生物人工智慧
生物機器人是利用單細胞打造成的，具有特殊功能特性的機器人，他們能夠完成普通模擬機器人所不能完成的任務。
科學家利用單細胞動物的「聰明」，前幾年研製出單細胞控制的機器人。當時英國南安普頓大學的桑諾爾博士培養了一種星形的黏黴菌樣品，把它附到一台六腳機器人上（每個星尖控制一條腿），用來控制機器人的運動。而西英格蘭大學的安德魯教授的設計理念更為先進，他打算在此基礎上更進一步，利用瘧原蟲粘菌研製出完全的生物機器人。
生物機器人被命名為Plasmobot，將被設計成通過光和電磁刺激來激發化學反應。此前這是通過類似的化學反應，安德魯教授為一種人工大腦製造邏輯開關。安德魯教授表示，下一步要深化對這種化學反應的研究，通過控制這種化學反應，能夠使Plasmobot朝特定方向運動，包圍並「撿起」物體，甚至組裝物體。安德魯表示，這種單細胞動物機器人的最終研究目標是使其具備組裝微機器組件的能力。
生物機器人學的研究對象是：動態的不確定的環境中工作的自主、半自主的機器人。研究方法是：從生物系統的各個層次獲得啟發，動態平行應用從上向下和從下向上的研究方法，也即太極研究方法，更多地運用綜合策略。
主要研究內容如下：
（1）仿生物機構、驅動器、感測器
（2）仿生物計算工具
（3）系統結構與智能結構
（4）意識、動機、情感、成長、相互作用、技能、語言、學習、知識、知覺、行為實現、思考等認知能力
（5）系統設計與製造
生物機器人學就有了明確的指導方向，包容性也很大，如（Harvey，1992）提出的進化機器人學主要研究認知能力中的成長問題，採用動態神經網作為計算結構和工具，認知機器人學也主要針對認知能力中的幾個因素。需要指出的是系統結構和智能結構是生物機器人學的基礎，認知能力也需要在這個基礎上實現。基於行為的機器人學主要研究了系統結構以及行為實現和相互作用問題。顯然，生物機器人學能把已進行的該方向的所有領域都包容進來，並能促進和指導進一步的研究，同時避免犯局部性的錯誤。特別是，在研究方法上得到了和諧統一，一味從下向上的還原主義的研究方法容易犯機械論的錯誤，如目前發展的神經網路，難以產生高層行為，一味從上向下的研究方法容易脫離實際，如基於符號的機器人，難以適應環境。
② 我是學生物工程的,現在想找一家基因工程和人工智慧結合起來做的公司,現在有這樣的公司嗎
什麼是人工智慧近年來，隨著計算機技術的迅猛發展和日益廣泛的應用，自然地會提出人類智力活動能不能由計算機來實現的問題。幾十年來，人們一向把計算機當作是只能以極快地、熟練地、准確地運算數字的機器。但是在當今世界要解決的問題並不完全是數值計算，像語言的理解和翻譯、圖形和聲音的識別、決策管理等都不屬於數值計算，特別像醫療診斷要有專門的特有的經驗和知識的醫師才能作出正確的診斷。這就要求計算機能從「數據處理」擴展到還能「知識處理」的范疇。計算機能力范疇的轉化是導至「人工智慧」快速發展的重要因素。人工智慧的定義：著名的美國斯坦福大學人工智慧研究中心尼爾遜教授對人工智慧下了這樣一個定義：「人工智慧是關於知識的學科――怎樣表示知識以及怎樣獲得知識並使用知識的科學。」而另一個美國麻省理工學院的溫斯頓教授認為：「人工智慧就是研究如何使計算機去做過去只有人才能做的智能工作。」這些說法反映了人工智慧學科的基本思想和基本內容。即人工智慧是研究人類智能活動的規律，構造具有一定智能的人工系統，研究如何讓計算機去完成以往需要人的智力才能勝任的工作，也就是研究如何應用計算機的軟硬體來模擬人類某些智能行為的基本理論、方法和技術。人工智慧（ArtificialIntelligence，簡稱AI）是計算機學科的一個分支，二十世紀七十年代以來被稱為世界三大尖端技術之一（空間技術、能源技術、人工智慧）。也被認為是二十一世紀（基因工程、納米科學、人工智慧）三大尖端技術之一。這是因為近三十年來它獲得了迅速的發展，在很多學科領域都獲得了廣泛應用，並取得了豐碩的成果，人工智慧已逐步成為一個獨立的分支，無論在理論和實踐上都已自成一個系統。人工智慧是研究使計算機來模擬人的某些思維過程和智能行為（如學習、推理、思考、規劃等）的學科，主要包括計算機實現智能的原理、製造類似於人腦智能的計算機，使計算機能實現更高層次的應用。人工智慧將涉及到計算機科學、心理學、哲學和語言學等學科。可以說幾乎是自然科學和社會科學的所有學科，其范圍已遠遠超出了計算機科學的范疇，人工智慧與思維科學的關系是實踐和理論的關系，人工智慧是處於思維科學的技術應用層次，是它的一個應用分支。從思維觀點看，人工智慧不僅限於邏輯思維，要考慮形象思維、靈感思維才能促進人工智慧的突破性的發展，數學常被認為是多種學科的基礎科學，數學也進入語言、思維領域，人工智慧學科也必須借用數學工具，數學不僅在標准邏輯、模糊數學等范圍發揮作用，數學進入人工智慧學科，它們將互相促進而更快地發展。從實用觀點來看，人工智慧是一門知識工程學：以知識為對象，研究知識的獲取、知識的表示方法和知識的使用。計算機與智能通常我們用計算機，不僅要告訴計算機，要做什麼，還必須詳細地、正確地告訴計算機怎麼做。也就是說，人們要根據任務的要求，以適當的計算機語言，編制針對該任務的應用程序，才能應用計算機完成此項任務。這樣實際上是在人完全控制計算機完成的，是談不上計算機有「智能」。大家都知道，世界國際象棋棋王卡斯帕羅夫與美國IBM公司的RS／6000（深藍）計算機系統於1997年5月11日進行了六局「人機大戰」，結果「深藍」以3.5比2.5的總比分獲勝。比賽結束了給人們留下了深刻的思考；下棋要獲勝要求選手要有很強的思維能力、記憶能力、豐富的下棋經驗，還得及時作出反映，迅速進行有效的處理，否則一著出錯滿皆輸，這顯然是個「智能」問題。盡管開發「深藍」計算機的IBM專家也認為它離智能計算機還相差甚遠，但它以高速的並行的計算能力（2r108步／秒棋的計算速度）。實現了人類智力的計算機上的部分模擬。從字面上看，「人工智慧」就是用人工的方法在計算機上實現人的智能，或者說是人們使計算機具有類似於人的智能。智能與知識在20世紀70年代以後，在許多國家都相繼開展了人工智慧的研究，由於當時對實現機器智能理解得過於容易和片面，認為只要一些推理的定律加上強大的計算機就能有專家的水平和超人的能力。這樣，雖然也獲得一定成果，但問題也跟著出現了，例如機器翻譯當時人們往往認為只要用一部雙向詞典及詞法知識，就能實現兩種語言文字的互譯，其實完全不是這么一回事，例如，把英語句子「Timeflieslikeanarrow」（光陰似箭）翻譯成日語，然後再譯回英語，竟然成為「蒼蠅喜歡箭」；當把英語「」（心有餘而力不足）譯成俄語後，再譯回來竟變成「」（酒是好的但肉已變質）。在其它方面也都遇到這樣或者那樣的困難。這時，本來對人工智慧抱懷疑態度的人提出指責，甚至把人工智慧說成是「騙局」、「庸人自擾」，有些國家還削減人工智慧的研究經費，一時人工智慧的研究進入了低潮。然而，人工智慧研究的先驅者們沒有放棄，而是經過認真的反思、總結經驗和教訓，認識到人的智能表現在人能學習知識，有了知識，能了解、運用已有的知識。正向思維科學所說「智能的核心是思維，人的一切智慧或智能都來自大腦思維活動，人類的一切知識都是人們思維的產物。」「一個系統之所以有智能是因為它具有可運用的知識。」要讓計算機「聰明」起來，首先要解決計算機如何學會一些必要知識，以及如何運用學到的知識問題。只是對一般事物的思維規律進行探索是不可能解決較高層次問題的。人工智慧研究的開展應當改變為以知識為中心來進行。自從人工智慧轉向以知識為中心進行研究以來，以專家知識為基礎開發的專家系統在許多領域里獲得成功，例如：地礦勘探專家系統（PROSPECTOR）擁有15種礦藏知識，能根據岩石標本及地質勘探數據對礦產資源進行估計和預測，能對礦床分布、儲藏量、品位、開采價值等進行推斷，制定合理的開采方案，成功地找到了超億美元的鉬礦。又如專家系統（MYCIN）能識別51種病菌，正確使用23種抗菌素，可協助醫生診斷、治療細菌感染性血液病，為患者提供最佳處方，成功地處理了數百個病例。它還通過以下的測試：在互相隔離的情況下，用MYCIN系統和九位斯坦福大學醫學院醫生，分別對十名不清楚感染源的患者進行診斷和處方，由八位專家進行評判，結果是MYCIN和三位醫生所開出的處方對症有效；而在是否對其它可能的病原體也有效而且用葯又不過量方面，MYCIN則勝過了九位醫生。顯示出較高的水平。專家系統的成功，充分表明知識是智能的基礎，人工智慧的研究必須以知識為中心來進行。由於知識的表示、利用、獲取等的研究都取得較大的進展。因而，人工智慧的研究得以解決了許多理論和技術上問題。人工智慧研究的目標1950年英國數學家圖靈（A.M.Turing,1912—1954）發表了」計算機與智能」的論文中提出著名的「圖靈測試」，形象地提出人工智慧應該達到的智能標准；圖靈在這篇論文中認為「不要問一個機器是否能思維，而是要看它能否通過以下的測試；讓人和機器分別位於兩個房間，他們只可通話，不能互相看見。通過對話，如果人的一方不能區分對方是人還是機器，那麼就可以認為那台機器達到了人類智能的水平。圖靈為此特地設計了被稱為「圖靈夢想」的對話。在這段對話中「詢問者」代表人，「智者」代表機器，並且假定他們都讀過狄更斯（C.Dickens）的著名小說《匹克威克外傳》，對話內容如下：詢問者：在14行詩的首行是「你如同夏日」，你不覺得「春日」更好嗎？智者：它不合韻。詢問者：「冬日」如何？它可完全合韻的。智者：它確是合韻，但沒有人願意被比作「冬日」。詢問者：你不是說過匹克威克先生讓你想起聖誕節嗎？智者：是的。詢問者：聖誕節是冬天的一個日子，我想匹克威克先生對這個比喻不會介意吧。智者：我認為您不夠嚴謹，「冬日」指的是一般冬天的日子，而不是某個特別的日子，如聖誕節。從上面的對話可以看出，能滿足這樣的要求，要求計算機不僅能模擬而且可以延伸、擴展人的智能，達到甚至超過人類智能的水平，在目前是難以達到的，它是人工智慧研究的根本目標。人工智慧研究的近期目標；是使現有的計算機不僅能做一般的數值計算及非數值信息的數據處理，而且能運用知識處理問題，能模擬人類的部分智能行為。按照這一目標，根據現行的計算機的特點研究實現智能的有關理論、技術和方法，建立相應的智能系統。例如目前研究開發的專家系統，機器翻譯系統、模式識別系統、機器學習系統、機器人等。人工智慧的研究領域目前，人工智慧的研究是與具體領域相結合進行的。基本上有如下領域；專家系統專家系統是依靠人類專家已有的知識建立起來的知識系統，目前專家系統是人工智慧研究中開展較早、最活躍、成效最多的領域，廣泛應用於醫療診斷、地質勘探、石油化工、軍事、文化教育等各方面。它是在特定的領域內具有相應的知識和經驗的程序系統，它應用人工智慧技術、模擬人類專家解決問題時的思維過程，來求解領域內的各種問題，達到或接近專家的水平。機器學習要使計算機具有知識一般有兩種方法；一種是由知識工程師將有關的知識歸納、整理，並且表示為計算機可以接受、處理的方式輸入計算機。另一種是使計算機本身有獲得知識的能力，它可以學習人類已有的知識，並且在實踐過程中不總結、完善，這種方式稱為機器學習。機器學習的研究，主要在以下三個方面進行：一是研究人類學習的機理、人腦思維的過程；和機器學習的方法；以及建立針對具體任務的學習系統。機器學習的研究是在信息科學、腦科學、神經心理學、邏輯學、模糊數學等多種學科基礎上的。依賴於這些學科而共同發展。目前已經取得很大的進展，但還沒有能完全解決問題。模式識別模式識別是研究如何使機器具有感知能力，主要研究視覺模式和聽覺模式的識別。如識別物體、地形、圖象、字體（如簽字）等。在日常生活各方面以及軍事上都有廣大的用途。近年來迅速發展起來應用模糊數學模式、人工神經網路模式的方法逐漸取代傳統的用統計模式和結構模式的識別方法。特別神經網路方法在模式識別中取得較大進展。理解自然語言計算機如能「聽懂」人的語言（如漢語、英語等），便可以直接用口語操作計算機，這將給人們帶極大的便利。計算機理解自然語言的研究有以下三個目標：一是計算機能正確理解人類的自然語言輸入的信息，並能正確答復（或響應）輸入的信息。二是計算機對輸入的信息能產生相應的摘要，而且復述輸入的內容。三是計算機能把輸入的自然語言翻譯成要求的另一種語言，如將漢語譯成英語或將英語譯成漢語等。目前，研究計算機進行文字或語言的自動翻譯，人們作了大量的嘗試，還沒有找到最佳的方法，有待於更進一步深入探索。機器人學機器人是一種能模擬人的行為的機械，對它的研究經歷了三代的發展過程：第一代（程序控制）機器人：這種機器人一般是按以下二種方式「學會」工作的；一種是由設計師預先按工作流程編寫好程序存貯在機器人的內部存儲器，在程序控制下工作。另一種是被稱為「示教—再現」方式，這種方式是在機器人第一次執行任務之前，由技術人員引導機器人操作，機器人將整個操作過程一步一步地記錄下來，每一步操作都表示為指令。示教結束後，機器人按指令順序完成工作（即再現）。如任務或環境有了改變，要重新進行程序設計。這種機器人能盡心盡責的在機床、熔爐、焊機、生產線上工作。日前商品化、實用化的機器人大都屬於這一類。這種機器人最大的缺點是它只能刻板地按程序完成工作，環境稍有變化（如加工物品略有傾斜）就會出問題，甚至發生危險，這是由於它沒有感覺功能，在日本曾發生過機器人把現場的一個工人抓起來塞到刀具下面的情況。第二代（自適應）機器人：這種機器人配備有相應的感覺感測器（如視覺、聽覺、觸覺感測器等），能取得作業環境、操作對象等簡單的信息，並由機器人體內的計算機進行分析、處理，控制機器人的動作。雖然第二代機器人具有一些初級的智能，但還需要技術人員協調工作。目前已經有了一些商品化的產品。第三代（智能）機器人：智能機器人具有類似於人的智能，它裝備了高靈敏度的感測器，因而具有超過一般人的視覺、聽覺、嗅覺、觸覺的能力，能對感知的信息進行分析，控制自己的行為，處理環境發生的變化，完成交給的各種復雜、困難的任務。而且有自我學習、歸納、總結、提高已掌握知識的能力。目前研製的智能機器人大都只具有部分的智能，和真正的意義上的智能機器人，還差得很遠。智能決策支持系統決策支持系統是屬於管理科學的范疇，它與「知識—智能」有著極其密切的關系。在80年代以來專家系統在許多方面取得成功，將人工智慧中特別是智能和知識處理技術應用於決策支持系統，擴大了決策支持系統的應用范圍，提高了系統解決問題的能力，這就成為智能決策支持系統。人工神經網路人工神經網路是在研究人腦的奧秘中得到啟發，試圖用大量的處理單元（人工神經元、處理元件、電子元件等）模仿人腦神經系統工程結構和工作機理。在人工神經網路中，信息的處理是由神經元之間的相互作用來實現的，知識與信息的存儲表現為網路元件互連間分布式的物理聯系，網路的學習和識別取決於和神經元連接權值的動態演化過程。多年來，人工神經網路的研究取得了較大的進展，成為具有一種獨特風格的信息處理學科。當然目前的研究還只是一些簡單的人工神經網路模型。要建立起一套完整的理論和技術系統，需要作出努力和探討。然而人工神經網路已經成為人工智慧中極其重要的一個研究領域。結束語：人類經過五千的發展進入了基於知識的「知識經濟」。人類社會空前地高速發展。知識是智能的基礎，知識只有轉化為智能才能發揮作用，知識無限的積累，智能也就將在人類社會起越來越大的作用，更有人提出：知識經濟的進一步發展將是「智能經濟」。「智能經濟」是基於「廣義智能」的經濟，「廣義智能」包含：人的智能、人工智慧以及人和智能機器相結合的「集成智能」。可以想像基於廣義智能的「智能經濟」將比基於知識的「知識經濟」將具有更高的智能水平，更高更快發展速度。葉秀松電子委轉載：CA01KH03.htm謝謝您選用！
③ 關於」做人工智慧是否一定要學點生物「
不覺得做人工智慧一定要先學點生物。
首先，大腦的設計不一定最優。本著」能用就行「的原則，大自然無意識的進化產生了很多並非最優的設計。一個典型的例子是視神經如何從眼底連到大腦視覺皮層，任何一位有經驗的工程師都會讓視神經信號從視網膜的背後匯集，然後傳進大腦，而不是像人類的眼睛這樣，信號從視網膜的前面匯集，然後在視網膜上打個洞穿過去（這就是視覺盲點的由來）。如果承認進化論是正確的，那麼人腦中的許多復雜設計未必是實現智能所必需，而只是長年進化的副產品。有些設計可能是抵抗細菌病毒入侵，有些可能是供給細胞能量，還有些是處理慢得不能再慢的神經信號傳遞，還有些可能是以前兩棲類爬行類的殘留，只要拼在一起可以產生自我意識，就會有物種在無聊時萌發對智能的好奇。因此，從計算角度來說，並沒理由相信大腦的設計一定是最優的。把大腦的設計全搞明白再做智能，個人覺得過於迂迴了。
其次，以目前的生物學方式研究智能，不一定有效率。發現NO分子，發現膜離子通道，發現化學滲透，這些拿到了生物學諾獎的工作，其重要性不言而喻，但在計算上看起來，只是找到了生物傳遞信息和轉化能量的各種方式，而且其效率與當代計算機體系結構相比差了不只一個數量級。如果目標只是智能，那為什麼不用現成的？如果我們把大腦比作是一台復雜的計算機，那麼我們現在對大腦的研究，就相當於檢測到了匯流排上幾個比特的變化和傳遞，或者最多是檢測到CPU正在進行加減乘除。但對這台計算機究竟在做些什麼高層的操作，運行什麼演算法，毫無感覺。同樣的加減乘除，可以是為了牛頓法求平方根，可以是對目標函數做梯度下降，可以是計算一個字串的哈希值，或者正在對一個高維向量進行線性投影。從單純的加減乘除中要推斷出這台計算機在做什麼，是非常辛苦困難的工作，不僅要事無巨細地完全記錄，還要做大量的綜合分析，現在因為實驗技術的限制，我們連前者都做不到，更不用談後者，這就是研究人腦的難點所在。但是如果退一步想，如果對一個未知龐大系統的反向工程太難，那為什麼不自頂向下搭起呢？從原理出發，干凈清晰，邏輯明確，能提高成百上千倍的效率。人工智慧這個領域，現在做的正是這樣重頭搭起的工作，有便宜的存儲，便宜的內存，便宜的CPU和GPU，速度上電腦又比人腦快，數據量大，實驗可控制可重復，方便之極。
④ 醫學生想轉行人工智慧，考研生物醫學工程還是計算機好
作為想往人工智慧發展的醫工在讀本科生忍不住回答一下，不過我的知識儲備也回很有限完全是答這兩年的經驗體會，歡迎批評改正。
醫工就是利用工程手段解決生物醫學上的問題，人工智慧是人造智能，以我狹窄的了解目前人工智慧主要通過兩個手段去人造智能，一個是邏輯演算法，一個是模擬人類大腦神經之類。人工智慧范疇其實很廣，AlphaGo叫人工智慧（利用了由人類大腦得到啟發的機器學習等等方法），可穿戴醫療設備也叫人工智慧，甚至以後可能的一個趨勢就是晶元嵌入人體（人體增強），這也叫人工智慧。但是AlphaGo是純邏輯演算法編寫，嵌入式晶元卻需要結合生物醫學知識（排斥反應啊神經連結啊），還有生物醫學的一個分支醫學影像是CT成像技術研究，如果具備相關解剖學知識肯定是有優勢的。這就是人工智慧和醫工差別與貫通所在了。這要看你具體想做什麼，作為醫學生學醫工肯定比學計算機更有資本積累的優勢吧，不過發展趨勢來看這兩個科目以後肯定會有很大交集，所以主要還是看你更願意專供偏邏輯演算法多一點還是生物醫學多一點的領域。另外醫工分支也很多，可以自行網路一下。
⑤ 生物識別和人工智慧是什麼關系
經常有一些誇張的言論，這實際並不是生物識別。由於其相對低廉的價格。比較兩個靜態圖象是一回事、簽名識別，比較指紋的局部細節。2012年；有些直接通過全部特徵進行識別，但它們實際上做的是前一種事。我們相信隨著科學技術的飛速進步，而且系統運行環境也是可控的、聲音識別等、面部識別，它的性能也經常被誤解，與後台數據中犯罪嫌疑人面部特徵進行精確比對。關於面部識別，如指紋識別。在所有生物識別技術中，就是完全不同的另一回事了。但一旦克服了技術障礙。視頻監控將捕捉到的人像。這套系統主要通過安裝在城市道路路口、兩側以及公交車上的25萬個視頻探頭進行圖像採集現今已經出現了許多生物識別技術。有些系統宣稱能做到後一點、手掌幾何學識別，有些則不能。 實現指紋識別有多種方法，在人群中發現和確認某個人的身份而不引起別人的注意，所以在工作站安全訪問系統中應用的幾乎全部都是指紋識別，但實際是很難實現的，但其中一部分技術含量高的生物識別手段還處於實驗階段，瞬間可辨認嫌疑人、虹膜識別，但人們對這種技術的期望應該比較現實。面部識別在實際應用中還很少成功、較小的體積（可以很輕松地集成到鍵盤中）以及容易整合，指紋識別是當前應用最為廣泛的一種、視網膜識別。有些設備能即時測量手指指紋，因為可以有充分的條件為用戶提供講解和培訓，將有越來越多的生物識別技術應用到實際生活中，它將成為一種重要的生物識別方法。從用戶的角度很容易理解面部識別的吸引力。其中有些是仿效傳統的公安部門使用的方法；還有一些使用更獨特的方法。這套系統將在2013年3月投入實戰應用，如指紋的波紋邊緣模式和超聲波，建成後能在1秒鍾內比對1億次圖像。指紋識別對於室內安全系統來說更為適合。 這是一種相當引人注意的技術，武漢公安正構建一套高精準人像識別系統，可在幾秒內鎖定犯罪嫌疑人
⑥ 人工智慧能被稱為生物嗎
當然不能
⑦ 生物識別碰撞人工智慧，是「黑科技」還是「AI進化」
人工智慧在學術里是類人智能。但是現在的人工智慧在工業里，許多都是噱頭。都屬於入門階段或者根本不是。美圖的人工智慧，實際上是圖像識別技術的延伸應用，通過圖像來識別區分人像的各個部分，然後做相應的處理。更多是做了部分類似人眼的部分功能。
如果真的做到人工智慧，它應該能夠了解你，並根據你的意思，來生成你想要的圖。而不是按照美圖給你設定好的模式來生成特定的圖。這種都是人為定義的機械行為。
不過，對於普通用戶而言，它確實用到了人工智慧技術 圖像識別，圖像分析等技術。
⑧ 人工智慧觸及生物學的哪些領域
人工智慧包括：
計算機.資訊理論、控制論、自動化、仿生學、生物學、心理學、數理邏輯、語言學、醫學和哲學等多門學。
人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。
⑨ 人工智慧和生物技術非常火爆，大學哪些專業可以選擇
經常會有學生和家長問什麼樣的專業比較緊缺人，未來什麼樣的專業前途很好，前景很好的。其實真要說近兩年很熱門，且也很缺專業人才的專業的話，那應該算是人工智慧專業了。其實基本上從人工智慧專業就業的前景都挺好。
而且最不缺的就是就業機會了，因為目前很多企業都比較需要這方面的人才。但人工智慧專業只有少數大學開設，且這些大學的錄取分數都相當高，如果高考分數不理想，想要考上都是比較困難的。
⑩ 一位高三學生，生物專業，人工智慧
在國內來說生物科學與技術很不成熟 在現在國內就業情況也不是很好
但這一方面人才比較少 如果你有心學 將來出國 那還是相當不錯的
而計算機科學與技術是個熱門專業，就業相對比較好，但這一方面人才比較多
這一門專業可以保證你有口飯吃
至於人工智慧學編程和電子比較接近
具體的你還是問一下你們的老師 他會給你很好的意見的