处。
其次需要算法的积累：人工神经网络，支持向量机，遗传算法等等算法；当然还有各个领域需要的算法，比如你要让机器人自己在位置环境导航和建图就需要研究SLAM；总之算法很多需要时间的积累；
然后，需要掌握至少一门编程语言，毕竟算法的实现还是要编程的；如果深入到硬件的话，一些电类基础课必不可少；
人工智能一般要到研究生才会去学，本科也就是蜻蜓点水看看而已，毕竟需要的基础课过于庞大。
